基于自適應分數(shù)階隨機共振系統(tǒng)的微弱信號檢測方法
【技術領域】
[0001] 本發(fā)明設及一種信號檢測方法，尤其設及微弱信號被高頻噪聲信號淹沒時使用的 檢測方法。
【背景技術】
[0002] 隨著時代發(fā)展，在各行各業(yè)的現(xiàn)場應用中，都會存在微弱信號，如光學測量中的弱 光，電磁行業(yè)中的弱磁，流量檢測中的微流量，溫度測量中的微溫差等。目前檢測微弱信號 的方法，一般為使用相對應的傳感器對該檢測量轉化為微弱的電流或電壓，然后進行放大 W便測量。然而，因為被檢測信號較弱，電路中的固有噪聲、測量儀表夾雜的固有噪聲、傳感 器的本底噪聲W及外界環(huán)境帶來的干擾噪聲都會比目標信號的幅值大得多。因此在放大被 測信號的過程中，同時也放大了噪聲，所W單靠放大無法檢測出微弱信號。
[0003] 隨機共振是基于非線性系統(tǒng)在輸入微弱周期信號和噪聲信號時的一種非線性現(xiàn) 象。在信號的研究中，噪聲常常被認為是有害的，但在隨機共振的概念里，噪聲卻可W為微 弱信號的檢測提供能量，使其成為隨機共振的推動作用。分數(shù)階微積分運算已經是數(shù)學中 的重要分支，具有了完善的理論體系，分數(shù)階微積分的空間特性為長程空間相關性，時間特 性為時間記憶性。現(xiàn)階段研究較為成熟、應用較為廣泛的整數(shù)階傳統(tǒng)雙穩(wěn)態(tài)系統(tǒng)，對微弱信 號W及噪聲信號等輸入，具有較大的局限性，運就意味著應用場合將受到限制。

【發(fā)明內容】

[0004] 本發(fā)明的目的在于針對現(xiàn)有技術的不足，提供一種基于自適應分數(shù)階隨機共振系 統(tǒng)的微弱信號檢測方法。
[0005] 本發(fā)明所采用的技術方案，包括如下步驟：
[0006] 1)對分數(shù)階雙穩(wěn)態(tài)系統(tǒng)進行預處理，得到該系統(tǒng)的先驗知識；
[0007] 2)利用信號采集裝置，對包含噪聲的微弱信號進行采集；
[000引3)將步驟2中采集到的混合信號，作為分數(shù)階雙穩(wěn)態(tài)系統(tǒng)的輸入，W信噪比為適應 度函數(shù)，在從步驟1得到的先驗知識中提取疫苗。利用免疫算法動態(tài)地調節(jié)分數(shù)階雙穩(wěn)態(tài)系 統(tǒng)參數(shù)e，a，b，c，k使其產生隨機共振，尋找使信噪比最大時的分數(shù)階雙穩(wěn)態(tài)系統(tǒng)參數(shù)β，3， b，c，k的值；
[0009] 4)將步驟3優(yōu)化得到的分數(shù)階雙穩(wěn)態(tài)系統(tǒng)參數(shù)β，a，b，C，k的值設為雙穩(wěn)態(tài)系統(tǒng)參 數(shù)，對步驟2處理后的信號做隨機共振處理，實現(xiàn)微弱信號的檢測。
[0010] 本發(fā)明的有益效果:選用了相較于傳統(tǒng)整數(shù)階雙穩(wěn)態(tài)系統(tǒng)適用范圍更加廣泛的分 數(shù)階雙穩(wěn)態(tài)系統(tǒng)，并且針對不同的輸入信號，利用免疫算法自適應地調節(jié)分數(shù)階雙穩(wěn)態(tài)系 統(tǒng)參數(shù)，探尋信噪比最大時的最優(yōu)參數(shù)，從而產生隨機共振或使隨機共振效應更明顯，實現(xiàn) 微弱信號的自適應檢測。該方法適用于設及強噪聲中的微弱信號檢測的各個領域，具有良 好的應用前景。
【附圖說明】
[0011] 圖1為本發(fā)明的整體實現(xiàn)過程框圖。
[0012] 圖2為免疫算法的分數(shù)階雙穩(wěn)態(tài)系統(tǒng)參數(shù)擇優(yōu)過程框圖。
[0013] 圖3為模擬理想環(huán)境中收集的包含噪聲的微弱信號。
[0014] 圖4為免疫算法優(yōu)化后隨機共振系統(tǒng)輸出的時域圖。
[0015] 圖5為免疫算法優(yōu)化后隨機共振系統(tǒng)輸出的功率譜圖。
【具體實施方式】
[0016] 傳統(tǒng)的整數(shù)階隨機共振模型是雙穩(wěn)隨機共振，其勢函數(shù)為
[0017]
(1)
