一种基于线性搜索策略的随机共振电流弱信息识别方法与流程

技术特征：

1.一种基于线性搜索策略的随机共振电流弱信息识别方法，其特征在于，包括以下步骤：

1)根据采样频率和采样点数，检测被测信号；

2)对被测信号加入随机噪声，计算噪声强度D，并设定双稳态随机共振系统朗之万方程其中U(x)是双稳态随机共振系统的势能函数，ξ(t)为被测信号，noise为噪声；势能函数中结构参数为a与b，初始设置a＝1、b＝1；

在计算机求解中，利用四阶Runge-Kutta算法计算势能函数U(x)的微分解U’(x)

y i = y i - 1 + 1 6 ( K 1 + 2 K 2 + 2 K 3 + 4 K 4 ) K 1 = f ( x i - 1 , y i - 1 ) K 2 = f ( x i - 1 + h 2 , y i - 1 + h 2 K 1 ) K 3 = f ( x i - 1 + h 2 , y i - 1 + h 2 K 2 ) K 3 = f ( x i - 1 + h , y i - 1 + hK 3 ) y 0 = y ( x 0 ) ]]>

其中，x(t)为输入信号随时间的变化量，y为势能函数的四阶微分解x₀和y₀分别是输入信号x(t)的初始值和信号的输出值；K为系统变量，设置其中初始采样步长h＝1；

3)计算随机共振系统初始结构参数a＝1、b＝1时输出信噪比的SNR，按照非线性动力学中的信噪比检测方法，随机共振以输出信号信噪比的大小来衡量，SNR为双稳态随机共振系统在某参数状态下的输出信噪比，MSN为最大信噪比，

MSN＝max(SNR)＝max(10lg(P_o/P_i))

其中，P_o是输出信号的功率与噪声功率之比，P_i是输入信号的功率与噪声功率之比；利用随机搜索算法对MSN进行优化，以max(SNR)为迭代目标，寻找max(SNR)所对应的结构参数a_max与b_max，作为系统产生随机共振的结构参数；

4)设定结构参数a_max，继续利用线性搜索寻找最大SNR所对应的噪声强度D_max，以a_max和D_max为基准初始参数，当输出SNR输出达到最大值时，对应的的结构参数a_best与噪声强度D_best即为最佳系统参数，这时结构参数a_best和噪声强度D_best能够控制双稳态随机共振系统的跃迁频率；

5)按照步骤2)和步骤4)中获得结构参数a_best、结构参数b、噪声强度D_best和采样步长h，再次重新构建从步骤1)中的双稳态随机共振系统，并利用SNR为搜索目标重新对双稳态随机共振系统的各个参数进行优化；并对输入信号频率压缩率R进行优化，其中R的初始值设置为100，以此获取系统达到跃迁效应的频率压缩率R_best；并利用高斯分布求解，得最佳噪声的均方差，

σ b e s t = 4 Δ U A l n Δ U + A Δ U - A ]]>

式中，ΔU为系统的阀值，输入信号S的幅值为A，则σ_best的最佳取值范围为：

2 Δ U ( Δ U - A ) < σ b e s t < 2 Δ U ]]>

当随机共振系统达到频率跃迁条件时，结构参数b_best，势阱参数a_best、噪声强度D_best与跃迁激发频率f三者之间的关系能被描述为：

f = a 2 2 π exp ( - a 2 4 D ) ]]>

6)当双稳态随机共振系统性噪比输出达到最大，目标参数达到稳定，这时结构参数b、势阱参数a、噪声强度D多次迭代不再发生变化，双稳态随机共振系统能够产生共振现象；

7)对经过双稳态随机共振系统输出的时域信号进行傅里叶变换，结合信号频率压缩率R_best值进行重构获得被检测输入信号的微弱信号的特征频谱，其中特征频率即为所需要的微弱信号特征频率。