基于最小误差熵和ε等级差分进化的多径估计器制造技术

基于最小误差熵和

【技术实现步骤摘要】
基于最小误差熵和ε等级差分进化的多径估计器
本专利技术涉及一种数字信号估计器，特别是涉及一种数字多径信号估计器。
技术介绍
信号估计器是利用接收到的受干扰的发送信号序列尽可能精确地估计该发送信号的某些参数值的一种装置。数字信号估计器利用软件编程的方式实现对信号参数的估计,具有可实现复杂算法、精度高、造价低、更新容易等优点。数字信号估计器在通信信号、语音信号、图像信号和生物医学信号处理等方面有广泛的应用。多径信号是GNSS系统中高精度定位的主要误差源之一，多径信号的存在导致接收机无法准确跟踪直接信号，致使伪距测量出现偏差，进而导致定位精度降低。多径信号带来的跟踪误差称为多径误差。现有的多径误差抑制方法主要可分为三类：基于前端的多径误差抑制方法，基于相关器和鉴相器的多径误差抑制方法以及基于数据处理的多径误差抑制方法。其中基于前端的方法主要是在天线端进行多径误差抑制，如扼流圈，定向天线阵等，这类方法的不足之处是通常具有较高的造价，而且通常无法抑制低仰角的多径干扰。基于相关器和鉴相器的多径误差抑制技术主要是通过改进延迟锁定环的鉴相函数或者相关输出函数的形状来抑制多径误差，这类技术是一类传统的多径误差抑制技术。而随着软件接收机的房展，基于数字信号处理的多径误差抑制技术引起了广泛关注，并在近年来取得了显著的研究成果。基于数字信号处理的多径误差抑制方法通过对接收信号进行数据处理得到需要的参数，并根据这些参数重构多径信号，然后从接收信号中减去多径信号的影响得到直接信号，实现抑制多径误差的目的。这类方法的核心是参数估计，尤其是多径信号的参数估计。现有的多径信号估计方法主要适用于高斯噪声环境，在非高斯噪声下其多径估计性能显著下降。而在实际应用中，非高斯噪声是普遍存在的，如脉冲噪声。因此，设计一种非高斯噪声下的多径信号估计器具有广泛的应用前景。
技术实现思路
本专利技术的目的是为了解决非高斯噪声环境下的多径估计器性能下降问题，将非高斯噪声环境下的多径估计问题转化为有约束条件的优化问题，设计一种可以衡量估计结果随机性的目标函数，然后通过一种改进ε等级差分进化算法解决该优化问题，实现了一种基于最小误差熵和ε等级差分进化的多径估计器。本专利技术技术方案：基于最小误差熵和ε等级差分进化的多径估计器，所述多径估计器由个人计算器或数字信号处理器实现；多径估计器包括自相关运算模块、存储模块、约束违背度计算模块、目标函数计算模块、ε等级比较模块、尺度因子和变异率计算模块、差分进化模块、多径参数输出模块和初始化模块。其中自相关运算模块的输入为基带信号和本地伪码信号，自相关运算模块的输出存储在存储模块中，存储模块的输出分别连接约束违背度计算模块的输入、目标函数计算模块的输入，约束违背度计算模块的输出、目标函数计算模块的输出均连接ε等级比较模块的输入，ε等级比较模块的输出连接尺度因子和变异率计算模块的输入，尺度因子和变异率计算模块的输出连接差分进化模块的输入，差分进化模块的输出连接多径参数估计模块的输入，多径参数估计模块输出多径参数，并用输出结果更新初始化模块，为下一时刻的多径参数估计做准备。所述自相关运算模块的输入为基带信号r(k)和本地伪码信号自相关运算模块的输出为自相关运算的测量值自相关运算的测量值yk和初始化模块设定的相关参数存储在存储模块中，包括k(k为迭代计算次数)的初始种群(i＝1,2,…，Np，Np≥40)、种群中个体数目Np；Np≥40、差分进化参数cp和Tcon、相关支路数目S,核参数δ2、Parzen窗宽度Wmax、变异率最小值CRmin、最大值CRmax、尺度因子最小值Fmin、最大值Fmax。