CN104359388B - 一种距离测量巨磁阻抗传感器信号的处理方法 - Google Patents
一种距离测量巨磁阻抗传感器信号的处理方法 Download PDFInfo
- Publication number
- CN104359388B CN104359388B CN201410718206.8A CN201410718206A CN104359388B CN 104359388 B CN104359388 B CN 104359388B CN 201410718206 A CN201410718206 A CN 201410718206A CN 104359388 B CN104359388 B CN 104359388B
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- msup
- mfrac
- change rate
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Landscapes
- Measuring Magnetic Variables (AREA)
Abstract
本发明公开了一种距离测量巨磁阻抗传感器信号的处理方法,具体步骤包括:采集磁性目标运动时巨磁阻抗传感器的输出信号;分别建立幅值变化率和能量变化率测量模型,在此基础上建立巨磁阻抗传感器信号的数据处理融合模型;计算目标运动方向上采集的巨磁阻抗传感器输出信号的小波能量特征,将其作为神经网络的输入样本训练以得到小波神经网络模型,建立其与目标位置的关系;对于所述运动方向上任一位置的目标,先通过小波神经网络模型判断目标所在的位置区间,再选择数据处理融合模型中对应位置区间的模型进行反演计算,得到最终的目标位置。本发明提供的处理方法具有通用性,解决了测量结果的多值性问题,提高了测量精度,拓宽了测量范围。
Description
技术领域
本发明涉及巨磁阻抗传感器信号的处理方法,特别是距离测量巨磁阻抗传感器信号的处理方法。
背景技术
采用纵向激励模式的巨磁阻抗传感器,其巨磁阻抗效应特性曲线具有固有的“双峰性”,为了拓展巨磁阻抗传感器的测量范围,就需要解决测量结果的多值性问题。目前,无论已经形成产品的巨磁阻抗传感器,还是在相关文献中,该巨磁阻抗传感器硬件信号处理电路可以分为两大类:一类是采用检波电路,另一类是采用相干解调电路,但都是仅仅利用了巨磁阻抗传感器输出信号的幅度信息;另外,现有巨磁阻抗传感器都是选取巨磁阻抗效应特性曲线的“近似线性区”来进行标定,在该区域内进行巨磁阻抗传感器标定虽然能达到较高的精度要求,但测量范围却受到了限制。尽管随着巨磁阻抗传感器硬件电路的改进,其性能有所改善,例如于葛亮等在《南京理工大学学报》2011年第35期“基于纵向激励的铁基非晶带弱磁巨磁阻抗传感器研究”中通过增加反馈电路使巨磁阻抗传感器的线性度有所改善,但其本质上还是利用巨磁阻抗效应曲线的“近似线性区”,其改善效果非常有限。因此,根据现有文献报道,目前巨磁阻抗传感器信号的处理方法还存在如下不足:(1)不能解决测量结果的多值性问题;(2)仅仅利用“近似线性区”限制了测量范围;(3)仅仅利用幅度信息,导致测量精度有待提高。
发明内容
针对上述现有技术中存在的缺陷,本发明所要解决的技术问题是提供一种可以解决巨磁阻抗效应曲线多值性问题,并能有效拓展测量范围和提高测量精度的距离测量巨磁阻抗传感器信号的处理方法。
为解决上述技术问题,本发明所提供的距离测量巨磁阻抗传感器信号的处理方法,其技术方案实施步骤如下:
一、巨磁阻抗传感器获取磁性目标按照一定距离间隔运动时的距离信号,采集所述巨磁阻抗传感器的输出信号;
(一)幅值变化率
(1)求信号的幅值变化率,得到幅值变化率曲线;
确定所述磁性目标在位置i时的幅值变化率Ur(i):
U(i)表示对应目标在位置i时的巨磁阻抗传感器输出信号的幅值,U(0)为仅有环境磁场时巨磁阻抗传感器输出信号的幅值,Ur(i)是该位置信号的幅值变化率;
以目标位置为横坐标,以幅值变化率为纵坐标,将所有目标位置点的幅值变化率连接成幅值变化率曲线;
(2)建立幅值变化率测量模型;
找出幅值变化率曲线峰值对应的位置d1,作为第一个分界点;
以d1为界将输出信号的幅值变化率曲线分为左、右两部分,分别建立每部分的幅值变化率测量模型;
