一种基于FIR滤波器的分数延时方法与流程

本发明涉及fir滤波分数延时领域，具体是一种基于fir滤波器的分数延时方法。

背景技术：

1、在信号处理领域，信号传输经常受到多径效应和多普勒频移的影响，这些影响会导致信号失真和性能下降。为了解决这些问题，研究者们已经开发了多种信号处理技术。其中，分数延时fir滤波器作为一种有效的信号处理工具，被广泛应用于信号的时间对齐和失真校正。分数延时技术允许信号在采样周期的小数部分上进行延时，从而提供比传统整数延时更精细的时间控制。然而，设计一个性能优异的分数延时fir滤波器需要精确的时间延迟估计和多普勒频移估计，这在动态和复杂的通信环境中是一个挑战。

2、现有的技术通常依赖于复杂的算法和多个假设条件来估计信号的时间延迟和多普勒频移。例如，一些方法使用自适应滤波器、最小二乘估计或频域分析来提取信号特征。这些技术在特定条件下可以工作得很好，但可能需要大量的计算资源，并且在信号特性快速变化的环境中可能不够灵活或准确。此外，传统的信号处理方法可能无法充分利用信号的非线性特征，这些特征在深度学习技术中可以被更有效地捕捉和利用。

技术实现思路

1、本发明针对现有技术的缺陷，提出了一种基于深度学习的分数延时fir滤波器设计方法。通过使用深度神经网络自动提取信号的关键特征，并估计时间延迟和多普勒频移，本方案能够更准确地适应信号的非线性特性。

2、其中，一种基于fir滤波器的分数延时方法，包括以下步骤：

3、s1.采集包含多径效应的信号，并对信号进行筛选预处理，获取受多普勒频移和多径传播影响的信号数据，对信号数据进行特征提取；

4、s2.构建神经网络模型，将特征提取后的信号特征作为模型输入，输出信号的时间延迟估计值和多普勒频移估计值；

5、s3.根据模型输出的多普勒频移估计值，通过与多普勒频移估计值相反的频率偏移进行信号混频，完成多普勒校正；

6、s4.根据模型输出的时间延迟估计通过优化算法计算fir滤波器的系数，根据计算得到的系数设计fir滤波器，进行分数延时。

7、进一步的，所述步骤s1中，对信号进行特征提取具体包括以下子步骤：

8、s101.提取时域统计特征，所述时域统计特征包括信号均值、信号方差、信号偏度和信号峰度；

9、s102.对信号进行傅里叶变换，提取频谱，通过频谱获取频率偏移特征和变化率特征；

10、s103.计算stft系数，得到时频表示，通过时频表示获取到达时间差特征和路径衰减特征；s104.将时域统计特征、频率偏移特征、变化率特征、到达时间差特征和路径衰减特征组成综合向量。

11、进一步的，所述步骤s2具体包括以下子步骤：

12、s201.构建深度学习网络，通过深度学习网络的隐藏层学习信号的非线性特征，并定义损失函数；

13、s202.输入特征提取后的信号特征，深度学习网络分别通过两个相互独立的线性层进行时间延迟估计和多普勒频移估计；

14、s203.输出信号的时间延迟估计值和多普勒频移估计值。

15、进一步的，所述通过深度学习网络的隐藏层学习信号的非线性特征具体表示为：

16、h＝activation(w·hin+b)；

17、其中，所述h表示神经网络的激活输出向量，所述activation表示激活函数，所述hin表示输入向量，所述w表示权重矩阵，所述b表示偏置向量。

18、进一步的，所述深度学习网络分别通过两个相互独立的线性层进行时间延迟估计和多普勒频移估计具体表示为：

19、

20、其中，所述表示时间延迟的估计值，所述表示多普勒频移的估计值，所述o(·)表示输出层的函数，所述h表示最后一个隐藏层的激活输出。

21、进一步的，所述损失函数采用均方误差，具体表示为：

22、

23、其中，所述表示损失函数，所述n表示样本数量，所述表示第i个样本的真实时间延迟，所述表示第i个样本的真实多普勒频移，所述表示时间延迟的估计值，所述表示多普勒频移的估计值。

