基于核极限学习机的x射线脉冲星光子信号辨识方法
【技术领域】
[0001] 本发明属于导航信号处理技术领域，具体涉及一种脉冲星光子信号辨识方法，可 用于脉冲星导航系统。
【背景技术】
[0002] 脉冲星具有良好的周期稳定性，向外的辐射信号抗干扰能力强，其包含了各个波 段的信号，这些特点使得X射线脉冲星导航的实现成为了可能，同时为天文导航提供了广 阔的发展前景。X射线脉冲星导航系统具有可靠性高、自主性强、适用范围广的特点，能够为 航天器提供姿态、位置、时间、速度等信息，也可以为GPS、北斗等卫星导航系统提供统一的 时空基准。
[0003] 利用接收到的X射线脉冲星光子到达时间进行脉冲星信号辨识是进行脉冲星导 航系统的前提，因此建立一种快速有效的辨识算法，对脉冲星导航系统的研究有巨大的推 动意义。常用的信号辨识方法是提取累积脉冲轮廓的高阶谱，然后得到特征向量，进行相关 匹配。双谱是一种常用的高阶累积量谱，国内外学者研究了很多利用双谱分析进行脉冲星 信号辨识的方法，这些方法在脉冲星信号辨识方面都取得了比较好的效果，但是随机信号 的高阶谱运算需要很高的计算复杂度，不能快速的对脉冲星信号进行辨识，这使得导航系 统的实时性受到很大的影响，在实际应用中有很大的局限性。
【发明内容】
[0004] 本发明的目的在于针对上述已有技术的不足，提出一种基于极限学习机的X射线 脉冲星光子信号辨识方法，以极大的降低计算复杂度，提高系统辨识速度，实现对脉冲星导 航定位系统的光子信号辨识。
[0005] 本发明的思路是：直接从接收到的脉冲星光子信号入手，对脉冲星信号进行辨识， 根据脉冲星光子信号概率分布函数构建训练样本数据和测试样本数据，通过对训练样本进 行训练得到极限学习机的分类器输出函数，将测试样本数据代入极限学习机的分类器输出 函数得到测试样本的类别标签，完成对脉冲星信号的辨识。其技术方案包括如下步骤：
[0006] (1)从EPN网站选取11颗脉冲星轮廓数据，提取每个脉冲星的时间信息和幅度信 息作为轮廓信息，用matlab自带拟合工具对脉冲星轮廓信息进行高斯拟合，得到不同时间 段内脉冲星光子信号的概率分布函数P (k)，k表不脉冲星光子数目变化量；
[0007] (2)根据脉冲星光子信号的概率分布函数P(k)构建N个训练样本和N个测 试样本，其中，Xi= [X xi2, . . .，xin]Te Rn表示极限学习机的输入向量，X,,, =_
Tb表示时间间隔，λ (t)表示总流量密度，ti表示输入向量Xi对应的样本 标签；
[0008] (3)将N个训练样本数据带入极限学习机进行训练，得到极限学习机分类器的输 出函数f (X);
[0009] (4)将测试样本数据的输入向量代入输出函数f(x)，求得测试样本数据的类别标 签label (X)，完成对脉冲星光子信号辨识。
[0010] 本发明由于直接从接受到的脉冲星光子信号入手，对脉冲星信号进行辨识，因而 与现有的技术相比不仅避免了大量的高阶谱计算，而且在取得相似辨识准确率的同时，极 大地降低了计算复杂度，提高了系统辨识速度。
【附图说明】
[0011] 图1是本发明的实现流程图；
[0012] 图2是用本发明对1100块无噪声样本的分类实验结果图；
[0013] 图3是用本发明对1100块有噪声样本的分类实验结果图。
【具体实施方式】
[0014] 参照图1，本发明的基于极限学习机的X射线脉冲星信号辨识方法，包括如下步 骤：
[0015] 步骤1 :建立X射线脉冲星光子信号概率分布函数。
[0016] la)从EPN网站选取11颗脉冲星轮廓数据，在matlab中分别提取每个脉冲星的时 间信息和幅度信息作为轮廓信息；
[0017] Ib)用matlab自带拟合工具对轮廓信息进行高斯拟合，得到每个脉冲星信号轮廓 的高斯拟合系·
，其中Φ。表示初始相位，fs(t)表示X射线脉冲星 频率，fd(t)表示多普勒频移；
[0018] Ic)计算有效噪声流量密度：Ab=b· η ·Α，其中，b表示背景密度，η表示探测 器速率，A表示集中区域；
[0019] Id)计算有效X射线脉冲星光子流量密度：As=s· η ·Α，其中，s表示X射线脉 冲星信号的光流强度；
[0020] Ie)将lb)-Id)的结果代入如下公式，得到脉冲星光子信号的总流量密度λ⑴：
[0021]
[0022] If)根据总流量密度λ⑴，得到X射线脉冲星光子信号基于非齐次泊松过程的概 率分布函数：
[0023]
〇.
[0024] 步骤2根据脉冲星光子信号概率分布函数构建极限学习机训练样本和测试样本。
[0025] 2a)根据脉冲星光子信号的概率分布函数P(k)构建N个极限学习机的训练 样本{Ulti，.其中，Xi= [X ii，xi2,...，xin]Te Rn表示训练样本的输入向量，·％ = CN 105136138 A ~P 3/4 页
,表示时间间隔，λ (t)表示总流量密度，1^表示训练样本输入向量x ;对 应的样本标签；
[0026] 2b)根据脉冲星光子信号的概率分布函数P(k)构建N个极限学习机的测 试样本，其中，X a= [X al，xa2,...，xaJTe Rn表示测试样本的输入向量，
，ta表示测试样本输入向量Xa对应的样本标签。
[0027] 步骤3 :将训练样本代入到极限学习机得到极限学习机的分类器输出函数。
[0028] 3a)随机生成极限学习机输入权值Wj和偏置b」，j e {1，2…L}，将训练样本的输 入向量Xi，i e {1，2,…N}代入如下公式，得到极限学习机的隐藏层输出矩阵H:
[0029]
[0030] 3b)根据多输出ELM分类器的最优化约束原则和KKT约束条件，得到极限学习机的 隐藏节点和输出节点的权值向量β :
[0031]
[0032] 其中，Ht表示H的转置，C表示常量系数，T表示样本标签t ;组成的矩阵；
[0033] 3c)将权值向量β代入如下公式，得到极限学习机分类器的输出函数：
[0034]
[0035] 其中，h(x) = [gW · x+bD · x+bL)]，X 表示输入向量。
[0036] 步骤4 :将测试数据代入极限学习机