Bağışıklık kuantum evrim algoritmasına dayalı atalet sensörü sinyali yeniden yapılandırması
Jiang Xingguo 1, 2, Luo Zhenzhen 1, Li Haiou 1, 2, Ou Shaomin 3
(1. Bilgi ve İletişim Okulu, Guilin Elektronik Teknolojisi Üniversitesi, Guilin 541004, Guangxi;
2. Guangxi Anahtar Hassas Navigasyon Teknolojisi ve Uygulaması Laboratuvarı, Guilin Elektronik Teknolojisi Üniversitesi, Guilin 541004, Guangxi;
3. Bilgi Teknolojileri Okulu, Guilin Elektronik Teknolojisi Üniversitesi, Guilin, Guangxi 541004)
Özet: Eylemsizlik sensör sinyallerinin özelliklerini hedefleyen, immün kuantum evrim algoritmasına dayanan ortogonal bir eşleştirme takibi yeniden yapılandırma yöntemi önerilmiştir. Bu yöntem, ortogonal eşleştirme takip algoritmasını çekirdek olarak alır ve bağışıklık mekanizmasını kuantum evrim algoritmasına sokar. İlk olarak, atom arama sürecini hızlandırmak için nüfus genişlemesini sağlamak için antikorlar ve immün klonlama işlemleri oluşturmak ve aynı zamanda kuantum çaprazlama işlemleri yardımıyla algoritmanın yerel bir optimuma düşmesini önlemek için kuantum kodlarının üst üste getirilmesi kullanılır. Daha sonra, her bir yinelemede seçilen en iyi eşleşen atomlar, filtreleme amacına ulaşmak için eylemsizlik sensörü sinyalinin yeniden yapılandırılmasını tamamlamak için kullanılır. Simülasyon sonuçları, algoritma altında statik sinyalin sıfır kayma değerinin iyileştirildiğini, sinyal-gürültü oranının 10.48 dB artırıldığını ve dinamik sinyalin ortalama kare hatasının 28.551 ("/ s) azaldığını göstermektedir. Aynı koşullar altında, mevcut yeniden yapılandırma algoritması ile aynıdır Karşılaştırıldığında, sinyal filtreleme etkisi geliştirilirken, yeniden yapılandırma süresi yaklaşık 4 saniye kısaltılır ve eylemsizlik sensörü sinyalinin gerçek zamanlı işlenmesi nihayet gerçekleştirilir.
Çin Kütüphanesi Sınıflandırma Numarası: TN911.7; TP301.6
Belge tanımlama kodu: Bir
DOI: 10.16157 / j.issn.0258-7998.166220
Çince alıntı biçimi: Jiang Xingguo, Luo Zhenzhen, Li Haiou ve diğerleri.İmmün kuantum evrim algoritmasına dayalı atalet sensörü sinyali yeniden yapılandırması.Elektronik Teknoloji Uygulaması, 2017, 43 (10): 132-136.
İngilizce alıntı biçimi: Jiang Xingguo, Luo Zhenzhen, Li Haiou ve diğerleri.İmmün kuantum evrimsel algoritmaya dayalı iç sensör sinyalinin yeniden yapılandırılması.Elektronik Tekniğin Uygulanması, 2017, 43 (10): 132-136.
0 Önsöz
Ataletsel navigasyon sisteminin temel bileşeni olarak, eylemsizlik sensörünün doğruluğu, tüm eylemsiz navigasyon sisteminin performansını doğrudan etkiler. Bilim ve teknolojinin sürekli gelişmesiyle birlikte, doğruluk gereksinimleri giderek artmaktadır.Bu nedenle, atalet sensörlerinin doğruluğunun nasıl iyileştirilebileceği uzun vadeli bir araştırma odağıdır. Şu anda, eylemsizlik sensörlerinin doğruluğu esas olarak filtreleme yoluyla geliştirilmektedir. Geleneksel işleme yöntemleri arasında dalgacık analizi ve Kalman filtreleme bulunur. Bu yöntemlerin tümü, sinyalin özelliklerini dönüşüm alanı gösteriminden elde eder ve belirli spesifik sinyal türleri için daha iyi sonuçlar elde eder ve evrensel değildir. Son yıllarda, seyreklik sorunu, sıkıştırılmış algılama teorisinin getirilmesiyle sistematik olarak çalışılmış ve sinyal gürültüsü giderme alanına uygulanmıştır. Sinyallerin çoğu dönüşüm tabanı altında seyrek olduğundan, bu yöntem yaygın olarak kullanılmaktadır. Literatür, K-VSD algoritma eğitimi yoluyla gereksiz sözlükler elde eder ve daha sonra atalet sensör sinyallerini filtrelemek için seyrek gösterimi kullanır, ancak atomik kitaplıkların sayısı çok fazladır. Ek olarak, seyrek ayrıştırma teorisine dayanan ana yeniden yapılandırma yöntemi Ortogonal Eşleştirme Takibi'dir (OMP), ancak çalıştırılması uzun zaman alır. Sıkıştırılmış örnekleme eşleştirme takip algoritması yeniden yapılandırma hızını iyileştirmesine rağmen, belirli sayıda yineleme koşulu altında gerçekleştirilmesi gerekir ve sinyalin seyrekliği bilinir. Şu anda, akıllı algoritmaların yükselişi ile literatür, bal arısı kolonisini simüle ederek optimizasyon sürecini hızlandırmak için yapay arı kolonisi ve MP yeniden yapılandırma algoritmasının kombinasyonunu önermektedir.Ancak, algoritma güncelleme formülü tek ve yerel optimuma düşmesi kolaydır. Genetik algoritma ve yeniden yapılandırma algoritmasının kombinasyonu arka arkaya önerilmiştir.Crossover ve mutasyon gibi genetik operatörler popülasyonu çok iyi zenginleştirmiştir, ancak gerekli popülasyon sayısı büyük ve yakınsama hızı yavaştır.
