一种基于局部熵聚类的高斯混合滤波方法技术

本发明专利技术属于信号处理领域，并公开了一种基于局部熵的高斯滤波的方法。该方法包括下列步骤：(a)进行任务实验，采集信号f；(b)对信号f计算局部熵Elocal，根据局部熵阈值Et，将信号分为n段；(c)利用期望最大算法迭代求解信号f的高斯模型(GMM)参数(π,μ,σ)；(d)利用高斯参数(π,μ,σ)对信号f进行高斯回归处理(GMR)；(e)观察回归处理得到的信号的效果，修正Et，以得到期望的滤波效果；(f)利用高斯模型参数(π,μ,σ)，编写实时滤波程序，进行实时滤波处理。通过本发明专利技术，可以通过离线处理数据分析与在线滤波相结合的方法实现信号的实时在线滤波，解决实时控制中信号滤波延时对实时控制的影响。

【技术实现步骤摘要】
一种基于局部熵聚类的高斯混合滤波方法
本专利技术属于信号处理领域，更具体地，设计一种基于局部熵的高斯混合滤波的方法。
技术介绍
反馈信号的准确性是实时控制的基础。各类传感器采集到的信号，不可避免的会混入随机白噪声及高频噪声，在实时控制中，如何快速的获得有效的信号，一直是实时控制的重要研究内容。传统的巴特沃斯滤波方式，采用频率截断的方式，滤除有效信息外的其他频率的噪声，但是会引入很大的延时，在实时控制中，延时会导致控制系统的失稳。因此，采用合适的方法对原始信号进行滤波处理，对于基于反馈的实时控制具有重要的意义。申请号为200910195703.3的专利公开了一种滤波方法及装置，通过对输入数据化块、FFT变换、点乘处理确定滤波结果，能够减少滤波处理的延时，可以适应滤波阶数的变化，但是无法达到实时滤波的目的。
技术实现思路
针对现有技术的以上缺陷或改进需求，本专利技术提供了一种基于局部熵的高斯混合滤波的方法，通过采用局部熵聚类和高斯混合模型原理，由此解决基于反馈信息的实时控制中信号处理延时对控制系统产生影响的技术问题。为实现上述目的，按照本专利技术，提供了一种基于局部熵的高斯滤波方法，其特征在于，该方法包括下列步骤：(a)采集待处理的信号f；(b)根据待处理的信号f的平滑性，给定局部熵的阈值Et，对信号f的其中一段计算局部熵Elocal，当Elocal≥Et时，将该段信号作为一个高斯模型，当Elocal≤Et时,继续分段计算，直到Elocal≥Et，则共获得符合Elocal≥Et条件的n段，然后依次获得n个高斯模型；(c)使用期望最大化算法迭代求解每个高斯模型的参数(π,μ,σ)，并将得到的k个高斯混合模型的参数记为参数矩阵(π,μ,σ)；(d)根据参数矩阵(π,μ,σ)，对待处理信号f进行高斯回归处理，得到光顺的滤波信号(e)观察高斯回归处理得到的滤波信号的平滑性与噪声滤除效果，是否满足信号平滑性要求，如果不满足则返回(b)，修改局部熵的阈值Et，如果满足，则进入(f)；(f)根据高斯混合模型参数矩阵(π,μ,σ)，编写在线的实时滤波程序。优选地，在步骤(b)中，采用对待处理信号f计算局部熵Elocal的方法实现对待处理信号的聚类，其中其中：L为所要计算局部熵的信号段的长度,Pi为fi的概率，fi为待处理信号，i＝0,1,2...L-1。优选地，在步骤(c)中，根据(b)得到的高斯模型的个数n，使用EM算法迭代计算高斯模型参数(π,μ,σ)；期望最大化算法为：E-step:M-step:其中：为ξj的后验概率；u为迭代次数；为期望；为先验概率；为均值；为协方差；表示ξj服从分布的概率；n为高斯模型的个数；N为信号f的个数。优选地，在步骤(d)中，根据步骤(c)中得到的高斯混合模型的参数矩阵(π,μ,σ)，对待处理的信号f进行高斯回归处理得到滤波后的光滑信号其中高斯回归处理公式为：其中：P(f)为信号f的概率，μk为输入输出均值矩阵，Σk为输入输出的协方差矩阵，为输出的第k个高斯模型的均值；输出的第k个高斯模型的方差；P(ξO|ξI,k)为由离线计算得到的GMM模型参数计算得到的信号f的分布；hk为信号f隶属于第k个高斯模型的概率；P(ξO|ξI)为输出输入的条件分布；为输出的均值，输出的方差，n为混合高斯模型中高斯模型的个数；ξI为输入信号；为第k个高斯模型的输入均值；ξO为输出信号；为均值为方差为的正态分布；P(ξI|k)为ξI对k的条件概率；P(ξO|ξI)为ξO对ξI的条件概率；为输入输出的协方差矩阵；的协方差矩阵。