使用免疫聚类和疫苗提取实现“大数”干扰滤波.pdf

传感器与微系统（）年第卷第期：（）使用免疫聚类和疫苗提取实现“大数”干扰滤波陈强，邓博仁，蓝希先（江西理工大学电气工程与自动化学院，江西赣州）摘要：针对瓦斯传感器因受到强电磁干扰而造成误报警动作的问题，提出了一种基于人工免疫算法的抗干扰模型。通过离线学习和训练，提取两种信号的特征值并进行免疫聚类学习，在干扰信号中得到免疫疫苗，在在线测试中识别干扰信号，并用疫苗对其进行滤波，从而达到抗干扰的目的，根据仿真实验结果可以看出：该模型效果良好，可有效降低因“大数”干扰信号而造成的误报警。关键词：免疫算法；智能抗干扰；信号识别；瓦斯传感器中图分类号：文献标识码：文章编号：（），（，）：，：；引言传感器在数据传输过程中容易受到瞬间产生极为强烈的电磁干扰脉冲辐射，产生大数干扰问题，即“冒大数”现象，这种干扰信号频率极低，其频谱完全与有用信号重合，无法用传统的硬、软件滤波器进行有效滤除，因而对检测监测工作造成严重干扰。在低频信号传感器（如温度，压力，瓦斯气体浓度等）中这种现象尤为明显。煤矿的监控系统经常受到井下强电磁干扰。目前的应对方法有硬件抗干扰和软件抗干扰，也有学者提出了采用智能算法抗干扰的举措，。人工免疫系统通过对外部输入抗原的免疫应答过程，实现对输入抗原的自我非我识别与诊断、抗原模式学习与记忆、抗体优化等。并且免疫理论在国内外已被广泛使用，。本文提出一种新的传感器数据传输中抗“大数”干扰的方法，建立了一个基于人工免疫算法的抗干扰模型。运用免疫算法滤除煤炭监控系统中因大型电机启动和停止时串入到瓦斯传感器信号中的“大数”干扰信号。干扰信号识别的理论基础用特定的数据模式（如特征向量）来描述传感器接收到的信号，从传感器信号接收到的数据中提取描述信号状态的维归一化向量（，），被称为系统的状态特征向量。在瓦斯传感器正常工作采集的信号中所获得的系统特征向量称为正常模式串，记为，（，），；在大数干扰信号中所获得的系统特征向量称为干扰模式串，记为，（，），。将正常模式串作为抗原集合，记为，干扰模式串记为抗体，。收稿日期：基金项目：江西省自然科学基金资助项目（）第期陈强，等：使用免疫聚类和疫苗提取实现“大数”干扰滤波 抗原与抗体或抗体与抗体之间的匹配，依据它们之间的亲和力大小进行。抗原和抗体之间的结合程度由亲和力决定，亲和力越大则结合度越高，抗体与抗体间的亲和度力越大，则抗体的相似程度越高，抗体的多样性下降。亲和力计算公式（，）（）为和之间的欧氏距离（）槡，（）式（）和式（）中的和都为状态空间中的维归一化向量，记，。基于人工免疫算法的抗干扰模型干扰信号识别和处理的模型干扰信号识别和处理的模型如图所示。在离线处理部分中进行免疫算法的学习和训练，得到带有干扰特征的免疫疫苗。在在线测试和实时处理中使用离线训练得到的免疫疫苗，用来识别实时采集到的信号样本是否受到了“大数”干扰，并对受到干扰的信号进行复原。并对处理过的信号测试其信号复原程度，若不符合要求则重新处理。正常信号采集正常信号特征提取免疫聚类学习干扰信号及正常信号特征区域标记干扰信号采集干扰信号特征提取干扰特征疫苗生成离线处理实时信号采集实时信号特征提取信号特征对比滤除干扰信号参数修改信号输出实时处理测试在线测试及实时处理有干扰无干扰图干扰信号识别和处理模型示意人工免疫算法实现抗干扰的步骤）信号特征采集：通过在线实验，测取正常传输模拟电压信号采样数据样本，和混入了“大数”干扰信号的模拟电压信号采样数据样本，分别从正常传输信号和干扰信号样本中提取正常信号特征向量样本和干扰信号特征向量样本。）使用人工免疫算法，对正常和干扰特征样本进行聚类学习。形成并标记正常和干扰识别区域，形成干扰信号检测器集合，对区域进行免疫优化，并形成干扰特征疫苗。）用实时采集的正常样本及干扰样本对干扰信号检测器集合进行仿真检测和滤波复原测试，直到结果符合要求为止，不符合要求则返回步骤（）。）实时干扰检测及滤波处理测试，不符合要求则返回步骤（），符合要求则实验结束。其步骤流程框图如图所示。