CN118367884B - 一种低噪声放大变频器设备的精细控制方法 - Google Patents

Abstract

本发明涉及设备控制技术领域，提出了一种低噪声放大变频器设备的精细控制方法，包括：对待变频信号进行信号重构，得到重构信号；对重构信号进行时频重排，得到时频图，对时频图进行数据压缩及双线性插值，得到目标时频图；对目标时频图进行多层次的深度卷积，得到多个卷积特征图，对卷积特征图进行特征剪枝，得到剪枝特征图；根据剪枝特征图提取目标信号，根据低噪声放大变频器设备计算目标信号的参数指标；根据参数指标计算低噪声放大变频器设备的最优参数，利用最优参数对低噪声放大变频器设备进行参数控制。本发明可以提高低噪声放大变频器设备的控制精度。

Description

一种低噪声放大变频器设备的精细控制方法

技术领域

本发明涉及设备控制技术领域，尤其涉及一种低噪声放大变频器设备的精细控制方法。

背景技术

噪声是一种杂乱的无用信号，它会干扰和掩盖有效信号，降低系统的信噪比和灵敏度，低噪声放大变频器是一种特定的电子设备，结合了低噪声放大器（Low NoiseAmplifier, LNA）和变频器的功能，可以将信号的幅度放大并转化成不同的频率，同时保持噪声水平尽可能低，在一些对信号质量要求较高的应用领域中，如无线通信、雷达、无线电频谱分析等领域被广泛使用。

但现有的低噪声放大变频器设备控制方法主要是通过反馈控制，反馈控制是一种常用的控制方法，通过将放大器的输出与期望的输出进行比较，将误差信号反馈到控制回路中进行调整，通过反馈控制可以根据实时的误差信息来调整放大器的参数，以使输出更接近期望值，但反馈控制的性能高度依赖于控制器的灵敏度和稳定补偿，会出现过度补偿或不足补偿的问题，导致对噪声放大变频器设备的控制准确度较差，因此，如何更精细地对低噪声放大变频器进行控制成为亟待解决的问题。

发明内容

本发明提供一种低噪声放大变频器设备的精细控制方法，其主要目的在于解决低噪声放大变频器设备的控制精度较差的问题。

为实现上述目的，本发明提供的一种低噪声放大变频器设备的精细控制方法，包括：

获取低噪声放大变频器设备的待变频信号，对所述待变频信号进行信号重构，得到重构信号；

对所述重构信号进行时频重排，得到所述待变频信号的时频图，对所述时频图中的时频数据进行数据压缩及双线性插值，得到目标时频图；

对所述目标时频图进行多层次的深度卷积，得到多个卷积特征图，对所述卷积特征图进行特征剪枝，得到剪枝特征图；

根据所述剪枝特征图提取所述待变频信号中的目标信号，根据低噪声放大变频器设备计算所述目标信号的参数指标；

根据所述参数指标计算所述低噪声放大变频器设备的最优参数，利用所述最优参数对所述低噪声放大变频器设备进行参数控制。

可选地，所述对所述待变频信号进行信号重构，得到重构信号，包括：

对所述待变频信号进行变分模态分解，得到多个模态分解分量；

分别计算每个所述模态分解分量与所述待变频信号之间的相似距离，根据所述相似距离从所述多个模态分解分量中选取目标模态分解分量；

利用所述目标模态分解分量进行信号重构，得到重构信号。

可选地，所述分别计算每个所述模态分解分量与所述待变频信号之间的相似距离，包括：

对每个所述模态分解分量及所述待变频信号进行最大似然估计，得到所述待变频信号的概率密度；

根据所述概率密度生成采样信号点，根据所述采样信号点计算信号均值及协方差矩阵；

根据所述信号均值及所述协方差矩阵计算每个所述模态分解分量与所述待变频信号之间的相似距离；

利用如下公式计算每个所述模态分解分量与所述待变频信号之间的相似距离： 其中，表示第个模态分解分量与待变频信号之间的相似距离，表示待变频信号的信号均值，表示第个模态分解分量的信号均值，表示转置，表示协方差矩阵的逆矩阵，表示采样信号点的总数，表示待变频信号中的第个采样信号点，表示第个模态分解分量中的第个采样信号点。

可选地，所述对所述重构信号进行时频重排，得到所述待变频信号的时频图，包括：

对所述重构信号进行短时傅里叶变换，得到所述待变频信号的时频域分布；

计算所述时频域分布中每个时频点的能量密度梯度，根据所述能量密度梯度计算所述时频点的重心位置；

利用如下公式计算所述时频域分布中每个时频点的能量密度梯度：其中，表示时频点的能量密度梯度，表示时频点的能量密度， 表示时频点的能量密度，表示重构信号在时间域上对信号进行采样的间隔， 表示时频点的能量密度，表示时频点的能量密度，表示频率域上对重构信号进行分析的间隔；

