一种基于多模态PSO搜索的MUSIC频谱估计方法技术

本发明专利技术公开了属于频谱估计领域的一种基于多模态PSO搜索的MUSIC频谱估计方法。首先根据观测数据构建自相关矩阵；然后对自相关矩阵进行特征值分解，并形成噪声子空间和信号子空间；接着，利用噪声子空间和信号频率向量构建适应度函数；最后利用多模态骨干微粒群优化算法在频率可行域内进行多谱峰同时搜索，实现信号频率的估计。本发明专利技术利用智能群体搜索代替固定步长遍历搜索，不但提高了频率的估计精度，同时大大降低了计算开销。

【技术实现步骤摘要】
一种基于多模态PSO搜索的MUSIC频谱估计方法
本专利技术涉及频谱估计领域，尤其涉及一种基于多模态PSO搜索的MUSIC频谱估计方法。
技术介绍
频谱估计就是分析或者估计信号的频谱，它在生物医学、分子化学、雷达和通信等领域均具有重要的应用。傅立叶变换是目前频谱分析中最常用的理论，其快速算法FFT(FastFourierTransform)，计算速度快、易实现，已经广泛应用于实际的频谱估计中。但是该方法存在一些不足，比如频谱泄漏、栅栏效应、频率分辨率受限于采样时长等。为此，学者们提出了加窗插值的离散傅立叶变换，在频率精度上得到了大大的提高。但是为了适应所加窗的主瓣宽带，一般都要求使用较长的时间窗，不利于信号的实时分析，并且仍受到频率分辨率的限制不能识别相距很近的信号。随后，人们提出使用自回归（AR）模型进行频谱估计，即通过采样窗内的数据对窗外数据做线性预测，从而可以突破频率分辨率的限制，但分析精度受到AR模型阶数和噪声的影响。基于AR谱估计，多重信号分类（MUSIC）、旋转不变技术（ESPRIT）、最小模（MIN-NORM）等子空间分解类算法先后被提出。这类算法利用噪声子空间和信号子空间的正交性质来进行频谱分析。其中，MUSIC算法在特定的条件下具有很高的频率分辨力、估计精度及稳定性，从而得到了广泛的应用。但是传统的MUSIC算法需要采用固定步长进行遍历谱峰搜索，导致了计算量和精度相矛盾的问题。
技术实现思路
专利技术目的：为了降低MUSIC算法的计算量，并提高频谱估计的精度，提出一种基于多模态PSO搜索的MUSIC频谱估计方法。技术方案：为实现上述目的，本专利技术将传统的MUSIC方法与多模态PSO搜索相结合，形成一种精度高、搜索速度快的改进MUISC谱估计方法。首先利用MUSIC算法构建噪声子空间和谱峰搜索适应度函数，然后利用多模态骨干微粒群优化算法（多模态PSO）搜索所有谱峰，实现信号频谱估计。该方法具体步骤如下：步骤1：取一组N点观测数据y(n)，基于M个阵元构建M×N的矩阵，并保证M远大于信号个数P；求取自相关矩阵；步骤2：将自相关矩阵Ryy进行特征值分解，生成信号子空间S和噪声子空间G；步骤3：利用噪声子空间G和信号频率向量e(fi)构建适应度函数；步骤4：对信号频率向量中的fi进行实数编码形成种群微粒，利用多模态PSO在频率可行域内进行多谱峰搜索，估计出信号的各个频率值。进一步地，所述步骤4中的多模态PSO的具体步骤如下：4.1：算法初始化；4.2：利用适应度函数，计算每个微粒的适应值；4.3：更新微粒个体极值；4.4：更新/确定物种种子；4.5：计算微粒到各个种子的距离，确定微粒的归属；4.6：更新微粒位置xi，其中每个微粒的第j维位置更新公式：，式中N(∙)表示高斯分布；是高斯分布的均值；是高斯分布的标准差；4.7：若满足停止条件，搜索停止，输出所有全局最优位置和全局最优适应值。否则，返回步骤4.2继续搜索。进一步地，所述步骤4.1中的算法初始化具体包括：随机产生微粒的位置，计算每个微粒适应度值，并将这两者初始化个体极值，设置算法所需参数，包括种群规模、最大迭代代数和物种相似度阈值σ*。进一步地，所述步骤4.3中个体极值更新方式：将每个微粒当前位置的适应度值与原个体极值比较，如果当前位置更佳则取代原个体极值，否则个体极值保持不变。进一步地，所述步骤4.4中更新/确定物种种子的方式：（4.4.1）对所有微粒的个体极值按照适应度值的优劣进行降序排列形成集合Spbest，设置种子集Xs为空集；（4.4.2）将适应度最好的微粒作为种子放入种子集Xs；（4.4.3）将Spbest中的其余个体与Xs中已有的种子进行相似度比较，如果该微粒的个体极值与所有种子的欧氏距离都大于σ*，则这个微粒个体极值就会被加入到种子集中，直至遍历整个Spbest。进一步地，所述步骤4.5中距离的计算方式：可以是欧氏距离也可以是其它距离定义方式；所述微粒归属确定方式：非种子微粒属于离自身最近的种子。进一步地，所述步骤4.7中停止条件包括适应值误差小于设定阈值或迭代次数超过最大代数。有益效果：本专利技术提供的基于多模态PSO搜索的MUSIC频谱估计方法，利用智能群体搜索代替固定步长遍历搜索，不但提高了频率的估计精度，同时大大降低了计算开销，在搜索效率和求解精度都得到了明显的提高。附图说明附图1是基于多模态PSO搜索的MUSIC频谱估计方法流程图。具体实施方式下面结合附图和实例对本专利技术的实施过程作进一步详细说明。以作为模拟信号，分析基于多模态PSO搜索的MUSIC频谱估计方法的性能，式中：I1、f1、分别为信号分量1的幅值、频率和初相位，分别取值为10、50和；信号分量2的参数I2=0.2，f2=49.5438，；信号分量3的参数I3=0.2，f3=50.4562，；n(t)是在[-0.2,0.2]之间服从均匀分布的随机干扰信号；模拟信号采样频率为250Hz，采样长度为500；多模态PSO的种群规模为60，最大迭代代数为30，物种相似度阈值σ*=0.3；为了进行比较，传统的MUSIC方法（由SchmidtR.O.在“Multipleemitterlocationandsignalparameterestimation”中提出）也应用于该模拟信号。基于多模态PSO搜索的MUSIC方法的具体过程如下：1.将模拟信号的500个观测数据作为y(n)，基于100个阵元构建100×500的矩阵，求取自相关矩阵；2.将自相关矩阵Ryy进行特征值分解，生成信号子空间S和噪声子空间G；3.利用噪声子空间G和信号频率向量e(fi)构建适应度函数；4.对信号频率向量中的fi进行实数编码形成种群微粒，利用多模态PSO在频率可行域内进行多谱峰搜索，估计出信号的各个频率值；其中多模态PSO的步骤如下：4.1：算法初始化：随机产生微粒的位置，并计算适应度值，并将这两者初始化个体极值，设置算法所需参数，包括种群规模、最大迭代代数和物种相似度阈值σ*；4.2：利用适应度函数，计算每个微粒的适应值；4.3：更新微粒个体极值：将每个微粒当前位置的适应度值与原个体极值比较，如果当前位置更佳则取代原个体极值，否则个体极值保持不变；4.4：更新/确定物种种子：（4.4.1）对所有微粒的个体极值按照适应度值的优劣进行降序排列形成集合Spbest，设置种子集Xs为空集；（4.4.2）将适应度最好的微粒作为种子放入种子集Xs；（4.4.3）将Spbest中的其余个体与Xs中已有的种子进行相似度比较，如果该微粒的个体极值与所有种子的欧氏距离都大于σ*，则这个微粒个体极值就会被加入到种子集中，直至遍历整个Spbest；4.5：计算微粒到各个种子的距离，确定微粒的归属，其中距离计算可以是欧氏距离也可以是其它距离定义方式；所述微粒归属确定方式：非种子微粒属于离自身最近的种子；4.6：更新微粒位置xi，其中每个微粒的第j维位置更新公式：，式中N(∙)表示高斯分布；是高斯分布的均值；是高斯分布的标准差；4.7：若迭代次数超过最大代数，搜索停止，输出所有全局最优位置和全局最优适应值。否则，返回步骤4.2继续搜索。微粒群优化算法是随机优化算法，因此对基于多模态PSO搜索的MUSIC频谱估计方法本文档来自技高网...

