一种基于迭代学习跟踪微分器的微分信号提取方法技术

本发明专利技术公开了一种基于迭代学习跟踪微分器的微分信号提取方法，所述迭代学习跟踪微分器被配置为：采用低带宽的低通滤波器作为基本滤波器，将基于时间维的一维跟踪微分器扩展为基于时间维和迭代维的二维跟踪微分器；输入采样信号数据，将采样信号数据按照时间序列方式存储，定义并保存至少一个完整的数据窗口，当采样信号数据的个数小于数据窗口的长度时，采用一维跟踪微分器的时域TD算法提取采样信号数据的微分，当采样信号数据的个数不小于数据窗口的长度时，扩展到二维跟踪微分器进行迭代计算；本发明专利技术具有更好的抗噪声能力和跟踪性能，实现从含噪声的信号中快速和高效地提取测量信号及其微分信号，提高微分信号的光滑性。提高微分信号的光滑性。提高微分信号的光滑性。

【技术实现步骤摘要】
一种基于迭代学习跟踪微分器的微分信号提取方法


[0001]本专利技术涉及采样信号微分提取的
，尤其是指一种基于迭代学习跟踪微分器的微分信号提取方法。

技术介绍

[0002]数字控制是当今自动控制系统的主流方式，信号的数据采集是数字控制的基础。采集到的数字信号后，对这些数字信号的进行处理从而实现系统的建模、预测和控制。在系统的建模、预测和控制中，求取信号的微分是非常重要的信号处理过程。现有的通过信号的增量与发生该增量所需时间之比来求出信号的微分的方法非常容易受到采集信号中噪声的影响，由于求取微分增量改变所需的时间比较小，而噪声引起增量的变化可能很大，微分器变成了噪声放大器，有用的微分信号完全可能淹没在噪声中。
[0003]跟踪微分器采用一个二阶或者高阶积分串联系统来建立信号之间的微分模型，然后采用信号跟踪和反馈控制的方法来求取信号的微分，该方法具有较好的抗噪声能力，能够得到比较光滑的微分信号。跟踪微分器有线性跟踪微分器和非线性跟踪微分器，最速跟踪微分器是一种特殊的非线性跟踪微分器。在线性跟踪微分器中，存在抗噪声能力和跟踪能力相矛盾的现象，当要求增强跟踪能力时，要加大线性跟踪微分器的增益或者带宽，但是增加增益或者带宽会降低跟踪微分器的抗噪声能力；对于具有非线性特性的最速跟踪微分器，其边界层与噪声的大小有关，抗噪声能力在噪声较大的场合需要特殊设计，边界层的参数难整定。因此，需要一种在抗噪声能力不变或者只是稍微降低的情况下，却能极大提高跟踪性能的新型跟踪微分器。

