买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：中兴通讯股份有限公司

摘要：本发明提供了一种FIR滤波器设计解的获取方法及装置，其中，该方法包括：以有限长单位冲激响应FIR作为粒子建立粒子群，其中，该粒子群中至少包括N个粒子；设置每一个FIR在设计解空间的每一维上都向不同的典范FIR学习，其中，该设计解空间由多个抽头系数组成，每一抽头系数代表一维，该典范FIR为该粒子群中满足预设条件的M个FIR，M小于等于N；M，N为正整数；根据学习结果，确定该FIR滤波器的设计解。通过本发明，解决了相关技术中的设计的FIR滤波器无法校正群延时波动带来的信号失真的问题，充分利用了CL‑PSO的搜索空间，寻找到满足预设指标要求的更优的设计解，后续设计的FIR滤波器大幅降低了群延时波动。

主权项：1.一种FIR滤波器设计解的获取方法，其特征在于，包括：以有限长单位冲激响应FIR作为粒子建立粒子群，其中，所述粒子群中至少包括N个粒子；设置每一个FIR在设计解空间的每一维上都向不同的典范FIR学习，其中，所述设计解空间由多个抽头系数组成，每一抽头系数代表一维，所述典范FIR为所述粒子群中满足预设条件的M个FIR，M小于等于N；M，N为正整数；根据学习结果，确定所述FIR滤波器的设计解，包括以下步骤：步骤一，通过综合学习的粒子群优化算法CL-PSO算法生成N个FIR的抽头系数向量步骤二，设置N个全零元向量，作为所述N个FIR的抽头系数向量的更新速度向量；步骤三，依据第一预设规则为所述N个FIR分配学习能力；步骤四，依据所述抽头系数向量获取所述N个FIR的适应度值fitnessn；步骤五，将所述N个抽头系数向量中，第n个FIR的抽头系数向量赋给第n个FIR的历史最佳抽头系数向量将所述fitnessn赋给第n个FIR的历史最佳适应度值记录变量pBestFitn；置每个FIR的历史最佳适应度连续无改善次数的计数器intvn＝0其中，n属于1至N中的整数；步骤六，选取所述适应度值由大到小排序后的前M名的FIR的历史最佳抽头系数向量列入典范FIR，将所述典范FIR中排名第一的FIR的抽头系数向量赋给全局最优FIR抽头系数向量记录变量将所述对应的fitnessn*赋给全局最优FIR的适应度记录变量gBestFit；步骤七，在确定当前已经向典范FIR学习的次数t未超过阈值，且在当前全局最优FIR适应度值gBestFit达到预设指标要求的情况下，确认当前全局最优FIR抽头系数向量为FIR设计解；在所述gBestFit没有达到所述预设指标要求的情况下，计算第t次的搜索惯性权重；步骤八，在确定当前第n个FIR的所述计数器的值超过阈值的情况下，在所述N个FIR的逐个FIR中，依据典范FIR中的FIR更新所述第n个FIR的历史最佳抽头系数向量步骤九，在所述N个FIR的逐个FIR中，逐抽头地依据第二预设规则获取所述第n个FIR第d个抽头的更新速度vdn，依据所述更新速度更新所述第n个FIR第d个抽头系数；步骤十，在确定新的历史最佳适应度值大于全局最优适应度值的情况下，确定所述新的历史最佳适应度值为新的全局最优适应度值，以及确定所述新的全局最优适应度值对应的抽头系数向量为所述FIR设计解；其中，所述步骤七包括根据以下方式之一确定所述搜索惯性权重：设置所述搜索惯性权重的参数方式为自适应方式，依据以下公式确定当前第t次的搜索惯性权重其中，modt,T表示t对T求余数操作；设置所述搜索惯性权重ω的参数方式为固定方式。

全文数据：FIR滤波器设计解的获取方法及装置技术领域本发明涉及通信领域，具体而言，涉及一种FIR滤波器设计解的获取方法及装置。背景技术在相关技术中，通信系统的非基带部分常常会有很多模拟滤波器，它们是由电阻、电容和电感构造的滤波电路，受限于材料水平和电子元器件的精度，它们无法像基带部分的数字滤波器那样可以很容易达到严格线性相位的要求，这也就导致了群延时失真的普遍存在。为了满足一直指数飙升的通信业务尤其是数字业务的需要，通信系统的带宽不断加大，例如：微波系统中E-band最大带宽已达2G；而第5代移动通信系统5G系统规划的最大带宽也已达80M。而当带宽越宽，为了克服无法避免的频率选择性衰落，因此需要的滤波器阶数就要越高；而越高阶数的模拟滤波器，理论上各频点的群延时一致性就越难以保证；换言之，群延时波动就越显著；从而导致叠加后的信号偏离原合成信号的畸变或失真程度越严重，成为制约通信系统性能的关键瓶颈。考虑到通信系统收、发端模拟滤波器的电路结构RLC电路，可以称为电阻R电感L电容C电路一旦确定，其群延时波动特性也即确定；换言之，由此波动特性造成的信号畸变作用也即确定，并不会实时地发生变化。而通信系统中这类由器件造成的稳定的信号失真还有很多；因此，设计各种有限长单位冲激响应滤波器FiniteImpulseResponse，简称为FIR滤波器去校正此类失真也就非常必要。然而，传统的FIR滤波器设计通常只会关注通带和阻带的幅频特性；例如：以等波纹准则设计通带的幅频特性，基于最小均方误差准则设计阻带的幅频特性；而为数不多的添加相频响应约束，甚至考虑群延时特性约束的设计方法，又只能设计出各频点为相同常数群延时特性的FIR，无法校正群延时波动带来的信号失真。此外，传统FIR设计多由经典模型获得，依靠不断调整参数来达到要求的频率特性，所以先天地受限于经典模型自身固有的特性；而多参数的摸索调试本身也是一件非常耗时耗力的非自动化的过程。综上，以往的FIR滤波器的各种设计方法，基本上都无法满足新的设计需求和要求。针对相关技术中的设计的FIR滤波器无法校正群延时波动带来的信号失真的问题，目前还没有有效的解决方案。发明内容本发明实施例提供了一种FIR滤波器设计解的获取方法及装置，以至少解决相关技术中的设计的FIR滤波器无法校正群延时波动带来的信号失真的问题。根据本发明的一个实施例，提供了一种FIR滤波器设计解的获取方法，包括：以有限长单位冲激响应FIR作为粒子建立粒子群，其中，所述粒子群中至少包括N个粒子；设置每一个FIR在设计解空间的每一维上都向不同的典范FIR学习，其中，所述设计解空间由多个抽头系数组成，每一抽头系数代表一维，所述典范FIR为所述粒子群中满足预设条件的M个FIR，M小于等于N；M，N为正整数；根据学习结果，确定所述FIR滤波器的设计解。根据本发明的另一个实施例，还提供了一种FIR滤波器设计解的获取装置，包括：建立模块，用于以有限长单位冲激响应FIR作为粒子建立粒子群，其中，所述粒子群中至少包括N个粒子；设置模块，用于设置每一个FIR在设计解空间的每一维上都向不同的典范FIR学习，其中，所述设计解空间由多个抽头系数组成，每一抽头系数代表一维，所述典范FIR为所述粒子群中满足预设条件的M个FIR，M小于等于N；M，N为正整数；确定模块，用于根据学习结果，确定所述FIR滤波器的设计解。根据本发明的另一个实施例，还提供了一种存储介质，所述存储介质包括存储的程序，其中，所述程序运行时执行上述实施例任一项中所述的方法。根据本发明的另一个实施例，还提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行上述实施例任一项中所述的方法。根据本发明的另一个实施例，还提供了一种FIR滤波器，所述FIR滤波器是通过上述实施例任一项所述的方法获取的FIR滤波器设计解设计的滤波器。通过本发明，以有限长单位冲激响应FIR作为粒子建立粒子群，其中，该粒子群中至少包括N个粒子；设置每一个FIR在设计解空间的每一维上都向不同的典范FIR学习，其中，该设计解空间由多个抽头系数组成，每一抽头系数代表一维，该典范FIR为该粒子群中满足预设条件的M个FIR，M小于等于N；M，N为正整数；根据学习结果，确定该FIR滤波器的设计解，解决了相关技术中的设计的FIR滤波器无法校正群延时波动带来的信号失真的问题，充分利用了CL-PSO的搜索空间，寻找到满足预设指标要求的更优的设计解，后续设计的FIR滤波器大幅降低了群延时波动。