信号过滤方法和系统的制作方法
【专利摘要】本发明涉及一种信号过滤方法和系统，其中方法包括以下步骤：根据干扰源产生的第一干扰信号构造第一干扰信号的输出向量，将所述输出向量输入到自适应神经模糊推理系统；设置所述自适应神经模糊推理系统各个神经元节点的第一模糊规则，计算所述输出向量在各个神经元节点的隶属度，根据所述隶属度计算所述第一模糊规则的激励强度；根据所述激励强度设置神经元节点的数量，设置神经元节点的第二模糊规则，根据所述输出向量与所述第二模糊规则确定第二干扰信号，根据所述第二干扰信号对信号源产生的有用信号进行过滤；其中，所述第二干扰信号是第一干扰信号经传输到达有用信号的信号源处时的干扰信号。
【专利说明】
信号过滤方法和系统
技术领域
[0001] 本发明涉及信号处理技术领域，特别是涉及一种信号过滤方法和系统。
【背景技术】
[0002] 信号在传输过程中，由于种种原因，会产生干扰信号。干扰信号会对有用信号产生 一定影响，严重时，甚至使信号无法解调。因此，在接收到信号之后，往往需要对接收信号进 行过滤，去除干扰，得到有用信号。但是，在某些场景下，往往难以彻底将干扰滤除。
[0003] 以心电信号为例，心电信号(Electrocardiograph，ECG)包含大量的生理甚至疾病 信息，是临床诊断心血管疾病的重要工具。病人监护仪及多体征采集设备实际采集到的心 电信号较弱，易被多种干扰成分污染，如工频干扰，肌电(E1 ectromy〇graphy，EMG)干扰和漂 移干扰等。其中，工频干扰相对固定，较易去除，但是容易带来ST段抬高等问题，影响最终的 判断；而肌电干扰则因人而异，且成分复杂，难以去除。通常干扰信号的幅值较高，而且两者 的频域混叠。因此，寻找鲁棒性能好，分离效率高的滤波方法对提取纯净的心电信号意义重 大。
[0004] 肌电干扰的成分复杂，主要来自人体肌肉群的运动，尤其是手臂、腿和胸腔的肌肉 运动产生的干扰，如挥手、咀嚼、移动、颤动和肌肉紧张等动作。肌肉运动的部位不同，对心 电信号的影响也不同。目前对心电信号中肌电干扰的研究方法包括数字滤波法，盲源分离 法(独立变量分析、典型相关分析），自适应滤波法，自适应神经模糊系统法。
[0005] 由于ECG的频段为0~50Hz，EMG的频段为1~2000Hz，ECG和EMG的频谱交叉混叠，难 以用常规的数字滤波方法将EMG干扰滤除干净。肌电干扰去除方法滤波的同时某些有效心 电信号也会被去除；且需要人工干预来识别干扰成分，因而具有一定的主观性而且非常耗 时。盲源分离法很难将肌电干扰去除干净，若是去除过多的肌电分量，则会导致有用心电信 号丢失。自适应滤波方法需要相应的参考导联，因而也存在交叉干扰问题。自适应模糊推 理系统(Adaptive Neuro-Fuzzy Inference System，ANFIS)的滤波效果还有待提高。
[0006] 综上所述，通过上述以心电信号为例所做的分析，可以发现现有的信号过滤技术 存在交叉干扰问题，干扰滤除的效果较差。
【发明内容】
[0007] 基于此，有必要针对现有技术干扰滤除的效果较差的问题，提供一种信号过滤方 法和系统。
[0008] -种信号过滤方法，包括以下步骤：
[0009] 根据干扰源产生的第一干扰信号构造第一干扰信号的输出向量，将所述输出向量 输入到自适应神经模糊推理系统；
[0010]设置所述自适应神经模糊推理系统各个神经元节点的第一模糊规则，计算所述输 出向量在各个神经元节点的隶属度，根据所述隶属度计算所述第一模糊规则的激励强度； [0011]根据所述激励强度设置神经元节点的数量，设置神经元节点的第二模糊规则，根 据所述输出向量与所述第二模糊规则确定第二干扰信号，根据所述第二干扰信号对信号源 产生的有用信号进行过滤;其中，所述第二干扰信号是第一干扰信号经传输到达有用信号 的信号源处时的干扰信号。