24、进一步的，所述步骤s4具体包括以下子步骤：

25、s401.定义理想分数延时响应；

26、s402.初始化滤波器系数，通过梯度下降算法最小化误差函数；

27、s403.迭代更新滤波器系数，使用优化得到的滤波器系数对信号进行分数延时补偿。

28、进一步的，所述理想分数延时响应具体表示为：

29、

30、其中，所述d[n]表示理想分数延时后的信号，所述x表示原始信号，所述n表示样本数，所述表示时间延迟的估计值，所述(·)+表示非负截断。

31、进一步的，所述误差函数具体表示为：

32、

33、其中，所述e(c)表示误差函数，所述n表示信号长度，所述n表示样本数，所述y[n]表示滤波器在时间n的输出，所述d[n]表示理想分数延时后的信号，所述ck表示滤波器的第k个系数，所述x表示原始信号，所述k表示系数的常数，所述(·)+表示非负截断。

34、进一步的，所述迭代更新滤波器系数具体表示为：

35、

36、其中，所述c(t+1)表示优化算法在t+1时间步的滤波器系数，所述c(t)表示优化算法在t时间步的滤波器系数，所述η表示学习率，所述表示误差函数对当前系数c(t)的梯度。

37、发明的有益效果是：

38、本发明使用深度学习网络的隐藏层学习信号的复杂非线性特征，并通过两个独立的线性层进行时间延迟和多普勒频移的估计，不仅提高了估计的准确性，而且通过优化算法自动调整fir滤波器的系数，实现了更精细的分数延时补偿；此外，本发明通过定义理想分数延时响应和使用梯度下降算法最小化误差函数，进一步提高了滤波器设计的性能。

技术特征：

1.一种基于fir滤波器的分数延时方法，其特征在于，包括以下步骤：

2.如权利要求1所述的一种基于fir滤波器的分数延时方法，其特征在于，所述步骤s1中，对信号进行特征提取具体包括以下子步骤：

3.如权利要求1所述的一种基于fir滤波器的分数延时方法，其特征在于，所述步骤s2具体包括以下子步骤：

4.如权利要求3所述的一种基于fir滤波器的分数延时方法，其特征在于，所述通过深度学习网络的隐藏层学习信号的非线性特征具体表示为：

5.如权利要求3所述的一种基于fir滤波器的分数延时方法，其特征在于，所述深度学习网络分别通过两个相互独立的线性层进行时间延迟估计和多普勒频移估计具体表示为：

6.如权利要求3所述的一种基于fir滤波器的分数延时方法，其特征在于，所述损失函数采用均方误差，具体表示为：

7.如权利要求1所述的一种基于fir滤波器的分数延时方法，其特征在于，所述步骤s4具体包括以下子步骤：

8.如权利要求7所述的一种基于fir滤波器的分数延时方法，其特征在于，所述理想分数延时响应具体表示为：

9.如权利要求7所述的一种基于fir滤波器的分数延时方法，其特征在于，所述误差函数具体表示为：

10.如权利要求7所述的一种基于fir滤波器的分数延时方法，其特征在于，所述迭代更新滤波器系数具体表示为：

技术总结本发明公开了一种基于FIR滤波器的分数延时方法，涉及FIR滤波分数延时领域，本发明使用深度学习网络的隐藏层学习信号的复杂非线性特征，并通过两个独立的线性层进行时间延迟和多普勒频移的估计，不仅提高了估计的准确性，而且通过优化算法自动调整FIR滤波器的系数，实现了更精细的分数延时补偿；此外，本发明通过定义理想分数延时响应和使用梯度下降算法最小化误差函数，进一步提高了滤波器设计的性能。技术研发人员：张萌,蒲超,宁国勇,张紫琦受保护的技术使用者：航天科工通信技术研究院有限责任公司技术研发日：技术公布日：2024/10/10