附图说明此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：图1是根据本发明实施例的一种FIR滤波器设计解的获取方法的流程图；图2是根据本发明实施例的另一种FIR滤波器设计解的获取方法的流程图；图3是根据本发明优选实施例的基于CL-PSO的FIR滤波器的自动化设计装置；图4是根据本发明优选实施例的FIR滤波器的自动化设计流程图；图5是根据本发明优选实施例的自动化设计流程图中初始化准备的子步骤流程图；图6是根据本发明优选实施例的应用于微波E-band系统群延时失真校正的链路结构示意图；图7是根据本发明优选实施例的群延时失真校正FIR滤波器结构示意图；图8是根据本发明优选实施例的群延时失真校正前的星座图；图9是根据本发明优选实施例的群延时失真校正后的星座图。具体实施方式实施例一在本实施例中提供了一种FIR滤波器设计解的获取方法，图1是根据本发明实施例的一种FIR滤波器设计解的获取方法的流程图，如图1所示，该流程包括如下步骤：步骤S102，以有限长单位冲激响应FIR作为粒子建立粒子群，其中，该粒子群中至少包括N个粒子；步骤S104，设置每一个FIR在设计解空间的每一维上都向不同的典范FIR学习，其中，该设计解空间由多个抽头系数组成，每一抽头系数代表一维，该典范FIR为该粒子群中满足预设条件的M个FIR，M小于等于N；M，N为正整数；步骤S106，根据学习结果，确定该FIR滤波器的设计解。通过上述步骤S102中步骤S106，以有限长单位冲激响应FIR作为粒子建立粒子群；设置每一个FIR在设计解空间的每一维上都向不同的典范FIR学习；根据学习结果，确定该FIR滤波器的设计解，解决了相关技术中的设计的FIR滤波器无法校正群延时波动带来的信号失真的问题，充分利用了CL-PSO的搜索空间，寻找到满足预设指标要求的更优的设计解，后续设计的FIR滤波器大幅降低了群延时波动。可选地，在设置每一个FIR在设计解空间的每一维上都向不同的典范FIR学习之前，该方法还包括：为该每一个FIR设定历史最佳适应度连续无改善次数；在该连续无改善次数大于预设阈值时，重新选择该典范FIR。可选地，在设置每一个FIR在设计解空间的每一维上都向不同的典范FIR学习之前，该方法还包括：对每一个FIR设定差异化的学习能力PCn，其中，该PCn通过以下公式确定：其中，n为正整数。可选地，该重新选择该典范FIR包括重复执行以下步骤，直至第n个FIR的所有抽头全部处理完毕：在该第n个FIR中，逐抽头地产生一个[0，1]内均匀分布的随机数，并和第n个FIR分配的学习能力PCn进行比较；如果该随机数小于该第n个FIR分配的学习能力PCn，则从该典范FIR中挑选一个非索引n的其它第一FIR，使用该其它第一FIR的历史最佳抽头系数向量的第d个抽头系数pdk替换该第n个FIR的历史最佳抽头系数向量的第d个抽头系数pdn。可选地，上述方法还包括：如果该第n个FIR的所有抽头系数均未发生替换，则从该典范FIR中挑选一个非索引n的其它第二FIR，并在该其它第二FIR挑选一个抽头d*，用该抽头d*的系数替换该第n个FIR的历史最佳抽头系数向量的第d*抽头的系数。可选地，根据学习结果，确定该FIR滤波器的设计解包括以下步骤：步骤一，通过综合学习的粒子群优化算法CL-PSO算法生成N个FIR的抽头系数向量步骤二，设置N个全零元向量，作为该N个FIR的抽头系数向量的更新速度向量；步骤三，依据第一预设规则为该N个FIR分配学习能力；步骤四，依据该抽头系数向量获取该N个FIR的适应度值fitnessn；步骤五，将该N个抽头系数向量中，第n个FIR的抽头系数向量赋给第n个FIR的历史最佳抽头系数向量将该fitnessn赋给第n个FIR的历史最佳适应度值记录变量pBestFitn；置每个FIR的历史最佳适应度连续无改善次数的计数器intvn＝0其中，n属于1至N中的整数；步骤六，选取该适应度值由大到小排序后的前M名的FIR的历史最佳抽头系数向量列入典范FIR，将该典范FIR中排名第一的FIR的抽头系数向量赋给全局最优FIR抽头系数向量记录变量将该对应的fitnessn*赋给全局最优FIR的适应度记录变量gBestFit；步骤七，在确定当前已经向典范FIR学习的次数t未超过阈值，且在当前全局最优FIR适应度值gBestFit达到预设指标要求的情况下，确认当前全局最优FIR抽头系数向量为FIR设计解；在该gBestFit没有达到该预设指标要求的情况下，计算第t次的搜索惯性权重；步骤八，在确定当前第n个FIR的该计数器的值超过阈值的情况下，在该N个FIR的逐个FIR中，依据典范FIR中的FIR更新该第n个FIR的历史最佳抽头系数向量步骤九，在该N个FIR的逐个FIR中，逐抽头地依据第二预设规则获取该第n个FIR第d个抽头的更新速度vdn，依据该更新速度更新该第n个FIR第d个抽头系数；步骤十，在确定新的历史最佳适应度值大于全局最优适应度值的情况下，确定该新的历史最佳适应度值为新的全局最优适应度值，以及确定该新的全局最优适应度值对应的抽头系数向量为该FIR设计解。可选地，步骤八包括：在确定当前第n个FIR的该计数器的值超过阈值的情况下，对应于该第n个FIR的每个抽头d生成一个[0，1]内均匀分布的随机数，其中，该计数器用于表示该第n个FIR的历史最佳适应度值在重复执行该步骤八至该步骤九的过程中连续无改善的次数；在确定该随机数小于为该粒子预先设置的学习能力的情况下，选取一个典范FIR中非索引n的FIR，使用该非索引n的FIR的历史最佳抽头系数向量的第d个抽头系数pdk替换该第n个FIR的历史最佳抽头系数向量的第d个抽头系数pdn，形成新的第n个FIR的历史最佳抽头系数向量；在确定该第n个FIR中所有粒子的随机数均大于该粒子对应的学习能力的情况下，选取一个典范FIR中非索引n的FIR，使用该非索引n的FIR中第d*个抽头系数替换该第n个FIR的历史最佳抽头系数向量的第d*个抽头系数；将该第n个FIR的计数器置零。可选地，步骤九包括：通过以下方式更新该第n个FIR第d个抽头系数的更新速度vdn：vdn′＝ωt·vdn+c1·rnd1·[pdn-wdn]+c2·rnd2·[gd-wdn]；其中，vdn为本次更新前的更新速度，vdn′为本次更新后的更新速度，c1和c2分别是预设的朝向第n个FIR的历史最佳抽头系数和全局最优抽头系数逼近的加速因子；rnd1和rnd2均为[0，1]内均匀分布的随机数；ωt为预设的当前第t次学习的搜索惯性权重；其中，该更新速度不超出预设更新速度限制范围[Vmin，Vmax]；该t初始值为1，重复执行该步骤八至该步骤九的次数增加1，该t增加1；通过以下公式更新该第n个FIR的第d个抽头系数wdn：wdn′＝wdn+vdn，其中，wdn为本次更新前的抽头系数，wdn′为本次更新后的抽头系数。可选地，上述方法还包括：确定该步骤八中更新后的历史最佳抽头系数向量对应的第二历史最佳适应度值；在确定该步骤九中更新后的第n个FIR对应的适应度值小于等于该第二历史最佳适应度值的情况下，将该第n个FIR的计数器加1，并转至该步骤八。可选地，执行该步骤九之后，该方法还包括以下之一：依据所有N个FIR的N个当前历史最佳适应度按照由大到小排序，选取排名前M的FIR的索引更新该典范FIR；将该t的取值增加1。可选地，步骤一包括以下步骤：通过CL-PSO依据预设抽头系数范围[Wmin，Wmax]随机生成N个FIR的抽头系数向量，其中，通过CL-PSO依据该[Wmin，Wmax]获取FIR抽头系数的更新速度限制范围[Vmin，Vmax]。可选地，第n个FIR抽头系数向量包括自身的所有抽头的抽头系数。可选地，步骤二包括：设置N个全零元向量为该N个FIR滤波器的抽头系数更新速度向量其中，第n个FIR的抽头系数更新速度向量为其中，该vdn表示该第n个FIR的第d个抽头。可选地，步骤三包括：通过CL-PSO为N个FIR分配学习能力，其中，任意两个的FIR的学习能力均不相同，该学习能力的取值范围为[0.05，0.5]。可选地，步骤四包括通过以下方式获取该N个FIR中第n个FIR的适应度值：该第n个FIR使用当前抽头系数向量对输入失真信号进行滤波，得到输出校正信号获取该校正信号与预设学习符号的误差测度，并将该误差测度转换为该第n个FIR的适应度值。可选地，步骤七包括根据以下方式之一确定该搜索惯性权重：设置该搜索惯性权重的参数方式为自适应方式，依据以下公式确定当前第t次的搜索惯性权重其中，modt，T表示t对T求余数操作；设置该搜索惯性权重ω的参数方式为固定方式。需要说明的是，上述ω的取值包括但并不限于：ω＝0.4444。可选地，步骤九包括：在确定该更新速度超出了[Vmin，Vmax]，通过以下方式对该更新速度vdn进行钳位：可选地，确定该步骤九中更新后的wdn′超出预设抽头系数范围[Wmin，Wmax]的范围的情况下，则通过以下方式重新确定更新后的wdn′：wdn′＝wdn-vdn。