一种基于遗传算法的滤波器匹配方法及系统与流程

1.本发明涉及数据分析技术领域，尤其涉及一种基于遗传算法的滤波器匹配方法及系统。


背景技术：

2.滤波器是由电容、电感和电阻组成的滤波电路。滤波器可以对电源线中特定频率的频点或该频点以外的频率进行有效滤除，得到一个特定频率的电源信号，或消除一个特定频率后的电源信号。而对于不同的应用场景所需要选择滤波器的参数信息不同，不同的参数信息对应着不同的滤波效果，如何选择与应用场景匹配度高的滤波器参数是现有技术中存在的问题。
3.本技术发明人在实现本技术实施例中发明技术方案的过程中，发现上述技术至少存在如下技术问题：现有技术中存在滤波器与应用场景匹配度不高，滤波效果差，匹配过程不智能的技术问题。


技术实现要素：

4.本发明旨在解决上述技术缺陷，通过提供一种基于遗传算法的滤波器匹配方法及系统，用以解决现有技术中存在滤波器与应用场景匹配度不高，滤波效果差，匹配过程不智能的技术问题。
5.为此，本发明第一个目的在于提出一种基于遗传算法的滤波器匹配方法，所述方法包括：获得滤波参数取值阈值；从所述滤波参数取值阈值中随机获得m个过滤系数，其中，m为正整数；根据遗传算法对所述m个过滤系数进行计算，获得m个预测曲线，其中，所述m个预测曲线与所述m个过滤系数一一对应；获得理想曲线；比较所述m个预测曲线与所述理想曲线，获得滤波参数，其中，所述滤波参数为对应预测曲线与所述理想曲线的相似度最大的滤波系数；判断所述滤波参数相对应的预测曲线与所述理想曲线的相似度是否满足相似度要求；当不满足时，重复从所述滤波参数取值阈值中随机获取m个过滤系数，直到满足所述相似度要求为止；根据所述滤波参数，获得滤波器信息。
6.优选的，所述获得理想曲线，包括：获得第一连接元件；根据所述第一连接元件，获得第一元件参数；获得第一电路；根据所述第一电路，获得第一参数连接网；根据所述第一参数连接网、所述第一元件参数，获得信号输入阈值；根据所述信号输入阈值，获得所述理想曲线。
7.优选的，所述方法包括：根据所述信号输入阈值、所述滤波参数取值阈值，获得匹配参数集合；依次将所述匹配参数集合中的匹配参数、所述第一参数连接网输入预测曲线模型，获得预测曲线集合；根据所述预测曲线集合，获得曲线偏差值；根据所述曲线偏差值，获得第一权重；根据所述匹配参数集合，获得第二权重；根据所述第一权重、所述第二权重，获得所述理想曲线。
8.优选的，所述方法应用于滤波器评估系统，所述系统包括滤波监测设备，所述滤波监测设备包括信号采集设备，所述方法包括：通过所述信号采集设备获得第一信号，所述第一信号为输入端信号；根据所述第一信号，获得第一信号分离结果；通过所述信号采集设备获得第二信号，所述第二信号为输出端信号；根据所述第二信号，获得第二信号分离结果；根据所述第一信号分离结果、所述第二信号分离结果，获得第一滤波信息；根据所述第一滤波信息、所述第一连接元件，获得第一干扰性；当所述第一干扰性满足第一预定条件时，确定所述滤波器信息。
9.优选的，所述方法包括：当所述第一干扰性不满足所述第一预定条件时，获得连接参数；判断所述连接参数是否满足第二预定条件；当不满足时，获得调节信息，所述调节信息用于调节所述连接参数。
10.优选的，所述判断所述连接参数是否满足第二预定条件之后，包括：当满足时，根据所述第一滤波信息，获得第一滤波参数；根据所述第一滤波参数，获得滤波器调整信息，所述滤波器调整信息用于根据所述第一滤波参数对所述录波器进行调整。
11.优选的，所述根据遗传算法对所述m个过滤系数进行计算，获得m个预测曲线，包括：分别获得m个过滤系数中每个过滤系数的波频特征图集合，所述波频特征图集合为m个，且，与所述m个过滤系数一一对应；分别对所述m个波频特征图集合中的所有波频特征图进行适应度计算，获得适应度集合，所述适应度集合为按照适应度从小到大排序；基于所述适应度，选择m个匹配特征集；对所述m个匹配特征集进行特征交叉、变异，获得m个预测曲线，所述m个预测曲线与所述m个过滤系数一一对应。
12.本发明第二个目的在于提供一种基于遗传算法的滤波器匹配系统，所述系统包括：第一获得单元，所述第一获得单元用于获得滤波参数取值阈值；第二获得单元，所述第二获得单元用于从所述滤波参数取值阈值中随机获得m个过滤系数，其中，m为正整数；第三获得单元，所述第三获得单元用于根据遗传算法对所述m个过滤系数进行计算，获得m个预测曲线，其中，所述m个预测曲线与所述m个过滤系数一一对应；第四获得单元，所述第四获得单元用于获得理想曲线；第五获得单元，所述第五获得单元用于比较所述m个预测曲线与所述理想曲线，获得滤波参数，其中，所述滤波参数为对应预测曲线与所述理想曲线的相似度最大的滤波系数；第一判断单元，所述第一判断单元用于判断所述滤波参数相对应的预测曲线与所述理想曲线的相似度是否满足相似度要求；第六获得单元，所述第六获得单元用于当不满足时，重复从所述滤波参数取值阈值中随机获取m个过滤系数，直到满足所述相似度要求为止；第七获得单元，所述第七获得单元用于根据所述滤波参数，获得滤波器信息。