采用基于误差平方和最小准则的多项式拟合方法对以d1为界左侧的幅值变化率曲线进行拟合,拟合后的曲线即为对应的左侧幅值变化率测量模型,表达式为y1:
y1=m1x4+m2x3+m3x2+m4x+m5 (x≤d1)
式中,x表示目标所在的位置,m1,m2,m3,m4,m5是多项式曲线拟合系数;
采用基于误差平方和最小准则的高斯拟合方法对以d1为界右侧的幅值变化率曲线进行拟合,拟合后的曲线即为对应的右侧幅值变化率测量模型,表达式为y2:
式中,x表示目标所在的位置,a1,a2,…,a12是高斯曲线拟合系数;
(二)能量变化率
(1)求信号的能量变化率,得到能量变化率曲线;
确定所述磁性目标在位置i时巨磁阻抗传感器输出信号的能量变化率Er(i):
式中,E(i)为目标在位置i时的巨磁阻抗传感器输出信号的能量在一个采样周期的平均值,E(0)为仅有环境磁场时巨磁阻抗传感器输出信号的能量在一个采样周期的平均值,Er(i)是位置i的能量变化率;
以目标位置为横坐标,以能量变化率为纵坐标,将所有目标位置点的能量变化率连接成能量变化率曲线;
(2)建立能量变化率测量模型;
基于能量与幅值之间的确定关系,能量变化率曲线峰值对应的位置与幅值变化率曲线峰值对应的位置相同,因此以幅值变化率曲线峰值对应的位置d1为界,对右侧的能量变化率曲线基于误差平方和最小准则进行高斯拟合,拟合后的曲线即为对应的能量变化率测量模型,表达式为y3:
式中,x表示目标所在的位置;b1,b2,…,b12是高斯曲线拟合系数;
二、以d1和d2为界建立所述巨磁阻抗传感器信号的数据处理融合模型;
基于能量变化率和幅值变化率测量模型进行测量均有误差,设右侧幅值变化率测量模型与能量变化率测量模型误差曲线交点对应的位置为d2,将d2确定为第2个分界点;
基于测量误差最小原则,将左侧幅值变化率测量模型y1、右侧幅值变化率测量模型y2和能量变化率测量模型y3进行组合,得到数据处理融合模型:
式中,x表示目标所在的位置,m1,m2,m3,m4,m5是以d1为界左侧幅值变化率测量模型的拟合系数,a1,a2,…,a12是介于d1和d2之间的右侧幅值变化率测量模型的拟合系数,b1,b2,…,b12是以d2为界右侧的能量变化率测量模型的拟合系数;
三、计算目标运动方向上采集的巨磁阻抗传感器输出信号的小波能量特征,并将该小波能量特征作为神经网络的输入样本训练以得到小波神经网络模型,建立小波能量特征与以d1和d2为界的目标位置区间的关系;
四、对于所述运动方向上任一位置的目标,先通过小波神经网络模型判断目标可能出现的位置区间,再选择步骤二中数据处理融合模型的相应测量模型进行反演计算,得到最终的目标位置。
本发明比现有技术具有的优点:
(1)本发明用实测巨磁阻抗效应曲线进行信号处理,提出了多特征分段拟合的信号处理方法,使测量范围不再局限在“近似线性区域”内,相比目前常用的“近似线性区”测量模型,使巨磁阻抗传感器的测量范围得到了很大拓展;
(2)本发明所述的信号处理方法,采用了幅值、能量和小波特征对巨磁阻抗传感器输出信号进行处理,获得了比单独使用任一种特征更高的测量精度;
(3)本发明所述的信号处理方法,通过小波神经网络实现对目标位置区间的预判,与所述的数据处理融合模型配合,解决了测量结果的多值性问题;
(4)本发明所述的信号处理方法,当磁性目标或巨磁阻抗传感器的敏感材料改变时,仅会改变模型中的分界位置d1、d2和各个系数的取值,并不影响方法的适用性;
(5)本发明所述的信号处理方法,具有通用性,使巨磁阻抗传感器的应用范围更广。
附图说明
为了更好地理解本发明,下面结合附图作进一步的说明。
图1是距离测量巨磁阻抗传感器信号的处理方法流程图;
图2是距离测量巨磁阻抗传感器信号的数据处理融合模型示意图;
图3是实施例一中的左侧和右侧幅值变化率测量模型;
图4是实施例一中的能量变化率测量模型(峰值右边部分);
图5是实施例二中的幅值变化率曲线。
具体实施方式
下面通过实施例对本发明作进一步的详细说明。
本发明所提供的距离测量巨磁阻抗传感器信号的处理方法,其流程如图1所示,应用此方法建立的数据处理模型如图2所示。
实施例一:针对磁性目标甲,具体步骤如下:
一、巨磁阻抗传感器获取磁性目标甲按照一定距离间隔运动时的距离信号,采集所述巨磁阻抗传感器的输出信号;
(一)幅值变化率
(1)求信号的幅值变化率,得到幅值变化率曲线;