在本实施例中还提供了一种FIR滤波器设计解的获取方法，图2是根据本发明实施例的另一种FIR滤波器设计解的获取方法的流程图，如图2所示，该流程包括如下步骤：步骤S202，确定待设计FIR滤波器的预设指标要求；步骤S204，通过综合学习的粒子群优化算法CL-PSO获取满足该预设指标要求的FIR滤波器设计解。通过上述步骤S202至步骤S204，确定待设计FIR滤波器的预设指标要求；通过综合学习的粒子群优化算法CL-PSO获取满足该预设指标要求的FIR滤波器设计解，解决了相关技术中的设计的FIR滤波器存在信号失真的问题，充分利用了CL-PSO的搜索空间，寻找到满足预设指标要求的更优的设计解，后续设计的FIR滤波器大幅降低了群延时波动。可选地，步骤S202和步骤S204的执行顺序是可以互换的，即可以先执行步骤S204，然后再执行S202。可选地，通过综合学习的粒子群优化算法CL-PSO获取满足该预设指标要求的FIR滤波器设计解，包括：通过CL-PSO生成N个FIR；确定该N个FIR中的最优FIR的抽头系数向量为该FIR滤波器设计解；其中，该每个FIR在预设设计解空间的每一维上都向典范FIR学习，其中，该每个FIR均并行拥有对应抽头数的个数的学习典范，该N为正整数。需要补充的是FIR的每个维可以相当于后续实施例中的每个抽头。典范FIR为所有FIR中的适应度值较高的FIR，其余FIR的抽头系数向典范FIR的抽头系数学习，即按照一定更新速度向典范FIR的抽头系数逼近。可选地，还包括：通过CL-PSO生成N个FIR；确定该N个FIR中的最优FIR的抽头系数向量为该FIR滤波器设计解，其中，对每个FIR设定差异化的学习能力PCn，通过如下公式确定每个FIR的学习能力：其中，该N为FIR的总数，n为当前待计算学习能力的FIR在N个FIR中的编号索引。可选地，还包括：通过CL-PSO生成N个FIR；确定该N个FIR中的最优FIR的抽头系数向量为该FIR滤波器设计解，其中，为每个FIR预设历史最佳适应度连续无改善次数，其中，在任一FIR的历史最佳适应度连续无改善次数大于设定值时，为该FIR的每一维重新选择典范FIR。在每次学习的过程中，如果未修改历史最佳适应度值，则该历史最佳适应度连续无改善次数增加1；在某次学习中，修改了历史最佳适应度值，则该次数置0。可选地，在确定该N个FIR中的最优FIR的抽头系数向量的过程中，该方法还包括以下步骤：步骤一，确定第n个FIR的历史最佳适应度连续无改善次数计数器intvn超过了设定值INTV；步骤二，在该第n个FIR中，逐抽头地，先产生一个[0，1]内均匀分布的随机数，并和第n个FIR分配的学习能力PCn进行比较，如果前者小于后者，则从预设索引序列TOP-M中随机地挑选一个非索引n的其他FIR-k，使用FIR-k历史最佳抽头系数向量的第d个抽头系数即pdk，替换该第n个FIR的历史最佳抽头系数向量的第d个抽头系数pdn；步骤三，重复执行上述步骤二直至该第n个FIR的所有抽头全部处理完毕。可选地，还包括：如果该第n个FIR的所有抽头系数均未发生替换，则从预设索引序列TOP-M中随机挑选一个非索引n的其他FIR-k，并在该FIR-k随机挑选一个抽头d*，用其系数替换该第n个FIR的历史最佳抽头系数向量的第d*抽头的系数。可选地，通过综合学习的粒子群优化算法CL-PSO获取满足该预设指标要求的FIR滤波器设计解，包括：通过CL-PSO生成N个FIR，并设置每一个FIR对应的抽头系数其中，n属于1至N中的整数；根据该抽头系数确定每一个FIR对应的适应度值fitnessn；根据该N个FIR的适应度值确定N个FIR中的全局最优抽头系数；将该全局最优抽头系数作为该FIR滤波器的设计解。可选地，设置每一个FIR对应的抽头系数包括：对于每一个FIR，设置该FIR的抽头系数为其历史最优抽头系数设置该FIR的适应度值fitnessn为其历史最优适应度值pBestFitn。可选地，根据该N个FIR的适应度确定N个FIR中的全局最优抽头系数包括：对N个FIR对应的历史最优适应度值pBestFitn进行从大到小的数值排序；将排序第一的历史最优适应度值对应的FIR的抽头系数确定为临时全局最优抽头系数。可选地，在将排序第一的历史最优适应度对应的FIR的抽头系数确定为全局最优抽头系数之后，该方法还包括：步骤1：按照第一预设规则对第n个FIR对应的抽头系数进行更新，并根据更新后的抽头系数生成更新后的适应度值fitnessnnew；按照第二预设规则对该第n个FIR对应的历史最优抽头系数进行更新，并根据更新后的历史最优抽头系数生成更新后的历史最优适应度值pBestFitnnew；步骤2：在该fitnessnnew小于等于该pBestFitnnew的情况下，将该第n个FIR的计数器进行加1，并执行该步骤1的流程；在该fitnessnnew大于该pBestFitnnew的情况下，将该第n个FIR对应的历史最优抽头系数更新为该步骤3：将该fitnessnnew与该排序第一的历史最优适应度值进行比较；在该fitnessnnew大于该排序第一的历史最优适应度值的情况下，将该临时全局最优抽头系数更新为该第n个FIR的抽头系数。可选地，在该对N个FIR对应的历史最优适应度值pBestFitn进行从大到小的数值排序之后，该方法还包括：选取排序前M个FIR作为索引集；该按照第二预设规则对第n个FIR对应的历史最优抽头系数进行更新包括：在该第n个FIR的计数器的数值超过阈值的情况下，从该索引集中选取第m个FIR，将该第n个FIR的历史最优抽头系数更新为该第m个FIR的抽头系数在该第n个FIR的历史最优抽头系数未发生变化的情况下，从该索引集中选取第m个FIR，并选取该第m个FIR的任一个抽头d*，将该第n个FIR的的第d*抽头的系数更新为该第m个FIR的的第d*抽头的系数。可选地，按照第一预设规则对第n个FIR对应的抽头系数进行更新包括：确定第n个FIR对应的抽头系数更新速度vdn；根据该vdn更新该第n个FIR对应的抽头系数可选地，该方法还包括：按照该步骤1至步骤2完成对该N个FIR的历史最优抽头系数以及历史最优适应度值pBestFitn的更新之后，对该N个FIR的历史最优适应度值进行从大到小的数值排序；选取排序前M个FIR更新当前的索引集。可选地，该方法还包括：对学习次数t进行加1，并判断更新后的学习次数是否大于阈值；在判断结果为是的情况下，确定当前的临时全局最优抽头系数为最终的全局最优抽头系数；在判断结果为否的情况下，执行该步骤1至步骤3的方法。可选地，通过综合学习的粒子群优化算法CL-PSO获取满足该预设指标要求的FIR滤波器设计解，包括以下步骤：步骤一，通过CL-PSO算法生成N个FIR的抽头系数向量步骤二，设置N个全零元向量，作为该N个FIR的抽头系数向量的更新速度向量；步骤三，依据第三预设规则为N个FIR分配学习能力；步骤四，依据该抽头系数向量获取该N个FIR的适应度值fitnessn；步骤五，将该N个抽头系数向量中，第n个FIR的抽头系数向量赋给第n个FIR的历史最佳抽头系数向量将该fitnessn赋给第n个FIR的历史最佳适应度值记录变量pBestFitn；置每个FIR的历史最佳适应度连续无改善次数的计数器intvn＝0其中，n属于1至N中的整数；步骤六，选取该适应度值由大到小顺序的前M名的FIR的历史最佳抽头系数向量列入TOP-M序列，将该TOP-M序列中排名第一的FIR的抽头系数向量赋给全局最优FIR抽头系数向量记录变量将该对应的fitnessn*赋给全局最优FIR的适应度记录变量gBestFit；步骤七，在确定当前已经学习次数t未超过阈值之后，在当前全局最优FIR适应度值gBestFit达到预设指标要求的情况下，确认当前全局最优FIR抽头系数向量为FIR设计解；在该gBestFit没有达到该预设指标要求的情况下，计算该第t次的搜索惯性权重，其中，该t用于指示一个FIR向典范FIR学习的次数，其中，该典范FIR为该前M名的FIR之一；需要补充的是，执行一遍步骤八至步骤九称为一次学习，即更新一次FIR的抽头系数为一次学习，或者称为一次学习，即学习次数t加1。步骤八，在确定当前第n个FIR的该计数器的值超过阈值的情况下，在该N个FIR的逐个FIR中，依据TOP-M序列中的FIR更新该第n个FIR的历史最佳抽头系数向量计数器用于计数历史最佳适应度值连续无改善次数。