超低频多普勒信号频率提取方法

摘要

本发明公开了超低频多普勒信号频率提取方法，首先根据用户的需求确定其需要的目标参数，然后对特定的目标进行的相关多普勒信号数据进行采集和整合，并对采集到的数据进行时间序列和信号值序列分离。选择并构建模型是根据用户的需求和目标进行对神经网络模型的参数选择和构建，并完成模型训练和评估，对得到的模型进行评估得到可靠的模型。最后完成隔直及频域分析，利用傅里叶变换或时频分析方法具体提取所需多普勒频率。本发明用神经网络模型对有限采样的超低频(毫赫兹)多普勒信号进行精准函数生成，实时生成的新的易于进行频域分析的多普勒信号数据数据，从而很好地解决了有限采样超低频信号难以从频域提取其频率的问题。

权利要求

1.超低频多普勒信号频率提取方法，其特征在于包含以下步骤：步骤1：确定目标

根据用户的需求确定其需要的目标参数；

步骤2：数据采集和整合

对特定的目标进行的相关多普勒信号数据进行采集和整合；

步骤3：数据清洗

对采集到的数据进行时间序列和信号值序列分离，即从采集到的有限采样数的超低频信号分离出时间序列t和信号值序列s；

步骤4：选择并构建模型

根据用户的需求和目标进行对神经网络模型的参数选择和构建，构建的神经网络模型以时间序列t作为模型训练的输入，u作为模型训练的标签值，多普勒信号数据是一个二元组(t,u)，分别表示时间序列和信号值序列，Signal＝(t,u),Signali记作多普勒信号中的第i对时间和信号值，ΔSignali表示预测信号与真实信号数据之间的偏差，其中i表示第i次；

步骤5：模型训练和评估

对得到的模型进行评估得到可靠的模型；

步骤6：隔直及频域分析

利用傅里叶变换或时频分析方法提取所需多普勒频率，具体包括：对生成的新信号值序列进行隔直处理，得到纯交流信号，然后有两种方法可以精确提取多普勒频率，第一种：对纯交流信号进行傅里叶变换，得到频域信号，最后利用峰值提取算法精确提取多普勒频率；第二种：对纯交流信号直接进行时频分析提取多普勒频率。

2.根据权利要求1所述的超低频多普勒信号频率提取方法，其特征在于步骤4中构建神经网络模型包括如下步骤：步骤4-1：设置神经网络模型参数，输入与输出层皆为一个神经元，设置隐藏层层数以及每一层的神经元数量，设置迭代次数Epoch和性能参数Performance，利用ΔSignali是否到达阈值控制模型训练的终止条件，然后将以时间序列t作为模型训练的输入，u作为模型训练的标签值对模型进行有监督训练；

步骤4-2：生成一个新的时间序列t’，远长于t，将时间序列t’送入生成好的神经网络模型，获得新的信号值序列u’。

3.根据权利要求2所述的超低频多普勒信号频率提取方法，其特征在于每次生成的时间序列t’与采集的真实信号的时间序列t增量相同。

4.根据权利要求2所述的超低频多普勒信号频率提取方法，其特征在于用户可以通过调节迭代次数Epoch和性能参数Performance来决定神经网络模型预测的分辨率，从而影响频率提取精度。

5.根据权利要求2所述的超低频多普勒信号频率提取方法，其特征在于用户可以根据实际需求自定义隐藏层层数以及每一层的神经元数量。

6.根据权利要求2所述的超低频多普勒信号频率提取方法，其特征在于用户可以选取最短训练时间及最佳精度合适的层数及个数。

说明书

超低频多普勒信号频率提取方法

技术领域

[0001] 本发明属于光学测量技术领域，具体涉及一种超低频多普勒信号频率提取方法。

背景技术

[0002] 近年来，随着精密设备制造业的发展，对大范围、快速、高精度的机械量测量技术提出了越来越高的要求。针对科学、工业和公共安全的需求，相应的多场景、高精度速度测量技术的研究变得越来越重要。例如，公安行业交通安全领域的雷达测速、自动驾驶汽车的盲区监测和变道辅助、无人机通过雷达技术高精准定高和防碰撞预警、卫星编队飞行深空探测任务中卫星姿态和速率的测控与保持等。目前主流的高精度测速方法主要为基于激光多普勒效应的速度测量技术。激光多普勒测速技术因为其非接触测量、响应速度快、空间分辨率高、测量精度高、测量范围大等优点，在近些年的发展和应用中取得了长足的进步。单频激光多普勒测速仪经过四十多年的发展，技术日趋成熟，种类也实现多样化，已经广泛应用于众多领域当中。但是单频激光多普勒测速仪的系统结构比较复杂，对测量环境很敏感，抗干扰性能差，信号直流漂移现象严重，对信号解调系统带宽要求高，在实际测量环境中只能测量较低的速度，这些缺点导致其应用受到局限。