确定所述磁性目标甲在位置i时的幅值变化率Ur(i):
U(i)表示对应目标甲在位置i时的巨磁阻抗传感器输出信号的幅值,U(0)为仅有环境磁场时巨磁阻抗传感器输出信号的幅值,Ur(i)是位置i信号的幅值变化率;以目标位置为横坐标,以幅值变化率为纵坐标,将所有目标位置点的幅值变化率连接成幅值变化率曲线;
(2)建立幅值变化率测量模型;
以幅值变化率曲线峰值对应的位置为界确定第一个分界点d1=7cm;
将输出信号的幅值变化率曲线以d1为界分为左、右两部分,并建立每部分曲线的幅值变化率测量模型;
设所述巨磁阻抗传感器输出信号的采集数据点为pi(xi,yi),其中i=1,2,…,k。多项式拟合曲线一般表达式为y1=m1x4+m2x3+m3x2+m4x+m5,将xi代入求得y1(xi),按照误差平方和最小的原则选取拟合曲线系数即可得到所需模型。
曲线拟合可采用Matlab曲线拟合工具箱实现,可参见《电脑知识与技术》2010年21期“使用MATLAB曲线拟合工具箱做曲线拟合”,此为公知技术,不再赘述。
对以d1为界左侧的曲线进行多项式曲线拟合,得左侧幅值变化率测量模型y1:
y1=m1x4+m2x3+m3x2+m4x+m5 (x≤7cm)
式中,x表示目标位置,M=[m1,m2,m3,m4,m5]=[0.035,-1.018,9.647,-30.53,26.96]是拟合系数。
同理,对以d1为界右侧的曲线进行高斯曲线拟合,得右侧幅值变化率模型y2:
式中,x表示目标位置,[a1,a2,…,a12]=[2.564,2.098,2.072,25.26,-4.442,8.652,4.639×1013,-979.2,177,0.627,11.35,7.978]为曲线拟合系数。
图3是左侧幅值变化率测量模型和右侧幅值变化率测量模型。
(二)能量变化率
(1)求信号的能量变化率,得到能量变化率曲线;
确定所述磁性目标甲在位置i时巨磁阻抗传感器输出信号的能量变化率Rr(i):
式中,E(i)为目标甲在位置i时的巨磁阻抗传感器输出信号的能量在一个采样周期的平均值,E(0)为仅有环境磁场时巨磁阻抗传感器输出信号的能量在一个采样周期的平均值,Er(i)是位置i的能量变化率;以目标位置为横坐标,以能量变化率为纵坐标,将所有目标位置点的能量变化率连接成能量变化率曲线。
(2)建立能量变化率测量模型
以d1为界对右侧的能量变化率曲线基于误差平方和最小准则进行高斯拟合,拟合后的曲线即为对应的能量变化率测量模型(见图4),表达式为y3:
式中,x表示目标位置,[b1,b2,…,b12]=[1362,5.544,1.309×1015,-757.5,135.1,15.35,12.37,1.446,2.712×105,-37.1,17.55]是曲线拟合系数。
(3)设能量变化率模型与幅值变化率模型误差曲线交点对应的位置为d2,将d2确定为第2个分界点,求得d2=30cm。
二、以d1=7cm和d2=30cm为界建立所述巨磁阻抗传感器信号的数据处理融合模型。
式中,x为目标位置,拟合系数分别为[m1,m2,…,m5]=[0.035,-1.018,9.647,-30.53,26.96],[a1,a2,…,a12]=[1362,5.544,3.185,1.309×1015,-757.5,135.1,15.35,12.37,1.446,2.712×105,-37.1,17.55],[b1,b2,…,b12]=[2.564,2.098,2.072,25.26,-4.442,8.652,4.639×1013,-979.2,177,0.627,11.35,7.978]。
三、计算目标运动方向上采集的巨磁阻抗传感器输出信号的小波能量特征,并将该小波能量特征作为神经网络的输入样本训练以得到小波神经网络模型,建立小波能量特征与以d1和d2为界的目标位置区间的关系。
由于小波分析(Wavelet Analysis)具有时频多分辨功能,它能充分反映系统在不同时间尺度中的变化趋势,并能对系统未来发展趋势进行估计。目前,小波分析理论已在信号处理、图像压缩、模式识别、数值分析等科学领域得到了广泛应用。
小波分析的基本思想是用一簇小波函数系来表示或逼近某一信号或函数。因此,小波函数是小波分析的关键,它是指具有震荡性、能够迅速衰减到零的一类函数,即小波函数ψ(t)∈L2(R)且满足:
式中,ψ(t)为基小波函数,它可通过尺度的伸缩和时间轴上的平移构成一簇函数系:
式中,ψa,b(t)为子小波;a为尺度因子,反映小波的周期长度;b为平移因子,反应时间上的平移。
目前,主要是通过对比不同小波分析处理信号时所得的结果与理论结果的误差来判定基小波函数的好坏,并由此选定该类研究所需的基小波函数。
对于给定的能量有限信号f(t)∈L2(R),其连续小波变换(Continue WaveletTransform,简写为CWT)为:
式中,Wf(a,b)为小波变换系数;f(t)为一个信号或平方可积函数;a为伸缩尺度;b平移参数;为的复共轭函数。地学中观测到的时间序列数据大多是离散的,设函数f(kΔt),(k=1,2,…,N;Δt为取样间隔),则上式的离散小波变换形式为:
分析可知,小波分析的基本原理,即通过增加或减小伸缩尺度a来得到信号的低频或高频信息,然后分析信号的概貌或细节,实现对信号不同时间尺度和空间局部特征的分析。
因此,对采集到的巨磁阻抗传感器输出信号用“Db5”小波进行4层分解,得到近似系数和细节系数,取近似系数和细节系数的能量值作为小波特征向量,以此作为神经网络的输入样本。
另一方面,BP(Back Propagation)神经网络是一种按误差逆传播算法训练的多层前馈网络,是目前应用最广泛的神经网络模型之一。BP神经网络能学习和存贮大量的输入-输出模式映射关系,而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法,通过反向传播来不断调整网络的权值和阈值,使网络的误差平方和最小。
BP神经网络的学习过程由信息的正向传播和误差的反向传播两个过程组成。输入层各神经元负责接收来自外界的输入信息,并传递给中间层各神经元;中间层是内部信息处理层,负责信息变换,根据信息变化能力的需求,中间层可以设计为单隐层或者多隐层结构;最后一个隐层传递到输出层各神经元的信息,经进一步处理后,完成一次学习的正向传播处理过程,由输出层向外界输出信息处理结果。当实际输出与期望输出不符时,进入误差的反向传播阶段。误差通过输出层,按误差梯度下降的方式修正各层权值,向隐层、输入层逐层反传。周而复始的信息正向传播和误差反向传播过程,是各层权值不断调整的过程,也是神经网络学习训练的过程,此过程一直进行到网络输出的误差减少到可以接受的程度,或者预先设定的学习次数为止。
具体步骤如下:
BP神经网络模型包括其输入输出模型、作用函数模型、误差计算模型和自学习模型。
(1)节点输出模型
隐节点输出模型:Oj=f(∑Wij×Xi-qj)
输出节点输出模型:Yk=f(∑Tjk×Oj-qk)
其中,f是非线形作用函数;q是神经单元阈值。
(2)作用函数模型
作用函数是反映下层输入对上层节点刺激脉冲强度的函数又称刺激函数,一般取为(0,1)内连续取值Sigmoid函数:
f(x)=1/(1+e)
(3)误差计算模型
误差计算模型是反映神经网络期望输出与计算输出之间误差大小的函数:
Ep=1/2×∑(tpi-Opi)
其中,tpi是i节点的期望输出值;Opi是i节点计算输出值。
(4)自学习模型
神经网络的学习过程,即连接下层节点和上层节点之间的权重矩阵Wij的设定和误差修正过程。自学习模型为:
ΔWij(n+1)=h×φi×Oj+a×ΔWij(n)
其中,h是学习因子;φi是输出节点i的计算误差;Oj是输出节点j的计算输出;a是动量因子。
利用Matlab神经网络工具箱确定BP神经网络的结构并训练网络(具体可参见《信息技术与信息化》2009年第6期的“基于MATLAB神经网络工具箱的BP网络设计”),可以确定神经网络的结构为47×30×47,神经网络的输入为巨磁阻抗传感器信号的小波特征,神经网络的输出为[0,1,2],分别代表巨磁阻抗传感器信号的数据处理融合模型对应的3个目标距离区间。设置一定的精度并调用Matlab神经网络工具箱函数Newff等对网络进行训练,得到小波神经网络模型,以此建立巨磁阻抗传感器信号的数据处理融合模型三个距离区间的切换机制。
四、对于所述运动方向上任一位置的目标甲,先通过小波神经网络模型判断目标可能出现的位置区间,再选择数据处理融合模型中对应位置区间的模型进行反演计算,得到最终的目标位置。
对目标甲任意选取11个位置,特别是包含距离较远和较近的位置,利用所述方法计算目标位置,表1是目标位置的测量结果:
表1目标位置的计算结果
