智能信号处理大论文

xxxx大学硕士生课程论文

现代测控技术

测控系统中的智能信号处理

（2014—2015学年上学期）

姓名：xxx

学号： xx

所在单位： xx

专业：检测技术与自动化装置

摘要

现代测控技术是一门随着计算机技术、检测技术和控制技术的发展而发展起来的综合技术，是在传统的测控技术的基础上，将现代最新科学研究方法与成果应用与测控系统中。伴随着计算机技术的发展，智能信息处理技术在各行各业都得到了飞速的发展，智能信号处理技术涉及到信息科学的多个领域，是现代信号处理、人工神经网络、模糊系统理论、进化计算，包括人工智能等理论和方法的综合应用，近年己经成为信息科学领域的一个研究热点。

人工智能概念被提出后，这门科学迅速成为上世纪发展最快的学科之一，衍生出神经网络、蚁群算法、遗传算法等多种算法，这使得机器具有了人类所特有的一些能力，如学习能力、记忆能力等，这样的信号处理方式使得对信号的处理变得更加准确、高效。而这种将人工智能应用与信号处理的方式，也使得现代测控个系统向着更加智能化的方向发展。

关键字：测控系统、信号处理、人工智能、神经网络、遗传算法

1 概述

现代测控技术是在工业测控发展中由现代测试技术与现代控制技术形成的综合性技术，而现代工业技术水平的不断提高，也不断促进现代测控技术向着更高层面的发展。在一个稳定的闭环自动控制系统中，既包括控制单元，也包括检测单元。在实现对象的控制过程中，必须首先实现对被控对象的认识与了解，因此，需要对被控对象的特征进行测量。反之，对被控对象特征测量的目的是为了加深对其认识并进而实现控制和利用。即使最简单的开环控制系统，也需要检测被控对象的状态信息；检测系统中最基本的传感器，也会由于增加控制处理功能而成为智能传感器，所以检测与控制密不可分。

而对于检测的过程，即通过传感器获得数据后，通过处理单元对相关数据进行处理，继而应用的过程。数据处理的过程是完整的测控系统中必不可少的一部分，这一过程也决定着对于采集到数据的使用情况，它对整套系统的效率以及好坏起着关键性作用。数据的处理有多种不同的方式，它们根据数据以及系统功能的不同有着不同的处理方式，这可能是一种简单的阈值判断，也可能是一系列复

杂的运算。现代生活中，我们习惯于用量化的方式对各种事物进行评价，因此，数据的处理就显得尤为的重要。

人类已经进入“信息化社会”、“数字化社会”，大数据和物联网等技术的发展，在为人们生活带来跟多便利的同时，使信息处理开始受到大家的广泛关注。由各种新技术所催生的信息爆炸致使信息存量呈指数递增。信息处理能力的增长远远赶不上信息量的增长。此外，信息不但在量上呈爆炸趋势，而且信息结构也越来越复杂，这就使得处理越来越困难。信息数量的不断增加，但是信息的利用率越来越低，致使人们常常被埋没在数据和信息的海洋之中，不知所措。这便催生了一种更加高效的信息处理方式的诞生，通过对于计算方法的不断改良，使得在相同的硬件条件下设备可以具有更高效，更快速的数据分析能力[1]。

信号处理，就是对观测数据进行所需的变换或按预定的规则进行运算，使之更便于对它们进行分析、识别和使用。可见，信号处理包括下列几项内容：第一、根据一个给定的模型找到这一信号的表示，这种表示可以用波形的形式，也可以用参数的形式；第二、用某种高级的变换，把这一信号变换成另一种更加方便的形式变换后的形式有时从性质上来说普遍性可能会小一些，但对某一特殊应用来说却更加合适；第三、信息的提取和使用。

智能信息处理技术是研究信息的获取（收集）、表示（组织）、存储、处理、传输（包括发送、路由、接收）、利用及其数学/物理/生物学理论的一门科学技术。智能信息处理技术是集数学、物理学、电子学、通信技术、计算机科学技术、智能科学技术以及测控理论与技术于一体的交叉学科。人工智能技术是最近几年发展起来的一种高效的智能信息处理方法，由于在原理上他充分模拟人类的一些特性，使得信息处理变得更加的智能[2]。

人工智能是一门应用科学，其理论不像数学、物理那样描述自然的、客观的规律。而是在应用科学层次上提出来的理论问题。它的方法和技术，随着技术环境的发展而变化，特别是它随技术环境的发展及应用而得到发展。反过来，人工智能技术的发展也使计算机技术受益。它们是互相促进的关系新一代计算机就是一个有知识、能学习、会推理的知识处理系统。