根据所述重心位置所述时频点进行位置重排，得到所述待变频信号的时频图。

可选地，所述对所述时频图中的时频数据进行数据压缩及双线性插值，得到目标时频图，包括：

利用预设的测量矩阵对所述时频图中的时频数据进行压缩，得到压缩时频图；

获取预设的目标时频图的图片尺寸，根据所述图片尺寸计算所述时频图中的时频数据的插值坐标；

对所述时频数据进行双向插值计算，得到每个所述插值数据对应的插值时频数据；

根据所述插值坐标及所述插值时频数据生成目标时频图。

可选地，所述对所述目标时频图进行多层次的深度卷积，得到多个卷积特征图，包括：

利用预构建的卷积层分别对所述目标时频图进行通道卷积，得到通道卷积特征；

对所述通道卷积特征进行元素加权求和，得到每个卷积层的卷积特征图；

汇集所述卷积特征图，得到多个卷积特征图。

可选地，所述对所述卷积特征图进行特征剪枝，得到剪枝特征图，包括：

分别将所述卷积特征图进行特征映射，得到一维特征向量；

根据所述一维特征向量构建卷积特征矩阵，及构建每个卷积特征图的参数矩阵；

根据所述卷积特征矩阵及所述参数矩阵计算每个所述卷积特征图的剪枝权重；

利用如下公式计算每个所述卷积特征图的剪枝权重：其中，表示第个卷积特征图的表示哈达玛积，剪枝权重，表示卷积特征矩阵，表示第个卷积特征图的参数矩阵，表示哈达玛积，表示核范数；

根据所述剪枝权重对所述卷积特征图进行剪枝，得到剪枝特征图。

可选地，所述根据所述剪枝特征图提取所述待变频信号中的目标信号，包括：

对所述剪枝特征图进行通道重排，得到重排特征图，对所述重排特征图进行特征融合，得到目标特征图；

对所述目标特征图进行最大池化及特征压缩，得到一维目标向量；

对所述一维目标向量进行全连接及激活计算，得到所述待变频信号中的目标信号。

可选地，所述根据低噪声放大变频器设备计算所述目标信号的参数指标，包括：

获取预设的参数组合集，采集所述低噪声放大变频器在所述参数组合集中每个参数组合下目标信号的输出噪声功率及输出信号电平；

根据所述输出噪声功率及所述参数组合计算所述参数组合的噪声系数及信号增益；

利用如下公式计算所述参数组合的噪声系数及信号增益：其中，表示噪声系数，表示输出噪声功率，表示参数组合中的玻尔兹曼常数，表示参数组合中的绝对温度，表示参数组合中的带宽，表示信号增益，参数组合下的输出信号电平，表示目标信号的信号电平；

汇集所述噪声系数及所述信号增益，得到所述参数组合的参数指标。

可选地，所述根据所述参数指标计算所述低噪声放大变频器设备的最优参数，包括：

根据所述参数指标拟合噪声系数函数及信号增益函数，根据所述噪声系数函数及所述信号增益函数构建目标函数；

初始化粒子总群，利用所述目标函数计算所述粒子总群中每个粒子的目标函数值；

计算所述目标函数值的平均函数值，根据所述平均函数值计算所述粒子的更新参数；

利用如下公式计算所述粒子的更新参数，包括： 其中，表示第个粒子的更新参数中的惯性权重，表示预设的最小值，表示预设的最大值，表示大于平均函数值的粒子群的平均函数值，表示第个粒子的目标函数值，表示小于平均函数值的粒子群的平均函数值，表示更新参数中的第一学习因子，表示更新参数中的第二学习因子，表示当前迭代次数，表示预设的迭代次数阈值；

根据所述更新参数对所述粒子总群进行迭代，直至迭代的次数达到预设的次数阈值，得到更新粒子总群；

计算所述更新粒子总群中每个粒子的更新目标函数值，根据所述更新目标函数值确定所述低噪声放大变频器设备的最优参数。

本发明实施例通过对待变频信号进行信号重构，可以去除干扰信号以及噪声信号得到信息更准确的重构信号；对重构信号进行时频重排，得到时频图，对时频图进行数据压缩及双线性插值，得到目标时频图，可以减小数据量的同时保留特征信息，同时目标时频图可以直接进行后续多层次的深度卷积，提高计算效率；通过多层次的深度卷积，得到多个卷积特征图，对卷积特征图进行特征剪枝，可以卷积特征图中的冗余特征数据，提高目标信号提取的准确度；根据特征剪枝后的剪枝特征图提取目标信号，可以精确地对待变频信号中的信号来源进行分类，得到需要进行放大变频的目标信号；计算目标信号的参数指标，计算最优参数指标对应的最优参数，可以实现对低噪声放大变频器设备的精细控制。因此本发明提出的低噪声放大变频器设备的精细控制方法，可以解决低噪声放大变频器设备的控制精度较差的问题。