由表1可知,本发明所述方法能够实现对目标甲位置的测量,并且具有较高的精度。利用小波神经网络模型对目标区间判定的准确率为100%,表1中对目标甲距离测量的最大误差为2.01%,平均误差仅为1.06%。此外,在目标距离较远或较近时,仍然能够保证较高的测量精度。
为了进一步说明本发明所述方法的有效性,表2给出了单独使用小波特征的计算结果,表3给出了单独使用幅值和能量特征的曲线拟合模型的距离测量结果,表4给出了基于整个曲线进行拟合的距离测量结果。
表2单独使用基于小波特征的小波神经网络模型的距离测量结果
表3单独使用幅值和能量特征的曲线拟合模型的距离测量结果
表4基于整个曲线进行拟合的距离测量结果
通过表1与表2、表3、表4测量结果的对比分析,本发明所述数据处理方法具有明显的优点,一是测量精度高,二是测量范围大。更重要的是,通过小波神经网络对目标距离区间的预先判别,解决了目标探测时的多值性问题。
需要说明的是,上述巨磁阻抗传感器信号的数据处理模型的建立过程尽管是对目标甲进行的,但当磁性目标改变或者应用不同的敏感元件时,该方法依然适用,即尽管巨磁阻抗传感器的特性曲线在不同敏感元件时存在差异,不同磁性目标由于固有磁性的不同也会使巨磁阻抗传感器信号产生不同的变化,但这并不影响本发明所述方法的适用性。
以下再举两个实施例进行说明。
实施例二:将目标甲换为目标乙。参照上述步骤,简要说明如下:
目标乙与目标甲相比,主要不同在于固有磁性发生了变化,在相同距离时对巨磁阻抗传感器的影响不同,这将导致数据处理模型中分界点和系数的改变。
采集目标乙在某一运动方向上不同位置时巨磁阻抗传感器的输出信号,提取输出信号的幅值和能量特征,得到其幅值变化率曲线(见图5)、能量变化率曲线;找到幅值变化率曲线峰值对应的位置d1=10cm、能量变化率模型与幅值变化率模型误差曲线交点对应的位置d2=28cm,以此作为分界点分别对幅值变化率曲线、能量变化率曲线进行拟合,最终建立针对目标乙的巨磁阻抗传感器信号的数据处理模型:
式中,[o1,o2,…,o5]=[0,-0.2926,4.135,-12.5,29.23],[p1,p2,…,p12]=[3713,10.49,1.297,-45.28,9.969,1.509,625.9,12.73,1.161,734.4,11.74,4.681],[q1,q2,…,q12]=[9.853,10.74,1.349,4.792,13.04,1.226,1.571,15.24,0.575,171.2,-9.656,15.84]为模型中的拟合系数。
用该模型对几个位置的目标乙进行测量,结果如表5所示:
表5对目标乙的测量结果
由表5可知,测量结果的相对误差的最大值为4.65%,其平均值为2.83%。可以看出,对于磁性目标乙本发明所述的方法仍然适用,之所以与实施例一相比测量误差有所增大,是因为采集的目标位置点较少,建立的模型比较粗糙。因此,对于不同的磁性目标,只要事先采集足够的目标位置点数据,就可以通过本发明所述方法实现对该目标位置的测量。
实施例三:针对实施例一中的目标甲,更换巨磁阻抗传感器。参照上述步骤,简要说明如下:
不同的巨磁阻抗传感器,即便是同型号的巨磁阻抗传感器,其敏感材料的特性也会有所不同,自然产生的巨磁阻抗效应的程度也会有所不同,其输出信号的幅值和能量变化率曲线也会发生变化,但只是量的变化,基本变化规律不变。
采集目标甲在某一运动方向上不同位置时巨磁阻抗传感器的输出信号,参考上述步骤得到其幅值、能量变化率曲线,求出两个目标距离分界点d1=7cm和d2=30cm(可见对于特定目标,即便更换了巨磁阻抗传感器,其分界点仍然不变),以d1和d2为界构建此巨磁阻抗传感器信号的数据处理融合模型:
式中,x为目标位置,[r1,r2,…,r5]=[0,-0.4213,6.468,-29.07,53.12],[s1,s2,…,s12]=[23.01,8.103,0.9622,861,7.498,1.327,135.4,9.817,1.069,2.712×105,-37.1,17.55],[t1,t2,…,t12]=[2.564,2.098,2.072,25.26,-4.442,8.652,210.2,8.224,4.87]为拟合系数。
用该模型对几个位置的目标甲进行测量,结果如表6所示:
表6不同巨磁阻抗传感器对目标甲的测量结果
