[发明专利]一种提高传感器信号强度及辨识度的方法及系统

说明书

本发明提供一种提高传感器信号强度及辨识度的方法及系统，包括以下步骤：S1：获取传感器的数据；S2：利用共轭梯度优化和正交投影提取所述获取的传感器数据的广义特征对；S3：利用所述广义特征对对所述获取的传感器数据进行滤波，然后进行数据增强和辨识过程。该方法通过共轭梯度优化和正交投影思想有效解决了多广义特征对在线提取的问题，并且提取过程具有高的数值稳定性，收敛速度快，提取的过程更加简便，可有效提高传感器信号的强度及辨识度。

技术领域

本发明属于自适应信号处理领域，涉及一种提高传感器信号强度及辨识度的方法及系统。

背景技术

传感器信号处理中，流数据的后续处理如滤波，增强以及识别等过程，对数据的前期预处理过程有较高的要求，前期的预处理过程中对信号的强度以及辨识度的提高，有助于数据的后期应用。广义特征分解属于无监督学习方法，是一种线性降维技术。广义特征分解旨在提取协方差矩阵的广义特征向量/对，以实现对数据滤波、线性判别、数据压缩等操作，其在统计信号处理和机器学习中具有举足轻重的地位，例如在波束形成中，提取主导广义特征向量用于设计最大信噪比滤波器的权值系数，可使输出信号具有最大的输出信噪比，如在Fisher线性判别，主导广义特征向量刻画了类间方差取得最大和类内方差取得最小的方向。现有的广义特征对提取方法通常借助矩阵分解技术，基于对批数据的直接分解操作。但矩阵分解技术通常需要较大的计算复杂度和内存开销，并不适用于观测-提取的数据流提取场景。因此借助梯度下降方法来实现对广义特征对提取是一种常见的思路，但梯度下降算法通常面临着收敛慢的问题。为了提高收敛速度，二阶算法如牛顿法以及拟牛顿算法用于广义特征向量的提取，这些方法涉及二阶导数海森矩阵的求取，在某些特殊况下，这些量并不存在使得算法出现了计算稳定性问题。

发明内容

针对现有技术中存在的问题，本发明提供一种提高传感器信号强度及辨识度的方法及系统，从而有效提高传感器信号的强度和辨识度。

本发明是通过以下技术方案来实现：

一种提高传感器信号强度及辨识度的方法，包括以下步骤：

S1：获取传感器的数据；

S2：利用共轭梯度优化和正交投影提取所述获取的传感器数据的广义特征对；

S3：利用所述广义特征对对所述获取的传感器数据进行滤波，然后进行数据增强和辨识过程。

优选的，所述步骤S1具体为：在观测时刻k+1，通过传感器分别收集两路信号数据，分别记为y(k+1)和v(k+1)，且

优选的，提取所述获取数据的广义特征对之前还包括：

S201：对所述共轭梯度优化过程中的参数进行初始化；

S202：更新所述共轭梯度优化过程中的协方差矩阵对。

优选的，所述步骤S201具体为：

初始化所述数据y(k+1)和v(k+1)的协方差矩阵，记为(R_y(0),R_v(0))；

初始化第i个广义特征值的预测值λ_i(0)；

初始化第i个广义特征表达式的预测残差r_i(0)；

初始化第i个归一化的权值向量u_i(0)；

初始化第i个非归一化的权值向量x_i(0)；

初始化第i个非归一化的权值向量更新步长t_i(0)；

初始化第i个广义特征向量的共轭搜索方向p_i(0)；