附图说明

图1为本发明一实施例提供的低噪声放大变频器设备的精细控制方法的流程示意图；

图2为本发明一实施例提供的对重构信号进行时频重排的流程示意图；

图3为本发明一实施例提供的对卷积特征图进行特征剪枝的流程示意图；

图4为本发明一实施例提供的一种低噪声放大变频器设备的精细控制装置的功能模块图；

图5为本发明一实施例提供的实现低噪声放大变频器设备的精细控制方法的电子设备的结构示意图。

本发明目的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本申请实施例提供一种低噪声放大变频器设备的精细控制方法。所述低噪声放大变频器设备的精细控制方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述低噪声放大变频器设备的精细控制方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(ContentDelivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。

参照图1所示，为本发明一实施例提供的低噪声放大变频器设备的精细控制方法的流程示意图。在本实施例中，所述低噪声放大变频器设备的精细控制方法包括：

S1、获取低噪声放大变频器设备的待变频信号，对所述待变频信号进行信号重构，得到重构信号。

本发明实施例中，低噪声放大变频器是是一种结合了低噪声放大器（Low NoiseAmplifier, LNA）和变频器的功能的设备，可以在低噪声的效果下实现信号的幅度放大并将信号转化成不同的频率，待变频信号是低噪声放大变频器的接收到的信号，但待变频信号中可能会存在来源不明的干扰信号以及噪声信号，因此，需要对待变频信号进行小波重构，得到信息更准确的重构信号。

本发明实施例中，所述对所述待变频信号进行信号重构，得到重构信号，包括：

对所述待变频信号进行变分模态分解，得到多个模态分解分量；

分别计算每个所述模态分解分量与所述待变频信号之间的相似距离，根据所述相似距离从所述多个模态分解分量中选取目标模态分解分量；

利用所述目标模态分解分量进行信号重构，得到重构信号。

本发明实施例中，变分模态分解（Variational Mode Decomposition，简称VMD）是一种自适应处理信号的分解方法，可以将待变频信号分解成具有不同中心频率和频率调制特性的正弦波形式的模态函数，即多个模态分解分量，其中，变分模态分解可以将分解过程转移到一个约束变分模型中，具体来说，ＶＭＤ 的利用非迭代筛选结构搜索约束变分模型的最优解，得到预设数量的模态分解分量。

本发明实施例中，相似距离是用于每个模态分解分量与待变频信号之间的信号相似性，从而选取与待变频信号最相近的模态分解分量进行信号重构，可以提高信号重构的准确度。

本发明实施例中，所述分别计算每个所述模态分解分量与所述待变频信号之间的相似距离，包括：

对每个所述模态分解分量及所述待变频信号进行最大似然估计，得到所述待变频信号的概率密度；

根据所述概率密度生成采样信号点，根据所述采样信号点计算信号均值及协方差矩阵；

根据所述信号均值及所述协方差矩阵计算每个所述模态分解分量与所述待变频信号之间的相似距离。

本发明实施例中，由于不清楚模态分解分量每个信号值在不同幅度上的分布情况，因此，需要通过计算概率密度来估计均值和协方差矩阵，具体地，利用最大似然估计信号值在这个分布下出现的概率（似然）最大从而可以估计信号的概率密度函数（PDF）的参数，得到每个模态分解分量及待变频信号的概率密度。

其中，可以通过从概率密度中随机抽样来生成样本点，利用样本点来估计信号均值，从而可以根据信号均值计算信号均值和协方差矩阵。

具体地，利用如下公式计算每个所述模态分解分量与所述待变频信号之间的相似距离： 其中，表示第个模态分解分量与待变频信号之间的相似距离，表示待变频信号的信号均值，表示第个模态分解分量的信号均值，表示转置，表示协方差矩阵的逆矩阵，表示采样信号点的总数，表示待变频信号中的第个采样信号点，表示第个模态分解分量中的第个采样信号点。

本发明实施例中，可以选取相似距离最大的预设数量的模态分解分量进行信号重构，从而可以保证进行小波重构的目标模态分解分量与待变频信号更相似，提高小波重构的准确度，更有效地去除待变频信号中的噪声，得到更精确的重构信号。具体地，可以通过简单的加法运算将目标模态分解分量重构得到重构信号，或者可以根据每个目标模态分解分量所包含的频率范围进行加权平均，得到重构信号。

S2、对所述重构信号进行时频重排，得到所述待变频信号的时频图，对所述时频图中的时频数据进行数据压缩及双线性插值，得到目标时频图。

本发明实施例中，时频重排是将重构信号的时频表示中的每个分量重新定位到其能量的重心位置，从而提高时频能量的聚集性并减小交叉项的影响，可以在时频域上更为准确地描述重构信号的特征。