【技术保护点】
1.一种基于多模态PSO搜索的MUSIC频谱估计方法，其特征在于，它首先利用多重分类（MUSIC）算法构建噪声子空间和谱峰搜索适应度函数，然后利用多模态骨干微粒群优化算法（多模态PSO）搜索所有谱峰，实现信号的频谱估计，该方法具体步骤如下：步骤1：取一组

【技术特征摘要】
1.一种基于多模态PSO搜索的MUSIC频谱估计方法，其特征在于，它首先利用多重分类（MUSIC）算法构建噪声子空间和谱峰搜索适应度函数，然后利用多模态骨干微粒群优化算法（多模态PSO）搜索所有谱峰，实现信号的频谱估计，该方法具体步骤如下：步骤1：取一组N点观测数据y(n)，基于M个阵元构建M×N的矩阵,并保证M远大于信号个数P，求取自相关矩阵；步骤2：将自相关矩阵Ryy进行特征值分解，生成信号子空间S和噪声子空间G；步骤3：利用噪声子空间G和信号频率向量e(fi)构建适应度函数；步骤4：对信号频率向量中的fi进行实数编码形成种群微粒，利用多模态PSO在频率可行域内进行多谱峰搜索，估计出信号的各个频率值。2.根据权利要求1所述的一种基于多模态PSO搜索的MUSIC频谱估计方法，其特征在于，所述步骤4中的多模态PSO的具体步骤如下：4.1：算法初始化；4.2：利用适应度函数，计算每个微粒的适应值；4.3：更新微粒个体极值；4.4：更新/确定物种种子；4.5：计算微粒到各个种子的距离，确定微粒的归属；4.6：更新微粒位置xi，其中每个微粒的第j维位置更新公式：；式中N(∙)表示高斯分布；是高斯分布的均值；是高斯分布的标准差；4.7：若满足停止条件，搜索停止，输出所有全局最优位置和全局最优适应值；否则，返回步骤4.2继续搜索。3.根...

【专利技术属性】
技术研发人员：王攀攀，卢俊结，苗长新，王佩月，冯森，尚健祎，金荣泽，
申请(专利权)人：中国矿业大学，
类型：发明
国别省市：江苏,32