[0012] 一种信号过滤系统，包括：
[0013] 输入模块，用于根据干扰源产生的第一干扰信号构造第一干扰信号的输出向量， 将所述输出向量输入到自适应神经模糊推理系统；
[0014] 计算模块，用于设置所述自适应神经模糊推理系统各个神经元节点的第一模糊规 贝1J，计算所述输出向量在各个神经元节点的隶属度，根据所述隶属度计算所述第一模糊规 则的激励强度；
[0015] 过滤模块，用于根据所述激励强度设置神经元节点的数量，设置神经元节点的第 二模糊规则，根据所述输出向量与所述第二模糊规则确定第二干扰信号，根据所述第二干 扰信号对信号源产生的有用信号进行过滤;其中，所述第二干扰信号是第一干扰信号经传 输到达有用信号的信号源处时的干扰信号。
[0016] 上述信号过滤方法和系统，通过将干扰信号的输出向量输入到自适应神经模糊推 理系统，设置所述自适应神经模糊推理系统各个神经元节点的第一模糊规则，计算所述第 一模糊规则的激励强度，根据所述激励强度设置神经元节点的数量，设置神经元节点的第 二模糊规则，根据所述输出向量与所述第二模糊规则确定第二干扰信号，并根据所述第二 干扰信号对信号源产生的有用信号进行过滤，能够有效获取干扰信号，从而能够从混有干 扰信号的有用信号中提取较为纯净的有用信号。
【附图说明】
[0017] 图1为本发明的信号过滤方法流程图；
[0018] 图2为正常心电信号示意图；
[0019] 图3为混有肌电信号的心电信号示意图；
[0020] 图4为自适应模糊推理系统的结构示意图；
[0021] 图5为本发明的信号过滤系统的结构示意图。
【具体实施方式】
[0022] 下面结合附图对本发明的信号过滤方法的实施例进行描述。
[0023] 图1为本发明的信号过滤方法流程图。如图1所示，所述信号过滤方法可包括以下 步骤：
[0024] S1，根据干扰源产生的第一干扰信号构造第一干扰信号的输出向量，将所述输出 向量输入到自适应神经模糊推理系统；
[0025] 下面以心电信号和肌电信号为例进行说明。当需要从混有肌电信号的心电信号中 提取纯净的心电信号时，所述第一干扰信号为肌电信号；相应地，心电信号为有用信号。在 实际情况下，第一干扰信号和有用信号也可以是其他信号。具体的信号类型将不会影响本 申请技术方案的实施。
[0026]正常心电信号其最主要特点为，有窄而高的QRS波，QRS波以外的数据基本处于一 个相对稳定的区域，如图2所示。混有肌电干扰的心电信号其特点波形粗糙，不光滑，导致 QRS中蕴含的有用信息难以提取，如图3所示。
[0027]自适应模糊推理系统(ANFIS)原理框图如图4所示。其中，s(k)为不含有任何干扰 或干扰的理想ECG信号；q(k)为主输入源，是混入了EMG等干扰的ECG信号，即电极直接采集 得到的ECG信号;f为非线性动态函数，反映了人体从肌电干扰产生到心电电极的路径;n(k) 为噪声参考输入源，即第一干扰信号;d(k)为EMG干扰信号，即第一干扰信号经传输到达有 用信号的信号源处时的第二干扰信号;抽)为d(k)的估计值，通过⑷操作，得到理想 ECG信号s (k)的估计值
[0028] 可对干扰源产生的第一干扰信号进行若干次延迟，以每次延迟得到的干扰信号为 元素，构造第一干扰信号的输出向量。例如，可将所述第一干扰信号经过抽头延迟线D，进行 r-l次延迟，得至Ijr维的输出向量X(k) = [xi(k)，X2(k)，…，xr(k)]T。
[0029] S2，设置所述自适应神经模糊推理系统各个神经元节点的第一模糊规则，计算所 述输出向量在各个神经元节点的隶属度，根据所述隶属度计算所述第一模糊规则的激励强 度；
[0030] 输出向量父(1〇 =[幻(1002(10，~，心(10]7进入滤波器的第1层，该层的每个节点 都相当于一个一维隶属度函数，可选取高斯函数作为隶属度函数，具体如下：
⑴
[0031]