步骤九，在该N个FIR的逐个FIR中，逐抽头执行以下步骤：依据第四预设规则获取该第n个FIR第d个抽头的更新速度vdn，依据该更新速度更新该第n个FIR第d个抽头系数；步骤十，在该N个FIR的逐个FIR中，依据步骤八中更新后的历史最佳抽头系数向量和步骤九中更新后的第n个FIR对应的适应度值的大小关系，确定该第n个FIR新的历史最佳适应度值和历史最佳抽头系数向量；步骤十一，在确定该新的历史最佳适应度值大于全局最优适应度值的情况下，确定该新的历史最佳适应度值为，新的全局最优适应度值，以及确定该新的全局最优适应度值对应的抽头系数向量为该FIR设计解。可选地，该步骤八包括：确定当前第n个FIR的该计数器的值超过阈值，对应于该第n个FIR的每个抽头d生成一个[0，1]内均匀分布的随机数，其中，该计数器用于表示该第n个FIR的历史最佳适应度值在重复执行步骤八至步骤十的过程中，连续无改善的次数；在确定该随机数小于为该抽头d预先设置的学习能力的情况下，选取一个TOP-M序列中非索引n的FIR，使用该非索引n的FIR的历史最佳抽头系数向量的第d个抽头系数pdk替换该第n个FIR的历史最佳抽头系数向量的第d个抽头系数pdn，形成新的第n个FIR的历史最佳抽头系数向量；在确定该第n个FIR中所有抽头d的随机数均大于该抽头d对应的学习能力的情况下，选取一个TOP-M序列中非索引n的FIR，使用该非索引n的FIR中第d*个抽头系数替换该第n个FIR的历史最佳抽头系数向量的第d*个抽头系数；将该第n个FIR的计数器置零。可选地，该步骤九包括：通过以下方式更新该第n个FIR第d个抽头系数的更新速度vdn：vdn′＝ωt·vdn+c1·rnd1·[pdn-wdn]+c2·rnd2·[gd-wdn]；其中，vdn为本次更新前的更新速度，vdn′为本次更新后的更新速度，c1和c2分别是预设的朝向第n个FIR的历史最佳抽头系数和全局最优抽头系数逼近的加速因子；rnd1和rnd2均为[0，1]内均匀分布的随机数；ωt为预设设置的当前第t次学习的搜索惯性权重；其中，该更新速度不得超出预设更新速度限制范围[Vmin，Vmax]；其中，该t初始值为1，重复执行步骤八至步骤十的次数增加1，该t增加1；通过以下公式更新该第n个FIR的第d个抽头系数wdn：wdn′＝wdn+vdn，其中，wdn为本次更新前的抽头系数，wdn′为本次更新后的抽头系数。可选地，该步骤十包括：确定步骤八中更新后的历史最佳抽头系数向量对应的第二历史最佳适应度值；在确定该步骤九中更新后的第n个FIR对应的适应度值小于等于该第二历史最佳适应度值的情况下，将该第n个FIR的计数器加1，并转至步骤八。可选地，执行该步骤十之后，该方法还包括以下之一：依据所有N个FIR的N个当前历史最佳适应度按照由大到小排序，选取排名前M的FIR的索引更新该TOP-M序列；将该t的取值增加1。可选地，该步骤一包括以下步骤：通过CL-PSO依据预设抽头系数范围[Wmin，Wmax]随机生成N个FIR的抽头系数向量，其中，通过CL-PSO依据该[Wmin，Wmax]获取FIR抽头系数的更新速度限制范围[Vmin，Vmax]。可选地，第n个FIR抽头系数向量包括自身的所有抽头的抽头系数。可选地，该步骤二包括：设置N个全零元向量为该N个FIR滤波器的抽头系数更新速度向量其中，第n个FIR的抽头系数更新速度向量为其中，该vdn表示该第n个FIR的第d个抽头。可选地，该步骤三包括：通过CL-PSO为N个FIR分配学习能力，其中，任意两个的FIR的学习能力均不相同，该学习能力的取值范围为[0.05，0.5]。可选地，该步骤四包括：通过以下方式获取该N个FIR中第n个FIR的适应度值：第n个FIR使用当前抽头系数向量对输入失真信号进行滤波，得到输出校正信号获取该校正信号与预设学习符号的误差测度，并将该误差测度转换为第n个FIR的适应度值。可选地，该步骤七包括：根据以下方式之一确定搜索惯性权重：设置该搜索惯性权重的参数方式为自适应方式，依据以下公式确定当前第t次的搜索惯性权重其中，modt，T表示t对T求余数操作；设置该搜索惯性权重ω的参数方式为固定方式，则ω＝0.4444。可选地，该步骤九包括：在确定该更新速度超出了[Vmin，Vmax]，通过以下方式对该更新速度vdn进行钳位：可选地，确定该步骤九中更新后的wdn′超出预设抽头系数范围[Wmin，Wmax]的范围的情况下，则通过以下方式重新确定更新后的wdn′：wdn′＝wdn-vdn。下面结合本发明优选实施例进行详细说明。相关技术中，还存在一些基于综合学习的粒子群优化算法CL-PSO的FIR滤波器的自动化设计方法和装置。相关技术中虽然使用了原始粒子群优化算法PSO：但相关技术的核心要点：“将FIR滤波器模型的每一个抽头的系数与粒子群优化方法中的一个粒子的位置相对应”，而在可行解空间中，粒子的位置唯一地决定各粒子的不同或区分性，它们天然的一一对应；因此相关技术中将FIR的每个抽头都建模为一个粒子，FIR有N个抽头则对应N个粒子。然而，绝大多数FIR的中间抽头系数和两侧的抽头系数完全不同，即每个抽头系数最后学习的目标并不一致；当将一个抽头就建模为一个粒子，粒子之间互相借鉴或学习也就丧失了可行性前提。而本发明则是将一个粒子就建模为一个FIR滤波器，粒子之间即FIR之间完全具备同等地位，从而铺设了相互借鉴和学习的正确前提；在此前提下，各粒子即各FIR才可以真正实现并行地寻优迭代，从而正确地发挥粒子群这一群搜索算法的并行搜索优势。或者相关技术中采用常规FIR滤波器设计方法对FIR滤波器进行设计，得到初始FIR滤波器，记其单位冲激响应序列为[h00，h01，h02...h0N-1]，每个粒子从[h00，h01，h02...h0N-1]中随机选择Ki个单位冲激响应作为自身位置向量的对应元素，其余元素随机设置，Ki∈0，N-1]，i＝1，2，...，M。每个粒子对应的Ki可以相同，也可以不同...；由上述内容可见，它是先设计好一个初始FIR滤波器，它已经有了[h00，h01，h02...h0N-1]这N个先天系数，然后每个粒子只是选择这个初始FIR滤波器的部分抽头系数来初始化自己；例如：设初始FIR有编号为①、②、③三个抽头，按上述内容，粒子1可以选择初始FIR滤波器的①、③抽头的系数来初始化自己的两个位置分量；而粒子2可以就选择初始FIR滤波器的②抽头的系数来初始化自己的一个位置分量；然而，绝大多数FIR的中间抽头系数本例中②和两侧系数①和③是完全不同的一般中间抽头系数接近1；而两侧抽头系数接近0，即各抽头的学习目标完全不一致；显然，这样初始化粒子群，一方面根本不符合各粒子等同地位地随机初始化的原则；另一方面因各粒子先天承载的系数目标就已经差异化，使得粒子间互相借鉴和学习从一开始就已丧失可行性。而本发明则是将一个粒子就建模为一个FIR滤波器，粒子之间即FIR之间完全具备等同地位，从而满足了相互借鉴和学习的正确前提；在此前提下，各粒子即各FIR才可以真正实现并行地寻优迭代，发挥出粒子群算法的并行搜索优势。本发明不仅充分利用了粒子群优化算法的并行搜索优势，而且所基于的CL-PSO本身也完全克服了原始粒子群算法PSO的先天缺陷：PSO当参数设置不当，尤其是在解决复杂多峰问题时，较易陷入局部极小盆地而无法继续改善，即通常所说的早熟收敛。而CL-PSO采用创新的学习策略：不再像原始PSO那样，无论在可行解空间的哪一维上，至始至终都只有pbest和gbest这2个吸引子；CL-PSO则是在粒子空间位置的所有维度上都向可能不同的典范学习，即综合地或广泛地学习；换言之，每一轮演进时，每个粒子均可能同时拥有D粒子空间位置的维数；例如：进行FIR设计时D即抽头数个吸引子。该策略使得粒子在飞行时被全局的其他粒子均衡牵引，粒子群位置分布的多样性得到很好保持，从而有效避免了早熟收敛问题。此外，根据粒子群算法理论分析：CL-PSO具有比原始PSO大得多的潜在搜索空间，这意味着CL-PSO比原始PSO更有可能探寻到全局最优解；换言之，CL-PSO粒子的寻优搜索能力相对于PSO有了极大提高。另一方面，CL-PSO对于多峰问题的潜在搜索空间又十几倍于其对于单峰问题的潜在搜索空间；换言之，当设计问题的误差曲面具有复杂多峰特征时，CL-PSO对其的求解能力相对于其求解简单单峰问题更具优势。实际通信系统中，信号失真问题也通常无法直接用简单单峰函数去描述；这就为CL-PSO提供了广阔的用武之地。