13.本发明第三个目的在于提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法。
14.本技术实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：
1.本发明实施例提供的一种基于遗传算法的滤波器匹配方法及系统，通过获得滤波参数取值阈值；从所述滤波参数取值阈值中随机获得m个过滤系数，其中，m为正整数；根据遗传算法对所述m个过滤系数进行计算，获得m个预测曲线，其中，所述m个预测曲线与所述m个过滤系数一一对应；获得理想曲线；比较所述m个预测曲线与所述理想曲线，获得滤波参数，其中，所述滤波参数为对应预测曲线与所述理想曲线的相似度最大的滤波系数；判断所述滤波参数相对应的预测曲线与所述理想曲线的相似度是否满足相似度要求；当不满足时，重复从所述滤波参数取值阈值中随机获取m个过滤系数，直到满足所述相似度要求为止；根据所述滤波参数，获得滤波器信息。解决了现有技术中存在滤波器与应用场景匹配度不高，滤波效果差，匹配过程不智能的技术问题。
15.2.本发明实施例提供的一种基于遗传算法的滤波器匹配方法及系统，通过获得第一连接元件；根据所述第一连接元件，获得第一元件参数；获得第一电路；根据所述第一电路，获得第一参数连接网；根据所述第一参数连接网、所述第一元件参数，获得信号输入阈值；根据所述信号输入阈值，获得所述理想曲线。达到了利用滤波对象即第一连接元件的电路连接特征和参数要求针对性进行工作信号的分析，利用工作信号进行滤波处理要求的匹配，更加贴合滤波要求，提高滤波器匹配性的技术效果。
16.3.本发明实施例提供的一种基于遗传算法的滤波器匹配方法及系统，通过当所述第一干扰性不满足所述第一预定条件时，获得连接参数；判断所述连接参数是否满足第二预定条件；当不满足时，获得调节信息，所述调节信息用于调节所述连接参数，达到了利用连接参数进行滤波器匹配性的分析，避免滤波器外的因素影响滤波效果盲目更换滤波器而造成的资源浪费或滤波效果仍无法实现的技术效果，从而进一步的解决了现有技术中存在滤波器与应用场景匹配度不高，滤波效果差，匹配过程不智能的技术问题。
17.上述说明仅是本技术技术方案的概述，为了能够更清楚了解本技术的技术手段，而可依照说明书的内容予以实施，并且为了让本技术的上述和其它目的、特征和优点能够更明显易懂，以下特举本技术的具体实施方式。
附图说明
18.图1为本技术实施例一种基于遗传算法的滤波器匹配方法的流程示意图；图2为本技术实施例一种基于遗传算法的滤波器匹配方法中根据所述信号输入阈值获得所述理想曲线的流程示意图；图3为本技术实施例一种基于遗传算法的滤波器匹配方法中根据权重获得所述理想曲线的流程示意图；图4为本技术实施例一种基于遗传算法的滤波器匹配方法中确定所述滤波器信息的流程示意图；图5为本技术实施例一种基于遗传算法的滤波器匹配方法中判断所述连接参数是否满足第二预定条件的流程示意图；图6为本技术实施例一种基于遗传算法的滤波器匹配系统的结构示意图；图7为本技术实施例示例性电子设备的结构示意图。
19.附图标记说明：第一获得单元11，第二获得单元12，第三获得单元13，第四获得单元14，第五获得单元15，第一判断单元16，第六获得单元17，第七获得单元18，电子设备300，
存储器301，处理器302，通信接口303，总线架构304。
具体实施方式
20.下面详细描述本发明的实施例，实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。相反，本发明的实施例包括落入所附加权利要求书的精神和内涵范围内的所有变化、修改和等同物。
21.在本发明的描述中，需要说明的是流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
22.下面参考附图描述根据本发明实施例的一种基于遗传算法的滤波器匹配方法。