同时复制存储模块中的测量值、相关参数和初始种群作为该存储模块的输出。约束违背度计算模块的输入即为存储模块中存储的自相关运算的测量值，初始化中设定的相关参数和初始种群。同时，目标函数计算模块的输入也为存储模块中存储的自相关运算的测量值，初始化中设定的相关参数和初始种群。约束违背度计算模块通过计算估计偏差二阶矩的期望输出所有个体的约束违背度目标函数计算模块则通过计算二阶Renyi熵来输出没有违背约束条件的个体的目标函数值fi。ε等级比较模块根据个体的约束违背度和目标函数值赋予个体等级Ri，尺度因子和变异率计算模块根据个体等级计算每个个体的尺度因子Fi和变异率CRi。差分进化模块根据个体的尺度因子和变异率进行差分进化得到新种群多径参数输出模块将新种群中的最好个体作为多径参数估计结果输出xf，并用新种群更新初始化模块中的初始种群，为下一时刻的多径参数估计做准备。本专利技术具有如下有益效果：1)本专利技术通过数字信号处理来实现非高斯噪声下的多径估计，具有造价低、易于算法移植的特点。2)本专利技术将多径估计问题转化为有约束条件的优化问题，采用智能优化算法实现该问题的全局寻优，无需进行求导计算。3)本专利技术用最小误差熵作为衡量估计结果的性能指标，可以保证多径估计结果具有最小的随机性，解决了现有的非高斯噪声下的多径估计结果具有较大随机性的问题，提高了非高斯噪声下多径估计结果的平滑性。4)本专利技术实现了一种改进的ε等级差分进化(εRDE)算法，与原算法εRDE相比，本专利技术可以直接应用于噪声环境下的迭代估计问题，并具有更低的计算复杂度。附图说明图1为多径估计器结构方框图。图2为多径估计器运行流程图。图3为本专利技术中的改进的εRDE算法流程图。图2所示，多径估计器运行流程包括如下步骤：(1)初始化cp，S,Tcon，δ2，W，并根据多径参数的先验信息产生初始种群xi，i＝1,2,…,Np，Np为粒子数目。(2)k＝1时，根据初始条件和约束违背度函数计算并输出所有个体的约束违背度k为迭代计算次数。(3)根据约束违背度大小对所有个体进行降序排列，输出降序排列后的个体及对应的约束违背度(4)将前θ个个体的约束违背度之和，记为ε(1)，并输出ε(1)。(5)从k+1次开始进行迭代计算，根据ε(1)更新ε(k)。(6)计算迭代计算后的迭代初始种群xk。(7)根据输入参数ε(k)、xk和参数CRmin，CRmax，Fmin，Fmax，δ2，ε(k),EF＝0,EFmax和改进的εRDE算法计算并输出更新后的种群(8)将更新后的种群中性能最好的个体作为多径估计结果xf输出。(9)满足终止条件，退出。否则，返回步骤(6)。图3所示，改进的εRDE算法流程包括下述步骤：(1)初始化CRmin，CRmax，Fmin，Fmax，ε(1)，EF＝0,EFmax，给定初始种群i＝1,2,….,Np。(2)计算所有个体的约束违背度对没有违背约束条件的个体计算目标函数值fi，每计算一次目标函数值，令EF＝EF+1，输出fi和EF。(3)根据fi和简化的ε等级比较策略对所有个体进行降序排列，输出降序排列后的个体(4)将性能最好的个体赋予等级R＝1，次好的个体等级为R＝2，依次类推，性能最差的个体赋予等级R＝Np。(5)根据个体等级计算每个个体的尺度因子Fi和变异率CRi。(6)根据指数交叉策略得到第i个个体的实验个体(7)根所定义的ε等级比较策略比较和性能较好的个体进入下一代，记为(8)根据先验信息将新个体约束在给定范围内。同时，如果计算一次目标函数值则令EF＝EF+1。(9)如果EF<EFmax本文档来自技高网...