Mevcut algoritmaların eksikliklerini hedefleyen bu makale, atalet sensör sinyal rekonstrüksiyonunu gerçekleştirmek için bağışıklık kuantum evrimini OMP ile birleştirmeyi önermektedir. Algoritmanın sinyal seyrekliğini bilmesine gerek yoktur Bağışıklık mekanizmasındaki bağışıklık operasyonu sayesinde, optimal çözümü bulmak için antikorun antijene afinitesi sürekli olarak arttırılır. Algoritmada, kuantum arama mekanizması, algoritmanın daha sonra bozulmasını etkili bir şekilde önleyebilir ve OMP algoritmasının yakınsama hızını hızlandırabilir. Bağışıklık mekanizmasının tanıtımı, kuantum evrim algoritmasının daha güçlü küresel arama yeteneğine sahip olmasını sağlar, yerel optimal duruma düşmesi kolay değildir ve sinyal yeniden yapılandırmasının hızını ve doğruluğunu etkili bir şekilde garanti eder.
1 Algoritma teorisi
1.1 Kuantum evrimsel algoritma teorisi
Kuantum evrimsel algoritma, kuantum hesaplama ilkesine dayanan bir optimizasyon yöntemidir. Algoritma, kuantum hesaplamaya dayanır ve kübit kodlama ve kuantum geçitleri sunar. Qubit kodlaması, kromozomları temsil etmek için kuantum durum vektörlerini kullanmaktır ve bir kromozom, birden çok durumun süperpozisyonu olarak ifade edilebilir. Kuantum kapısı, yakınsamayı sağlamak için popülasyonun güncellenmesini sağlar. Bu nedenle, klasik genetik algoritma ile karşılaştırıldığında, kuantum evrimi zengin çeşitlilik özelliklerine ve daha iyi yakınsamaya sahiptir.
Kuantum durumları kübitlerle temsil edilir. Klasik bitlerden farkı, | 0 üzerine düşebilen süperpozisyon durumlarının varlığıdır. > Ve | 1 > Doğrusal kombinasyon durumunun dışında. Kübit durumu aşağıdaki formülle temsil edilir:
1.2OMP algoritma ilkesi
Sinyal uzunluğu sınırlandığında, k değeri artmaya devam ettikçe, sinyalin artık enerjisi üssel olarak azalacak ve sonunda sıfıra yakınsayacaktır.
Bağışıklık kuantum evrim algoritmasının 2 OMP yeniden yapılandırma yöntemi
Bağışıklık kuantum evrim algoritması, atalet sensör sinyalleri için OMP yeniden yapılandırmasıyla birleştirilir ve sinyal özelliklerine uyan ancak gürültü sinyaliyle ilgili olmayan eşleşen atomlar oluşturularak eksiksiz bir atom kitaplığı oluşturulur. İlk olarak, en iyi eşleşen atom için arama sürecini hızlandırmak ve sinyalle en iyi eşleşen atomu çıkarmak için kitaplıktaki bağışıklık işlemlerini ve kuantum işlemlerini kullanın; ardından yineleme sayısının yanlış seçilmesini önlemek ve işlem etkisini etkilemek için yinelemenin sonlandırma koşulu olarak maksimum yineleme sayısını seçin; son olarak Her yinelemede çıkarılan en iyi eşleşen atomlar, eylemsizlik sensörü sinyalinin yeniden yapılandırılmasını tamamlamak için kullanılır ve ardından sinyal filtreleme gerçekleştirilir. Algoritmada popülasyon olarak atom kütüphanesi kullanılır ve antikor olarak atom kütüphanesindeki bir atomun parametre grubu kullanılır ve optimizasyon hedefi olarak yüksek uygunluğa sahip antikor bulunur.Atom kütüphanesindeki sinyalin projeksiyon değeri uygunluk fonksiyon değeridir.