本发明实施例中，参阅图2所示，所述对所述重构信号进行时频重排，得到所述待变频信号的时频图，包括：

S21、对所述重构信号进行短时傅里叶变换，得到所述待变频信号的时频域分布；

S22、计算所述时频域分布中每个时频点的能量密度梯度，根据所述能量密度梯度计算所述时频点的重心位置；

S23、根据所述重心位置所述时频点进行位置重排，得到所述待变频信号的时频图。

本发明实施例中，通过短时傅里叶变换将待变频信号从时间域转换到时频域，得到待变频信号的时频域分布，通过时频域分布的模的平方，确定每个时频点的能量密度，进一步地可以计算能量密度梯度。

其中，能量密度梯度是一个向量场，指示了能量密度在时频平面上变化最快的方向，根据能量密度梯度，可以确定每个时频点的瞬时频率，从而可以根据梯度对时频点中的能量进行重排，得到更符合物理逻辑的时频图。

具体地，利用如下公式计算所述时频域分布中每个时频点的能量密度梯度：其中，表示时频点的能量密度梯度，表示时频点的能量密度， 表示时频点的能量密度，表示重构信号在时间域上对信号进行采样的间隔， 表示时频点的能量密度，表示时频点的能量密度，表示频率域上对重构信号进行分析的间隔。

本发明实施例中，通过能量密度梯度可以计算在横坐标以及纵坐标处的梯度，进而可以利用能量密度梯度乘以预设的小于1的偏移因子，得到每个时频点在横坐标以及纵坐标处的偏移量，将时频点的位置与偏移量对应相加，得到时频点的重心位置，将时频点移动到重心位置的坐标处，得到待变频信号的时频图。

本发明实施例中，数据压缩是将时频图线性投影到比原始信号维度小得多的空间上，实现对时频图中数据的压缩，减小后续计算的数据量，双线性插值是时频图进行了缩放，使得时频图满足深度卷积的卷积尺寸，同时可以尽量保留原时频图中的特征信息。

具体地，所述对所述时频图中的时频数据进行数据压缩及双线性插值，得到目标时频图，包括：

利用预设的测量矩阵对所述时频图中的时频数据进行压缩，得到压缩时频图；

获取预设的目标时频图的图片尺寸，根据所述图片尺寸计算所述时频图中的时频数据的插值坐标；

对所述时频数据进行双向插值计算，得到每个所述插值数据对应的插值时频数据；

根据所述插值坐标及所述插值时频数据生成目标时频图。

本发明实施例中，测量矩阵可以是随机高斯测量矩阵、随机伯努利测量矩阵、部分哈达玛测量矩阵和部分正交测量矩阵等，例如，高度不相关的 m×q 维随机高斯测量矩阵，将时频图与测量矩阵相乘，可确保数据压缩的同时，尽量保留时频图中所含的特征信息。

进一步地，根据目标时频图的图片尺寸与时频图图片尺寸之间的比例确定位置缩放比例，将位置缩放比例与时频数据的原坐标相乘，得到目标时频图中每个时频数据的插值坐标，双线性插值是在时频数据的横坐标及纵坐标2个方向分别进行一次线性插值，得到插值时频数据，通过每个时频数据对应的插值坐标以及插值时频数据作为目标时频图的数据点，得到目标时频图。

本发明实施例中，通过数据压缩及双线性插值，可以减小数据量的同时保留特征信息，同时目标时频图可以直接进行后续多层次的深度卷积，提高计算效率的同时提高深度卷积的计算准确度。

S3、对所述目标时频图进行多层次的深度卷积，得到多个卷积特征图，对所述卷积特征图进行特征剪枝，得到剪枝特征图。

本发明实施例中，深度卷积是对目标时频图进行多层次的深度可分离卷积，例如，可以是两个5*5的卷积核、三个3*3的卷积核以及三个5*5的卷积核的多层卷积层组成，同时在每个卷积核后添加平均池化层，得到每个卷积尺度的卷积特征图。

具体地，可以通过预构建的卷积神经网络(CNN)进行多层次的卷积，利用GAP层替换大部分全连接层，但在模型训练过程中，为了保证卷积神经网络的学习能力，会增加卷积层的层数和每层的输出通道数，导致每个卷积层需要较大的运算量，而深度卷积是将卷积拆分为逐通道卷积和逐点卷积，其中，通道卷积是将卷积核的每一个通道与输入中的每一个通道分别进行卷积运算，完成平面方向的特征提取，逐点卷积是将通道卷积各通道的输出结果加权求和，完成深度方向的特征组合，得到最终的多个卷积尺度的卷积特征度，因此，通过深度卷积可以降低卷积的运算量，提高计算的效率。

