一种基于小波神经网络的多功能自适应滤波器及滤波方法
【专利摘要】本发明公开了一种基于小波神经网络的多功能自适应滤波器及滤波方法，包括输入层，所述输入层中包括用于输入原始信号的原始输入单元及用于输入参考信号的参考输入单元，隐含层，所述隐含层中，同步采样单元对输入的原始信号进行采样后传输至减法器，同步采样单元对输入的参考信号进行采样后传输至算法处理单元，输出层，在所述输出层中，减法器的输出做出陷波输出；加法器的输出作为窄带的输出，本发明公开的一种基于小波神经网络(WNN)的多功能自适应滤波器，既可以作陷波滤波器去除某一或某些确定频率的信号，也可以作窄带滤波器让特定频率的信号通过。
【专利说明】
-种基于小波神经网络的多功能自适应滤波器及滤波方法
技术领域
[0001] 本发明设及一种滤波器，具体设及一种基于小波神经网络的多功能自适应滤波器 及滤波方法。
【背景技术】
[0002] 自适应滤波器和陷波器是电子电路中常用的设备，主要用于谐波抑制、鉴波等，自 适应滤波器:一般情况下，不改变自适应滤波器的结构。而自适应滤波器的系数是由自适应 算法更新的时变系数。即其系数自动连续地适应于给定信号，W获得期望响应。自适应滤波 器的最重要的特征就在于它能够在未知环境中有效工作，并能够跟踪输入信号的时变特 征。
[0003] 陷波器是一种谐振电路，或者说是一种自动开关的感应器，在天线工程上应用它 可W根据信号的频率，自动延长或缩短天线的长度。无线电接收机中专口用于消除某些无 用信号W减小对有用信号的干扰的滤波器。
[0004] 常规的自适应滤波器或陷波器存在功能单一，自适应能力不强的技术问题。
【发明内容】
[0005] 为解决现有技术存在的不足，本发明公开了一种基于小波神经网络的多功能自适 应滤波器及滤波方法，本发明既可W作陷波滤波器去除某一或某些确定频率的信号，也可 W作窄带滤波器让特定频率的信号通过。
[0006] 为实现上述目的，本发明的具体方案如下：
[0007] -种基于小波神经网络的多功能自适应滤波器，包括输入层，所述输入层中包括 用于输入原始信号的原始输入单元及用于输入参考信号的参考输入单元，
[000引隐含层，所述隐含层中，将参考输入单元输出的信号分两路，一路直接传输至同步 采样单元，另一路通过延时单元延时后传输至同步采样单元，原始输入单元的输出传输至 同步采样单元，同步采样单元对输入的原始信号进行采样后传输至减法器，同步采样单元 对输入的参考信号进行采样后传输至算法处理单元，算法处理单元与减法器相连，
[0009] 算法处理单元根据减法器的输出及输入的参考信号的采样确定神经元采样的权 值，算法处理单元输出的神经元采样的权值传输至加法器进行运算，
[0010] 输出层，在所述输出层中，减法器的输出做出陷波输出；加法器的输出作为窄带的 输出。
[0011] 进一步的，所述基于小波神经网络的多功能自适应滤波器还包括参数设置单元， 用于设定参考输入为原始信号需要滤除或者通过的特定频率，输出为需要滤除或者通过的 特定频率的谐波分量;初始化网络参数，包括网络权值、小波函数的平移因子和伸缩因子及 修正步长因子。
[0012] 进一步的，算法处理单元中采用LMS算法(最小均方算法)计算WN饰值的修正：
[0013] wi,k+i=wik+化 Ekxik
[0014] w2,k+i=W2k+aiekX2k
[001引式中wik为第i个神经元在第k次采样的权值;μ为神经元学习率;ε功原始输入信号 与窄带输出的误差，即陷波输出。
[0016] 进一步的，同步采样单元对输入的参考信号进行采样后传输至算法处理单元，其 中，采样参考输入信号由下式给出：
[0017] X化= Ccos化ω〇+φ )
[001 引 xa< = Csin化ω0+φ )
[0019]式中，C为参考频率为ω证弦信号的幅值，k为系数^为相位。
[0020] 进一步的，误差输出ε(ζ)与输入d(z)的传递函数H(z) = e(z)/d(z)为：
[0021]
[0022] 同理期望输出y(z)与输入d(z)的传递函数K(z)=y(z)/d(z)为：
[0023]
[0024] 从上式可知，该滤波器作为参考频率ω 0处的带通滤波器。
[0025] 进一步的，算法处理单元中采用变步长学习率修正算法，即采用与小波神经网络 训练次数Ν相关的变步长学习率：
[0026]
[0027] 式中，Nma为设置的网络最大训练次数；第No次训练的取值范围为20 % Nmax <Ν〇 < 40%Nmax；
[0028] 算法在开始时学习率取第一设定值，该第一设定值较小，W提高滤波效果，直至第 No次训练;此后，学习率取第二设定值，该第二设定值较大，W加快收敛速度。