[0032] 其中，所述滤波器可以是自适应滤波器、切比雪夫滤波器等。根据上述隶属度函数 可得每个神经元节点的隶属度为：
? 1 )
[0033] ν ^ 7
[0034] 式中，Of1为所述输出向量在第j个神经元节点的隶属度，μ^(Χ1)为所述输出向量 中第1个元素 XI在第j个神经元节点的隶属度函数，r为所述输出向量的维度，j = l，2,...，η 为隶属度函数的编号，其中，η为隶属度函数的个数，Clj为所述输出向量中第1个元素在第j 个神经元节点的隶属度函数的中心，A为第j个神经元节点的隶属度函数的宽度。在实际情 况下，也可选取其他函数作为隶属度函数，比如三角函数，切比雪夫函数等。经过实际测试， 采用高斯函数作为隶属度函数能够获得比其他函数更好的滤波效果，临床数据上表现最 好。
[0035] 可作为第2层的输入，可根据所述隶属度可计算每条模糊规则的激励强度，当 隶属度函数为高斯函数时，所述激励强度可为：
(3)
[0036]
[0037] 式中，Of为第j条模糊规则的激励强度，叫(X1)为所述输出向量中第1个元素 χΛ 第j个神经元节点的隶属度函数，r为所述输出向量的维度，η为隶属度函数的个数，Clj为所 述输出向量中第1个元素在第j个神经元节点的隶属度函数的中心，A为第j个神经元节点 的隶属度函数的宽度。在实际情况下，还可采用其他隶属度函数，例如，切比雪夫函数等。
[0038] S3,根据所述激励强度设置神经元节点的数量，设置神经元节点的第二模糊规则， 根据所述输出向量与所述第二模糊规则确定第二干扰信号，根据所述第二干扰信号对信号 源产生的有用信号进行过滤;其中，所述第二干扰信号是第一干扰信号经传输到达有用信 号的信号源处时的干扰信号。
[0039] 在现有技术中，一般将〇丨2)作为第3层的输入，通过如下公式计算每一条规则的比 例系数，其输出为第j条规则的激励强度与所有规则的激励强度之和的比值：
(4)
[0040]
[0041] 式中，为第j条模糊规则的激励强度，Cf >和￡?f分别为第i条模糊规则和第j条 模糊规则，η为模糊规则的数量。
[0042] 最后，在第4层，通过如下公式对所有规则的输出求和，计算总输出y:
[0043]
(5.)
[0044] 为了提高信号过滤性能，本步骤通过自适应滤波在线学习算法的设计，实现实时 快速准确地自适应滤波，用于自适应调节步骤2所示的自适应神经网络的神经元个数，实现 滤波器结构的在线调整和算法的在线学习。
[0045] 具体地，可以将各个模糊规则的激励强度与预设的第一阈值进行比较，若所有模 糊规则的激励强度均未超过所述第一阈值，在所述自适应神经模糊推理系统中构建新的 神经元节点。在构建新的神经元节点后，可利用最小二乘估计(Least Squares Estimate， LSE)调整模糊规则后件参数(即公式3所述的(?和(^)。由于新增了神经元，更需要精准的参 数估计法来调整参数，LSE算法提高了参数估计的精确度。还可自适应地删除神经元节点， 例如，可根据ERR(Error Reduction Ratio,误差衰减率)准则自适应地删除神经元节点，具 体地，可以计算每个神经元的误差下降速率和权重，将所述误差下降速率与预设的第二阈 值进行比较，将所述权重与预设的第三阈值进行比较，将误差下降速率超过所述第二阈值， 或者权重超过所述第三阈值的神经元删除。在删除神经元节点后，可利用递推最小二乘 (Recursive Least Squares，RLS)调整模糊规则后件参数（即公式3所述的cij和〇j) JLS无 需储存所有数据，算法计算量小，实时性高。在其他实施例中，还可根据其他方式调整模糊 规则后件参数，例如，可采用最速梯度下降算法。
[0046] 其中，所述第一阈值可根据如下公式设置：
[0047] Fgen = min[Fmin5_1,Fmin] (6)
