地表振动信号识别定位算法研究

发布时间：2020-05-19 09:45

【摘要】：近年来,地表振动信号处理技术在众多场合被广泛使用,如智能交通、地下管网防护以及智能安防等领域。但是,对于地表振动信号处理,传统方法通常只能解决单一问题,缺乏一种通用性强的识别定位算法,以满足日益增长的应用需求。本文研究内容为地表振动信号识别定位算法,拟解决周期、非周期振动信号的振源识别、定位问题,使之能适用于各种应用场合。本论文主要的研究内容及研究成果有:(1)首先基于振动信号传播特性,研究了地表振动信号能量分布的变化与传播距离之间的关系。基于语谱图表征信号能量分布的原理,提出了 SPEC特征及其特征提取算法,SPEC特征表征了信号能量分布的变化信息。与地表振动信号现有的FBED特征相比,SPEC特征提取算法复杂度低,且可同时适用于周期/非周期地表振动信号的表征。基于SPEC特征,结合KELM算法作为分类、回归模型训练算法,提出了 KELM+SPEC地表振动信号识别定位算法。与传统方法相比,KELM+SPEC算法是一种通用性强的识别定位算法,可同时适用于周期/非周期地表振动信号的振源分类与传播距离预测;(2)本文进一步对定位算法进行了改进,提出了一种基于迁移学习和主成分分析融合特征的定位算法。首先将振动信号进行可视化为语谱图图片,基于迁移学习算法,利用预训练的CNN网络AlexNet提取信号图像特征,将信号图像特征与SPEC特征进行PCA融合降维,所得新的融合特征可表征信号能量分布和图像特征的融合信息。基于新的融合特征,采用KELM作为回归模型训练算法,提出一种改进的定位算法;(3)为验证所提算法性能,本文进行了多组对比实验,在振源识别和定位精度上与现有方法进行了充分对比。为此,本文采集了多个距离下的不同种类地表振动信号构建原始数据集,其中包含2种周期振动信号与3种非周期振动信号。实验结果表明,相比于传统方法,本文所提KELM+SPEC算法在振源识别准确率和定位精度上均有明显的提高,且改进后的定位算法,其距离预测的精度相比之前有大幅提高。
【图文】：

流程图,振动信号,语谱图,定位算法

由此可得出结论：（１）随着传播距离的增加，地表振动信号的能量呈现出逡逑指数级衰减的规律；（２）对于地表振动信号而言，高频信号有更快的衰减速度。逡逑以一种周期地表振动信号的传播过程为例，图２．１为不同距离下采集的，一种基逡逑频约为４５Ｈｚ的电镐作业时产生的地表振动信号的语谱图，，图中横坐标为时间，逡逑纵坐标表示频率，颜色深浅表示能量大小。由图２．１可看出，随着传播距离的增逡逑力口，振动信号的能量有明显的衰减，且信号中高频分量衰减速度明显大于低频分逡逑量，导致远距离（ｌ0ｍ）采集的信号，其能量主要集中在信号的低频部分。图２．１逡逑可验证上述结论。逡逑３５０逦３５０邋？逦３５０邋■邋ｖ邋；逡逑３００逦３００邋？逦■邋？逦３００逦，邋１邋Ｖ逡逑２５０逦２Ｓ０逦？逦２５０逦；邋，逦＊邋？逡逑＆逦Ｓ＇逦Ｓ＇逡逑Ｓ邋２００逦Ｓ邋２００逦■邋§邋２００－逡逑Ｏ－逦Ｅ－逦－逦ａ－逡逑－－0邋＂１５０邋－－．逡逑１（Ｘ）逦１（Ｘ）逡逑５Ｑ逦＾逦％琴岤灥W哪晒＾逦＾逦（、逡逑＇ｘ＇－逡逑…邋、．，．．．．，一一＾逡逑０邋逦邋０邋咖？０邋邋邋邋逦逦逡逑０邋５邋１邋１邋５邋２逦０．５邋１邋１邋５邋２逦０．５邋１邋１邋５邋２逡逑２ｍ逦６ｍ逦１０ｍ逡逑图２．１不同距离下电镐振动信号语谱图逡逑２．１．２振动信号识别定位算法流程介绍逡逑在地表振动信号处理领域

小波包分解,三层

／ｅ＃表示分解层数，ｃ／／？＂表示分解得到的系数。逡逑小波包分解将原始时域信号映射到２？个小波包子空间内，可对信号进行更精逡逑细的分析，提取其细节特征。对信号进行小波包分解，可得图２．４所示的分解树，逡逑其中分解层数为３层，为原始信号，Ｊ为信号低频部分，Ｄ为信号高频部分，逡逑序号表示层数索引。逡逑ｒ逦０—１逡逑逦Ａ＇邋逦邋￣邋逦逡逑—ＡＡ２邋－ｊ逦—邋ＤＡ２邋－｜逦ｒ邋．４１）２邋￣｜逦「／）／）２邋＿逡逑ＡＡＡ３邋ＤＡＡ３＞邋ＡＤＡ３邋ＤＤＡ３邋／ＷＢ邋ＤＡＤ＾邋Ａｌ）Ｌ）３邋Ｊ）ＤＪ）３逡逑图２．４三层小波包分解树逡逑２．３分类回归算法研究逡逑２．３．１超限学习机逡逑传统的神经网络因具备自学能力和鲁棒性强等优点，在许多领域得到广泛应逡逑用。但传统神经网络的训练耗时长，需要手动设置大量网络参数，所采用的梯度逡逑下降训练网络参数的方法很容易导致出现局部最优解的问题，使得模型训练失败逡逑或模型过拟合而泛化能力不足，从而限制了神经网络的进一步推广。针对以上问逡逑题，新加坡南洋理工大学黄广斌教授等人于２００４年提出了超限学习机（Ｅｘｔｒｅｍｅ逡逑Ｌｅａｒｎｉｎｇ邋Ｍａｃｈｉｎｅ，邋ＥＬＭ邋）算法，用于解决单隐层神经网络训练速度慢的问题’。逡逑ＥＬＭ算法是一种简单有效的单隐藏层神经网络（Ｓｉｎｇｌｅ邋Ｈｉｄｄｅｎ邋Ｌａｙｅｒ邋Ｆｅｅｄｆｏｒｗａｒｄ逡逑Ｎｅｕｒａｌ邋Ｎｅｔｗｏｒｋｓ
【学位授予单位】：杭州电子科技大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：O32;TU435

【参考文献】