23.本技术的技术方案为：获得滤波参数取值阈值；从所述滤波参数取值阈值中随机获得m个过滤系数，其中，m为正整数；根据遗传算法对所述m个过滤系数进行计算，获得m个预测曲线，其中，所述m个预测曲线与所述m个过滤系数一一对应；获得理想曲线；比较所述m个预测曲线与所述理想曲线，获得滤波参数，其中，所述滤波参数为对应预测曲线与所述理想曲线的相似度最大的滤波系数；判断所述滤波参数相对应的预测曲线与所述理想曲线的相似度是否满足相似度要求；当不满足时，重复从所述滤波参数取值阈值中随机获取m个过滤系数，直到满足所述相似度要求为止；根据所述滤波参数，获得滤波器信息。解决了现有技术中存在滤波器与应用场景匹配度不高，滤波效果差，匹配过程不智能的技术问题。
24.实施例一如图1所示，本技术实施例提供了一种基于遗传算法的滤波器匹配方法，所述方法包括：步骤s100获得滤波参数取值阈值；具体而言，滤波参数取值阈值是滤波器过滤性能的过滤参数可选范围，为了适应不同使用环境、使用位置和滤波要求，滤波器分为多种参数，如工业用、军用等，其性能要求不同，同时对于不同的滤波要求，按所通过信号的频段分为低通、高通、带通、带阻和全通滤波器等。其中，低通滤波器：它允许信号中的低频或直流分量通过，抑制高频分量或干扰和噪声；高通滤波器：它允许信号中的高频分量通过，抑制低频或直流分量；带通滤波器：它允许一定频段的信号通过，抑制低于或高于该频段的信号、干扰和噪声；带阻滤波器：它抑制一定频段内的信号，允许该频段以外的信号通过，又称为陷波滤波器；全通滤波器：全通滤波器是指在全频带范围内，信号的幅值不会改变，也就是全频带内幅值增益恒等于1。一般全通滤波器用于移相，也就是说，对输入信号的相位进行改变，理想情况是相移与频率成正比，相当于一个时间延时系统。对于不同的滤波频段划分对应了不同的参数范围及对应的过滤效果，将目前市面上所有滤波器或者给定的多个滤波器对应的过滤参数进行综合分析，确定滤波参数可以选择的范围区间即为滤波参数取值阈值。
25.步骤s200从所述滤波参数取值阈值中随机获得m个过滤系数，其中，m为正整数；具体而言，由于滤波参数取值阈值中存在了多种参数选择即对应多种过滤系数，
如何从这些过滤系数中选择其中与滤波使用要求最贴合的过滤系数，本技术实施例采用了遗传算法，基于遗传算法不断在解空间内不断随机搜索，在搜索过程中不断优化找寻更优解的特征，这与进行滤波器匹配过程中相贴合，首先从滤波参数取值阈值中随机抽取任意m个过滤系数，以作为初步选择的参数进行求解处理，即对应了遗传算法中选择操作的过程。
26.步骤s300根据遗传算法对所述m个过滤系数进行计算，获得m个预测曲线，其中，所述m个预测曲线与所述m个过滤系数一一对应；进一步的，所述根据遗传算法对所述m个过滤系数进行计算，获得m个预测曲线，步骤s300包括：步骤s310分别获得m个过滤系数中每个过滤系数的波频特征图集合，所述波频特征图集合为m个，且，与所述m个过滤系数一一对应；步骤s320分别对所述m个波频特征图集合中的所有波频特征图进行适应度计算，获得适应度集合，所述适应度集合为按照适应度从小到大排序；步骤s330基于所述适应度，选择m个匹配特征集；步骤s340对所述m个匹配特征集进行特征交叉、变异，获得m个预测曲线，所述m个预测曲线与所述m个过滤系数一一对应。
27.具体而言，利用遗传算法对于m个过滤系数中的每个过滤系数分别进行过滤效果预测曲线的计算，得到每个过滤系数对应的预测曲线，从而得到对应的m个预测曲线，所述预测曲线为过滤系数对应的滤波器预测过滤处理后得到的波频变化曲线。具体的，针对m个过滤系数中的每一个过滤系数对应的波频特征图集合进行计算分析，波频特征图集合包括了多种过滤波频走势曲线，由于不同的使用环境都会影响到滤波的效果，从中选择其中最符合过滤系数的波频特征图实现对该过滤系数的曲线预测，通过计算各个波频特征图的个体适应度，适应度是表示某一个体对环境的适应能力，也表示该个体繁殖后代的能力。遗传算法的适应度函数也叫评价函数，是用来判断群体中的个体的优劣程度的指标，它是根据所求问题的目标函数来进行评估的。对计算得到的个体适应度进行从小到大的排序，从中选择适应度高的波频特征图进行特征分析，得到其中满足过滤系数要求的特征信息，继续遗传，然后对这部分波频特征图得到的特征进行交叉操作、变异操作，交叉操作即按照遗传的特征可以从不同的波频特征图中选择其中一部分特征与其他波频特征图中选择其他特征进行交叉遗传，将符合要求的遗传特征进行交叉和变异优化，以使得最后确定出最为符合过滤系数要求的过滤效果曲线即为预测曲线，依次得到每个过滤系数的预测曲线，即m个预测曲线，且与m个过滤系数为一一对应的，遗传算法在使用时直接对结构对象进行操作，不存在求导和函数连续性的限定，并且具有内在的隐并行性和更好的全局寻优能力，采用概率化的寻优方法，不需要确定规则就能自动获取和指导优化的搜索空间，自适应地调整搜索方向，通过遗传算法对波频变化过程的预测，提高了预测的准确性和计算效率，具有在计算过程中不断地产生新的解，并保留更优解的算法，其实现难度较低，并且能够在短时间内获得较为满意的结果的技术效果。