[0048] 式中，Fgen为所述第一阈值，F_为预设的激励强度阈值，δε (〇，1)为衰减常数，i表 示当前神经元的个数。
[0049] 具体地，可计算所述第二干扰信号与所述有用信号的相关系数，根据所述相关系 数校验信号过滤的程度系数;其中，所述程度系数用于表征信号过滤的程度。该相关系数体 现了滤波前后ECG信号与肌电的相关性程度，从而可定量分析肌电干扰滤波程度。在一个实 施例中，可根据如下公式计算所述第二干扰信号与滤波前的有用信号或滤波后的有用信号 的相关系数： (7)
[0050]
[0051] 式中，pxy为所述相关系数，η为样本数，Xn(t)为所述第二干扰信号，yn(t)为滤除第 二干扰信号前的有用信号或滤除第二干扰后的有用信号。
[0052]为了验证本发明所设计自适应滤波算法的性能，将滤波前后肌电干扰和ECG信号 的相关性做了比较，结果如下表：
[0053] 表1 ECG信号和EMG干扰的相关性
[0054]
[0055]
[0056] 经上述滤波器滤波得到的较为的纯净心电信号，一方面可在包含心电模块的多体 征设备、监护仪设备上显示出来，作为个人或者医生检测、诊断的基础;另一方面，为接下来 的心率计算、心律失常分析提供准确可靠的数据基础。
[0057]跟现有的方法相比，本发明具有以下优点：
[0058] (1)在线自适应调整滤波器网络结构，能够实时快速响应变化，并针对变化做出相 应的应对。
[0059] (2)相对于固定网络结构和参数的滤波器，能够针对每一时刻的信息做出相应的 滤波，能够最大程度地保留有效信息，滤除干扰，保证了滤波后数据的可靠性和准确性。
[0060] (3)在线学习算法更适用于实际需要，更能够满足工程应用的要求。
[0061] (4)提供了对信号过滤效果定量的评价标准。
[0062] 上述心电信号与肌电信号只是本发明的一个实施例，本发明的信号过滤方法并不 限于上述将心电信号从肌电信号中过滤出来的实施例，特此说明。
[0063] 下面结合附图对本发明的信号过滤系统的实施例进行描述。
[0064] 图5为本发明的信号过滤系统的结构示意图。如图5所示，所述信号过滤系统可包 括：
[0065] 输入模块10,用于根据干扰源产生的第一干扰信号构造第一干扰信号的输出向 量，将所述输出向量输入到自适应神经模糊推理系统；
[0066] 下面以心电信号和肌电信号为例进行说明。当需要从混有肌电信号的心电信号中 提取纯净的心电信号时，所述第一干扰信号为肌电信号；相应地，心电信号为有用信号。在 实际情况下，第一干扰信号和有用信号也可以是其他信号。具体的信号类型将不会影响本 申请技术方案的实施。
[0067]正常心电信号如图2所示，其最主要特点为，有窄而高的QRS波，QRS波以外的数据 基本处于一个相对稳定的区域。混有肌电干扰的心电信号如图3所示，其特点波形粗糙，不 光滑，导致QRS中蕴含的有用信息难以提取。
[0068]自适应模糊推理系统(ANFIS)原理框图如图4所示。其中，s(k)为不含有任何干扰 或干扰的理想ECG信号；q(k)为主输入源，是混入了EMG等干扰的ECG信号，即电极直接采集 得到的ECG信号;f为非线性动态函数，反映了人体从肌电干扰产生到心电电极的路径;n(k) 为噪声参考输入源，即第一干扰信号;d(k)为EMG干扰信号，即第一干扰信号经传输到达有 用信号的信号源处时的第二干扰信号;義幻为d(k)的估计值，通过g(kW(幻操作，得到理想 ECG信号s(k)的估计值v(/:)。
[0069] 可对干扰源产生的第一干扰信号进行若干次延迟，以每次延迟得到的干扰信号为 元素，构造第一干扰信号的输出向量。例如，可将所述第一干扰信号经过抽头延迟线D，进行 r-l次延迟，得至Ijr维的输出向量X(k) = [xi(k)，X2(k)，…，xr(k)]T。