原始信号采集离线聚类学习及特征疫苗生成阶段在线模拟测试测试结果实时滤波测试满意结束NYYN图步骤流程框图仿真实验信号采集及频谱分析 干扰信号由型号为的永磁三相同步电机启动和停止时被传感器检测到的实时数据，模拟的正常瓦斯溢出信号为实验室自制装置，由传感器实时测量，通过数据采集装置得到相应的数据。对“大数”干扰信号（图（）和正常瓦斯溢出信号（图（）利用快速傅里叶变换函数进行频谱分析，如图（）所示。60040020000246时间/s(a)?干扰信号电压信号/V60040020000246时间/s(b)?正常信号电压信号/V1.02.03.000200400600频率/Hz(c)?信号功率谱图功率谱/(m2 s-3)正常信号频谱图干扰信号频谱图图信号与信号功率谱图 从图中可以明显地看出，干扰信号和正常的瓦斯溢出信号都是低频信号，两者频带重叠。若是不加以区分便采用传统的滤波器对其滤波，在滤除干扰信号的同时也会将正常的溢出信号滤除，这会使得当瓦斯溢出时，瓦斯传感器采集到的信息被滤除，无法及时报警和做出反应，情况严重将会造成严重的生产安全事故。因此，要使传感器能够抵抗“大数”干扰信号，就必须先区分干扰信号和正常瓦斯溢出信号，再进行信号滤波处理。离线免疫学习和训练）训练数据在离线训练中，首先需要收集传感器的在不同情况下的电压信号，并记录数据。通过观察这种信号可以发现，“大数”干扰信号对传感器的冲击是瞬间的，几乎瞬间达到峰值，并且其达到的峰值普遍大于正常的瓦斯溢出信号的峰值。所以在得到信号数据之后，便可以提取其特征值，并进行归一化处理。）数据处理在这些信号中提取其最大值，上升阶段变化率，下传 感 器 与 微 系 统第卷降阶段变化率，分别选定基准值，将这些特征值进行归一化，归一化公式为，（）归一化后可得到归一化值，。）抗原抗体提取将传感器得到的正常瓦斯溢出信号数据提取特征值并进行归一化处理得到：归一化后的最大值，上升阶段变化率，下降阶段变化率，将这些归一化处理后的特征值构成一个三维特征向量，即为正常模式串，由正常模式串可组成抗原集合，。同理，可提取传感器受到干扰时的信号特征值，并归一化处理，得到：归一化后的最大值，上升阶段变化率、下降阶段变化率，构成一个三维特征向量，即为干扰模式串，由干扰模式串组成抗体集合，。将得到的抗原以及抗体标记在三维的坐标系中，其在三维坐标系中的分布如图（），在正半轴的分布如图（），在正半轴的分布如图（），在正半轴的分布如图（）。00.40.800.40.8最大值(b)?xoy 正半轴上升变化率0.20.61.00.20.61.01.00.50.51.00 000.51.0最大值上升变化率(a)?三维坐标系下降变化率正常模式串干扰模式串00.40.800.40.8上升变化率(d)?yoz 正半轴下降变化率0.20.61.00.20.61.000.40.800.40.8最大值(c)?xoz 正半轴下降变化率0.20.61.00.20.61.0正常模式串干扰模式串正常模式串干扰模式串正常模式串干扰模式串图抗原、抗体分布 ）聚类学习通过抗原和抗体的分布图，可以明显看出，两者分别分布在两个区域，通过计算亲和力的方式进行聚类，并强制学习。首先计算出抗原的聚类中心，计算公式为（）同理，可计算出抗体的聚类中心（）运用式（）和式（）分别计算出：抗体和抗体聚类中心的亲和力：（，）（图（），抗体和抗原聚类中心的亲和力：（，）（图（）。抗原和抗原聚类中心的亲和力：（，）（图（），抗原和抗体聚类中心的亲和力：（，）（图（）。根据计算出的亲和力和欧氏距离可以划分出抗体区域0481216200.60.81.0抗体序号(a)和中心抗体的亲和力0.40.50.6和中心抗原的亲和力02468100.96抗原序号(c)和中心抗原的亲和力0.981.000.49抗原序号(d)和中心抗体的亲和力0.500.51048121620抗体序号(b)0246810图亲和力与距离和抗原区域，并且可以得出个区域差异明显，免疫算法可以很好地区分出个区域。在各个抗原到抗原聚类中心的欧氏距离中取其最大值，并以抗原聚类中心为球心，以为球的半径。得到一个球形的抗原区域；同时，以抗体聚类中心为中心，找出各个平面中离中心最大欧氏距离的点，得到一个立方体的抗体区域，并在坐标系中标记出来，其在三维坐标系中的区域如图（）所示，在，个平面正半轴上的截面分别如图（）（）所示。