人工智能是一种人工方法的构造，在一种或多种级别上体现人类智力的和能力的概念。所谓一种或多种级别的智力能力，包括获取知识并处理知识；运用知识旨在掌握事物之间的关系并对其进行推理}使用演绎法和归纳法旨在构成适应；使用适应旨在解决问题。

构成人工智能体系的过程通常是一个序列的处理活动。从理解问题入手，通过剖析解决问题的话动、过程，推断出技术上和理论上的问题，然后来处理这些问题。

本文首先介绍智能信号处理的发展情况，然后着重介绍了神经网络和遗传算法两种智能信号处理的方法，并对其原理进行深入的了解，通过对其应用的讨论，总结出了各种不同智能算法的优缺点。

2 智能信号处理

人类在不断的进步、社会在不断的发展，这一方面受人的好奇心驱动，人具有探索自然的规律、了解未知世界、探索自身奥秘的内动力；另一方面人具有生存和提高生活质量的需求。受这两方面原动力的驱动，人类不断的研究心得方法和技术，不断地研制各种工具、仪器和机器，来延伸、扩展和增强自身的各种能力。而人类所处的客观环境、所面对的客观世界是变化的、发展的、是浩瀚无垠的，而人类的知识虽然在不断地丰富、不断地更新，但是相对客观世界，始终是不完全的、不可靠和不确定的，但人类正使用不确定的、不完美的知识，不断地、逐步地了解客观世界的。智能信号处理技术就是在人类现有的认识基础上所产生的新的方法和理论，是人类进一步探索自然规律、了解未知世界、探索自身类妙，提高生活的工具。

智能信号处理就是将不完全、不可靠、不精确、不一致和不确定的知识和信息逐步改变为完全、可靠、精确、一致和确定的知识和信息的过程和方法，就是利用对不精确性、不确定性的容忍来达到问题的可处理性和鲁棒性。智能信号处理涉及到信息科学的多个领域，是现代信号处理、人工神经网络、模糊系统理论、进化计算，包括人工智能等理论和方法的综合应用【3】。

各种智能信号处理技术已经广泛应用于模式识别、智能控制、数据挖掘、图像处理、盲信号处理、通信信号处理等领域。其中进化计算作为智能信号处理技术的一个重要分支，近些年来成为一个引人注目的发展方向。而其中人工智能又是一种应用非常广泛的信号处理方法，它旨在通过算法来模拟人类所特有的一些特性，以达到能够更加量化的、高效的得到有效数据这一目的。

人工智能是一门应用科学，其理论不像数学、物理那样描述自然的、客观的规律。而是在应用科学层次上提出来的理论问题。它的方法和技术，随着技术环境的发展而变化，特别是它随技术环境的发展及应用而得到发展。反过来，人工智能技术的发展也使计算机技术受益。它们是互相促进的关系新一代计算机就是一个有知识、能学习、会推理的知识处理系统。

人工智能是一种人工方法的构造，在一种或多种级别上体现人类智力的和能力的概念。所谓一种或多种级别的智力能力，包括获取知识并处理知识；运用知识旨在掌握事物之间的关系并对其进行推理}使用演绎法和归纳法旨在构成适应；使用适应旨在解决问题。

构成人工智能体系的过程通常是一个序列的处理活动。从理解问题入手，通过剖析解决问题的话动、过程，推断出技术上和理论上的问题，然后来处理这些问题我们用Q0表示客观事物的原始状态。用Q t表示它的最终状态，就是所期望达到的目标状态。在人类智能活动中，Q0和Q t通常是不同的信息方式。在从Q0到Q t的过程中，需要经过一系列操作或操作组δ产生一系列的中间状态

Q j，j=1，2，……即

Q j=δ（X1，Q t-1）

是操作过程中用到的活动载体。智能活动可表示为—个形式实体式中X

1

P=(Q0,X,δ, Q)

由以上分析可知，人工智能系统解决的问题必须具备下面三个条件：①将问题形式化，建立一个包括规定使用的符号，把符号联结成合法符号串的规则，以及合法符号串如何表示问题域中意义的形式系统。②问题必须是可计算的，且具有算法。③找到的算法必须有合理的复杂度。

在实施智能处理时，推理、学习和联想是三大重要因索。目前智能处理是以实现推理机为中心的。至于学习租联想的机能仍处于实验阶段。当前解决复杂的现实问题中，是以专家系统的形式得到实际应用的。