2.1 İyileştirme stratejisi
Bu algoritma, kuantum arama mekanizmasını bağışıklık algoritmasının klonal seçim ilkesiyle birleştirir ve antikorları oluşturmak için kuantum kodlarının üst üste binmesini kullanır; orijinal popülasyon ve alt popülasyonlar, popülasyon genişlemesini sağlamak, yerel arama yeteneklerini iyileştirmek ve kuantum geçiş işlemlerinden kaçınmak için klonlama işlemleri yoluyla oluşturulur Yerel bir optimuma düşmek. Klonlama operatörünün temel çerçevesine bağlı olarak, kuantum kodları antikorları ifade etmek için kullanılır, kuantum kodları için bir kuantum NOT geçit mutasyonu tasarlanır ve kuantum özelliklerine sahip çok noktalı bir geçiş stratejisi oluşturulur.
2.2 Bağışıklık operasyonu
Klonlama: Rulet yöntemi, klonlama ile üretilen alt popülasyonun boyutunu belirlemek için kullanılır. Klonlamadan önceki popülasyonun Q = {q1, q2, ..., qN} olduğunu, N popülasyonun boyutu olduğunu ve klonlamadan sonraki popülasyonun Q = {Q, C} olduğunu varsayalım, burada C, klon tarafından üretilen antikor alt grubudur. Klon boyutu esas olarak antikor-antijen uygunluğuna dayanmaktadır Antikorun nispi boyutu uyarlamalı olarak ayarlanabilir, yani antikor antijen tarafından uyarıldığında, klonun boyutu etkisinin boyutuna göre belirlenir. Formül aşağıdaki gibidir:
Formülde mi, popülasyondaki i-inci antikorun klon boyutudur ve fit (qi), i-inci antikor-antijen afinitesidir, yani antikor i'nin uygunluk değeridir.
Seçim: Yeni bir popülasyon oluşturmak için klonlama işleminden sonra popülasyondan mükemmel antikorları seçin. Yani, uygunluk fonksiyon değeri hesaplanarak optimal antikor seti seçilir ve daha sonra optimal çözüm seti oluşturulur.
2.3 Kuantum işlemleri
Antikor mutasyona uğrar, yani yeni antikorun uygunluk değeri, olasılık varyasyonu kullanılarak yeniden hesaplanır ve belirli sayıda yüksek afiniteli çözelti, mükemmel antikorlar olarak kabul edilir.
Kuantum Crossover: Bu makale çok noktalı geçiş kullanır. Yani: birbiriyle eşleşen iki antikor seçin, rastgele çoklu kesişme noktaları ayarlayın ve ardından popülasyonun çeşitliliğini artırmak için çapraz olasılıkla antikorlardaki kesişme noktaları arasında gen alışverişi yapın.
2.4 Antikor promosyonu ve inhibisyonu
Popülasyondaki antikorların uygunluk değerini hesaplayın, popülasyon çiftindeki antikorları çift olarak karşılaştırın ve antikorların yükselme ve inhibisyon etkilerini elde etmek için daha düşük uygunluk değerine sahip antikorlar için daha yüksek bir uygunluk değerine sahip antikorları değiştirin.
2.5 Nüfus uygunluğunu hesaplayın
Optimal antikoru arama sürecinde, bu makaledeki algoritma herhangi bir harici bilgiye dayanmaz ve ipuçlarını aramak için yalnızca popülasyondaki her bir antikorun uygunluk işlevi değerini kullanır. Sinyal veya sinyal artığı Rkf'nin iç çarpımının ve metindeki atomun mutlak değerini tanımlayın | < Rkf, gk > | Yk olarak belirtilen uygunluk işlevidir: Yk = arg | < Rkf, gk > | (k = 1, 2, ..., N).