[0003] 基于微波调制的激光多普勒测速仪则优于单频激光多普勒测速仪，利用载波技术将被测物理量信息转换成调频信号，不仅提高了测量范围，还能克服单频激光多普勒测速仪易受测量环境影响的缺点，抗干扰能力强，具有较高的信噪比。微波调制技术用于速度测量有着重要的科学和经济价值。对于传统的激光多普勒测速技术，当物体运动的速度为100m/s时，多普勒信号的频率范围高达107量级，一般电路很难处理；基于双频激光系统的光载微波测速技术是利用调制于光载波上的微波信号检测物体的运动速度，当强度调制信号的频率为109Hz，100m/s的运动速度对应的多普勒频移为102量级，很容易利用在微波频域内成熟、精确的信号处理电路获取。近年来，采用此双频激光技术的测速研究已经取得了不少成果，然而针对实际低速的测量，超低频的信号频率的提取则需要非常长时间的采样以提高频率分辨率，因此很难通过频域分析实现。

发明内容

[0004] 本发明目的在于提出一种超低频多普勒信号频率提取方法，该方法利用有限采样数超低频信号进行机器学习拟合，然后生成一个高采样数的信号，以此进行频域分析提取多普勒频率。

[0005] 本发明解决上述技术问题所采取的技术方案是一种基于神经网络的超低频提取方法，该方法基于神经网络拟合出适合频域分析的函数，然后进行后续处理，该方法包括如下步骤：

[0006] 步骤1：确定目标

[0007] 根据用户的需求确定其需要的目标参数；

[0008] 步骤2：数据采集和整合

[0009] 对特定的目标进行的相关多普勒信号数据进行采集和整合；

[0010] 步骤3：数据清洗

[0011] 对采集到的数据进行时间序列和信号值序列分离，即从采集到的有限采样数的超低频信号分离出时间序列t和信号值序列s；

[0012] 步骤4：选择并构建模型

[0013] 根据用户的需求和目标进行对神经网络模型的参数选择和构建，构建的神经网络模型以时间序列t作为模型训练的输入，u作为模型训练的标签值，多普勒信号数据是一个二元组(t,u)，分别表示时间序列和信号值序列，

[0014] Signal＝(t,u),Signali记作多普勒信号中的第i对时间和信号值，[0015] ΔSignali表示预测信号与真实信号数据之间的偏差(第i次)；

[0016] 步骤5：模型训练和评估

[0017] 对得到的模型进行评估得到可靠的模型；

[0018] 步骤6：隔直及频域分析

[0019] 利用傅里叶变换或时频分析方法具体提取所需多普勒频率，对生成的新信号值序列进行隔直处理，得到纯交流信号，再对其进行傅里叶变换，得到频域信号，最后利用峰值提取算法或者时频分析方法精确提取多普勒频率。

[0020] 其中，构建神经网络模型包括如下步骤：

[0021] 步骤4-1：设置神经网络模型参数，输入与输出层皆为一个神经元，设置隐藏层层数以及每一层的神经元数量，设置迭代次数Epoch和性能参数Performance，利用ΔSignali是否到达阈值控制模型训练的终止条件，然后将以时间序列t作为模型训练的输入，u作为模型训练的标签值对模型进行有监督训练；

[0022] 步骤4-2：生成一个新的时间序列t’，远长于t，将时间序列t’送入生成好的神经网络模型，获得新的信号值序列u’。

[0023] 进一步地，本发明每次生成的时间序列t’与采集的真实信号的时间序列t增量相同，但是时间序列t’的总长度远大于真实信号的时间序列t长度；同时本发明方法利用生成多普勒信号的中存在强直流值的特点，利用隔直算法及时频分析方法将其去除，从而获得易于峰值提取的频域信号。

[0024] 进一步地，本发明具有用户调节功能，用户可以通过调节迭代次数Epoch，和性能参数Performance来决定神经网络模型预测的分辨率，从而影响频率提取精度。

[0025] 进一步地，本发明用户可以根据实际需求自定义隐藏层层数以及每一层的神经元数量，选取最短训练时间及最佳精度合适的层数及个数。

[0026] 与现有技术相比，本发明具有以下的有益技术效果：

[0027] 1、本发明用神经网络模型对有限采样的超低频(毫赫兹)多普勒信号进行精准函数生成，实时生成的新的易于进行频域分析的多普勒信号数据数据，从而很好地解决了有限采样超低频信号难以从频域提取其频率的问题。