专家系统应用人工智能技术。吸取领域专家的经验和知识。将它们以最佳方式表达出来，储存在计算机中形成知识库。专家系统中的推理控制程序就根据这些经验和知识，模仿人类进行推理和判断，解决领域内的问题。

领域专家的知识一般有领域事实和探索性知识之分。而探索性知识又可分为感觉判断和推理翔断两种。例如，中医四诊中的切脉，是报据医生手指的感觉作出弦、浮、数等判断作为症状；再进行推理判断，作出诊断结论。显然在总结整理中医的知识经验时，有两个环节：总结感觉判断的知识和整理推理判断的知识在目前传感技术发展水平上，可以实现用传感器代替专家器官产生信号，关键在于确定传信号与人的感觉之间的关系这是信号处理的重要部分，它包含了智能功能，属于智能信号处理范畴。

在智能信号处理过程中，输入的是信号，即原始状态Q。是具有某种编码形式的数据流。在经过若干次变换之后，再进行分类识别处理，产生所需的结果我们在研制乐器音音质分析和识别系统时，就是采用这种处理方法的，并在实际乐器生产过程中得到了应用。

由于信号性质的差异以及人们的经验和习惯。各种智能信号处理系统中使用的变换和分的一系列策略和技术。

在信号处理技术中。大部分是数学性的工作，可用公式来表达只是处理方法的选择和改进需依赖于经验值得研究的是，这些经验是否能在建立一些按信号性质选择适当的处理方法准则的基础上实现数学化。

人们头脑中的想法或形成的概念，用语言或用文字图形表达出来，这就是信息的生成。研究模仿人的智能活动是计算机技术中智能信息通信的基本内容，与智能信号处理具有同等的含义。

3 神经网络

神经网络作为一门新兴的信息处理科学，是对人脑若干基本特性的抽象和模拟。它是以人的大脑工作模式为基础，研究自适应及非程序的信息处理方法。这种工作机制的特点表现为通过网络中大量神经元的作用来体现它自身的处理功能，从模拟人脑的结构和单个神经元功能出发，达到模拟人脑处理信息的目的。

神经网络对人脑信息加工过程的智能化信息处理进行模拟，具有自组织性、自适应性以及较强的稳健性。神经网络模型的类型较多，目前已不下数十种。代表性的神经网络模型有胆神经网络、GMDH网络、RBF网络、双向联想记忆BAM、盒中脑(BSB)、Hopfield 模型、Boltzmann机、自适应共振理论、CPN模型等。用来解决信用评分问题的神经网络可以视为一个对线性组合后变量进行非线性变换，然后在循环线性组合、非线性变换的一种方法。

目前，在国民经济和国防科技现代化建设中神经网络具有广阔的应用领域和发展前景，其应用领域主要表现在信息领域、自动化领域、工程领域和经济领域等。

3.1人工神经网络的发展

神经网络是一个由大量简单的处理单元广泛连接组成的系统，用来模拟人脑神经系统的结构和功能。它从开始研究到发展并不是一帆风顺的，经历了兴起到低潮，再转入新的高潮的曲折发展道路。20世纪80年代中期以来，在美国、日本等一些西方工业发达国家里，掀起了一股竞相研究、开发神经网络的热潮。近十多年来人工神经网络的发展也表明了，这是一项有着广泛的应用前景的新型学科，它的发展对日前和未来科学技术水平的提高将有重要影响。神经网络诞生半个多世纪以来，经历了以下几个发展阶段【4】。

1）初期阶段

对神经网络的研究最早开始于1943 年心理学家McCulloch 和数学家Pitts 在数学生物物理学会刊《Bulletin of Mathematical Biophysics》上发表的一篇文章。在这篇文章中，他们总结了生物神经元的一些基本生理特性，提出了生物神经元的数学描述与结构方法，即M-P模型，这是最早的神经网络模型。在M-P模型中，它赋予形式神经元的功能虽然较弱，但由于网络包含了较多的神经元以及神经元之间的广泛联系，同时神经元还具有并行计算的能力，所以网络的计算能力巨大，M-P神经网络的提出兴起了对神经网络的研究。1949 年，心理学家D.O.Hebb提出了神经元之间突触联系强度可变的假设。在这期间还有https://www.360docs.net/doc/2a7388296.html,shley对记忆定位的研究、E.R.Caianiello提出的神经记忆模型等。50 年代

末，Rosenblatt提出了感知机（Perception）模型,第一次把神经网络的研究付诸于工程实践。它是一种学习和自组织的心理学过程，基本上符合神经心理学的知识，而且模型的学习环境是有噪声的，网络结构中存在随机连接，这符合动物学习的自然环境。