[0018] 在傳統(tǒng)雙穩(wěn)態(tài)系統(tǒng)中，只有a,b兩個參數(shù)，其結構較為簡單，所W不能很有效地應 用到各種微弱信號的檢測當中，具有局限性，即對微弱信號W及噪聲信號等客觀條件具有 較大的限制。本發(fā)明使用的是結構較復雜的分數(shù)階雙穩(wěn)態(tài)系統(tǒng)，其勢函數(shù)為
[0019]
[0020] 根據(jù)分數(shù)階理論中的化puto定義，該系統(tǒng)的Langevin方程可W表示如下：
[0021]
[0022] 其中，'。'如Λ-(/)是對x(t)的郎介分數(shù)階導數(shù)，并且0處<1。曰，6，(3^，9為系統(tǒng)結構參 數(shù)。C(t)是噪聲信號，s(t)為目標微弱信號。
[0023] 由于該系統(tǒng)結構可變性較好，且分數(shù)階雙穩(wěn)態(tài)系統(tǒng)在參數(shù)改變影響系統(tǒng)結構運方 面，具有較好的特性，所W應用場合更加廣泛。
[0024] 下面結合圖1與系統(tǒng)對該方法進行詳細描述。
[0025] 1)對分數(shù)階雙穩(wěn)態(tài)系統(tǒng)進行預處理，得到該系統(tǒng)的先驗知識；
[0026] 具體為:對上述的雙穩(wěn)態(tài)系統(tǒng)的參數(shù)進行單個變化，得到對應的系統(tǒng)勢能圖，得到 該參數(shù)與系統(tǒng)結構(主要為勢壘高度，勢阱位置)的關系。把得到的參數(shù)與結構關系作為先 驗知識。
[0027] 2)利用信號采集裝置，對包含噪聲的微弱信號進行采集，并進行預處理；
[0028] 具體為:將信號接收裝置放置到信號源附近，利用信號采集系統(tǒng)采集數(shù)據(jù)，并進行 放大、濾波等預處理。
[0029] 3)將步驟2中采集到的混合信號，作為分數(shù)階雙穩(wěn)態(tài)系統(tǒng)的輸入，W信噪比為適應 度函數(shù)，在從步驟1得到的先驗知識中提取疫苗。利用免疫算法動態(tài)地調節(jié)分數(shù)階雙穩(wěn)態(tài)系 統(tǒng)參數(shù)e，a，b，c，k使其產生隨機共振，尋找使信噪比最大時的分數(shù)階雙穩(wěn)態(tài)系統(tǒng)參數(shù)β，3， b，c，k的值；
[0030] 具體為：隨機共振的強度通?？蒞用信噪比的大小來衡量，當信噪比達到最大值 時，系統(tǒng)處于最佳隨機共振狀態(tài)。免疫算法是由遺傳算法變化而來的，是一種通過模擬自然 免疫過程捜索最優(yōu)解的方法，是人工智能的一個具體應用。仿真結果表明免疫算法不僅是 有效的而且也是可行的，并較好地解決了遺傳算法中的退化問題，并且具有較快的收斂速 度、對捜索空間具有較強的自適應能力和跳出局部極值的能力。利用免疫算子自適應地調 節(jié)雙穩(wěn)態(tài)系統(tǒng)參數(shù)，產生隨機共振和使隨機共振效應增強，將人工智能與自適應控制結合 在一起，實現(xiàn)隨機共振的智能控制。選取信噪比作為采用免疫算法雙穩(wěn)態(tài)參數(shù)優(yōu)化過程的 效果評價函數(shù)，將隨機共振與免疫算法兩者聯(lián)系起來，充分利用免疫算法在參數(shù)尋優(yōu)時的 優(yōu)勢，實現(xiàn)雙穩(wěn)態(tài)系統(tǒng)參數(shù)的自適應尋優(yōu)。
[0031] 本發(fā)明使用的模型為分數(shù)階雙穩(wěn)態(tài)系統(tǒng)，其勢函數(shù)如公式2所示，其中，i3，a，b，c，k 為系統(tǒng)參數(shù)，對隨機共振情況起了決定性作用。通過檢測輸出信號信噪比的實時數(shù)據(jù)，采用 免疫算法，動態(tài)地調節(jié)雙穩(wěn)態(tài)系統(tǒng)參數(shù)e，a，b，c，k自適應地實現(xiàn)隨機共振的產生與增強。實 現(xiàn)步驟如下，參見圖2:
[0032] 3.1、設置免疫算法的參數(shù):群體規(guī)模為S，最大循環(huán)次數(shù)為N，群體中每個個體染色 體使用浮點數(shù)編碼方式編碼，基因變異的概率為K，基因變異的步長為P等。
[00