2.6 Algoritma adımları
Gabor atom kütüphanesi matrisinin M × N sütun olduğunu ve matrisin N sütunlarının N antikor olarak kabul edildiğini varsayalım.Her antikorun 1 kübit ve M kuantum durumuna sahip olduğunu ve N kübitlerin matrisin N sütununu temsil ettiğini varsayalım. Kuantum durumu, matrisin her bir öğesini temsil eder. Aşağıdaki gibi ilerleyin:
3 Simülasyon ve sonuç analizi
3.1 Statik verilerin doğrulanması
İlk olarak, algoritma eylemsiz sensörlerden gelen statik gözlem verileriyle doğrulanır. Gürültü azaltma etkisi, sinyal-gürültü oranı, ortalama kare hatası, standart sapma (sıfır sapma değeri) ve işlem süresi eklenerek değerlendirilir. Bunlar arasında, ortalama kare hatası, parametrenin tahmini değeri ile ortalama hatayı ölçmek için gerçek değer arasındaki farkın karesinin beklenen değeridir. Simülasyon sinyali, belirli bir fiber optik jiroskopun (FOG) statik çıkış sinyalinin gerçek örneklemesidir, örnekleme frekansı 5000 Hz'dir ve sinyal uzunluğu N = 300'dür. Algoritmadaki geçiş olasılığının 0,85, mutasyon olasılığının 0,1 ve maksimum yineleme sayısının 20 olduğunu varsayalım. Bunların arasında dalgacık filtrelemeden sonraki sinyal, fiber optik jiroskopun gerçek sinyali olarak kullanılır. Bu algoritma ile işlendikten sonraki etki Şekil 2'de gösterilmektedir.
Karşılaştırmayı kolaylaştırmak için, algoritma ve OMP ve GA-OMP algoritması (genetik algoritmanın OMP rekonstrüksiyonu) aynı deney ortamında aynı parametrelerle test edilir. Alan sınırlamaları nedeniyle, sadece OMP algoritmasının efekt karşılaştırma tablosu ve bu yazıda yer alan algoritma listelenmiştir ve simülasyon sonuçları Şekil 3'te gösterilmiştir. Aynı statik sinyal işlemeden sonra performans parametrelerinin istatistikleri Tablo 1'de gösterilmektedir. Tablo 1'den görülebileceği gibi, statik sinyal bu yazıda algoritma tarafından işlendikten sonra performans parametrelerinin OMP ve GA-OMP algoritmalarından daha iyi olduğu ve sinyal seyrekliğini önceden bilmeye gerek yoktur. Tablo 1 ve Şekil 3'e göre, eylemsizlik sensör sinyalinin gerçek statik sinyalinde bulunan gürültü enerjisi, gerçek sinyalden çok daha büyüktür ve çıkış sıfır sapması ve uçuculuğu nispeten büyüktür. Deneysel doğrulama, OMP algoritma işlemesinden sonra, tek noktalı sinyal işleme süresinin 12,8 ms olduğunu, bu da sistemin gerektirdiği 0,2 ms'den daha büyük olduğunu (örnekleme frekansı 5000 Hz'dir) ve gerçek zamanlı işlemenin gerçekleştirilemediğini göstermektedir. OMP algoritması ile karşılaştırıldığında, bu algoritma sinyal-gürültü oranını işlemden sonra 3,69 dB iyileştirir, sıfır kayma değerini 1,9321 × 10-4 ("/ s) azaltır ve ortalama kare hatasını 1,7763 × 10-7 (" / s) azaltır. Orijinal sinyal ile karşılaştırıldığında, sinyal-gürültü oranı 10,48 dB artırılır, standart sapma 8,3535 × 10-7 ("/ s) azaltılır, ortalama kare hatası 1,3512 × 10-6 (" / s) azaltılır ve tek noktalı sinyal işleme süresi 0,166 ms'dir ve gerçek zamanlı işlem gereksinimlerini karşılar. Deneysel sonuçlar, algoritmanın sinyal işleme süresini büyük ölçüde kısalttığını, sıfır kayma değerini ve sinyal işleme doğruluğunu artırdığını ve böylece algoritmanın eylemsiz sensörün statik sinyali için etkinliğini doğruladığını göstermektedir.
3.2 Dinamik verilerin doğrulanması
Algoritmanın uygulanabilirliğini daha fazla doğrulamak için dinamik verileri kullanın. Simülasyon sinyali şudur: 500 Hz'den daha yüksek bir fotoelektrik izleme sistemi tarafından gerçek FOG sinyal çıkışı, yüksek frekanslı bir filtreden alınır ve gürültü olarak sinüzoidal sinyal üzerine bindirilir. Sinüzoidal sinyalin frekansı 128 Hz, üst üste binen sinyalin örnekleme frekansı 5000 Hz ve sinyal uzunluğu N = 300'dür. Diğer parametreler statik sinyal ile tutarlıdır. Bu yazıda algoritmanın etkisi Şekil 4'te gösterilmektedir.