2）萧条阶段

当时人们认为只要将这种神经元互联成一个网络，就可以解决人脑思维的模拟问题，但以后碰到了理论和实现技术上的问题，加上其它因素的影响，使对神经网络的研究进入了低潮。60年代，美国著名人工智能学者Minsky和Papert对Rosenblatt的工作进行了深入研究，写了很有影响的《感知机》一书，并指出了感知机的处理能力非常有限，甚至连XOR这样的问题也无法解决，并指出如果引入隐含神经元，增加神经元的层次，可提高神经网络的处理能力，但研究对应的学习方法又会相当困难。再加上当时人工智能模拟中以功能模拟为目标的另一分支出现了转机，产生了以知识信息处理为基础的知识工程，同时微电子技术大大发展，给人工智能从实验室走向使用带来了希望；另外当时的工艺水平还未达到制造使用具有足够规模的神经网络，用分离的电子管即使是晶体管所制作的神经网络也只能作示教性的表演。这些因素的共同作用，促使人们减低了对神经网络研究的热情，从而使神经网络的研究进入了萧条时期。不过这个时期仍然有一些积极的成果：1977年Kohonen的自组织映射模型；Grossberg的自适应谐振模型和Fukushima的新认知机等；特别是有些学者提出了连接机制和并行分布处理等，具有较大影响。

3）兴盛阶段

70 年代后期，在人的智能机器再现上，由于传统模型距人的真实模型较远，表现出了极大的局限性。计算机一般不能从现实世界的现象和实例中获取并总结知识，即不具备学习能力。在处理能明确定义的概念作为知识时，计算机比较容易对它们进行处理，但是对一些知识背景不清楚、推理规则不明确、环境信息十分复杂的信息处理或是算法难以提取的信息处理任务往往感到很困难。在人类智能的研究方面，神经生理专家、心理学家与计算机科学家相互结合，认识到人脑虽然是一个功能非常强大、结构异常复杂的信息处理系统，但其基本仍然是神经元及其之间的连接，因此它可能成为智能机的良好样板。计算机科学工作者也越来越清楚地认识到传统的V onNeumann体系结构的局限性，转向数据流机和并行计算机体系结构的研究。VLSI技术、光电技术的发展也为人工神经网络的实现提供了很好的物质基础。学术界公认，标志着人工神经网络研究高潮又一次来临的是美国加州理工学院生物物理学家J.Hopfield教授于1982年和1984年发表在美国科学院院刊上的两篇文章。1982年他提出了Hopfield神经网络模型，这种模型具有联想记忆能力，他在这种神经网络模型的研究中引入了能量函数，阐明了神经网络和动力学之间的关系，并用非线性动力学的方法来研究这种神经网络的特性，建立了神经网络稳定性的判据，并指出信息存储在网络中神经元之间的

连接权上。这一成果的取得使神经网络的研究取得了突破性进展。从事并行分布处理研究的科学家，如Hinton,sejnowskey 和Rumelhart等，于1985 年对Hopfield 模型引入了随机机制，提出了Boltzman机,他们的工作又受到了连接机制者的响应，1986年Rumelhart等在多层神经网络模型的基础上提出了多层神经网络模型的反向传播学习算法，解决了多层神经网络的学习问题，证明了多层神经网络的解算能力并不像Minskey等人所预料的那样弱，相反可以完成许多学习任务，解决许多实际问题。以上各种因素使神经网络的研究进入了一个新的高潮。迄今为止已经有几十种不同的神经网络模型，神经网络也被应用到了许多信息处理领域，如模式识别、自动控制、信号处理、辅助决策、人工智能等等。

3.2BP 神经网络模型

1986年，Rumelhart,Hinton和Wilianms完整而简洁地提出一种ANN的误差反向传播算法（简称BP算法），系统解决了多层网络中隐含单元连接权的学习问题，并探讨了其能力和潜力。

误差反向传播算法的基本思想是把学习过程分为两个阶段：第一阶段（正向传播），给出输入信息通过输入层经隐含层逐层递归处理，并计算每个单元的实际输出值；第二阶段（反向过程），若在输出层未得到期望的输出值，则逐层递归计算实际输出值与期望输出值之差（即误差值），以便据此调节权值，具体说，就是可对每一个权重计算出接收单元的误差值与发送单元激活值的积。因为这个积和误差对权重的（负）微商成正比（即梯度下降算法），把它称作权重误差微商。权重的实际改变可用权重误差微商一个模式一个模式地计算出来，即它们可在组模式集上进行累加【5】。