[0029] -种基于小波神经网络的多功能自适应滤波器的工作方法，包括W下步骤：
[0030] 数据的输入:在输入层中输入原始信号及输入参考信号；
[0031 ]数据的处理，在隐含层中，将输入参考信号分两路，一路直接进行采样，另一路通 过延时后进行处理，输入原始信号同样需要进行采样处理，采样后的原始信号传输至减法 器，采样后的参考信号传输至算法处理单元；
[0032] 算法处理单元根据减法器的输出及输入的参考信号的采样确定神经元采样的权 值，算法处理单元输出的神经元采样的权值传输至加法器进行运算；
[0033] 数据的输出，在输出层中，减法器的输出做出陷波输出；加法器的输出作为窄带的 输出。
[0034] 进一步的，输入参考信号为频率50化的正余弦信号，运个参考信号为原始信号需 要滤除或者通过的特定频率。
[0035] 本发明的有益效果：
[0036] 本发明公开的一种基于小波神经网络(WNN)的多功能自适应滤波器，既可W作陷 波滤波器去除某一或某些确定频率的信号，也可W作窄带滤波器让特定频率的信号通过。
【附图说明】
[0037] 图1 ΑΓ^Ν谐波估测器；
[0038] 图2 ΑΓ^Ν陷波滤波频率特性；
[0039] 图3 ΑΓ^Ν带通滤波频率特性。
【具体实施方式】：
[0040] 下面结合附图对本发明进行详细说明：
[0041] 多功能自适应滤波器系统结构如图1所示，包括输入层，所述输入层中包括用于输 入原始信号的原始输入单元及用于输入参考信号的参考输入单元，
[0042] 隐含层，所述隐含层中，将参考输入单元输出的信号分两路，一路直接传输至同步 采样单元，另一路通过延时单元延时后传输至同步采样单元，原始输入单元的输出传输至 同步采样单元，同步采样单元对输入的原始信号进行采样后传输至减法器，同步采样单元 对输入的参考信号进行采样后传输至算法处理单元，算法处理单元与减法器相连，
[0043] 算法处理单元根据减法器的输出及输入的参考信号的采样确定神经元采样的权 值，算法处理单元输出的神经元采样的权值传输至加法器进行运算，
[0044] 输出层，在所述输出层中，减法器的输出做出陷波输出；加法器的输出作为窄带的 输出。
[0045] 基于小波神经网络的多功能自适应滤波器构建方法如下：
[0046] (1)确定自适应滤波器功能要求；
[0047] (2)确定小波神经网络的输入层，隐含层，输出层结构；
[0048] (3)设定参考输入为原始信号需要滤除或者通过的特定频率，输出为需要滤除或 者通过的特定频率的谐波分量。
[0049] (4)初始化网络参数，包括网络权值、小波函数的平移因子和伸缩因子、修正步长 因子等；
[0050] (5)计算输入层，隐含层，输出层的值；
[0051] (6)利用最小二乘法，计算输出层输出值与目标值之间的误差；
[0052] (7)利用梯度下降法修正网络权值和小波因子，利用变步长算法修正学习步长；
[0053] (8)当网络最大训练次数大于设定的最大次数或者误差小于设定的最小误差时， 训练
[0化4] 终止。
[0055]根据图1，设参考输入为频率50化的正余弦信号，运个参考输入为原始信号需要滤 除或者通过的特定频率。
[0化6] WNN权值的修正采用由下式给出的LMS算法：
[0057] wi,k+i=wik+2yekx 化
[005引 W2,k+i=W2k+2yekX2k
[0059] 式中W化为第i个神经元在第k次采样的权值;μ为神经元学习率;Ek为原始输入信号 与窄带输出的误差，即陷波输出;采样参考输入信号由下式给出：
[0060] X化= Ccos化ω〇+φ )
[0061] X化= Csin化 ω〇+φ )
[0062] 式中C为参考频率为ω 0正弦信号的幅值。
[0063] 则误差输出ε(ζ)与输入d(z)的传递函数H(z) = e(z)/d(z)为：
[0064]
[0065] 同理期望输出y(z)与输入d(z)的传递函数K(z)=y(z)/d(z)为：
[0066]
[0067] 从上式可知，该滤波器可W作为参考频率ω〇处的带通滤波器。
[0068] 由图2及图3可W看出学习率μ越小，陷波或者带通的效果越好，但收敛速度越慢。 本文提出了一种简单有效的变步长学习率修正算法，兼顾滤波效果和收敛速度。
[0069] 即采用与小波神经网络训练次数Ν相关的变步长学习率：
[0070]
[0071] 式中，Nma为设置的网络最大训练次数；第No次训练的取值范围为20%Nmax<N〇< 40%Nmax〇