本发明实施例中，所述对所述目标时频图进行多层次的深度卷积，得到多个卷积特征图，包括：

利用预构建的卷积层分别对所述目标时频图进行通道卷积，得到通道卷积特征；

对所述通道卷积特征进行元素加权求和，得到每个卷积层的卷积特征图；

汇集所述卷积特征图，得到多个卷积特征图。

本发明实施例中，卷积特征图是每个卷积层的卷积特征图，卷积通道是包含了输入数据在特定滤波器或卷积核下的特征。例如，对于彩色图像，每个颜色通道（红、绿、蓝）可以对应一个特征图的通道，通过每个卷积层次的卷积核分别与每个色彩通道进行卷积，得到通道卷积特征，再利用每个通道预设的特征权重对通道卷积特征图中的元素进行加权求和，得到每个卷积层的卷积特征图。

进一步地，由于进行多层卷积的过程中会导致数据的冗余，同时卷积神经网络中每个卷积层具有不同的卷积重要性，可以通过特征剪枝去除多个卷积特征图中不重要的卷积特征图，避免数据冗余，提高目标信号识别的准确度。

本发明实施例中，参阅图3所示，所述对所述卷积特征图进行特征剪枝，得到剪枝特征图，包括：

S31、分别将所述卷积特征图进行特征映射，得到一维特征向量；

S32、根据所述一维特征向量构建卷积特征矩阵，及构建每个卷积特征图的参数矩阵；

S33、根据所述卷积特征矩阵及所述参数矩阵计算每个所述卷积特征图的剪枝权重；

S34、根据所述剪枝权重对所述卷积特征图进行剪枝，得到剪枝特征图。

进一步地，特征映射是分别将卷积特征图中的特征值平铺，得到一维向量，再将每个一维向量作为卷积特征矩阵的一行，得到卷积特征矩阵，具体地，可以用0将一维特征向量的长度进行补齐，使得卷积特征矩阵中的每一行长度一致；参数矩阵是在卷积特征图为第i个卷积特征图时，第i行元素全为0，其余行元素全为1的矩阵，其中，参数矩阵与卷积特征矩阵的矩阵行数、矩阵列数相同。

具体地，利用如下公式计算每个所述卷积特征图的剪枝权重：其中，表示第个卷积特征图的表示哈达玛积，剪枝权重，表示卷积特征矩阵，表示第个卷积特征图的参数矩阵，表示哈达玛积，表示核范数。

本发明实施例中，通过选取剪枝权重最大的预设数量的卷积特征图作为剪枝特征图，可以去除卷积特征图中的冗余特征数据，进一步地提高目标信号提取的准确度。

S4、根据所述剪枝特征图提取所述待变频信号中的目标信号，根据低噪声放大变频器设备计算所述目标信号的参数指标。

本发明实施例中，目标信号是低噪声放大器中需要进行信号放大以及信号变频的信号，但待变频信号中可能包括多种来源的干扰信号，例如，无关电子设备的信号，外界噪声信号等，因此，需要精确地对待变频信号中的信号来源进行分类，得到需要进行放大变频的目标信号。

本发明实施例中，所述根据所述剪枝特征图提取所述待变频信号中的目标信号，包括：

对所述剪枝特征图进行通道重排，得到重排特征图，对所述重排特征图进行特征融合，得到目标特征图；

对所述目标特征图进行最大池化及特征压缩，得到一维目标向量；

对所述一维目标向量进行全连接及激活计算，得到所述待变频信号中的目标信号。

本发明实施例中，由于剪枝特征图是由卷积层进行通道卷积得到的，因此，剪枝特征图中各通道之间没有交互，会产生类似于近亲繁殖现象而使目标信号提取地精度下降，因此，通过通道重排可以使得不同剪枝特征图的通道卷积特征互相交换信息，从而增强目标特征图中特征的表达能力，提高目标信号提取地准确度。

其中，通道重排是随机地重新排列每个剪枝特征图的通道顺序，可以通过生成一个随机的索引数组来重排通道；或根据某种固定的模式或算法重新排列通道，例如，可以按照特定的顺序（如蛇形扫描）来重排通道。

本发明实施例中，参数指标是反映低噪声放大变频器设备性能的指标，例如，输出信号的噪声系数、信号增益、频率范围、输入/输出阻抗匹配以及低噪声放大变频器的温度稳定性等，本发明实施例可以利用噪声系数以及信号增益计算目标信号的指标。

具体地，通过计算低噪声放大变频器在不同参数组合下的输出信号与目标信号之间的噪声系数以及信号增益来衡量低噪声放大变频器设备性能，得到不同参数组合下的参数指标。

本发明实施例中，所述根据低噪声放大变频器设备计算所述目标信号的参数指标，包括：

获取预设的参数组合集，采集所述低噪声放大变频器在所述参数组合集中每个参数组合下目标信号的输出噪声功率及输出信号电平；

根据所述输出噪声功率及所述参数组合计算所述参数组合的噪声系数及信号增益；

汇集所述噪声系数及所述信号增益，得到所述参数组合的参数指标。

本发明实施例中，参数组合集中的参数组合可以包括玻尔兹曼常数、绝对温度、低噪声放大变频器的带宽等，通过将低噪声放大变频器设置不同的参数组合，得到参数组合下的输出信号，再利用频谱分析仪测量目标信号、输出信号的信号电平以及输出噪声功率，进而可以计算噪声系数及信号增益。