输入层隐层输出层

图3-1 BP神经网络神经元示意图

3.3BP算法设计

神经网络能通过不断学习，从未知模式的大量复杂数据中发现其规律，克服

了传统分析过程的复杂性及选择适当模型函数形式的困难，它是一种自然的非线性建模过程，无须分清楚存在何种非线性关系，给建模与分析带来了极大方便。

BP 神经网络是一种典型的前向结构神经网络，他也是使用最广的一种神经网络。，其结构中各个神经元接受前一级的输入，并输出到下一级，网络中没有反馈。这种网络可实现信号从输入空间到输出空间的变换，它的信息处理能力来自于简单非线性函数的多次复合。前向型神经网络结构简单，易于实现，通常适合于预测、模式识别以及非线性函数逼近。

BP 网络的学习算法称为反向传输算法它的神经元层之间是相互连接的。第n 层的神经元传递其信息到第n+l 层的神经元。多层信号处理意味着分散在网络中的误差可通过连续的网络层。以复杂的不可预测的方式传播和变化反传算法采用的方法是从输出层开始。下面介绍一种介绍反传学习算法的原理，反传学习算法通过隐含层反向传播误差采用梯度法来调整权值。设W 为给定网络中的可调权值向量。T 是训练范例集合。则性能函数定义为：

1

1:[u ,v ]R [u ,v ]R m

i i i m m i i i f ==∏→∏≤ （3-1）

其中F(w ，x)为给定输入x 和网络权值向量w 时的网络输出值。性能函数的梯度为所有训练范例的梯度之和。记2((,))P F w x y =-，则

,,1x y x y T P P T <><>∈=-∑所以在由S 单元组成的任意网络中可得到计算

,x y i j P w <>

→??（i j w →为第i 层到第j 层的连接权值）的方法[6]：

,(1o )x y i j j j i j P o o w δ<>

→?=-? （3-2）

其中((,))L F w x y δ=--，且对于j>l 有(1o )

j i j k k k w o δδ→=-。对网络权值的调整就是反复应用以下的梯度法：

,,x y i j i j x y i j P w w w β

<>→→<>→?←+?∑ （3-3）

其中β是学习率。由此可知，误差逆向传播，故称BP 。权值的修改过程是一个迭代过程。关于上面提到的学习率。当应用固定学习率时。为了能够避免次优的局部极值点。希望学习率足够大：但为了在找到全局最优点，又希望学习率小一点 因此通常无法找到这样固定的学习率，所以也常使用随时间调整的学习率。而不是同定的学习率尽管BP 算法对多层神经网络的学习问题提供了解决方

法。但也有自身的缺点它有可能收敛于局部最小值，而且代价很大。特别是收敛速度很慢的时候收敛速度慢的时候，可通过改变误差函数、加入动量项、变步长法、连接权重的选择以及改变激励函数的选取来优化。

3.4BP神经网络优缺点

目前，神经网络广泛应用于智能控制、模式识别、计算机视觉、自适应滤波、信号处理、非线性优化、自动目标识别、连续语音识别、知识处理、传感技术与机器人、生物医学工程等领域，尤其是对金融系统的评估模型建立了可靠地技术支撑平台，但是，其理论分析方法和设计方法还有待进一步发展。相信随着神经网络的进一步发展，其将在工程应用中发挥越来越大的作用。

BP神经网络最主要的优点就是具有广泛的适应性和有效性，可以被广泛的应用于日常生活各个领域，包括材料性能预测、环境污染防治系统建模、心理学预测、产品销售预测、价格预测、市场供求分析、证券投资分析、农业灾害预测等，并取得了良好的拟合结果。但BP神经网络同时还存在如下缺点：收敛速度慢，不能保证网络收敛；数学角度看是一种梯度最速下降法，这就可能出现局部极小的问题；隐含层神经元的数目目前仅有一些经验的选取方法；没有反馈存在，只是一个非线性映射系统；泛化能力较差。

多层神经网络设计学习算法的过程与其说是一门科学。不如说是一门艺术。给予参与者发挥才能和想象的天地。

4 遗传算法

遗传算法是一种通过模拟自然进化过程来搜索最优解的非线性优化算法．它模拟达尔文的进化论，即生物的进化总是遵循适者生存、优生劣汰的规则。遗传算法用于地球物理反演的基本思想是从模型群体开始搜索，把模型参数用二进制进行编码，将模型空问的点映射到染色体空间的染色体，然后通过选择、交换和变异等遗传操作对模型群体进行繁殖，逐次迭代，在模型参数空间进行群体搜索，求取非线性反演问题整体极值所对应的最优解或近似最优解。遗传反演算法利用了生物进化过程和地球物理反演问题求解过程的相似性，开辟了地球物理反演的新途径，是非线性反演算法中一种最常用的算法。遗传算法是一种非线性的全局优化算法，它可避免目标函数梯度类方法的缺点，同时也可明显提高模型参数空间随机搜索的效率。