[0072] 算法在开始时学习率取较小值，W提高滤波效果，直至第No次训练;此后，学习率 取较大值，W加快收敛速度。
[0073] 上述虽然结合附图对本发明的【具体实施方式】进行了描述，但并非对本发明保护范 围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不 需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围W内。
【主权项】
1. 一种基于小波神经网络的多功能自适应滤波器，其特征是，包括输入层，所述输入层 中包括用于输入原始信号的原始输入单元及用于输入参考信号的参考输入单元， 隐含层，所述隐含层中，将参考输入单元输出的信号分两路，一路直接传输至同步采样 单元，另一路通过延时单元延时后传输至同步采样单元，原始输入单元的输出传输至同步 采样单元，同步采样单元对输入的原始信号进行采样后传输至减法器，同步采样单元对输 入的参考信号进行采样后传输至算法处理单元，算法处理单元与减法器相连， 算法处理单元根据减法器的输出及输入的参考信号的采样确定神经元采样的权值，算 法处理单元输出的神经元采样的权值传输至加法器进行运算， 输出层，在所述输出层中，减法器的输出做出陷波输出；加法器的输出作为窄带的输 出。2. 如权利要求1所述的一种基于小波神经网络的多功能自适应滤波器，其特征是，所述 基于小波神经网络的多功能自适应滤波器还包括参数设置单元，用于设定参考输入为原始 信号需要滤除或者通过的特定频率，输出为需要滤除或者通过的特定频率的谐波分量;初 始化网络参数，包括网络权值、小波函数的平移因子和伸缩因子及修正步长因子。3. 如权利要求1所述的一种基于小波神经网络的多功能自适应滤波器，其特征是，算法 处理单元中采用LMS算法(最小均方算法)计算WNN权值的修正： W1, k+Ι - Wlk+2y^kXlk W2, k+1 - W2k+2y^kX2k 式中Wik为第i个神经元在第k次采样的权值;μ为神经元学习率;ek为原始输入信号与窄 带输出的误差，即陷波输出。4. 如权利要求1所述的一种基于小波神经网络的多功能自适应滤波器，其特征是，同步 采样单元对输入的参考信号进行采样后传输至算法处理单元，其中，采样参考输入信号由 下式给出： xik=Ccos(kω〇+ φ ) X2k=Csin(k ω 〇+ φ ) 式中，C为参考频率为ω 〇正弦信号的幅值，k为系数妒为相位。5. 如权利要求1所述的一种基于小波神经网络的多功能自适应滤波器，其特征是，误差 输出ε (z)与输入d( z)的传递函数H( z) = e(z)/d(z)为：同理期望输出y(z)与输入d(z)的传递函数K(z)=y(z)/d(z)S:从上式可知，该滤波器作为参考频率ω 〇处的带通滤波器。6. 如权利要求1所述的一种基于小波神经网络的多功能自适应滤波器，其特征是，算法 处理单元中采用变步长学习率修正算法，即采用与小波神经网络训练次数Ν相关的变步长 学习率：式中，Nmax*设置的网络最大训练次数;第No次训练的取值范围为20 % Nmax < No < 40 % Nmax 〇7. 如权利要求6所述的一种基于小波神经网络的多功能自适应滤波器，其特征是，算法 在开始时学习率取第一设定值，该第一设定值较小，以提高滤波效果，直至第No次训练;此 后，学习率取第二设定值，该第二设定值较大，以加快收敛速度。8. -种基于小波神经网络的多功能自适应滤波器的工作方法，其特征是，包括以下步 骤： 数据的输入:在输入层中输入原始信号及输入参考信号； 数据的处理，在隐含层中，将输入参考信号分两路，一路直接进行采样，另一路通过延 时后进行处理，输入原始信号同样需要进行采样处理，采样后的原始信号传输至减法器，采 样后的参考信号传输至算法处理单元； 算法处理单元根据减法器的输出及输入的参考信号的采样确定神经元采样的权值，算 法处理单元输出的神经元采样的权值传输至加法器进行运算； 数据的输出，在输出层中，减法器的输出做出陷波输出；加法器的输出作为窄带的输 出。9. 如权利要求8所述的一种基于小波神经网络的多功能自适应滤波器的工作方法，其 特征是，输入参考信号为频率50Hz的正余弦信号，这个参考信号为原始信号需要滤除或者 通过的特定频率。
【文档编号】H03H21/00GK106059532SQ201610387375
【公开日】2016年10月26日
【申请日】2016年6月2日
【发明人】冯维华, 李伟明, 姚博文, 李萌, 邵新国, 杨保, 徐保友, 杨卫国, 李新玲
【申请人】国网山东省电力公司济宁供电公司, 国家电网公司