28.步骤s400获得理想曲线；进一步的，请参考图2所示，所述获得理想曲线，步骤s400包括：步骤s410获得第一连接元件；步骤s420根据所述第一连接元件，获得第一元件参数；
步骤s430获得第一电路；步骤s440根据所述第一电路，获得第一参数连接网；步骤s450根据所述第一参数连接网、所述第一元件参数，获得信号输入阈值；步骤s460根据所述信号输入阈值，获得所述理想曲线。
29.具体而言，理想曲线为滤波器使用对象要求达到的波频走势要求，即需要过滤到哪些波频曲线，使得波形达到理想曲线可以提高元件的性能和工作效率。由于理想曲线是满足滤波器使用对象的滤波要求，因而需要结合使用对象即第一连接元件的结构特征、使用环境和参数要求，第一元件参数是对第一连接元件性能的描述，如规格参数：标称值、允许偏差值、精度等级额定值、极限值等，质量参数：温度系数、高频特性、可靠性等，功率大小等，不同的元件参数存在着对滤波效果的要求不同，如有些元件的偏差值允许量小，则滤波的效果要求就高，第一电路为第一连接元件相关的电路连接关系，通过第一电路可以掌握第一连接元件相关其他电子产品的信号情况和参数信息。将第一电路中所有连接元件的参数关系进行连接形成一个电子元件的参数连接网即第一参数连接网，通过参数连接网对电路中参数之间是影响程度和关系进行具象分析，不同的元件参数对应在电路中会产生不同的波频干扰，会对第一连接元件的使用环境造成影响，如何实现第一连接元件的理想曲线呢，需要结合第一电路中其他元件的参数来综合确定，通过第一参数连接网可以得到哪些参数对于第一连接元件的输入信号产生影响多大的影响，通过电路连接方式可以确定该信号影响与第一连接元件的影响关系，如并联关系，连接距离为2米时电路中的第一电阻对第一连接元件的信号影响性与串联关系连接距离为1米对第一连接元件的信号影响性不同，通过参数连接网进行各个元件信号影响性的具象分析，再结合第一连接元件自身的参数要求，得到第一连接元件的信号输入阈值，信号输入阈值用来反应第一连接元件在第一电路中达到其对应的参数要求应该输入的最佳信号范围，最后基于信号输入阈值来确定保证其工作性能的理想曲线，从而实现了在整个电路中确保其他元件影响的条件下依然可以保证第一连接元件的性能要求。
30.步骤s500比较所述m个预测曲线与所述理想曲线，获得滤波参数，其中，所述滤波参数为对应预测曲线与所述理想曲线的相似度最大的滤波系数；步骤s600判断所述滤波参数相对应的预测曲线与所述理想曲线的相似度是否满足相似度要求；步骤s700当不满足时，重复从所述滤波参数取值阈值中随机获取m个过滤系数，直到满足所述相似度要求为止；步骤s800根据所述滤波参数，获得滤波器信息。
31.具体而言，利用m个过滤系数对应的预测曲线分别与所述理想曲线进行比对，得到其中与理想曲线最为贴合的即相似度最大的预测曲线，与该预测曲线相对应的滤波系数即选为滤波参数，由于该滤波系数是在随机选择的m个滤波系数中与理性曲线最为贴合的，是否为最佳答案，需要进行相似度的判断，相似度要求根据使用的要求可以进行设定，视滤波器使用的元件、环境而定，通常设定值为80
‑
95%，也可以更高，若所述滤波参数相对应的预测曲线符合所述理想曲线的相似度要求，则确定该过滤系数作为滤波参数，若不符合，则重复从滤波参数取值阈值中重新获得m个过滤系数，重复执行步骤s300
‑
s600，直到找到过滤系数的预测曲线与理想曲线的相似度满足相似度要求为止，将该过滤系数作为滤波参数来
进行滤波器的选择，确定的滤波器信息即为最贴合使用要求的，能够实现滤波处理后的信号输入与第一连接元件的信号输入要求相匹配，确保滤波器处理对应的性能，避免受到干扰波频的影响而影响工作效果，匹配过程利用遗传算法的不断求优的特征，具有提高匹配效率和准确性、智能化程度高的技术效果，解决了现有技术中存在滤波器与应用场景匹配度不高，滤波效果差，匹配过程不智能的技术问题。