4.1遗传算法的起源

遗传算法是霍兰(J.H.Holland，l975)提出，通过模拟生物的进化过程，运用启发搜索规则，把一组模型中优良个体生存和随机变异的信息交换结合在一起。从一组初始模型出发，根据给定的参数变化范围及变化步长，将每个模型的全部参数许多串联在一起的二进制编码(或其他编码)串表示，通过选择、交叉互换和变异不断保留优势特征，最后得到问题的最优解。其不依赖于梯度信息，而是通过模拟自然进化过程来搜索最优解，它利用某种编码技术，作用于染色体的字符串，模拟由这些串组成的群体的进化过程。具有以下特点：对可行解的表示广泛；具有群体并行搜索特性；具有很强的鲁棒性；然而它也有一些不足，它的编码不规则及编码存在的不准确性，其搜索的计算量大且搜索效率低，出现早熟收敛等等，严重影响了遗传算法的应用，也是需要解决和改进研究的地方。进入90年代，遗传算法迎来了兴盛发展时期，无沦是理论研究还是应用研究都成了十分热门的课题，成为求解全局优化问题的有力工具之一[7]。

在基本理论发展方面来说，模式定理和积木块假设是遗传算法有效的理论依据。模式定理保证了较优先的模式样本呈指数级增长，从而满足了寻找最优解得必要条件，即遗传算法存在着找到全局最优解得可能性。而积小块假设指出，遗传算法所具备寻找到全局最优解得能力，即具有低阶、短距、高平均适应度的模式在遗传算子的作用下，相互结合，能生成高阶、长距、低适应度模式，最终求得全局最优解。遗传算法全局收敛性分析取得了很大进展，一些文献给出了基于二进制编码的收敛性经典结果及在群体无限大的假设下，讨论了分别单独使用交叉和变异算子实数编码遗传算法的收敛性。还有些文献在采用最优个体保留策略的前提下得到了保证收敛的一般条件，并以之检验了采用常用的交叉与变异算子时的实数编码遗传算法的收敛性。总体而言，遗传算法的基础理论研究至今还没有取得突破性进展，理论与应用之问还存在着很大差距。

在算法设计方面发展，遗传算法需要选择的运行参数主要有群体规模，交叉概率、变异概率、终止代数，然而编码方式也对遗传算法的性能有较大的影响。在编码方式的发展，从由二进制编码逐渐发展为十进制编码。参数的控制由静态的设置逐渐演变为动态自适应技术，而交叉、变异算子也不断进行改进，将算法分层或其他算法进行融合，很好的改进了遗传算法。

4.2遗传算法基本原理

遗传算法模拟基重组与进化的自然过程，把待解决的问题的参数进行编码为基因，若干基因组成一个染色体(个体)，许多染色体类似于自然选择、配对交叉和变异的运算，经过多次重复迭代直至得到最后的优化结果。遗传算法的实现需要对其进行参数编码、遗传操作运算包括(交叉运算、变异运算、选择运算)、适

应度函数设计、参数的控制与约束条件的处理来实现。对各个部分进行良好的处理才能使整个算法性能最佳，寻求出最优解。

编码是遗传算法要解决的首要问题。编码就是把一个问题的可行解从其解空间转换到遗传算法所能处理的搜索空间的转换方法。为了克服_ 进制代码之问的汉明距离很大的问题提出格雷码，然而引入了另一层隐悬崖，采用大符号集编码及逐渐提出了十进制编码、动态编码等等编码方式。

交叉运算是按较大概率从种群中选择两个个体，按某种方式相互交换两个个体的某个或某些部分基因，从而形成两个新的个体，其继承了父代的基本特性。它是遗传算法区别于其他进化算法的重要特征，是产生新个体的主要方法，也对算法的收敛性起主要作用。交叉算子的设计和实观与具体的问题密切相关，前面的编码一同考虑，得到一种好的交叉算子是研究者们一直致力于的上作。

变异运算以较小的概率对个体编码串上的某个或某些值进行改变，进而形成新个体。变异本身是一种随机算法，与交叉和选择算子结合能够避免某些信息的丢失，维持种群的多样性防止出现早熟现象，变异的方向性可能引导遗传的方向性，加速最优解得收敛。交叉算予和变异算子相互配合，共同完成对空间的全局搜索和局部搜索，从而使遗传算法能够以良好的搜索性能完成最优化问题的寻优过程。

