[发明专利]未知应用环境下光电信号的反馈堆叠滤波方法

说明书

本发明涉及光电测量领域，具体说是未知应用环境下光电信号的反馈堆叠滤波方法。包括以下步骤：采集光电信号，建立光电信号训练集；建立反堆叠学习算法模型，通过采集的光电信号训练该模型；将实时采集的光电信号通过训练后的反堆叠学习算法模型过滤，得到滤波后的光电信号。本发明针对现有数字滤波方法不能充分利用某些应用场景下已知的目标真值、对被处理数据样本数目要求特殊等缺陷，采用神经网络学习方法搭建模型进行数据训练并预测的思路，提出了以ELM为基本预测模型的反馈堆叠学习算法(FsELM)。针对不同应用环境下的随机噪声干扰，采用FsELM算法加强了对信号在不确定环境下的预测能力，提高了随机噪声干扰下的预测精度。

技术领域

本发明属于光电测量领域，具体说是未知应用环境下光电信号的反馈堆叠滤波方法。

背景技术

光电测量技术的基本原理是：将被测量的变化转换为光量的变化，通过光电元件把光量变化转换成电信号进行测量计算。光电测量技术以其非接触、高灵敏度、高精度等优势，被广泛应用于各类物理量的测量。然而，开放空间下的光信号包含大量复杂噪声，是造成光信号不稳定的主要原因；同时，光电传感器的光信号输入与电信号输出难以实现理想的线性。因此，如何获得准确稳定的位置信号成为光电测量要解决的关键问题之一。以光电位置探测(也称位置敏感器件，PSD)为例，PSD信号的误差来源主要有三点：第一，在PSD的光敏区域内，光斑位置与光电流输出并非完全呈线性，随光斑位置匀速偏离PSD中心，光电流信号的非线性度逐渐增大；第二，PSD输出信号微弱，在后续信号放大等处理过程中易受各分立元件带来的非线性因素和噪声因素影响，从而影响测量精度；第三，在不同应用场合下，环境光或应用条件的影响可能导致光斑强度分布不均匀，从而降低PSD位置识别精度。

传统的PSD信号处理方法除了简化电路设计、硬件的采样保持滤波外，软件的数字滤波算法是实现各种非理想因素补偿的重要方法。对于数字信号的滤波，现有的方法主要是在真实结果未知的条件下，依据被处理数据在时域或频域上的分布特性，给定预期的处理指标，通过计算得到。而在实际应用中，例如传感器的调试、模拟信号的调制等，目标真值通常是可获得的，若能够充分地利用目标真值求取其与待处理数据间的关系，则既简化了数据的处理过程，又能够提高精度。此外，高速测量下的PSD采集信号具有样本数目有限、非线性度高等特点，而传统滤波方法往往需要大量的测量样本来支撑结果的准确性，使得传统方法的处理结果不佳。

发明内容

针对上述问题，本发明提出了以极限学习机(ELM)为基本预测模型的反馈堆叠学习算法(FsELM)，与传统的正向建模方法不同，属于反向推演方法，本方法在保持ELM快速学习和良好泛化能力的前提下，提高了预测精度并具有良好的鲁棒性。该算法通过将预测值与真实值的偏差作为反馈并更新输入数据，构造了反馈堆叠模型，实现了数据的多层深度训练。

本发明为实现上述目的所采用的技术方案是：

未知应用环境下光电信号的反馈堆叠滤波方法，包括以下步骤：

采集光电信号，建立光电信号训练集；

建立反堆叠学习算法模型，通过采集的光电信号训练集，对模型进行训练；

将实时采集的光电信号通过反堆叠学习算法模型过滤，得到滤波后的光电信号。

所述通过采集的光电信号建立反堆叠学习算法模型，并进行训练包括以下步骤：

1)选取一个包含m组的光电信号训练集(x_j,t_j)，其中表示采集的光电信号测量值，d表示测量值的维数，表示与x_i相对应的光电信号位移真值，c表示光电信号位移的维数；