32.进一步的，如图3所示，所述方法包括：步骤s910根据所述信号输入阈值、所述滤波参数取值阈值，获得匹配参数集合；步骤s920依次将所述匹配参数集合中的匹配参数、所述第一参数连接网输入预测曲线模型，获得预测曲线集合；步骤s930根据所述预测曲线集合，获得曲线偏差值；步骤s940根据所述曲线偏差值，获得第一权重；步骤s950根据所述匹配参数集合，获得第二权重；步骤s960根据所述第一权重、所述第二权重，获得所述理想曲线。
33.进一步的，所述依次将所述匹配参数集合中的匹配参数、所述第一参数连接网输入预测曲线模型，获得预测曲线集合，步骤s920包括：步骤s921依次将所述匹配参数集合中的匹配参数、所述第一参数连接网输入所述预测曲线模型，所述预测曲线模型为通过多组训练数据经过训练收敛获得，其中，每组训练数据均包括匹配参数、第一参数连接网以及标识预测曲线的标识信息；步骤s922获得所述预测曲线模型的输出结果，所述输出结果包括预测曲线，所述预测曲线用于表示与输入的所述匹配参数、第一参数连接网相对应的预测曲线信息，基于得到的所有预测曲线，获得所述预测曲线集合。
34.具体而言，为了进一步优化理想曲线，本技术实施例通过信号输入阈值与滤波参数取值阈值进行滤波器匹配参数的筛选，在筛选过程中还可以结合使用的环境如工业、军用等，可以有效缩小范围，由于信号输入阈值存在范围区间，如何在该范围区间内找到理想的信号输入呢，如在信号输入阈值的范围内可以选择与阈值满足的最小参数，或者选择较大的参数，对于较大参数的滤波的效果更好，精度更好，但是相对应的成本也会高，为了得到最贴合的理想曲线，利用匹配参数集合中的匹配参数与第一参数连接网进行过滤效果的预测，将预测的过滤效果与匹配参数之间进行效果分析，过滤效果偏差不大，则说明大的参数并没有起到较好的过滤效果，利用过滤曲线即过滤效果的偏差值的大小权重即第一权重，和匹配参数差距之间的权重即第二权重进行计算，得到其中最为贴合的理想曲线，即滤波效果满足输入信号阈值要求，且滤波参数也不会因过大而存在造成资源浪费的情况，为了确保预测曲线的准确性，本技术实施例加入了神经网络模型，预测曲线模型即为机器学习中的神经网络模型，神经网络(neural networks，nn)是由大量的、简单的处理单元（称为神经元）广泛地互相连接而形成的复杂神经网络系统，它反映了人脑功能的许多基本特征，是一个高度复杂的非线性动力学习系统。神经网络模型是以神经元的数学模型为基础来描述的。人工神经网络（artificial neural networks，ann），是对人类大脑系统的一阶特性的一种描述。简单地讲，它是一个数学模型。通过大量训练数据的训练，将所述匹配参数、第一参数连接网输入神经网络模型，则输出预测曲线。
35.更进一步而言，所述训练的过程实质为监督学习的过程，每一组监督数据均包括
匹配参数、第一参数连接网以及标识预测曲线的标识信息，将所述匹配参数、第一参数连接输入到神经网络模型中，根据用来标识预测曲线的标识信息，所述神经网络模型进行不断的自我修正、调整，直至获得的输出结果与所述标识信息一致，则结束本组数据监督学习，进行下一组数据监督学习；当所述神经网络模型的输出信息达到预定的准确率/达到收敛状态时，则监督学习过程结束。通过对所述神经网络模型的监督学习，进而使得所述神经网络模型处理所述输入信息更加准确，进而使得输出的预测曲线更加合理、准确，进而达到提升预测曲线准确性，提高运算效率的技术效果，为后续进行滤波器参数的准确匹配夯实了基础。
36.进一步的，如图4所示，所述方法应用于滤波器评估系统，所述系统包括滤波监测设备，所述滤波监测设备包括信号采集设备，所述方法包括：步骤s1010通过所述信号采集设备获得第一信号，所述第一信号为输入端信号；步骤s1020根据所述第一信号，获得第一信号分离结果；步骤s1030通过所述信号采集设备获得第二信号，所述第二信号为输出端信号；步骤s1040根据所述第二信号，获得第二信号分离结果；步骤s1050根据所述第一信号分离结果、所述第二信号分离结果，获得第一滤波信息；步骤s1060根据所述第一滤波信息、所述第一连接元件，获得第一干扰性；步骤s1070当所述第一干扰性满足第一预定条件时，确定所述滤波器信息。