具体地，利用如下公式计算所述参数组合的噪声系数及信号增益：其中，表示噪声系数，表示输出噪声功率，表示参数组合中的玻尔兹曼常数，表示参数组合中的绝对温度，表示参数组合中的带宽，表示信号增益，参数组合下的输出信号电平，表示目标信号的信号电平。

本发明实施例中，通过多个参数组合下的参数指标可以表征在不同参数下低噪声信号变频器的性能，从而更好地计算数最优参数，实现对低噪声放大变频器设备的精细控制。

S5、根据所述参数指标计算所述低噪声放大变频器设备的最优参数，利用所述最优参数对所述低噪声放大变频器设备进行参数控制。

本发明实施例中，噪声系数是衡量低噪声放大变频器设备引入的额外噪声相对于理想情况下的热噪声的指标，噪声系数越低，表示低噪声放大变频器设备引入的额外噪声越少，则低噪声放大变频器设备的整体信噪比越高。信号增益表示低噪声放大变频器设备放大信号的能力，信号增益越高，表示放大器能够将输入信号放大到更强的电平，对于信号传输和接收系统来说，高增益有助于信号覆盖更远的距离或穿透更多的障碍物，因此，最优参数是对噪声系数以及信号增益的均衡，即在最小的噪声系数下更大的信号增益，从而更精确地对目标信号进行放大及变频。

本发明实施例中，所述根据所述参数指标计算所述低噪声放大变频器设备的最优参数，包括：

根据所述参数指标拟合噪声系数函数及信号增益函数，根据所述噪声系数函数及所述信号增益函数构建目标函数；

初始化粒子总群，利用所述目标函数计算所述粒子总群中每个粒子的目标函数值；

计算所述目标函数值的平均函数值，根据所述平均函数值计算所述粒子的更新参数；

根据所述更新参数对所述粒子总群进行迭代，直至迭代的次数达到预设的次数阈值，得到更新粒子总群；

计算所述更新粒子总群中每个粒子的更新目标函数值，根据所述更新目标函数值确定所述低噪声放大变频器设备的最优参数。

本发明实施例中，通过多个参数组合下的噪声系数以及信号增益分别拟合噪声系数函数及信号增益函数，再对噪声系数函数及信号增益函数进行加权求和，得到一个目标函数，其中，由于噪声系数越低，低噪声放大变频器的性能越优，则噪声系数函数的权重负数，得到目标函数。

具体地，粒子总群是粒子群优化算法（Particle Swarm Optimization, PSO）中的粒子总群，其中，每个粒子是表示一个参数组合，通过计算每个粒子的目标函数值，可以得到对应参数组合下的目标函数值，其中，更新参数表示粒子在迭代时的惯性权重及学习因子，粒子群优化算法中粒子的惯性权重和学习因子的选择会直接影响粒子移动的速度以及移动程度，进而影响到粒子在搜索空间位置的变化，即影响到粒子总群的迭代，因此，可以通过目标函数值与粒子的平均函数的差值来评价各个粒子的优劣，可以使得粒子更好地与惯性权重相匹配，从而在迭代过程中保证了粒子的多样性，得到最优的粒子对应的参数组合作为最优参数。

具体地，利用如下公式计算所述粒子的更新参数，包括： 其中，表示第个粒子的更新参数中的惯性权重，表示预设的最小值，表示预设的最大值，表示大于平均函数值的粒子群的平均函数值，表示第个粒子的目标函数值，表示小于平均函数值的粒子群的平均函数值，表示更新参数中的第一学习因子，表示更新参数中的第二学习因子，表示当前迭代次数，表示预设的迭代次数阈值。

本发明实施例中，通过更新参数可以更精确地对粒子种群中的粒子位置进行更新，从而得到更新后的粒子种群，选取更新后的粒子种群中目标函数值最大的预设数量的粒子进行迭代，直至迭代的次数达到预设的次数阈值，得到最终的更新粒子种群，从而可以得到粒子种群中的最优解，即更新粒子总群中目标函数最大的粒子对应的参数组合作为低噪声放大变频器设备的最优参数。

优选地，进行粒子群优化算法时，会对每个参数进行约束，例如，温度的约束条件，输出信号电平的约束条件等，能够得到更贴合现实实际使用条件的最优参数，提高低噪声放大变频器设备的控制精度。

本发明实施例中，通过最优参数设置低噪声放大变频器设备的参数，以对低噪声放大变频器设备进行控制，可以在信号在放大及变频时得到更小的噪声系数的同时获得更大的信号增益，以实现对低噪声放大变频器设备的精细控制。