[0070] 计算模块20,用于设置所述自适应神经模糊推理系统各个神经元节点的第一模糊 规则，计算所述输出向量在各个神经元节点的隶属度，根据所述隶属度计算所述第一模糊 规则的激励强度；
[0071] 输出向量父(1〇 = [^(1002(10，一，&(10]7进入滤波器的第1层，该层的每个节点 都相当于一个一维隶属度函数，可选取高斯函数作为隶属度函数，具体如下：
「1 ⑴
[0072]
[0073] 其中，所述滤波器可以是自适应滤波器等。根据上述隶属度函数可得每个神经元 节点的隶属度为：
(2 )
[0074] 1=1
[0075] 式中，〇广为所述输出向量在第j个神经元节点的隶属度，叫（X1)为所述输出向量 中第1个元素 XI在第j个神经元节点的隶属度函数，r为所述输出向量的维度，j = l，2,...，n 为隶属度函数的编号，其中，η为隶属度函数的个数，Clj为所述输出向量中第1个元素在第j 个神经元节点的隶属度函数的中心，A为第j个神经元节点的隶属度函数的宽度。在实际情 况下，也可选取其他函数作为隶属度函数，比如三角函数，切比雪夫函数等。经过实际测试， 采用高斯函数作为隶属度函数能够获得比其他函数更好的滤波效果，临床数据上表现最 好。
[0076] ef可作为第2层的输入，可根据所述隶属度可计算每条模糊规则的激励强度，当 隶属度函数为高斯函数时，所述激励强度可为：
π )
[0077]
[0078] 式中，f为第j条模糊规则的激励强度，叫(X1)为所述输出向量中第1个元素 χΛ 第j个神经元节点的隶属度函数，r为所述输出向量的维度，η为隶属度函数的个数，Clj为所 述输出向量中第1个元素在第j个神经元节点的隶属度函数的中心，A为第j个神经元节点 的隶属度函数的宽度。在实际情况下，可采用其他隶属度函数，例如，切比雪夫函数等，采用 何种隶属度函数并不会影响本申请后续步骤的实施。
[0079] 过滤模块30,用于根据所述激励强度设置神经元节点的数量，设置神经元节点的 第二模糊规则，根据所述输出向量与所述第二模糊规则确定第二干扰信号，根据所述第二 干扰信号对信号源产生的有用信号进行过滤;其中，所述第二干扰信号是第一干扰信号经 传输到达有用信号的信号源处时的干扰信号。
[0080] 在现有技术中，一般将〇)2)作为第3层的输入，通过如下公式计算每一条规则的比 例系数，其输出为第j条规则的激励强度与所有规则的激励强度之和的比值：
(4)
[0081]
[0082] 式中，为第j条模糊规则的激励强度，和Cf分别为第i条模糊规则和第j条 模糊规则，η为模糊规则的数量。
[0083] 最后，在第4层，通过如下公式对所有规则的输出求和，计算总输出y:
[0084]
( 5 )
[0085] 为了提高信号过滤性能，过滤模块30通过自适应滤波在线学习算法的设计，实现 实时快速准确地自适应滤波。在线学习算法流程图如图5所示，用于自适应调节计算模块20 所示的自适应神经网络的神经元个数，实现滤波器结构的在线调整和算法的在线学习。
[0086] 具体地，可以将各个模糊规则的激励强度与预设的第一阈值进行比较，若所有模 糊规则的激励强度均未超过所述第一阈值，在所述自适应神经模糊推理系统中构建新的 神经元节点。在构建新的神经元节点后，可利用最小二乘估计(Least Squares Estimate， LSE)调整模糊规则后件参数（即公式3所述的(^和^)。还可自适应地删除神经元节点，例 如，可根据ERR准则自适应地删除神经元节点，具体地，可以计算每个神经元的误差下降速 率和权重，将所述误差下降速率与预设的第二阈值进行比较，将所述权重与预设的第三阈 值进行比较，将误差下降速率超过所述第二阈值，或者权重超过所述第三阈值的神经元删 除。在删除神经元节点后，可利用递推最小二乘(Recursive Least Squares，RLS)调整模糊 规则后件参数(即公式3所述的(?和^)。在其他实施例中，还可根据其他方式调整模糊规则 后件参数，例如，可采用最速梯度下降算法。