【技术保护点】
基于最小误差熵和ε等级差分进化的多径估计器，其特征是包括自相关运算模块、存储模块、约束违背度计算模块、目标函数计算模块、ε等级比较模块、尺度因子和变异率计算模块、差分进化模块、多径参估计模块；多径参估计模块包括多径参数输出模块和初始化模块；所述自相关运算模块的输入为基带信号和本地伪码信号，自相关运算模块的输出连接存储模块的输入，存储模块的输出连接约束违背度计算模块的输入、目标函数计算模块的输入，约束违背度计算模块的输出、目标函数计算模块的输出均连接ε等级比较模块的输入，ε等级比较模块的输出连接尺度因子和变异率计算模块的输入，尺度因子和变异率计算模块的输出连接差分进化模块的输入，差分进化模块的输出连接多径参数估计模块的输入，多径参数估计模块输出多径参数，并用输出结果更新初始化模块，为下一时刻的多径参数估计做准备。

【技术特征摘要】
1.基于最小误差熵和ε等级差分进化的多径估计器，其特征是包括自相关运算模块、存储模块、约束违背度计算模块、目标函数计算模块、ε等级比较模块、尺度因子和变异率计算模块、差分进化模块、多径参估计模块；多径参估计模块包括多径参数输出模块和初始化模块；所述自相关运算模块的输入为基带信号和本地伪码信号，自相关运算模块的输出连接存储模块的输入，存储模块的输出连接约束违背度计算模块的输入、目标函数计算模块的输入，约束违背度计算模块的输出、目标函数计算模块的输出均连接ε等级比较模块的输入，ε等级比较模块的输出连接尺度因子和变异率计算模块的输入，尺度因子和变异率计算模块的输出连接差分进化模块的输入，差分进化模块的输出连接多径参数估计模块的输入，多径参数估计模块输出多径参数，并用输出结果更新初始化模块，为下一时刻的多径参数估计做准备。2.根据权利要求1所述基于最小误差熵和ε等级差分进化的多径估计器，其特征是自相关运算模块的输出为自相关运算的测量值；自相关运算的测量值和初始化模块设定的相关参数存储在存储模块中，同时复制存储模块中的测量值、相关参数和初始种群作为存储模块的输出；约束违背度计算模块、目标函数计算模块的输入均为存储模块中存储的自相关运算的测量值、初始化中设定的相关参数和初始种群；约束违背度计算模块通过计算估计偏差二阶矩的期望输出所有个体的约束违背度目标函数计算模块通过计算二阶Renyi熵来输出没有违背约束条件的个体的目标函数值fi；ε等级比较模块根据个体的约束违背度和目标函数值赋予个体等级Ri，尺度因子和变异率计算模块根据个体等级计算每个个体的尺度因子Fi和变异率CRi；差分进化模块根据个体的尺度因子和变异率进行差分进化得到新种群多径参数输出模块将新种群中的最好个体作为多径参数估计结果输出xf，并用新种群更新初始化模块中的初始种群，为下一时刻的多径参数估计做准备。3.根据权利要求1所述基于最小误差熵和ε等级差分进化的多径估计器，其特征是多径估计器运行流程包括如下步骤：(1)初始化并根据多径参数的先验信息产生初始种群；(2)根据初始条件和约束违背度函数计算并输出所有个体的约束违背度；(3)计算前θ个个体的约束违背度之和并输出θ＝0.2Np，Np≥40；(4)根据约束违背度大小对所有个体进行降序排列，输出降序排列后的个体及对应的约束违背度；(5)从第二次计算开始进行迭代计算；(6)计算第一次计算的初始种群xk；(7)采用改进的εRDE算法与输入参数计算并输出更新后的种群(8)将更新后的种群中性能最好的个体作为多径估计结果xf输出。4.根据权利要求3所述基于最小误差熵和ε等级差分进化的多径估计器，其特征是所述改进的εRDE算法流程包括下述步骤：(1)初始化：变异率最小值CRmin、变异率最大值CRmax、尺度因子最小值Fmin、尺度因子最大值Fmax，ε(k)，计算目标函数次数EF，最大计算目标函数次数EFmax；(2)计算所有个体的约束违背度对没有违背约束条件的个体计算目标函数值fi，每计算一次目标函数值，则计算目标函数次数就增加1次；(3)对所有个体进行降序排列，输出降序排列后的个体(4)将性能最好的个体赋予等级为1，次好的个体等级为2，依次类推，性能最差的个体赋予等级Np；(5)根据个体等级计算每个个体的尺度因子...

【专利技术属性】
技术研发人员：程兰，任密蜂，谢刚，阎高伟，续欣莹，邢艳君，
申请(专利权)人：太原理工大学，
类型：发明
国别省市：山西,14