如图4所示，是本发明一实施例提供的一种低噪声放大变频器设备的精细控制装置的功能模块图。

本实施例的低噪声放大变频器设备的精细控制装置400可以安装于电子设备中。根据实现的功能，该低噪声放大变频器设备的精细控制装置400可以包括信号重构模块401、目标时频图生成模块402、特征剪枝模块403、参数指标计算模块404及参数控制模块405。本发明模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。

在本实施例中，关于各模块/单元的功能如下：信号重构模块401，用于获取低噪声放大变频器设备的待变频信号，对所述待变频信号进行信号重构，得到重构信号；目标时频图生成模块402，用于对所述重构信号进行时频重排，得到所述待变频信号的时频图，对所述时频图中的时频数据进行数据压缩及双线性插值，得到目标时频图；特征剪枝模块403，用于对所述目标时频图进行多层次的深度卷积，得到多个卷积特征图，对所述卷积特征图进行特征剪枝，得到剪枝特征图；参数指标计算模块404，用于根据所述剪枝特征图提取所述待变频信号中的目标信号，根据低噪声放大变频器设备计算所述目标信号的参数指标；参数控制模块405，用于根据所述参数指标计算所述低噪声放大变频器设备的最优参数，利用所述最优参数对所述低噪声放大变频器设备进行参数控制。

详细地，在一个实施例中该低噪声放大变频器设备的精细控制装置400中的各模块在使用时采用与附图中的一种低噪声放大变频器设备的精细控制方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。

如图5所示，是本发明一实施例提供的实现一种低噪声放大变频器设备的精细控制方法的电子设备的结构示意图。

该电子设备500可以包括处理器501、存储器502、通信总线503以及通信接口504，还可以包括存储在存储器502中并可在处理器501上运行的计算机程序，如一种低噪声放大变频器设备的精细控制程序。

其中，处理器501在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器（Central Processing Unit，CPU）、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。

存储器502至少包括一种类型的可读存储介质，可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器（例如：SD或DX存储器等）、磁性存储器、磁盘、光盘等。存储器502在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的移动硬盘。

通信总线503可以是外设部件互连标准（Peripheral Component Interconnect，简称PCI）总线或扩展工业标准结构（Extended Industry Standard Architecture，简称EISA）总线等。该总线可以分为地址总线、数据总线、控制总线等。总线被设置为实现存储器502以及至少一个处理器501等之间的连接通信。

通信接口504用于上述电子设备与其他设备之间的通信，包括网络接口和用户接口。可选地，网络接口可以包括有线接口和/或无线接口（如WI-FI接口、蓝牙接口等），通常用于在该电子设备与其他电子设备之间建立通信连接。用户接口可以是显示器（Display）、输入单元（比如键盘（Keyboard）），可选地，用户接口还可以是标准的有线接口、无线接口。

图5仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图5示出的结构并不构成对电子设备500的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。

应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。

本发明还提供一种计算机可读存储介质，可读存储介质存储有计算机程序，计算机程序在被处理器所执行时，可以实现上述任一实施例的一种低噪声放大变频器设备的精细控制方法。需要说明的是，计算机可读存储介质可以是易失性的，也可以是非易失性的。

另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。

因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。

最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (4)

1.一种低噪声放大变频器设备的精细控制方法，其特征在于，所述方法包括：

获取低噪声放大变频器设备的待变频信号，对所述待变频信号进行信号重构，得到重构信号；其中，所述对所述待变频信号进行信号重构，得到重构信号，包括：对所述待变频信号进行变分模态分解，得到多个模态分解分量；分别计算每个所述模态分解分量与所述待变频信号之间的相似距离，根据所述相似距离从所述多个模态分解分量中选取目标模态分解分量；利用所述目标模态分解分量进行信号重构，得到重构信号；所述分别计算每个所述模态分解分量与所述待变频信号之间的相似距离，包括：对每个所述模态分解分量及所述待变频信号进行最大似然估计，得到所述待变频信号的概率密度；根据所述概率密度生成采样信号点，根据所述采样信号点计算信号均值及协方差矩阵；根据所述信号均值及所述协方差矩阵计算每个所述模态分解分量与所述待变频信号之间的相似距离；

利用如下公式计算每个所述模态分解分量与所述待变频信号之间的相似距离： 其中，表示第个模态分解分量与待变频信号之间的相似距离，表示待变频信号的信号均值，表示第个模态分解分量的信号均值，表示转置，表示协方差矩阵的逆矩阵，表示采样信号点的总数，表示待变频信号中的第个采样信号点，表示第个模态分解分量中的第个采样信号点；

对所述重构信号进行时频重排，得到所述待变频信号的时频图，对所述时频图中的时频数据进行数据压缩及双线性插值，得到目标时频图；其中，所述对所述重构信号进行时频重排，得到所述待变频信号的时频图，包括：对所述重构信号进行短时傅里叶变换，得到所述待变频信号的时频域分布；计算所述时频域分布中每个时频点的能量密度梯度，根据所述能量密度梯度计算所述时频点的重心位置；