37.具体而言，利用滤波监测设备中的信号采集设备对输入端信息进行采集，所述输入端即滤波器的信号输入端，第一信号为在输入端采集到的信号，其中为未进行滤波处理的原始信号，因而存在干扰信号和传输信号，通过对第一信号进行波频的分离，得到其中存在的所有信号波频，如采用emd、小波分解等方法，将第一信号中不同波频的信号进行分离，第一信号分离结果即为分离后的信号集合，同时对滤波器的输出端进行信号采集，得到第二信号，并对第二信号进行分离，得到第二信号分离结果，第二信号分离结果用来反应过滤后剩下的波频信息，通过将第一信号分离结果与第二信号分离结果比对，得到其中被过滤的波频信息作为第一滤波信息，对于不同的电子元件存在不同的干扰波频，如有些元件对于高频的干扰性大，有些则对低频的干扰性大，如果过滤掉的第一滤波信息对第一连接元件具有干扰性则表明该滤波器过滤效果达到，若第一滤波信息中没有将对第一连接元件有干扰的波频进行过滤，则表明选择的滤波器并不满足第一连接元件的使用要求，需要进行调整。达到了利用滤波信号的分离分析，进一步确保滤波器匹配性的技术效果。同时还可以利用第二信号分离结果与第一连接元件进行干扰性分析，得到其中是否依然存在对第一连接元件造成干扰的波频，若依然存在则同样表明该滤波器不符合第一连接元件的滤波要求，利用第一滤波信息的干扰信号与第二信号分离结果的干扰信号进行计算，得到滤波器的过滤效率，若过滤效果达到了预定的过滤效果则确定该滤波器符合要求，若过滤效果低即过滤后依然有较大的干扰信号，则该滤波器不符合第一连接元件的要求，实现多方位多角度进行信号过滤效果的评价，进一步对滤波器的匹配性进行分析的技术效果。
38.进一步的，如图5所示，所述方法包括：步骤s1110当所述第一干扰性不满足所述第一预定条件时，获得连接参数；步骤s1120判断所述连接参数是否满足第二预定条件；
步骤s1130当不满足时，获得调节信息，所述调节信息用于调节所述连接参数。
39.进一步的，所述判断所述连接参数是否满足第二预定条件之后，包括：步骤s1140当满足时，根据所述第一滤波信息，获得第一滤波参数；步骤s1150根据所述第一滤波参数，获得滤波器调整信息，所述滤波器调整信息用于根据所述第一滤波参数对所述录波器进行调整。
40.具体而言，所述连接参数是指与滤波器进行连接的元件的参数信息、输入线长度以及连接方式等信息，当第一干扰性不满足所述第一预定条件时，对其不满足的原因进行进一步的分析。比如滤波器的安装位置距离电源线入口较远，造成引线太长，设备产生的电磁骚扰通过电容性或电感性耦合，重新耦合到电源线上，而且骚扰信号的频率越高，耦合越强，造成实验失败；将机箱内的线缆困扎在一起，但传输线之间存在分布电容，会导致滤波器性能大幅下降。所述第二预定条件是指连接参数对滤波器不会产生干扰，不会对其性能造成影响。对所述连接参数与第二预定条件进行判断，若所述连接参数不满足第二预定条件，则表明连接参数中存在着影响滤波效果的因素，则可以对其进行调整，通过具体不满足的原因进而获得相对应的调节信息，用来对连接参数进行调整，使其减小安装方式带来的干扰，进而使滤波效果得到更大的发挥。若满足第二预定条件，说明连接参数均符合要求，不存在由于连接参数的影响而造成的滤波效果不佳，此时则需要通过调节滤波器来实现改变滤波效果了。达到了利用连接参数进行滤波器匹配性的分析，避免滤波器外的因素影响滤波效果盲目更换滤波器而造成的资源浪费或滤波效果仍无法实现的技术效果，从而进一步的解决了现有技术中存在滤波器与应用场景匹配度不高，滤波效果差，匹配过程不智能的技术问题。
41.实施例二基于与前述实施例中一种基于遗传算法的滤波器匹配方法同样发明构思，本发明还提供了一种基于遗传算法的滤波器匹配系统，如图6所示，所述系统包括：第一获得单元11，所述第一获得单元11用于获得滤波参数取值阈值；第二获得单元12，所述第二获得单元12用于从所述滤波参数取值阈值中随机获得m个过滤系数，其中，m为正整数；第三获得单元13，所述第三获得单元13用于根据遗传算法对所述m个过滤系数进行计算，获得m个预测曲线，其中，所述m个预测曲线与所述m个过滤系数一一对应；第四获得单元14，所述第四获得单元14用于获得理想曲线；第五获得单元15，所述第五获得单元15用于比较所述m个预测曲线与所述理想曲线，获得滤波参数，其中，所述滤波参数为对应预测曲线与所述理想曲线的相似度最大的滤波系数；第一判断单元16，所述第一判断单元16用于判断所述滤波参数相对应的预测曲线与所述理想曲线的相似度是否满足相似度要求；第六获得单元17，所述第六获得单元17用于当不满足时，重复从所述滤波参数取值阈值中随机获取m个过滤系数，直到满足所述相似度要求为止；第七获得单元18，所述第七获得单元18用于根据所述滤波参数，获得滤波器信息。
42.进一步的，所述系统还包括：第八获得单元，所述第八获得单元用于获得第一连接元件；