选择运算对个体进行优胜劣汰，根据每个个体的适应度值大小选择，适应度较高的个体被遗传到下一代群体中的概率较大；适应度较低的个体被遗传到下一代群体中的概率较小。可以使得到群体中个体的适应值不断接近最优解。选择算子在避免基因损失，提高搜索速度和全局收敛方面有着举足轻重的作用。选择不当会造成群体进化停止不前；或使适应度值偏大的个体误导群体的发展方向，使遗传失去多样性，产生早熟问题。另外，选择与编码方式无关[8]。

适应度函数设计，适应度函数用于转换目标函数值，给每一个个体一个非负的价值数。适应度函数通常根据目标函数采用一定的转换关系来设置。选择运算是根据适应值函数得到结果来进行选择的，其分辨程度对选择及整个算法都有很大的影响。即适应度函数设计不当，有可能造成在遗传进化的初期，超常个体会因竞争力突出而控制选择过程，影响算法的全局优化性能；在遗传进化的后期，种群中个体适应度差异较小时，继续优化的潜能下降，可能获得某个局部最优解，这两种问题的出现。良好的适应度函数能够起到重要作用，是遗传算法设计的一个重要方面。

参数的控制与约束条件的处理，控制参数选择的是否合理直接影响算法的收敛速度和搜索效率，当前没有完善的理论指导它的选择，还主要是根据经验。参数的控制对遗传算法的性能有较大的影响。良好的参数设置可以很好的改进算法的性能，加速算法的收敛。对约束条件进行处理，目前尚无处理各种约束条件的方法，根据具体问题而定，常采用搜索空间限定法，可行解变换法和罚函数法等等。

遗传算法的具体实现方法如下：

1. 首先针对特定的优化问题，选择一个带优化的指标J ，确定解也就是变

量可能变化的范围；

2. 随机的选取一组变量，称为一个群体。群体中的每一个变量称为个体，

对个体进行编码，根据Holland 的建议，个体的形成应以由“0”或“1”组

成的字符串表示；

3. 对这个群体进行评价，分别将每个个体代人指标函数，得出相应的指标

函数值，称为改革体的适合度(fitness)；

4. 繁殖(reproduction)，繁殖是生物生存的必要条件，Pc 根据不同个体的适

合度，确定该个体的繁殖概率Pc ，即适合度大的个体其复制到子代的概

率大，适合度小的个体复制到子代的概率小，从而使父代的优良性状在

子代保留，保证了迭代求解过程的收敛。遗传算法的这一特点与自然选

择中的“适者生存，不适者淘汰”的规律是一致的；

5. 交叉(crossover)，利用交叉我们有可能由父代个体再组合成具有更高适

合度的个体。事实上交叉是遗传算法区别于其它传统优化方法的主要特

点之一；

6. 变异(mutation)，基因的突变普遍存在于生物的进化过程中，变异是指父

代中的每个个体的每一位都以概率Pm 翻转，即由“1”变为“0”，或由

“0”变为“1”。遗传算法的变异特性可以是求解过程随机的搜索到解

可能存在的整个空间，因此可以在一定程度上求得全局最优解；

7. 淘汰(selection)，对子代的个体进行评价，保留一定数量的具有较高适合

度的个体，淘汰其余适合度低的个体，从而保持群体数目的稳定；

8. 对子代个体重复上述评价、繁殖、交叉、变异、淘汰等过程，直到求得

一个满意解，或者迭代求解达到预先设定的次数，则停止算法的进行。

遗传算法是建立在自然选择和群体遗传学机理上的随机、迭代、进化，

具有广泛适用性的搜索方法，所有的自然种类都是适应环境而得以生存，这一自然适应性是遗传算法的主旋律。

GA 的基本形式是将问题的解表示成字符串结构，字符串中每个元素可有个取值，搜索过程中保持一个集合的解，算法的每次循环中，根据各个解的优劣，选取解作为父本进行遗传操作，产生新解，从而替换解集中原有的解。设求解的优化问题为[9]：

1

:[u ,v ]R m

i i i f =∏→ （4-1） 式中：1[u ,v ]R m

m i i i =∏≤； R ——限定常数；

[u ,v ]i i ——第i 个变量的范围；

用GA求解问题时，首先对问题的解进行编码，构成“染色体”，不同的染色体构成不同的种群。每个染色体叫做种群的个体，每个个体根据适应函数有一个适应值，然后通过选择、交换和变异3个操作构成新一代更好的种群，这样不断进化，直到求出问题的较优解。