利用如下公式计算所述时频域分布中每个时频点的能量密度梯度：其中，表示时频点的能量密度梯度，表示时频点的能量密度， 表示时频点的能量密度，表示重构信号在时间域上对信号进行采样的间隔， 表示时频点的能量密度，表示时频点的能量密度，表示频率域上对重构信号进行分析的间隔；

根据所述重心位置所述时频点进行位置重排，得到所述待变频信号的时频图；

对所述目标时频图进行多层次的深度卷积，得到多个卷积特征图，对所述卷积特征图进行特征剪枝，得到剪枝特征图；

根据所述剪枝特征图提取所述待变频信号中的目标信号，根据低噪声放大变频器设备计算所述目标信号的参数指标；其中，所述根据所述剪枝特征图提取所述待变频信号中的目标信号，包括：对所述剪枝特征图进行通道重排，得到重排特征图，对所述重排特征图进行特征融合，得到目标特征图；对所述目标特征图进行最大池化及特征压缩，得到一维目标向量；对所述一维目标向量进行全连接及激活计算，得到所述待变频信号中的目标信号；所述根据低噪声放大变频器设备计算所述目标信号的参数指标，包括：

获取预设的参数组合集，采集所述低噪声放大变频器在所述参数组合集中每个参数组合下目标信号的输出噪声功率及输出信号电平；

根据所述输出噪声功率及所述参数组合计算所述参数组合的噪声系数及信号增益；

利用如下公式计算所述参数组合的噪声系数及信号增益：其中，表示噪声系数，表示输出噪声功率，表示参数组合中的玻尔兹曼常数，表示参数组合中的绝对温度，表示参数组合中的带宽，表示信号增益，参数组合下的输出信号电平，表示目标信号的信号电平；

汇集所述噪声系数及所述信号增益，得到所述参数组合的参数指标；

根据所述参数指标计算所述低噪声放大变频器设备的最优参数，利用所述最优参数对所述低噪声放大变频器设备进行参数控制；其中，所述根据所述参数指标计算所述低噪声放大变频器设备的最优参数，包括：根据所述参数指标拟合噪声系数函数及信号增益函数，根据所述噪声系数函数及所述信号增益函数构建目标函数；初始化粒子总群，利用所述目标函数计算所述粒子总群中每个粒子的目标函数值；计算所述目标函数值的平均函数值，根据所述平均函数值计算所述粒子的更新参数；

利用如下公式计算所述粒子的更新参数，包括： 其中，表示第个粒子的更新参数中的惯性权重，表示预设的最小值，表示预设的最大值，表示大于平均函数值的粒子群的平均函数值，表示第个粒子的目标函数值，表示小于平均函数值的粒子群的平均函数值，表示更新参数中的第一学习因子，表示更新参数中的第二学习因子，表示当前迭代次数，表示预设的迭代次数阈值；

根据所述更新参数对所述粒子总群进行迭代，直至迭代的次数达到预设的次数阈值，得到更新粒子总群；计算所述更新粒子总群中每个粒子的更新目标函数值，根据所述更新目标函数值确定所述低噪声放大变频器设备的最优参数。

2.如权利要求1所述的低噪声放大变频器设备的精细控制方法，其特征在于，所述对所述时频图中的时频数据进行数据压缩及双线性插值，得到目标时频图，包括：

利用预设的测量矩阵对所述时频图中的时频数据进行压缩，得到压缩时频图；

获取预设的目标时频图的图片尺寸，根据所述图片尺寸计算所述时频图中的时频数据的插值坐标；

对所述时频数据进行双向插值计算，得到每个所述时频数据对应的插值时频数据；

根据所述插值坐标及所述插值时频数据生成目标时频图。

3.如权利要求1所述的低噪声放大变频器设备的精细控制方法，其特征在于，所述对所述目标时频图进行多层次的深度卷积，得到多个卷积特征图，包括：

利用预构建的卷积层分别对所述目标时频图进行通道卷积，得到通道卷积特征；

对所述通道卷积特征进行元素加权求和，得到每个卷积层的卷积特征图；

汇集所述卷积特征图，得到多个卷积特征图。

4.如权利要求1所述的低噪声放大变频器设备的精细控制方法，其特征在于，所述对所述卷积特征图进行特征剪枝，得到剪枝特征图，包括：

分别将所述卷积特征图进行特征映射，得到一维特征向量；

根据所述一维特征向量构建卷积特征矩阵，及构建每个卷积特征图的参数矩阵；

根据所述卷积特征矩阵及所述参数矩阵计算每个所述卷积特征图的剪枝权重；

利用如下公式计算每个所述卷积特征图的剪枝权重：其中，表示第个卷积特征图的表示哈达玛积，剪枝权重，表示卷积特征矩阵，表示第个卷积特征图的参数矩阵，表示哈达玛积，表示核范数；

根据所述剪枝权重对所述卷积特征图进行剪枝，得到剪枝特征图。