第九获得单元，所述第九获得单元用于根据所述第一连接元件，获得第一元件参数；第十获得单元，所述第十获得单元用于获得第一电路；第十一获得单元，所述第十一获得单元用于根据所述第一电路，获得第一参数连接网；第十二获得单元，所述第十二获得单元用于根据所述第一参数连接网、所述第一元件参数，获得信号输入阈值；第十三获得单元，所述第十三获得单元用于根据所述信号输入阈值，获得所述理想曲线。
43.进一步的，所述系统还包括：第十四获得单元，所述第十四获得单元用于根据所述信号输入阈值、所述滤波参数取值阈值，获得匹配参数集合；第十五获得单元，所述第十五获得单元用于依次将所述匹配参数集合中的匹配参数、所述第一参数连接网输入预测曲线模型，获得预测曲线集合；第十六获得单元，所述第十六获得单元用于根据所述预测曲线集合，获得曲线偏差值；第十七获得单元，所述第十七获得单元用于根据所述曲线偏差值，获得第一权重；第十八获得单元，所述第十八获得单元用于根据所述匹配参数集合，获得第二权重；第十九获得单元，所述第十九获得单元用于根据所述第一权重、所述第二权重，获得所述理想曲线。
44.进一步的，所述系统还包括：第二十获得单元，所述第二十获得单元用于通过所述信号采集设备获得第一信号，所述第一信号为输入端信号；第二十一获得单元，所述第二十一获得单元用于根据所述第一信号，获得第一信号分离结果；第二十二获得单元，所述第二十二获得单元用于通过所述信号采集设备获得第二信号，所述第二信号为输出端信号；第二十三获得单元，所述第二十三获得单元用于根据所述第二信号，获得第二信号分离结果；第二十四获得单元，所述第二十四获得单元用于根据所述第一信号分离结果、所述第二信号分离结果，获得第一滤波信息；第二十五获得单元，所述第二十五获得单元用于根据所述第一滤波信息、所述第一连接元件，获得第一干扰性；第一确定单元，所述第一确定单元用于当所述第一干扰性满足第一预定条件时，确定所述滤波器信息。
45.进一步的，所述系统还包括：第二十六获得单元，所述第二十六获得单元用于当所述第一干扰性不满足所述第一预定条件时，获得连接参数；
第二判断单元，所述第二判断单元用于判断所述连接参数是否满足第二预定条件；第二十七获得单元，所述第二十七获得单元用于当不满足时，获得调节信息，所述调节信息用于调节所述连接参数。
46.进一步的，所述系统还包括：第二十八获得单元，所述第二十八获得单元用于当满足时，根据所述第一滤波信息，获得第一滤波参数；第二十九获得单元，所述第二十九获得单元用于根据所述第一滤波参数，获得滤波器调整信息，所述滤波器调整信息用于根据所述第一滤波参数对所述滤波器进行调整。
47.进一步的，所述系统还包括：第三十获得单元，所述第三十获得单元用于分别获得m个过滤系数中每个过滤系数的波频特征图集合，所述波频特征图集合为m个，且，与所述m个过滤系数一一对应；第三十一获得单元，所述第三十一获得单元用于分别对所述m个波频特征图集合中的所有波频特征图进行适应度计算，获得适应度集合，所述适应度集合为按照适应度从小到大排序；第一选择单元，所述第一选择单元用于基于所述适应度，选择m个匹配特征集；第三十二获得单元，所述第三十二获得单元用于对所述m个匹配特征集进行特征交叉、变异，获得m个预测曲线，所述m个预测曲线与所述m个过滤系数一一对应。
48.前述图1实施例一中的一种基于遗传算法的滤波器匹配方法的各种变化方式和具体实例同样适用于本实施例的一种基于遗传算法的滤波器匹配系统，通过前述对一种基于遗传算法的滤波器匹配方法的详细描述，本领域技术人员可以清楚的知道本实施例中一种基于遗传算法的滤波器匹配系统的实施方法，所以为了说明书的简洁，在此不再详述。
49.下面参考图7来描述本技术实施例的电子设备。
50.图7图示了根据本技术实施例的电子设备的结构示意图。
51.基于与前述实施例中一种基于遗传算法的滤波器匹配方法的发明构思，本发明还提供一种计算机设备，其上存储有计算机程序，该程序被处理器执行时实现前文所述一种基于遗传算法的滤波器匹配方法的任一方法的步骤。
52.其中，在图7中，总线架构（用总线300来代表），总线300可以包括任意数量的互联的总线和桥，总线300将包括由处理器302代表的一个或多个处理器和存储器304代表的存储器的各种电路链接在一起。总线300还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口305在总线300和接收器301和发送器303之间提供接口。接收器301和发送器303可以是同一个元件，即收发机，提供用于在传输介质上与各种其他系统通信的单元。