4.3遗传算法发展趋势

遗传算法作为一种优化算法，其目的在于针对目标函数来进行求解未知参量的最优解。对于其研究的方向也是根据其目标函数来如何进行求解得到最优解。即可以应用于能建立出目标函数的任何一领域。对算法本身的性能研究，使算法在其可靠性、计算效率提高；通过不同算法的优点有机结合，形成混合算法；可以根据实际问题建立目标函数选择合适的参数控制及应用范围调整。

基于遗传算法自身的研究，早熟问题使种群失去了进化能力，是目前最难解决的问题。通常的表现是群体中所有的个体进化一定的代数后就陷下同一极值而停止进化了，或者接近最优解的个体总是被淘汰，找不到最优解。然而它的编码不规则及编码存在的不准确性，其搜索的计算量大且搜索效率低1等等，也严重影响了遗传算法的应用。需要设计出良好的编码、良好的选择方式及良好的交叉、变异算子来改进算法中的不中之处。遗传算法与其他计算智能方法的相互渗透和结合。如遗传算法与模糊推理以及混沌理论、与传统算法、神经网络算法、粒子群算法、蚁群算法等等其他智能计算方法相互渗透和结合，必能达到取长补短的作用。混合算法的实质是通过不同算法的优点有机结合，改善单纯算法的性能。然而随着实际问题难度的增加，对遗传算法本身的不足逐渐显露，即需要进一步改进，如单目标函数不在是以前的单峰?维或多峰单维或单峰多维，而是多峰多维且维数的增高，对求解的问题难度将急剧增加。针对不同问题采用重新设计程序、设计算法，采用一切有效方法来完成工程任务，是研究的目的。对多峰高维单目标函数在有限时间或迭代次数稳定优化将是以后发展的一个重要方向，对多目标函数优化也成为研究热点。

5 总结

本文介绍了两种目前在现代测控系统中常用的智能信号处理方法，这两种智能算法也是领域较新、研究较多的智能优化算法，文章大致介绍了人工神经网络、遗传算法的基本原理、算法流程、算法发展和应用。本文着重对测控系统中的智能信号的处理方法进行了简单的介绍，指出了他们在信号处理领域所具有独特特

性，以及优势。通过对这两种智能信号处理方法的介绍，发现了目前在信号处理领域的发展趋势，有助于下一步研究的开展。

本学期通过对本课程的学习，收获颇丰。通过教授耐心细致的讲解，使我们在脑海中对现代测控系统有了初步的认识，了解了多种多样的测控系统在现代工业中的应用，这种认识使我们对许多问题都有了基本的认识，有助于日后我们自己在课题实践中加以使用。这种认识虽然只是来源于大面上的了解，对其中的许多关键技术还没能透彻的掌握，但使我们了解了更多的技术对于日后的工作来说无疑也会是一种启发。同时，通过几堂讨论课使我们充分的参与到课堂中，督促我们通过自主学习了解了许多工业中广泛使用的新技术，同时通过老师细致的引导，使我们学会了学习问题的方法与方向，使我们掌握了作为一名研究生看待问题应有的角度与深度。不仅如此，老师也会对我们PPT的讲解方式进行指导，让我们更好的掌握一些必备的技巧。通过本门课程的学习，我感到受益匪浅，所得到的收获也是全方位的。

参考文献

[1]李欣国. 浅谈现代测控技术及其应用[J]. 中小企业管理与科技旬刊, 2010, (16):247-247.

[2] 俞洋. 若干智能信号处理技术的研究及应用[D]. 兰州大学, 2006.

[3] 边奠英, 吕扬生. 智能信号处理[J]. 软件, 1993, (7):8-10.

[4]徐和飞, 蒋存波. 一种现场总线温度测控仪信号处理方案[J]. 自动化与仪表, 2009, (9).

[5] 张莉. 神经网络概述[J]. 中国高新技术企业, 2008, (21):109-109.

[6]党选举, 谭永红. 基于神经网络的热电偶传感器的智能信号处理[J]. 计算机工程, 2004, (6).

[7] 易克三, 吴汶麒. 人工神经网络概述[J]. 上海铁道学院学报, 1991, (4):77-86.

[8] 苏碧瑶. 人工智能方法在信号处理中的应用[J]. 数字技术与应用, 2011, (10):88-88.

[9] 师学明, 王家映. 遗传算法[J]. 工程地球物理学报, 2008, (2):129-140.

[10] 李红梅. 遗传算法概述[J]. 软件导刊, 2009, (1):67-68.

[11] 韩娟. 遗传算法概述[J]. 西部探矿工程, 2007, (7):213-215.