总体而言，通过本专利技术所构思的以上技术方案与现有技术相比，能够取得下列有益效果：1)本专利技术通过针对特定任务的信号进行离线处理与在线滤波结合的方式进行滤波处理，可以根据实际的信号类型和特点，选择适当的滤波器性能；2)本专利技术通过采用局部熵的聚类方法，实现原始信号的聚类，通过计算局部熵，对比局部熵与熵阈值的大小，确定是否划分高斯模型，可以充分提炼原始信号的特点，提高滤波器的滤波特性；3)本专利技术通过利用基于局部熵的高斯混合模型的离线处理与在线滤波的方式，离线出路过程可以根据信号的特点，得到满足要求的无延时的光顺滤波后的信号，在线滤波过程，根据离线处理得到的高斯混合模型参数，实现在线对信号的实时无延时滤波，整个过程既兼顾了信号特点，又可以实现信号的在线无延时滤波，能有有效保证反馈信号对控制系统稳定性的影响。附图说明图1是按照本专利技术的优选实施例构建的利用基于局部熵聚类的高斯混合实时滤波的方法流程图。图2是按照本专利技术的优选实施例构建的机器人力控制斜跟踪过程中所使用的设备图；图3是按照本专利技术的优选实施例构建的机器人力控制斜面跟中采集到的原始力信号的离线处理的过程；图4为是按照本专利技术的优选实施中原始力信号的离线处理得到的高斯回归得到的光顺的信号图5为是按照本专利技术的优选实施例构建的高斯混合滤波器在线实时滤波的流程框图。在所有附图中，相同的附图标记用来表示相同的元件或结构，其中：1-待标定的六自由度关节式机器人本体、2-力传感器、3-接触杆、4-斜面、5-机器人控制器、6-为工业计算机。具体实施方式为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。此外，下面所描述的本专利技术各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。参照图1～图5，一种基于局部熵的高斯滤波方法，该方法包括下列步骤：(a)采集待处理的信号f；(b)根据待处理的信号f的平滑性，给定局部熵的阈值Et，对信号f的其中一段计算局部熵Elocal，当Elocal≥Et时，将该段信号作为一个高斯模型，当Elocal≤Et时,继续分段计算，直到Elocal≥Et，则共获得符合Elocal≥Et条件的n段，然后依次获得n个高斯模型；(c)使用期望最大化算法迭代求解每个高斯模型的参数(π,μ,σ)，并将得到的k个高斯混合模型的参数记为参数矩阵(π,μ,σ)；(d)根据参数矩阵(π,μ,σ)，对待处理信号f进行高斯回归处理，得到光顺的滤波信号(e)观察高斯回归处理得到的滤波信号的平滑性与噪声滤除效果，是否满足信号平滑性要求，如果不满足则返回(b)，修改局部熵的阈值Et，如果满足，则进入(f)；(f)根据高斯混合模型参数矩阵(π,μ,σ)，编写在线的实时滤波程序。优选地，在步骤(b)中，采用对待处理信号f计算局部熵Elocal的方法实现对待处理信号的聚类，其中其中：L为所要计算局部熵的信号段的长度,Pi为fi的概率，fi为待处理信号，i＝0,1,2...L-1。进一步，在步骤(c)中，根据(b)得到的高斯模型的个数n，使用EM算法迭代计算高斯模型参数(π,μ,σ)；期望最大化算法为：E-step:M-step:其中：为ξj的后验概率；u为迭代次数；为期望；为先验概率；为均值；为协方差；表示ξj服从分布的概率；n为高斯模型的个数；N为信号f的个数。进一步，在步骤(d)中，根据步骤(c)中得到的高斯混合模型的参数矩阵(π,μ,σ)，对待处理的信号f进行高斯回归处理得到滤波后的光滑信号其中高斯回归处理公式为：其中：P(f)为信号f的概本文档来自技高网...