[0028] 2、本发明生成出的模型可以匹配任意复杂的多普勒频移信号，利用时频分析方法，可以很好地提取任意时刻的多普勒频率。

[0029] 3、本发明的模型训练过程较为简单，计算开销小，同时可以保证频域提取的结果可信，防止杂乱无章。

附图说明

[0030] 图1为本发明方法的流程图。

[0031] 图2为超低频多普勒信号及其神经网络预测信号示意图。

[0032] 图3为隔直处理后的预测信号。

[0033] 图4为预测信号的频谱分析图。

具体实施方式

[0034] 下面结合说明书附图对本发明作进一步的详细说明。

[0035] 图1为本发明方法流程图，本发明提出的超低频多普勒信号频率提取方法，包含以下6个步骤：

[0036] 步骤一：确定目标

[0037] 根据用户的需求确定其需要的目标参数；

[0038] 步骤二：数据采集和整合

[0039] 对特定的目标进行的相关多普勒信号数据进行采集和整合；

[0040] 步骤三：数据清洗

[0041] 对采集到的数据进行时间序列和信号值序列分离；

[0042] 步骤四：选择并构建模型

[0043] 根据用户的需求和目标进行对神经网络模型的参数选择和构建；

[0044] 步骤五：模型训练和评估

[0045] 对得到的模型进行评估得到可靠的模型；

[0046] 步骤六：隔直及频域分析

[0047] 利用傅里叶变换或时频分析方法具体提取所需多普勒频率。

[0048] 现对上述步骤做进一步的展开：

[0049] 步骤1：确定目标，根据用户的需求确定其需要的目标参数；

[0050] 步骤2：数据采集和整合，对特定的目标进行的相关多普勒信号数据进行采集和整合；

[0051] 步骤3：数据清洗，对采集到的数据进行时间序列和信号值序列分离，即从采集到的有限采样数的超低频信号分离出时间序列t和信号值序列s；

[0052] 步骤4：选择并构建模型，根据用户的需求和目标进行对神经网络模型的参数选择和构建，构建的神经网络模型以时间序列t作为模型训练的输入，u作为模型训练的标签值，多普勒信号数据是一个二元组(t,u)，分别表示时间序列和信号值序列，[0053] Signal＝(t,u),Signali记作多普勒信号中的第i对时间和信号值，[0054] ΔSignali表示预测信号与真实信号数据之间的偏差(第i次)；

[0055] 步骤5：模型训练和评估，对得到的模型进行评估得到可靠的模型；

[0056] 步骤6：隔直及频域分析，利用傅里叶变换或时频分析方法具体提取所需多普勒频率，对生成的新信号值序列进行隔直处理，得到纯交流信号，再对其进行傅里叶变换，得到频域信号，最后利用峰值提取算法或者时频分析方法精确提取多普勒频率。

[0057] 上述构建神经网络模型又包括如下步骤：

[0058] 步骤4-1：设置神经网络模型参数，输入与输出层皆为一个神经元，设置隐藏层层数以及每一层的神经元数量，设置迭代次数Epoch和性能参数Performance，利用ΔSignali是否到达阈值控制模型训练的终止条件，然后将以时间序列t作为模型训练的输入，u作为模型训练的标签值对模型进行有监督训练；

[0059] 步骤4-2：生成一个新的时间序列t’，远长于t，将时间序列t’送入生成好的神经网络模型，获得新的信号值序列u’。

[0060] 每次生成的时间序列t’与采集的真实信号的时间序列t增量相同。

[0061] 用户可以通过调节迭代次数Epoch和性能参数Performance来决定神经网络模型预测的分辨率，从而影响频率提取精度。

[0062] 用户可以根据实际需求自定义隐藏层层数以及每一层的神经元数量。

[0063] 用户可以选取最短训练时间及最佳精度合适的层数及个数。

[0064] 具体实施时，可利用Python软件第三方深度学习工具包构建一个神经网络模型，以时间序列t作为模型训练的输入，u作为模型训练的标签值。

[0065] 多普勒信号数据是一个二元组(t,u)，分别表示时间序列和信号值序列，[0066] Signal＝(t,u),Signali记作多普勒信号中的第i对时间和信号值；

[0067] ΔSignali表示预测信号与真实信号数据之间的偏差(第i次)；

[0068] 构建神经网络模型时，隐藏层层数以及每一层的神经元数量则以实际情况具体设置。

[0069] 隔直及频域分析时，将u’进行隔直处理，得到纯交流信号u”，再对其进行傅里叶变换，得到频域信号f。最后利用峰值提取算法或者时频分析方法精确提取多普勒频率。

[0070] 为便于本领域的技术人员实施本发明的构想，现提供一个具体实施例，如下：

[0071] 1.获取双频激光频差约为1GHz、标准导轨以速度5mm/s运动时测量的超低频多普勒信号，即图2中的真实值。

[0072] 2.设置神经网络模型参数，输入与输出层皆为1个神经元，设置隐藏层层数2层以及每一层的神经元数量为10，设置迭代次数Epoch为1000和性能参数Performance为10-7。模型预测生成长达1000s(可调节)、频率分辨率为0.001Hz(可调节)的超低频多普勒信号，即图2中的神经网络拟合值。

[0073] 3.对预测信号进行微分处理，得到微分信号，如图3所示。

[0074] 4.对微分信号进行傅里叶变换，得到清晰的信号频域分布图，如图4所示，利用峰值提取，即可获得频率值0.036Hz，与5mm/s的运动速度对应。

[0075] 综上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此。在发明所披露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明所揭露的技术范围之内。因此，本发明的保护范围应以权利要求书的保护范围为准。