本发明提供了一种基于综合学习的粒子群优化算法CL-PSO的FIR滤波器的自动化设计方法和装置，解决了传统FIR设计无法校正群延时波动带来的信号失真、频率特性受限于经典模型、调参耗时耗力、非自动化设计等诸多问题；同时克服了基于原始粒子群优化算法PSO的设计方法的全局寻优能力弱、容易早熟收敛等先天缺陷。一种FIR滤波器的自动化设计方法，包括以下步骤：步骤1：初始化准备。设置FIR抽头系数的允许数值范围：[Wmin，Wmax]，并按下式1计算FIR抽头系数的更新速度限制范围：[Vmin，Vmax]：以上，0＜K≤1是比例参数；针对不同的具体设计问题可设置不同的K参数值。如果设置的搜索惯性权重ω的参数方式是固定方式，则置：ω＝0.4444；并置已学习次数：t＝0；以下子步骤均在逐个FIR，即n＝1：N下顺序完成：步骤1.1：CL-PSO根据[Wmin，Wmax]，随机地生成N个FIR的抽头系数向量：每个抽头系数向量的长度即是FIR抽头数D，即：每个抽头的初始系数按下式2产生：wdn＝Wmin+Wmax-Wmin·rndd＝1，...，D2以上，rnd表示[0，1]内均匀分布的随机数。步骤1.2：设置N个全零元向量，作为FIR滤波器的抽头系数更新速度向量每个更新速度向量也是D维的，即：全零元设置即：vdn＝0d＝1，...，D；步骤1.3：CL-PSO按下式3计算为第n个FIR分配的学习能力PCn：即各FIR的学习能力在[0.05，0.5]的数值范围内采取了差异化策略；本质上为给各FIR赋予了不同的学习和寻优能力；步骤1.4：第n个FIR使用对输入失真信号进行滤波，得到输出校正信号并计算所述校正信号相对于已知学习符号的误差测度，并将该误差测度转换为第n个FIR的适应度值fitnessn，然后回传给CL-PSO；步骤1.5：将第n个FIR的抽头系数向量赋给第n个FIR的历史最佳抽头系数向量：即同时，将所述的fitnessn赋给第n个FIR的历史最佳适应度值记录变量pBestFitn，即：pBestFitn＝fitnessn；置每个FIR的历史最佳适应度连续无改善次数的计数器为0，即：intvn＝0n＝1，...，N；步骤1.6：CL-PSO对N个FIR的历史最佳适应度值构成的序列按由大到小顺序进行排序，然后将排名前M名的FIR的索引记录入序列TOP-M；并将排名第一的FIR的抽头系数向量赋给全局最优FIR抽头系数向量记录变量即：gd＝wdn*d＝1，...，D；同时，将fitnessn*赋给全局最优FIR的适应度记录变量gBestFit，即gBestFit＝fitnessn*。步骤2：终止条件判断。判断已学习次数t是否超过设定的上限值G：如果为是，则终止程序，此时的全局最优抽头系数向量即为所需的FIR设计解；如果为否，接着判断所述的全局最优FIR适应度值gBestFit是否达到设定的指标要求值BestFitness：若达到指标要求值，则终止程序，此时的全局最优抽头系数向量即为所需的FIR设计解；若没有达到指标要求，且若设置的搜索惯性权重ω的参数方式为自适应方式，则可按下式4计算当前第t代的搜索惯性权重；并继续进行步骤3：以上，modt，T表示t对T求余数操作；即搜索惯性权重ω以200代为一个周期，在[0.25，0.75]的数值范围内周期性变化。步骤3：FIR各抽头学习典范调整。以下子步骤均在逐个FIR，即n＝1：N下顺序完成：步骤3.1：如果所述的计数器intvn超过了设定值INTV，则逐抽头，即d＝1：D，对每一个抽头d，产生一个[0，1]内均匀分布的随机数，并和所述的对第n个FIR分配的学习能力PCn进行比较，如果前者小于后者，则从所述的索引序列TOP-M中随机地挑选一个非索引n的其他FIR-kk≠n，k∈TOP-M，使用其历史最佳抽头系数向量的第d个抽头系数即pdk，替换第n个FIR的第d个抽头的学习典范即pdn，即pdn＝pdk；循环该步骤直至D个抽头全部处理完毕；步骤3.2：如果第n个FIR的所有抽头系数均未发生替换，则从所述的索引序列TOP-M中随机地挑选一个非索引n的其他FIR-kk≠n，并随机地挑选一个抽头d*，用其系数替换第n个FIR的第d*抽头的学习典范，即步骤3.3：将所述的第n个FIR的历史最佳适应度连续无改善次数的计数器intvn置0；步骤4：FIR抽头系数逐抽头更新。以下子步骤均在逐FIR即n＝1：N、且逐抽头即d＝1：D下，顺序完成：步骤4.1：第n个FIR第d个抽头系数的更新速度vdn按下式5更新：vdn＝ωt·vdn+c1·rnd1·[pdn-wdn]+c2·rnd2·[gd-wdn]5以上，c1和c2分别是设置的朝向第n个FIR的历史最佳抽头系数和全局最优抽头系数逼近的加速因子；rnd1和rnd2均为[0，1]内均匀分布的随机数。步骤4.2：如果第n个FIR的第d个抽头的更新速度vdn超出了步骤1.2确定的更新速度限制范围：[Vmin，Vmax]，则按下式6进行钳位：步骤4.3：按下式7完成第n个FIR的第d个抽头系数wdn的更新：wdn＝wdn+vdn7步骤4.4：如果第n个FIR的第d个抽头系数wdn超过[Wmin，Wmax]的范围，则将其更新速度方向取反：vdn＝-vdn8然后使用新的更新速度进行抽头系数的计算。步骤5：FIR适应度更新。以下子步骤均在逐个FIR，即n＝1：N下顺序完成：步骤5.1：第n个FIR使用步骤4.3更新后的对所述的输入失真信号进行滤波，得到输出的校正信号并计算所述校正信号相对于已知学习符号的误差测度，并将该误差测度转换为第n个FIR的适应度值fitnessn，然后回传给CL-PSO；步骤5.2：第n个FIR使用步骤3调整后的历史最佳抽头系数向量对所述的输入失真信号进行滤波，得到输出的校正信号并计算所述校正信号相对于已知学习符号的误差测度，并将该误差测度转换为第n个FIR的适应度值pBestFitn，然后回传给CL-PSO；步骤5.3：CL-PSO比较所述的fitnessn和pBestFitn两者的大小：如果fitnessn≤pBestFitn，则将所述的第n个FIR的计数器intvn加1，即：intvn＝intvn+1，并跳至步骤3；否则，用替换即：并替换相应的适应度值，即：pBestFitn＝fitnessn；同时，将第n个FIR的计数器intvn置0，并继续进行子步骤5.4：步骤5.4：CL-PSO接着比较所述的fitnessn和gBestFit两者的大小：如果fitnessn＞gBestFit，则用替换即并替换相应的适应度值，即gBestFit＝fitnessn。步骤6：TOP-M序列和学习次数更新。对当前的所述的历史最佳适应度值序列按由大到小顺序进行排序，然后将排名前M的FIR的索引集替换更新当前索引序列TOP-M；并对学习次数更新：t＝t+1；返回步骤2。上述步骤1至6为本发明优选实施例中的获取FIR滤波器设计解的方法流程。本发明同时提供了一种基于CL-PSO的FIR滤波器的自动化设计装置，现在结合说明书附图3进行说明，图3是根据本发明优选实施例的基于CL-PSO的FIR滤波器的自动化设计装置，包括以下单元：【200：参数配置单元】：该单元用于设定：优化迭代次数上限G、FIR数目N、FIR校正误差精度或FIR适应度要求指标BestFitness、FIR抽头数、FIR抽头系数钳位参数[Wmin，Wmax]、K比例参数、搜索惯性权重ω的参数方式选择固定方式自适应方式、TOP-M中M的具体数值。【201：初始化准备单元】：该单元用于完成：根据200单元配置的抽头系数钳位参数[Wmin，Wmax]和K比例参数，按式1计算FIR抽头系数的更新速度钳位参数：[Vmin，Vmax]；若搜索惯性权重ω的参数方式为固定方式，则置ω＝0.4444；根据200单元配置的抽头系数钳位参数[Wmin，Wmax]，按公式2随机生成N个FIR抽头系数向量并构造N个全零元的抽头系数更新速度向量按公式3计算为每个FIR分配的学习能力PCnn＝1，...，N；从207单元失真和校正信号缓存单元取得失真信号配置所述的给208单元FIR滤波校正单元，对进行滤波校正，得到校正后信号并计算相对于已知学习符号的误差测度，并将该误差测度转换为第n个FIR的适应度值fitnessn，然后回传给201单元；201单元逐抽头地将各FIR的抽头系数赋给自身的历史最佳抽头系数向量的对应抽头，即：同时，将相应的适应度值{fitnessn}n＝1：N赋给各FIR历史最佳适应度值寄存器{pBestFitn}n＝1：N，即：{pBestFitn＝fitnessn}n＝1：N；并置intvn＝0n＝1，...