【技术保护点】
一种基于局部熵的高斯滤波方法，其特征在于，该方法包括下列步骤：(a)采集待处理的信号f；(b)根据待处理的信号f的平滑性，给定局部熵的阈值Et，对信号f的其中一段计算局部熵Elocal，当Elocal≥Et时，将该段信号作为一个高斯模型，当Elocal≤Et时,继续分段计算，直到Elocal≥Et，则共获得符合Elocal≥Et条件的k段，然后依次获得n个高斯模型；(c)使用期望最大化算法迭代求解每个高斯模型的参数(π,μ,σ)，并将得到的k个高斯混合模型的参数记为参数矩阵(π,μ,σ)；(d)根据参数矩阵(π,μ,σ)，对待处理信号f进行高斯回归处理，得到光顺的滤波信号

【技术特征摘要】
1.一种基于局部熵的高斯滤波方法，其特征在于，该方法包括下列步骤：(a)采集待处理的信号f；(b)根据待处理的信号f的平滑性，给定局部熵的阈值Et，对信号f的其中一段计算局部熵Elocal，当Elocal≥Et时，将该段信号作为一个高斯模型，当Elocal≤Et时,继续分段计算，直到Elocal≥Et，则共获得符合Elocal≥Et条件的k段，然后依次获得n个高斯模型；(c)使用期望最大化算法迭代求解每个高斯模型的参数(π,μ,σ)，并将得到的k个高斯混合模型的参数记为参数矩阵(π,μ,σ)；(d)根据参数矩阵(π,μ,σ)，对待处理信号f进行高斯回归处理，得到光顺的滤波信号(e)观察高斯回归处理得到的滤波信号的平滑性与噪声滤除效果，是否满足信号平滑性要求，如果不满足则返回(b)，修改局部熵的阈值Et，如果满足，则进入(f)；(f)根据高斯混合模型参数矩阵(π,μ,σ)，编写在线的实时滤波程序。2.如权利要求1所述的高斯滤波方法，其特征在于，在步骤(b)中，采用对待处理信号f计算局部熵Elocal的方法实现对待处理信号的聚类，其中其中：L为所要计算局部熵的信号段的长度,Pi为fi的概率，fi为待处理信号，i＝0,1,2...L-1。3.如权利要求1所述的方法，其特征在于，在步骤(c)中，根据(b)得到的高斯模型的个数n，使用EM算法迭代计算高斯模型参数(π,μ,σ)；期望最大化算法为：E-step:M-step:其中：k为高斯模型的序号；为ξj的后验概率；u为迭代次数；为期望；为先验概率；为均值；为协方差；表示ξj服从分布的概率；n为高斯模型的个数；N为信号f的个数。4.如权利要求1-3任一项所述的方法，其特征在于，在步骤(d)中，根据步骤(c)中得到的高斯混合模型的参数矩阵(π,μ,σ)，对待处理的信号f进行高斯回归处理得到滤波后的光滑信号其中高斯回归处理公...

【专利技术属性】
技术研发人员：赵欢，叶葱葱，丁汉，林阳，毛洋洋，
申请(专利权)人：华中科技大学，
类型：发明
国别省市：湖北,42