00.20.40.6 0.81.0最大值(b)00.20.40.60.81.0上升变化率00.20.40.60.81.0上升变化率(d)00.20.40.60.81.0下降变化率00.20.40.60.81.0最大值(c)00.20.40.60.81.0下降变化率1.00.5000.51.000.51.0最大值上升变化率下降变化率(a)抗体区域抗原区域抗体区域抗原区域抗体区域抗原区域抗体区域抗原区域图抗原、抗体聚类区域 ）疫苗提取将计算得到的抗体聚类中心作为免疫算法中的疫苗，并利用其归一化的三维特征样本进行信号复原得到如图所示的疫苗特征信号。在线测试 ）信号识别当传感器接收到信号时便对接收到的信号进行提取特征值并归一化的处理，获得归一化后的数据：最大值，上升段变化率，下降段变化率，用其构成信号的三维特征向量：，。再利用式（）和式（）计算出和抗原聚类中心的亲和力（，），以及和抗体聚类第期陈强，等：使用免疫聚类和疫苗提取实现“大数”干扰滤波10020030040050060000123456时间/s电压信号/V图疫苗信号中心的亲和力（，）根据抗原和抗原聚类中心的亲和力（，），在其中找到最小值（，）。其次再根据抗体和抗体聚类中心的亲和力（，），找到其最小值（，）。通过判断函数来识别信号是干扰信号还是正常瓦斯溢出信号。判断函数为（）（）抗原，（，）（，）（）抗体，（，）（，0）（）如图所示，信号 为正常瓦斯溢出信号，信号 为“大数”干扰信号。2?0001?5001?000500002468时间/s电压信号/V信号6信号5信号4信号3信号2信号1图测试信号 信号测试结果如表所示。从测试结果可以看出，经过离线训练之后得到的模型能很好地识别并区分出信号的类型。表测试结果序号信号信号信号信号信号信号（，）（，）（，）（，）信号类型抗原（正常信号）抗原（正常信号）抗原（正常信号）抗体（干扰信号）抗体（干扰信号）抗体（干扰信号）干扰信号滤除本文使用疫苗信号作为参照信号，将受到干扰的部分进行处理以达到复原信号的目的，滤波效果如图所示。由实际的煤矿生产情况可知，当传感器的电压信号为 时便触发警报装置，由图可得出，传感器信号在经过免疫抗干扰模型处理之后，能够在保证正常瓦斯溢出信号不被影响的同时有效抵抗“大数”干扰信号的影响，使得在“大数”干扰信号侵入时，警报装置不会误动作。结束语本文提出的基于免疫算法的“大数”干扰信号识别与滤2?0001?5001?0005000024时间/s电压信号/V-1135图滤波后信号除模型可以有效的识别出干扰信号，并利用提取的疫苗信号对干扰信号进行滤除，可以使因“大数”干扰而造成的误报警现象得到有效改善，但由于实验中用到的样本数据较少，对于该方法的实际大范围运用还有待进一步的检验。另外本文方法是利用种信号的特征值来进行区分，所以当碰到由瓦斯气体含量突然上升所造成的报警时容易将其归为干扰信号。参考文献：廖志强，陈东春，刘水文煤矿井下电磁干扰源及抗干扰技术研究工矿自动化，（）：张加易监控分站频率信号采集电路抗干扰设计工矿自动化，（）：许洪亮煤矿安全监控系统瓦斯检测“大数”控制对策煤炭科技，（）：卢晓，姜建国煤矿井下复杂电磁环境与电磁干扰特性研究工矿自动化，（）：张晓强，高莉，于洪珍基于的自适应去噪声误差消除方法清华大学学报（自然科学版），（）：李少谦，程郁凡，董彬虹，等智能抗干扰通信技术研究无线电通信技术，（）：，（）：位耀光，郑德玲，付冬梅，等基于生物免疫系统克隆选择机理和免疫网络理论的免疫算法北京科技大学学报，（）：陈强，郑德玲一种基于人工免疫的数据模式进化学习模型及其应用研究计算机工程与应用，（）：，陈强，郑德玲，李湘萍基于人工免疫的故障诊断模型及其应用北京科技大学学报，（）：陈强，刘万顺，王海峰，等基于免疫算法的智能抗干扰方法北京联合大学学报，（）：作者简介：陈强（），男，博士，教授，硕士研究生导师，主要从事智能检测，人工免疫方面的研究工作。邓博仁（），男，通讯作者，硕士研究生，研究方向为智能检测和人工免疫算法。