[发明专利]基于主成分自回归的非线性抗干扰方法

说明书

本发明提出一种基于主成分自回归的非线性抗干扰方法，对采集的原始信号进行主成分提取，降维到低维信号空间，然后对信号低维空间的各个维度进行自回归预测，获得信号的自回归低维信号，把自回归低维信号映射到高维原始信号空间，去除干扰噪声，进而保留原始信号的特征，增加系统的抗干扰能力。针对信号处理过程系统会因电路，外部环境因素产生大量噪声，导致信号的关键信息丢失，使得信号处理的难度增加。

技术领域

本发明涉及非线性抗干扰领域，特别设计基于主成分自回归的非线性抗干扰方法。

背景技术

近年来，随着科学技术的发展，越来越多的领域进入智能化时代，例如无人驾驶，智能物流等，由于信号处理过程系统会因电路，外部环境因素产生大量噪声，导致信号的关键信息丢失，使得信号处理的难度增加，极大的限制了智能化的发展。

因此，亟待提出一种非线性抗干扰的方法，来增加信号处理的抗干扰性能。

发明内容

为了解决上述存在问题。本发明提出一种基于主成分自回归的非线性抗干扰方法，去除干扰噪声，增加系统的抗干扰能力，为达此目的：

本发明提出基于主成分自回归的非线性抗干扰方法，具体步骤如下：

步骤1.1：分别对同分布的测试信号与训练信号进行分块处理；

步骤1.2：使用训练信号对PCASRM模型进行训练，获得主成分系数矩阵和回归系数矩阵；

步骤1.3：利用训练好的PCASRM模型对测试信号做非线性滤波，获得干净的重构信号。

作为本发明进一步改进，所述步骤1.2中，PCASRM模型训练步骤可以表示为

步骤2.1：对输入训练信号进行主成分系数训练，获得主成分变换矩阵和训练信号的降维系数；

步骤2.2：对降维系数进行维度分解，获得不同维度的降维系数；

步骤2.3：对不同维度的降维系数分别进行回归预测，获得回归系数矩阵和回归预测系数；

步骤2.4：利用遗传算法对原始降维系数和回归预测系数进行最优权值计算，获得最优权值系数和最优降维系数。

作为本发明进一步改进，所述步骤1.3中，PCASRM模型测试步骤可以表示为

步骤3.1：使用步骤2.1中的主成分变换矩阵对测试信号进行数据降维，获得测试信号的降维系数；

步骤3.2：对降维系数进行维度分解，获得不同维度的降维系数；

步骤3.3：使用步骤2.3中的回归系数对不同维度的降维系数分别进行回归预测，获得回归预测系数；

步骤3.4：利用步骤2.4中遗传算法训练的最优权值对原始降维系数和回归预测系数进行加权运算，获得最优降维系数；

步骤3.5：对获得的最优降维系数进行信号重构，获得滤波后的原始信号。作为本发明进一步改进，所述步骤2.1中主成分系数训练可表示为

[Y，P]＝PCA(X) (1)

X＝[x₁ x₂ … x_n] (2)

其中，PCA(·)表示PCA函数，X表示训练信号样本，x_i∈R^n×1，i＝1，2，...，n，Y表示信号X降维后的系数矩阵，Y∈R^m×n，P是主成分变换矩阵P∈R^m×n。