Şekil 5, aynı deneysel ortam ve parametre ayarları altında OMP algoritmasının ve bu yazıda yer alan algoritmanın etki diyagramını göstermektedir. Tablo 2, aynı dinamik sinyali işledikten sonra bu algoritmanın performans parametrelerini OMP ve GA-OMP algoritmaları ile karşılaştırmaktadır. Dinamik sinyaller için sıfır kayma değeri yoktur, bu nedenle listelenmezler. Dinamik veri simülasyon testi altında bu algoritmanın performansının OMP ve GA-OMP algoritmasından daha iyi olduğu Tablo 2'den görülebilmektedir. Deneyler, OMP algoritmasının işlem süresinin 4,18 sn olduğunu ve bunun gerçek zamanlı işlem gereksinimlerini karşılayamadığını göstermektedir. Bu yazıda algoritma ile işlendikten sonra, OMP algoritması ile karşılaştırıldığında, sinyal-gürültü oranı 6,2 dB geliştirildi ve ortalama kare hatası 25,878 ("/ s) azaldı. Orijinal sinyal ile karşılaştırıldığında, sinyal-gürültü oranı 7,55 dB iyileştirildi ve ortalama kare hatası 28,551 azaltıldı. ("/ S). Sinyal çıkışının doğruluğunu etkili bir şekilde iyileştirirken, sinyal tek nokta işleme süresi 0.133 ms'dir ve bu gerçek zamanlı işleme gereksinimlerini karşılar Bu nedenle, dinamik sinyal işleme için algoritmanın etkinliği doğrulanır.
4. Sonuç
Atalet sensörü sinyalinin özelliklerine dayalı olarak, bu makale OMP yeniden yapılandırma algoritmasını iyileştirmek için bağışıklık mekanizmasını kuantum evrim algoritmasına tanıtmakta ve bunu eylemsizlik sensörü çıkış sinyalinin gerçek zamanlı işlemesine uygulamaktadır. Simülasyon sonuçlarından, sinyal seyrekliği bilinmediğinde, önerilen algoritmanın sinyal işlemeyi hızlandırabileceği ve eylemsizlik sensörünün hem statik hem de dinamik verileri için filtreleme performansını iyileştirebileceği, pratik uygulama değeri ve geniş bir atalet sensörü sinyalleri aralığı sağladığı görülebilir. Uygulama umutları.
Referanslar
Xu Jiangning, Zhu Tao, Bian Hongwei. Ataletsel algılama teknolojisi ve beklentiler. Journal of Naval University of Engineering, 2007, 19 (3): 1-5.
Guo Xiaosong, Zhang Dongfang, Xue Haijian ve diğerleri Dalgacık denoising ve TLS algoritmasına dayalı tam tutum kuzey bulgusu.Sistem Mühendisliği ve Elektronik Teknolojisi, 2016, 38 (2): 362-367.
Dai Dongbing Kalman filtresine dayalı Gyro veri işleme Sayısal Teknoloji ve Uygulama, 2014 (5): 119-121.
BOUGHER B. Sıkıştırılmış algılamaya giriş The Leading Edge, 2015, 34 (10): 1256-1257.
Jiang Xingguo, Zhang Long, Xu Jinhai. Seyrek gösterime dayalı atalet sensör sinyalleri için gerçek zamanlı bir filtreleme yöntemi Bilgisayar Uygulama Araştırması, 2015, 32 (5): 1480-1482.
WU R, HUANG W, CHEN D R. Ortogonal eşleştirme takibi yoluyla seyrek sinyallerin gürültülü tam destek kurtarma IEEE Signal Processing Letters, 2013, 20 (4): 403-406.
HUANG F, TAO J, XIANG Y ve diğerleri.OpenCL ile sıkıştırılmış algılama sinyali yeniden yapılandırması için paralel sıkıştırmalı örnekleme eşleştirme takip algoritması. Journal of Systems Architecture, 2016, 27 (1): 51-60.
Hou Kun, Yi Zhengjun, He Ronghua.Sinyal Seyrek Ayrıştırma için Yapay Arı Kolonisi-MP Algoritması Bilgisayar Simülasyonu, 2012, 29 (11): 247-250.
Wang Guofu, Zhang Hairu, Zhang Faquan ve diğerleri.Geliştirilmiş genetik algoritmaya dayalı Ortogonal eşleştirme takip sinyali yeniden yapılandırma yöntemi.Sistem Mühendisliği ve Elektronik, 2011, 33 (5): 974-977.
CAO G L, HU R, QIAN B. Kapasiteli araç problemi için etkili hibrit kuantum evrimsel algoritma J Comp Inte Manu Syst, 2015, 21: 1101-1113.