，N；对N个FIR的历史最佳适应度值构成的序列按由大到小顺序进行排序，然后将排名前M名的FIR的索引记录入序列TOP-M；并将排名第一的FIR的抽头系数向量，赋给全局最优FIR抽头系数向量寄存器即：{gd＝wdn*}d＝1：D；并将对应适应度值fitnessn*赋给全局最优FIR的适应度寄存器gBestFit，即：gBestFit＝fitnessn*。【202：终止条件判断单元】：该单元用于完成：判断当前已学习次数t是否超过200单元配置的迭代次数上限值G：如果为是，则终止自动设计进程；此时206单元输出全局最优的抽头系数向量即所需的FIR设计解；如果为否，接着判断201单元得到的gBestFit是否达到200单元配置的指标要求值BestFitness：若达到指标要求值，则终止自动设计进程；此时，206单元输出全局最优的抽头系数向量即所需的FIR设计解；若没有达到指标要求，且若配置的惯性权重ω的参数方式为自适应方式，则按公式4即计算当前第t代的搜索惯性权重。【203：FIR各抽头学习典范调整单元】：该单元用于逐个FIR地顺序完成以下处理：如果计数器intvn超过了设定值INTV，则逐抽头地，d＝1：D，由随机数生成器生成一个[0，1]内均匀分布的随机数，并和FIR分配的学习能力PCn进行比较，如果前者小于后者，则从所述的索引序列TOP-M中随机地挑选一个非当前索引的其他FIR-kk≠n，k∈TOP-M，用其历史最佳抽头系数向量的第d抽头系数即pdk，替换当前FIR的第d个抽头的学习典范即pdn，即pdn＝pdk；循环该步骤直至D个抽头全部处理完毕；如果当前FIR的所有抽头系数均未发生替换，则从所述的索引序列TOP-M中随机地挑选一个非当前索引的其他FIR-kk≠n，并随机地挑选一个抽头d*，用其系数替换当前FIR的第d*个抽头的学习典范，即将当前FIR的intvn计数器置0。【204：FIR抽头系数更新单元】：该单元用于逐FIR即n＝1：N、且逐抽头即d＝1：D地顺序完成以下处理：按公式5更新各FIR各抽头的系数更新速度并对进行钳位限制；完成各FIR各抽头的系数更新；并对更新后进行是否越界的判断，且对越界的对应的更新速度进行取反处理。【205：FIR适应度更新单元】：该单元用于逐个FIR地顺序完成以下处理：从207单元失真和校正信号缓存单元取得失真信号配置204单元更新后的各FIR的给208单元，对进行滤波校正，得到校正后信号并计算相对于已知学习符号的误差测度，并将该误差测度转换为各FIR的适应度值{fitnessn}n＝1：N，然后回传给205单元；从207单元失真和校正信号缓存单元取得失真信号配置203单元调整后的各FIR的给208单元，对进行滤波校正，得到校正后信号并计算相对于已知学习符号的误差测度，并将该误差测度转换为各FIR的适应度值{pBestFitn}n＝1：N，然后回传给205单元；比较各FIR的fitnessn和pBestFitn两者的大小：如果当前FIR的fitnessn≤pBestFitn，则将当前FIR的计数器intvn加1，即：intvn＝intvn+1，并跳至203单元；否则，用当前FIR的替换其即：并替换相应的适应度值，即：pBestFitn＝fitnessn；同时，将当前FIR的计数器intvn置0，并继续比较各FIR的fitnessn和当前全局最优gBestFit两者的大小：如果fitnessn＞gBestFit，则用替换即并替换相应的适应度值，即gBestFit＝fitnessn。【206：TOP-M更新和最优输出单元】：该单元用于完成：对当前的历史最佳适应度值序列按由大到小顺序进行排序，然后将排名前M的FIR的索引集替换更新当前索引序列TOP-M；并将学习次数计数器加1：t＝t+1；然后转去202单元判断；若t达到迭代上限G，或者没有达到，但满足了配置的FIR校正误差精度或FIR适应度要求指标BestFitness，则输出全局最优的抽头系数向量也即所需的FIR设计解。下面是本发明优选实施例的具体实施例为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚、明白，以下结合附图和实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。图4是根据本发明优选实施例的FIR滤波器的自动化设计流程图，其中具体各步骤说明如下：【301：初始化准备】：设置FIR抽头系数的允许数值范围：[Wmin，Wmax]＝[-2，2]，并按下式1计算FIR抽头系数的更新速度限制范围：[Vmin，Vmax]：对群延时失真校正问题，这里K取0.2。如果设置的搜索惯性权重ω的参数方式是固定方式，则置：ω＝0.4444；并置已学习次数：t＝0；以下子步骤均在逐个FIR，即n＝1：N下顺序完成，图5是根据本发明优选实施例的自动化设计流程图中初始化准备的子步骤流程图：在步骤3011中，根据前面设置的[Wmin，Wmax]，随机地生成N个FIR的抽头系数向量：每抽头初始系数按下式2产生：wdn＝Wmin+Wmax-Wmin·rndd＝1，...，D10rnd是[0，1]内均匀分布的随机数，例如：可由Matlab自带的随机数生成函数产生。步骤3012，将构造N个全零元的FIR滤波器的抽头系数更新速度向量步骤3013，按下式3计算为各FIR分配的学习能力PCn：这里，FIR个数N取100。步骤3014使用各FIR的初始抽头系数向量对输入失真信号进行滤波，得到输出校正信号并计算所述校正信号相对于已知学习符号的均方误差：sL是信号长度；表示2范数的平方，然后计算FIR适应度值：然后回传给CL-PSO。步骤3015，将各FIR的初始抽头系数向量赋给其历史最佳抽头系数向量即：同时，将步骤3014计算的fitnessn赋于对应FIR的历史最佳适应度值pBestFitn，即：pBestFitn＝fitnessn；并置各FIR的历史最佳适应度连续无改善次数的计数器为0，即：intvn＝0n＝1，...，N。步骤3016，对N个FIR的历史最佳适应度值构成的序列按由大到小顺序进行排序，然后将排名前M名的FIR的索引记录入序列TOP-M；并将排名第一的FIR的抽头系数向量赋给全局最优FIR抽头系数向量即：同时，将fitnessn*赋给全局最优FIR的适应度记录变量gBestFit，即：gBestFit＝fitnessn*。【302：终止条件判断】：判断已学习次数t是否超过设定的上限值1E6：如果为是，则终止程序，此时的全局最优抽头系数向量即为所需的FIR设计解；如果为否，接着判断所述的全局最优FIR适应度值gBestFit是否达到设定的指标要求值若达到指标要求值，则终止程序，此时的全局最优抽头系数向量即为所需的FIR设计解；若没有达到指标要求，且若设置的搜索惯性权重ω的参数方式为自适应方式，则可按下式4计算当前第t代的搜索惯性权重；并继续进行步骤303：【303：FIR各抽头学习典范调整】：以下子步骤均在逐个FIR，即n＝1：N下顺序完成：在步骤3031中，如果当前FIR的计数器intvn超过了设定值INTV＝7，则逐抽头，即d＝1：D，对每一个抽头d，产生一个[0，1]内均匀分布的随机数，并和子步骤3013分配的学习能力PCn进行比较：如果前者小于后者，则从子步骤3016确定的索引序列TOP-M中随机地挑选一个非当前FIR的其他FIR-kk≠n，k∈TOP-M，使用其历史最佳抽头系数向量的第d个抽头系数即pdk，替换当前FIR的第d个抽头的学习典范即pdn，即：pdn＝pdk；循环该步骤直至D个抽头的学习典范全部处理完毕。在子步骤3032中，如果第n个FIR的所有抽头系数均未发生替换，则从索引序列TOP-M中随机地挑选一个非当前FIR的其他FIR-kk≠n，并随机地挑选一个抽头d*，用其系数替换当前FIR的第d*抽头的学习典范，即：子步骤3033将当前FIR的计数器intvn置0。【304：FIR抽头系数逐抽头更新】：以下子步骤均在逐FIR即n＝1：N、且逐抽头即d＝1：D下，顺序完成：子步骤3041按下式5计算各FIR各抽头系数的更新速度vdn：vdn＝ωt·vdn+c1·rnd1·[pdn-wdn]+c2·rnd2·[gd-wdn]13这里，c1＝c2＝1.49445；rnd1和rnd2为[0，1]内均匀分布的随机数，例如：由Matlab自带的随机数生成函数产生。