技术实现思路

[0004]本专利技术的第一目的在于为解决现有技术中的不足，提供了一种基于迭代学习跟踪微分器的微分信号提取方法，把现有的跟踪微分器从一维扩展到二维，得到一种迭代学习跟踪微分器，可以在保持良好的抗噪声能力的同时，提高跟踪性能，从而得到原输入信号的高质量微分信号。
[0005]本专利技术的第二目的在于提供一种非暂时性计算机可读介质。
[0006]本专利技术的第三目的在于提供一种计算设备。
[0007]本专利技术的第一目的通过下述技术方案实现：一种基于迭代学习跟踪微分器的微分信号提取方法，所述迭代学习跟踪微分器被配置为：采用低带宽的低通滤波器作为基本滤波器，将基于时间维的一维跟踪微分器扩展为基于时间维和迭代维的二维跟踪微分器；所述微分信号提取方法包括以下步骤：S1、初始化迭代学习跟踪微分器参数；S2、输入采样信号数据，将采样信号数据按照时间序列方式存储，定义并保存至少一个完整的数据窗口，当采样信号数据的个数小于数据窗口的长度时，采用一维跟踪微分
器执行步骤S3；当采样信号数据的个数不小于数据窗口的长度时，把一维跟踪微分器扩展到二维跟踪微分器的形式，执行步骤S4；S3、采用时域TD算法提取采样信号数据的微分后，执行步骤S6；S4、根据采样信号数据的个数与数据窗口长度关系来调整预设的迭代次数Nv 的大小后，初始化迭代次数j=1；S5、进行迭代次数判断，若迭代次数j不大于预设的迭代次数N
V
，则在该数据窗口完成迭代学习计算后，移动至下一个采样周期，再对该下一个采样周期的数据窗口进行j+1次迭代学习计算；若迭代次数j大于预设的迭代次数N
V
，则完成当前采样周期的采样信号数据的微分提取，执行步骤S6；S6、输出微分信号以及采样信号数据的滤波值。
[0008]进一步，所述低通滤波器为线性二阶低通滤波器，其计算公式为： （1）；其中，为线性二阶低通滤波器的带宽，为衰减系统，取为1，s为拉普拉斯算子；将公式（1）写成一维跟踪微分器的形式，其计算公式为： （2）；其中，h为采样周期，k为采样次数，R为跟踪微分器的速度因子，反映跟踪微分器的跟踪速度，取、，为采样信号数据，为采样输入信号经过一维跟踪微分器后的采样信号数据，为采样输入信号经过一维跟踪微分器后采样信号数据的微分。
[0009]进一步，所述步骤S2包括以下步骤：输入采样信号数据，将采样信号数据按照时间序列来存储，定义一个数据窗口[k
‑
N
L
, k]，其中N
L
为数据窗口的长度；当采样信号数据的个数k满足时，执行步骤S3；当采样信号数据的个数k满足时，把一维跟踪微分器扩展到二维跟踪微分器的形式： （3）；其中，和为二维跟踪微分器的状态变量，为采样次数，为迭代次数；R与公式（2）中的R意义相同，为速度因子；u为二维跟踪微分器的控制量，相当于二阶系统的实时加速度，由公式（4）确定；为迭代总次数；
ꢀ
（4）；其中，为迭代学习鲁棒系数，；L
g
为迭代学习增益，，j为迭代次数，l为数据窗口；R与公式（2）中的R意义相同，为速度因子；u分解为u
fb
和u
ff
两个分量，u
fb
为反馈分量，u
ff
为前馈分量，前馈分量的初始值为0。
[0010]进一步，所述步骤S4包括以下步骤：Nv最大值的选取要考虑其容许的最大值，容许的最大值为两次采样时间间隔的时间段内，计算机所能完成迭代计算的次数和其它运算任务所占有的控制计算机的计算时间；公式（5）为在初始阶段选择Nv的分段函数： （5）；其中，t为时间，其单位为秒，过渡过程结束后，即当t≥4.0，迭代总次数变为5次；对迭代次数进行初始化，使迭代次数j=1。
[0011]本专利技术的第二目的通过下述技术方案实现：一种存储有指令的非暂时性计算机可读介质，当所述指令由处理器执行时，执行根据上述的基于迭代学习跟踪微分器的微分信号提取方法的步骤。
[0012]本专利技术的第三目的通过下述技术方案实现：一种计算设备，包括处理器以及用于存储处理器可执行程序的存储器，所述处理器执行存储器存储的程序时，实现上述的基于迭代学习跟踪微分器的微分信号提取方法。
[0013]本专利技术与现有技术相比，具有如下优点与有益效果：1、本专利技术的跟踪微分器是二维结构，比现有的一维结构的微分器具有更好的抗噪声能力和跟踪性能，实现从含噪声的信号中快速和高效地提取测量信号及其微分信号。
[0014]2、采用基本低通滤波器实现了更好的抗噪声效果，采用鲁棒迭代学习算法有利于提高噪声环境下的跟踪微分器的稳定性，提高微分信号的光滑性。
[0015]3、采用可变的迭代次数可以较好地减少跟踪微分器的初始微分峰值想象，可以灵活调整参数，减少微分冲击。
附图说明
[0016]图1为本专利技术的流程图。
具体实施方式
[0017]下面结合具体实施例对本专利技术作进一步说明。
[0018]实施例1参见图1所示，为本实施例所提供的基于迭代学习跟踪微分器的微分信号提取方
法，其特征在于，所述迭代学习跟踪微分器被配置为：采用低带宽的低通滤波器作为基本滤波器，可以采用线性滤波器或非线性滤波器，本实施例以线性滤波器为例来陈述，将基于时间维的一维跟踪微分器扩展为基于时间维和迭代维的二维跟踪微分器；所述低通滤波器为线性二阶低通滤波器，其计算公式为： （1）；其中，为线性二本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于迭代学习跟踪微分器的微分信号提取方法，其特征在于，所述迭代学习跟踪微分器被配置为：采用低带宽的低通滤波器作为基本滤波器，将基于时间维的一维跟踪微分器扩展为基于时间维和迭代维的二维跟踪微分器；所述微分信号提取方法包括以下步骤：S1、初始化迭代学习跟踪微分器参数；S2、输入采样信号数据，将采样信号数据按照时间序列方式存储，定义并保存至少一个完整的数据窗口，当采样信号数据的个数小于数据窗口的长度时，采用一维跟踪微分器执行步骤S3；当采样信号数据的个数不小于数据窗口的长度时，把一维跟踪微分器扩展到二维跟踪微分器的形式，执行步骤S4；S3、采用时域TD算法提取采样信号数据的微分后，执行步骤S6；S4、根据采样信号数据的个数与数据窗口长度关系来调整预设的迭代次数Nv 的大小后，初始化迭代次数j=1；S5、进行迭代次数判断，若迭代次数j不大于预设的迭代次数N
V
，则在该数据窗口完成迭代学习计算后，移动至下一个采样周期，再对该下一个采样周期的数据窗口进行j+1次迭代学习计算；若迭代次数j大于预设的迭代次数N
V
，则完成当前采样周期的采样信号数据的微分提取，执行步骤S6；S6、输出微分信号以及采样信号数据的滤波值。2.根据权利要求1所述的一种基于迭代学习跟踪微分器的微分信号提取方法，其特征在于，所述低通滤波器为线性二阶低通滤波器，其计算公式为：（1）；其中，为线性二阶低通滤波器的带宽；为衰减系统，取为1；s为拉普拉斯算子；将公式（1）写成一维跟踪微分器的形式，其计算公式为： （2）；其中，h为采样周期，k为采样次数，R为跟踪微分器的速度因子，反映跟踪微分器的跟踪速度，取、，为采样信号数据，为采样输入信号经过一维跟踪微分器后的采样信号数据，为采样输入信号经过一维跟踪微分器后采样信号数据的微分。3.根据权利要求1所述的一种基于迭代学习跟踪微分器的微分信号提取方法，其特征在于，所述步骤S2包括以下步骤：输入采样信号数据...

【专利技术属性】
技术研发人员：李向阳，刘屿，曾明，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：