[0087] 其中，所述第一阈值可根据如下公式设置：
[0088] Fgen = min[Fmin5_1,Fmin] (6)
[0089] 式中，Fgen为所述第一阈值，Fmin为预设的激励强度阈值，δε(〇，1)为衰减常数，i表 示当前神经元的个数。
[0090] 具体地，可计算所述第二干扰信号与所述有用信号的相关系数，根据所述相关系 数校验信号过滤的程度系数;其中，所述程度系数用于表征信号过滤的程度。该相关系数体 现了滤波前后ECG信号与肌电的相关性程度，从而可定量分析肌电干扰滤波程度。在一个实 施例中，可根据如下公式计算所述第二干扰信号与所述有用信号的相关系数：
(7)
[0091]
[0092] 式中，pxy为所述相关系数，η为样本数，Xn(t)为所述第二干扰信号，yn(t)为滤除第 二干扰信号前的有用信号或滤除第二干扰后的有用信号。
[0093]为了验证本发明所设计自适应滤波算法的性能，将滤波前后肌电干扰和ECG信号 的相关性做了比较，结果如下表：
[0094] 表1 ECG信号和EMG干扰的相关性
[0095]
[0096] 经上述滤波器滤波得到的较为的纯净心电信号，一方面可在包含心电模块的多 体征设备、监护仪设备上显示出来，作为个人或者医生检测、诊断的基础;另一方面，为接下 来的心率计算、心律失常分析提供准确可靠的数据基础。
[0097] 跟现有的方法相比，本发明具有以下优点：
[0098] (1)在线自适应调整滤波器网络结构，能够实时快速响应变化，并针对变化做出相 应的应对。
[0099] (2)相对于固定网络结构和参数的滤波器，能够针对每一时刻的信息做出相应的 滤波，能够最大程度地保留有效信息，滤除干扰，保证了滤波后数据的可靠性和准确性。 [0100] (3)在线学习算法更适用于实际需要，更能够满足工程应用的要求。
[0101] (4)提供了对信号过滤效果定量的评价标准。
[0102]上述心电信号与肌电信号只是本发明的一个实施例，本发明的信号过滤系统并不 限于上述将心电信号从肌电信号中过滤出来的实施例，特此说明。
[0103] 本发明的信号过滤系统与本发明的信号过滤方法一一对应，在上述信号过滤方法 的实施例阐述的技术特征及其有益效果均适用于信号过滤系统的实施例中，特此声明。
[0104] 以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实 施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存 在矛盾，都应当认为是本说明书记载的范围。
[0105] 以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并 不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来 说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护 范围。因此，本发明专利的保护范围应以所附权利要求为准。
【主权项】
1. 一种信号过滤方法，其特征在于，包括以下步骤： 根据干扰源产生的第一干扰信号构造第一干扰信号的输出向量，将所述输出向量输入 到自适应神经模糊推理系统； 设置所述自适应神经模糊推理系统各个神经元节点的第一模糊规则，计算所述输出向 量在各个神经元节点的隶属度，根据所述隶属度计算所述第一模糊规则的激励强度； 根据所述激励强度设置神经元节点的数量，设置神经元节点的第二模糊规则，根据所 述输出向量与所述第二模糊规则确定第二干扰信号，根据所述第二干扰信号对信号源产生 的有用信号进行过滤;其中，所述第二干扰信号是第一干扰信号经传输到达有用信号的信 号源处时的干扰信号。2. 