子步骤3042对上步3041计算的更新速度vdn按下式6进行钳位控制：接着子步骤3043按下式7完成各FIR各抽头系数wdn的更新：wdn＝wdn+vdn15在子步骤3044中，如果任何FIR的任意抽头系数wdn超过[Wmin，Wmax]的范围，则将其对应的更新速度的方向取反：vdn＝-vdn16【305：FIR适应度更新】：以下子步骤均在逐个FIR，即n＝1：N下顺序完成：子步骤3051，使用子步骤3043更新的各FIR抽头系数向量对输入的失真信号进行滤波，得到输出的校正信号并计算所述校正信号相对于已知学习符号的并转换为FIR的适应度值然后回传给CL-PSO；子步骤3052，使用子步骤3032调整后的各FIR历史最佳抽头系数向量对输入失真信号进行滤波，得到输出校正信号并计算所述校正信号相对于已知学习符号的并转换为FIR的适应度值然后回传给CL-PSO；子步骤3053，比较所述的fitnessn和pBestFitn两者的大小：如果fitnessn≤pBestFitn，则将所述的第n个FIR的计数器intvn加1，即：intvn＝intvn+1，并跳至步骤303；否则，用替换即：并替换相应的适应度值，即：pBestFitn＝fitnessn；同时，将第n个FIR的计数器intvn置0，并继续进行下面的子步骤3054：子步骤3054，接着比较所述的fitnessn和gBestFit两者的大小：如果fitnessn＞gBestFit，则用替换即并替换相应的适应度值，即gBestFit＝fitnessn。【306：TOP-M序列和学习次数更新】：对当前的历史最佳适应度值序列按由大到小顺序进行排序，然后将排名前M＝10的FIR的索引集替换更新当前TOP-10；并对学习次数更新：t＝t+1；返回步骤302。图6是根据本发明优选实施例的应用于微波E-band系统群延时失真校正的链路结构示意图，如图6所示，基于CL-PSO的FIR滤波器自动化设计模块即对应本发明的具体实施例。需要说明的是，图6中的英文语句或词语是相关技术中的微波系统群延时失真校正的链路结构中的含义，例如，FirstTrainingFramethenDataFrame可以称为“首先是训练帧，然后是数据帧”；RemainingReciever可以称为“接收机其他部分”；TXSRRC可以称为“发射端的根升余弦滤波器”；RXSRRC可以称为“接收端的根升余弦滤波器”；MSECalc可以称为“均方误差mean-squareerror计算”。图7是根据本发明优选实施例的群延时失真校正FIR滤波器结构示意图，如图7所示，在微波E-band系统中用于群延时失真校正的FIR滤波器，它的内部结构图；自动化设计模块向其提供各抽头系数的配置，X代表输入，Y表示输出。图8是根据本发明优选实施例的群延时失真校正前的星座图，如图8所示，示出了微波E-band系统中添加了群延时失真后，失真信号相对于原始未失真信号的星座对比图；图9是根据本发明优选实施例的群延时失真校正后的星座图，如图9所示，则示出了经过本发明的具体实施例提供的抽头系数校正之后的信号相对于原始未失真信号的星座对比图。对比两图易见：本发明的具体实施例取得了相当好的群延时失真校正效果。通信系统中模拟滤波器的群延时失真普遍存在，不断增长带宽下群延时波动问题愈来愈成为性能关键瓶颈；而传统FIR设计具有无法校正群延时波动带来的信号失真、频率特性受限于经典模型、调参耗时耗力、且非自动化设计等诸多问题；而基于原始粒子群优化算法PSO的设计方法又有全局寻优能力弱、容易早熟收敛等先天缺陷。面对新需求和新问题，本发明具有如下三个主要特点：正确实现的并行性：不同于将FIR滤波器的一个抽头就建模为一个粒子，因FIR各抽头系数目标值固有的不一致，粒子之间互相借鉴或学习丧失了可行性前提。或是采用每个粒子只是选择一个初始设计的FIR滤波器的部分抽头系数来初始化自己，既违背各粒子等同地随机初始化的原则，又因各粒子初始承载的系数目标已迥异，粒子间互相借鉴和学习从一开始即已丧失可行性。而本发明则是将一个粒子就建模为一个FIR滤波器，粒子之间即FIR之间完全具备等同地位，从而满足了相互借鉴和学习的正确前提；在此前提下，各粒子即各FIR才可以真正实现并行地寻优迭代，从而正确发挥出粒子群算法的并行搜索优势。全局寻优能力强：粒子群优化理论上，综合学习的粒子群优化算法CL-PSO本身完全克服了原始粒子群算法PSO易早熟的先天缺陷；同时CL-PSO具有比原始PSO大得多的潜在搜索空间，这意味着CL-PSO比原始PSO具有强得多的全局寻优能力，更有可能探寻到全局最优解；而CL-PSO对于复杂多峰问题的求解能力又十几倍于其对于简单单峰问题的求解能力，在针对实际系统复杂的信号失真问题上，CL-PSO也更胜一筹。自动化设计和易用性：整个设计过程完全自动化完成，极大节省了FIR滤波器的设计和调参时间以及相应人力付出。本发明的设计方法无需使用者具备滤波器经典模型方面的专业知识，也无需具备相关的设计以及模型调参经验，容易被掌握并高效完成FIR滤波器的设计工作。通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质如ROMRAM、磁碟、光盘中，包括若干指令用以使得一台终端设备可以是手机，计算机，服务器，或者网络设备等执行本发明各个实施例所述的方法。实施例二在本实施例中还提供了一种FIR滤波器设计解的获取装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。根据本发明的另一个实施例，还提供了一种FIR滤波器设计解的获取装置，建立模块，用于以有限长单位冲激响应FIR作为粒子建立粒子群，其中，该粒子群中至少包括N个粒子；设置模块，用于设置每一个FIR在设计解空间的每一维上都向不同的典范FIR学习，其中，该设计解空间由多个抽头系数组成，每一抽头系数代表一维，该典范FIR为该粒子群中满足预设条件的M个FIR，M小于等于N；M，N为正整数；确定模块，用于根据学习结果，确定该FIR滤波器的设计解。根据本发明的另一个实施例，还提供了一种FIR滤波器设计解的获取装置，包括：确定模块，用于确定待设计FIR滤波器的预设指标要求；获取模块，用于通过综合学习的粒子群优化算法CL-PSO获取满足所述预设指标要求的FIR滤波器设计解。需要说明的是，上述各个模块是可以通过软件或硬件来实现的，对于后者，可以通过以下方式实现，但不限于此：上述模块均位于同一处理器中；或者，上述各个模块以任意组合的形式分别位于不同的处理器中。实施例三根据本发明的另一个实施例，还提供了一种存储介质，所述存储介质包括存储的程序，其中，所述程序运行时执行上述实施例任一项中所述的方法。根据本发明的另一个实施例，还提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行上述实施例任一项中所述的方法。根据本发明的另一个实施例，还提供了一种FIR滤波器，所述FIR滤波器是通过上述实施例中任一项所述的方法获取的FIR滤波器设计解设计的滤波器。显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