53.处理器302负责管理总线300和通常的处理，而存储器304可以被用于存储处理器302在执行操作时所使用的数据。
54.本技术实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：本发明实施例提供的一种基于遗传算法的滤波器匹配方法及系统，通过获得滤波参数取值阈值；从所述滤波参数取值阈值中随机获得m个过滤系数，其中，m为正整数；根据遗传算法对所述m个过滤系数进行计算，获得m个预测曲线，其中，所述m个预测曲线与所述m
个过滤系数一一对应；获得理想曲线；比较所述m个预测曲线与所述理想曲线，获得滤波参数，其中，所述滤波参数为对应预测曲线与所述理想曲线的相似度最大的滤波系数；判断所述滤波参数相对应的预测曲线与所述理想曲线的相似度是否满足相似度要求；当不满足时，重复从所述滤波参数取值阈值中随机获取m个过滤系数，直到满足所述相似度要求为止；将该过滤系数作为滤波参数来进行滤波器的选择，确定的滤波器信息即为最贴合使用要求的，能够实现滤波处理后的信号输入与滤波使用对象的信号输入要求即理想曲线相匹配，确保滤波器处理对应的性能，避免受到干扰波频的影响而影响工作效果，匹配过程利用遗传算法的不断求优的特征，具有提高匹配效率和准确性、智能化程度高的技术效果，解决了现有技术中存在滤波器与应用场景匹配度不高，滤波效果差，匹配过程不智能的技术问题。
55.本领域普通技术人员可以理解：本技术中涉及的第一、第二等各种数字编号仅为描述方便进行的区分，并不用来限制本技术实施例的范围，也不表示先后顺序。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。“至少一个”是指一个或者多个。至少两个是指两个或者多个。“至少一个”、“任意一个”或其类似表达，是指的这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a ,b,或c中的至少一项(个、种)，可以表示：a ,b,c,ab,ac,b c,或a b c，其中a,b,c可以是单个，也可以是多个。
56.在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本技术实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线或无线方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包括一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质、光介质、或者半导体介质等。
57.本技术实施例中所描述的各种说明性的逻辑单元和电路可以通过通用处理器，数字信号处理器，专用集成电路(asic)，现场可编程门阵列(fpga)或其它可编程逻辑装置，离散门或晶体管逻辑，离散硬件部件，或上述任何组合的设计来实现或操作所描述的功能。通用处理器可以为微处理器，可选地，该通用处理器也可以为任何传统的处理器、控制器、微控制器或状态机。处理器也可以通过计算装置的组合来实现，例如数字信号处理器和微处理器，多个微处理器，一个或多个微处理器联合一个数字信号处理器核，或任何其它类似的配置来实现。
58.本技术实施例中所描述的方法或算法的步骤可以直接嵌入硬件、处理器执行的软件单元、或者这两者的结合。软件单元可以存储于ram存储器、闪存、rom存储器、eprom存储器、eeprom存储器、寄存器、硬盘、可移动磁盘、cd rom或本领域中其它任意形式的存储媒介
中。示例性地，存储媒介可以与处理器连接，以使得处理器可以从存储媒介中读取信息，并可以向存储媒介存写信息。可选地，存储媒介还可以集成到处理器中。处理器和存储媒介可以设置于asic中，asic可以设置于终端中。可选地，处理器和存储媒介也可以设置于终端中的不同的部件中。这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
59.尽管结合具体特征及其实施例对本技术进行了描述，显而易见的，在不脱离本技术的精神和范围的情况下，可对其进行各种修改和组合。
60.相应地，本说明书和附图仅仅是所附权利要求所界定的本技术的示例性说明，且视为已覆盖本技术范围内的任意和所有修改、变化、组合或等同物。显然，本领域的技术人员可以对本技术进行各种改动和变型而不脱离本技术的范围。这样，倘若本技术的这些修改和变型属于本技术权利要求及其等同技术的范围之内，则本技术意图包括这些改动和变型在内。