根据权利要求1所述的信号过滤方法，其特征在于，根据干扰源产生的第一干扰信号 构造第一干扰信号的输出向量的步骤包括： 对干扰源产生的第一干扰信号进行若干次延迟； 以每次延迟得到的干扰信号为元素，构造第一干扰信号的输出向量。3. 根据权利要求1所述的信号过滤方法，其特征在于，计算所述输出向量在自适应神经 模糊推理系统第一层的每个神经元节点的隶属度的步骤包括： 根据如下公式计算所述隶属度：式中，为所述输出向量在第j个神经元节点的隶属度，μυ(χι)为所述输出向量中第1 个元素 Xi在第j个神经元节点的隶属度函数，1 = 1，2,...，r为所述输出向量的维度，j = l， 2,...，n为隶属度函数的个数，Clj为所述输出向量中第1个元素在第j个神经元节点的隶属 度函数的中心，(^为第j个神经元节点的隶属度函数的宽度。4. 根据权利要求3所述的信号过滤方法，其特征在于，所述激励强度为：式中，Of为第j条模糊规则的激励强度，μυ(χι)为所述输出向量中第1个元素 Xi在第j个 神经元节点的隶属度函数，r为所述输出向量的维度，η为隶属度函数的个数，(?为所述输出 向量中第1个元素在第j个神经元节点的隶属度函数的中心，^为第j个神经元节点的隶属 度函数的宽度。5. 根据权利要求1所述的信号过滤方法，其特征在于，根据所述激励强度调整所述自适 应神经模糊推理系统的神经元节点的数量的步骤包括： 将各个模糊规则的激励强度与预设的第一阈值进行比较； 若所有模糊规则的激励强度均未超过所述第一阈值，在所述自适应神经模糊推理系统 中构建新的神经元节点。6. 根据权利要求5所述的信号过滤方法，其特征在于，在将各个模糊规则的激励强度与 预设的第一阈值进行比较之前，还包括以下步骤： 根据如下公式设置第一阈值： Fgen = min[Fmin5_1,Fmin]； 式中，Fge3n为所述第一阈值，F_为预设的激励强度阈值，δε (〇，1)为衰减常数，i表示当 前神经元的个数。7. 根据权利要求1所述的信号过滤方法，其特征在于，根据所述激励强度调整所述自适 应神经模糊推理系统的神经元节点的数量的步骤还包括： 计算每个神经元的误差下降速率和权重； 将所述误差下降速率与预设的第二阈值进行比较，将所述权重与预设的第三阈值进行 比较； 将误差下降速率超过所述第二阈值，或者权重超过所述第三阈值的神经元删除。8. 根据权利要求1所述的信号过滤方法，其特征在于，还包括以下步骤： 计算所述第二干扰信号与所述有用信号的相关系数； 根据所述相关系数校验信号过滤的程度系数;其中，所述程度系数用于表征信号过滤 的程度。9. 根据权利要求8所述的信号过滤方法，其特征在于，计算所述第二干扰信号与所述有 用信号的相关系数的步骤包括： 根据如下公式计算所述第二干扰信号与所述有用信号的相关系数：式中，Pxy为所述相关系数，η为样本数，Xn(t)为所述第二干扰信号，yn(t)为滤除第二干 扰信号前的有用信号或滤除第二干扰后的有用信号。10. -种信号过滤系统，其特征在于，包括： 输入模块，用于根据干扰源产生的第一干扰信号构造第一干扰信号的输出向量，将所 述输出向量输入到自适应神经模糊推理系统； 计算模块，用于设置所述自适应神经模糊推理系统各个神经元节点的第一模糊规则， 计算所述输出向量在各个神经元节点的隶属度，根据所述隶属度计算所述第一模糊规则的 激励强度； 过滤模块，用于根据所述激励强度设置神经元节点的数量，设置神经元节点的第二模 糊规则，根据所述输出向量与所述第二模糊规则确定第二干扰信号，根据所述第二干扰信 号对信号源产生的有用信号进行过滤;其中，所述第二干扰信号是第一干扰信号经传输到 达有用信号的信号源处时的干扰信号。
【文档编号】H04L25/03GK105933256SQ201610251597
【公开日】2016年9月7日
【申请日】2016年4月20日
【发明人】胡静, 郑晓波, 赵巍
【申请人】广州视源电子科技股份有限公司