权利要求：1.一种FIR滤波器设计解的获取方法，其特征在于，包括：以有限长单位冲激响应FIR作为粒子建立粒子群，其中，所述粒子群中至少包括N个粒子；设置每一个FIR在设计解空间的每一维上都向不同的典范FIR学习，其中，所述设计解空间由多个抽头系数组成，每一抽头系数代表一维，所述典范FIR为所述粒子群中满足预设条件的M个FIR，M小于等于N；M，N为正整数；根据学习结果，确定所述FIR滤波器的设计解。2.根据权利要求1所述的方法，其特征在于，在设置每一个FIR在设计解空间的每一维上都向不同的典范FIR学习之前，所述方法还包括：为所述每一个FIR设定历史最佳适应度连续无改善次数；在所述连续无改善次数大于预设阈值时，重新选择所述典范FIR。3.根据权利要求1所述的方法，其特征在于，在设置每一个FIR在设计解空间的每一维上都向不同的典范FIR学习之前，所述方法还包括：对每一个FIR设定差异化的学习能力PCn，其中，所述PCn通过以下公式确定：其中，n为正整数。4.根据权利要求2所述的方法，其特征在于，所述重新选择所述典范FIR包括重复执行以下步骤，直至第n个FIR的所有抽头全部处理完毕：在所述第n个FIR中，逐抽头地产生一个[0，1]内均匀分布的随机数，并和第n个FIR分配的学习能力PCn进行比较；如果所述随机数小于所述第n个FIR分配的学习能力PCn，则从所述典范FIR中挑选一个非索引n的其它第一FIR，使用所述其它第一FIR的历史最佳抽头系数向量的第d个抽头系数pdk替换所述第n个FIR的历史最佳抽头系数向量的第d个抽头系数pdn。5.根据权利要求4所述的方法，其特征在于，所述方法还包括：如果所述第n个FIR的所有抽头系数均未发生替换，则从所述典范FIR中挑选一个非索引n的其它第二FIR，并在所述其它第二FIR挑选一个抽头d*，用所述抽头d*的系数替换所述第n个FIR的历史最佳抽头系数向量的第d*抽头的系数。6.根据权利要求1所述的方法，其特征在于，所述根据学习结果，确定所述FIR滤波器的设计解包括以下步骤：步骤一，通过综合学习的粒子群优化算法CL-PSO算法生成N个FIR的抽头系数向量步骤二，设置N个全零元向量，作为所述N个FIR的抽头系数向量的更新速度向量；步骤三，依据第一预设规则为所述N个FIR分配学习能力；步骤四，依据所述抽头系数向量获取所述N个FIR的适应度值fitnessn；步骤五，将所述N个抽头系数向量中，第n个FIR的抽头系数向量赋给第n个FIR的历史最佳抽头系数向量将所述fitnessn赋给第n个FIR的历史最佳适应度值记录变量pBestFitn；置每个FIR的历史最佳适应度连续无改善次数的计数器intvn＝0其中，n属于1至N中的整数；步骤六，选取所述适应度值由大到小排序后的前M名的FIR的历史最佳抽头系数向量列入典范FIR，将所述典范FIR中排名第一的FIR的抽头系数向量赋给全局最优FIR抽头系数向量记录变量将所述对应的fitnessn*赋给全局最优FIR的适应度记录变量gBestFit；步骤七，在确定当前已经向典范FIR学习的次数t未超过阈值，且在当前全局最优FIR适应度值gBestFit达到预设指标要求的情况下，确认当前全局最优FIR抽头系数向量为FIR设计解；在所述gBestFit没有达到所述预设指标要求的情况下，计算第t次的搜索惯性权重；步骤八，在确定当前第n个FIR的所述计数器的值超过阈值的情况下，在所述N个FIR的逐个FIR中，依据典范FIR中的FIR更新所述第n个FIR的历史最佳抽头系数向量步骤九，在所述N个FIR的逐个FIR中，逐抽头地依据第二预设规则获取所述第n个FIR第d个抽头的更新速度vdn，依据所述更新速度更新所述第n个FIR第d个抽头系数；步骤十，在确定新的历史最佳适应度值大于全局最优适应度值的情况下，确定所述新的历史最佳适应度值为新的全局最优适应度值，以及确定所述新的全局最优适应度值对应的抽头系数向量为所述FIR设计解。7.根据权利要求6所述的方法，其特征在于，所述步骤八包括：在确定当前第n个FIR的所述计数器的值超过阈值的情况下，对应于该第n个FIR的每个抽头d生成一个[0，1]内均匀分布的随机数，其中，所述计数器用于表示该第n个FIR的历史最佳适应度值在重复执行所述步骤八至所述步骤九的过程中连续无改善的次数；在确定所述随机数小于为所述粒子预先设置的学习能力的情况下，选取一个典范FIR中非索引n的FIR，使用该非索引n的FIR的历史最佳抽头系数向量的第d个抽头系数pdk替换所述第n个FIR的历史最佳抽头系数向量的第d个抽头系数pdn，形成新的第n个FIR的历史最佳抽头系数向量；在确定该第n个FIR中所有粒子的随机数均大于该粒子对应的学习能力的情况下，选取一个典范FIR中非索引n的FIR，使用该非索引n的FIR中第d*个抽头系数替换该第n个FIR的历史最佳抽头系数向量的第d*个抽头系数；将所述第n个FIR的计数器置零。8.根据权利要求6所述的方法，其特征在于，所述步骤九包括：通过以下方式更新所述第n个FIR第d个抽头系数的更新速度vdn：vdn'＝ωt·vdn+c1·rnd1·[pdn-wdn]+c2·rnd2·[gd-wdn]；其中，vdn为本次更新前的更新速度，vdn'为本次更新后的更新速度，c1和c2分别是预设的朝向第n个FIR的历史最佳抽头系数和全局最优抽头系数逼近的加速因子；rnd1和rnd2均为[0，1]内均匀分布的随机数；ωt为预设的当前第t次学习的搜索惯性权重；其中，所述更新速度不超出预设更新速度限制范围[Vmin,Vmax]；所述t初始值为1，重复执行所述步骤八至所述步骤九的次数增加1，所述t增加1；通过以下公式更新所述第n个FIR的第d个抽头系数wdn：wdn'＝wdn+vdn，其中，wdn为本次更新前的抽头系数，wdn'为本次更新后的抽头系数。9.根据权利要求6所述的方法，其特征在于，所述方法还包括：确定所述步骤八中更新后的历史最佳抽头系数向量对应的第二历史最佳适应度值；在确定所述步骤九中更新后的第n个FIR对应的适应度值小于等于所述第二历史最佳适应度值的情况下，将所述第n个FIR的计数器加1，并转至所述步骤八。10.根据权利要求6所述的方法，其特征在于，执行所述步骤九之后，所述方法还包括以下之一：依据所有N个FIR的N个当前历史最佳适应度按照由大到小排序，选取排名前M的FIR的索引更新所述典范FIR；将所述t的取值增加1。11.根据权利要求6所述的方法，其特征在于，所述步骤一包括以下步骤：通过CL-PSO依据预设抽头系数范围[Wmin,Wmax]随机生成N个FIR的抽头系数向量，其中，通过CL-PSO依据所述[Wmin,Wmax]获取FIR抽头系数的更新速度限制范围[Vmin,Vmax]。12.根据权利要求11所述的方法，其特征在于，所述第n个FIR抽头系数向量包括自身的所有抽头的抽头系数。13.根据权利要求6所述的方法，其特征在于，所述步骤二包括：设置N个全零元向量为所述N个FIR滤波器的抽头系数更新速度向量其中，第n个FIR的抽头系数更新速度向量为其中，所述vdn表示所述第n个FIR的第d个抽头。14.根据权利要求6所述的方法，其特征在于，所述步骤三包括：通过CL-PSO为N个FIR分配学习能力，其中，任意两个的FIR的学习能力均不相同，所述学习能力的取值范围为[0.05，0.5]。15.根据权利要求6所述的方法，其特征在于，所述步骤四包括通过以下方式获取所述N个FIR中第n个FIR的适应度值：所述第n个FIR使用当前抽头系数向量对输入失真信号进行滤波，得到输出校正信号获取所述校正信号与预设学习符号的误差测度，并将该误差测度转换为所述第n个FIR的适应度值。16.根据权利要求6所述的方法，其特征在于，所述步骤七包括根据以下方式之一确定所述搜索惯性权重：设置所述搜索惯性权重的参数方式为自适应方式，依据以下公式确定当前第t次的搜索惯性权重其中，modt,T表示t对T求余数操作；设置所述搜索惯性权重ω的参数方式为固定方式。17.根据权利要求6所述的方法，其特征在于，所述步骤九包括：在确定所述更新速度超出了[Vmin,Vmax]，通过以下方式对所述更新速度vdn进行钳位：18.根据权利要求6所述的方法，其特征在于，确定所述步骤九中更新后的wdn'超出预设抽头系数范围[Wmin,Wmax]的范围的情况下，则通过以下方式重新确定更新后的wdn'：wdn'＝wdn-vdn。19.一种FIR滤波器设计解的获取装置，其特征在于，包括：建立模块，用于以有限长单位冲激响应FIR作为粒子建立粒子群，其中，所述粒子群中至少包括N个粒子；设置模块，用于设置每一个FIR在设计解空间的每一维上都向不同的典范FIR学习，其中，所述设计解空间由多个抽头系数组成，每一抽头系数代表一维，所述典范FIR为所述粒子群中满足预设条件的M个FIR，M小于等于N；M，N为正整数；确定模块，用于根据学习结果，确定所述FIR滤波器的设计解。20.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，所述程序运行时执行上述权利要求1至18任一项中所述的方法。21.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行上述权利要求1至18任一项中所述的方法。22.一种FIR滤波器，其特征在于，所述FIR滤波器是通过上述权利要求1至18中任一项所述的方法获取的FIR滤波器设计解设计的滤波器。

百度查询： 中兴通讯股份有限公司 FIR滤波器设计解的获取方法及装置