测量结果相对误差的最大值为7.46%,平均误差为3.45%。实施例三说明当巨磁阻抗传感器的敏感材料变化时,本发明所属方法仍然适用。通过表6与表1的比较,显然实施例三的测量误差明显较大,这主要是实施例三中的巨磁阻抗传感器中敏感材料的特性不如实施例一中的材料灵敏所造成的。
综合上述三个实施例,本发明所述的一种距离测量巨磁阻抗传感器信号的处理方法,在不同巨磁阻抗传感器、不同磁性目标等场合均能应用,并且测量范围大,测量精度高,不存在测量结果的多值性问题。
Claims (1)
1.一种距离测量巨磁阻抗传感器信号的处理方法,其特征包括如下步骤:
一、巨磁阻抗传感器获取磁性目标按照一定距离间隔运动时的距离信号,采集所述巨磁阻抗传感器的输出信号;
(一)幅值变化率
(1)求信号的幅值变化率,得到幅值变化率曲线;
确定所述磁性目标在位置i时的幅值变化率Ur(i):
<mrow>
<msub>
<mi>U</mi>
<mi>r</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<mo>|</mo>
<mi>U</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>U</mi>
<mrow>
<mo>(</mo>
<mn>0</mn>
<mo>)</mo>
</mrow>
<mo>|</mo>
</mrow>
<mrow>
<mi>U</mi>
<mrow>
<mo>(</mo>
<mn>0</mn>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>&times;</mo>
<mn>100</mn>
<mi>%</mi>
</mrow>
U(i)表示对应目标在位置i时的巨磁阻抗传感器输出信号的幅值,U(0)为仅有环境磁场时巨磁阻抗传感器输出信号的幅值,Ur(i)是该位置信号的幅值变化率;
以目标位置为横坐标,以幅值变化率为纵坐标,将所有目标位置点的幅值变化率连接成幅值变化率曲线;
(2)建立幅值变化率测量模型;
找出幅值变化率曲线峰值对应的位置d1,作为第一个分界点;
以d1为界将输出信号的幅值变化率曲线分为左、右两部分,分别建立每部分的幅值变化率测量模型;
采用基于误差平方和最小准则的多项式拟合方法对以d1为界左侧的幅值变化率曲线进行拟合,拟合后的曲线即为对应的左侧幅值变化率测量模型,表达式为y1:
y1=m1x4+m2x3+m3x2+m4x+m5 (x≤d1)
式中,x表示目标所在的位置,m1,m2,m3,m4,m5是多项式曲线拟合系数;
采用基于误差平方和最小准则的高斯拟合方法对以d1为界右侧的幅值变化率曲线进行拟合,拟合后的曲线即为对应的右侧幅值变化率测量模型,表达式为y2:
<mfenced open = "" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>y</mi>
<mn>2</mn>
</msub>
<mo>=</mo>
<msub>
<mi>a</mi>
<mn>1</mn>
</msub>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<msup>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<mi>x</mi>
<mo>-</mo>
<msub>
<mi>a</mi>
<mn>2</mn>
</msub>
</mrow>
<msub>
<mi>a</mi>
<mn>3</mn>
</msub>
</mfrac>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msup>
<mo>+</mo>
<msub>
<mi>a</mi>
<mn>4</mn>
</msub>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<msup>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<mi>x</mi>
<mo>-</mo>
<msub>
<mi>a</mi>
<mn>5</mn>
</msub>
</mrow>
<msub>
<mi>a</mi>
<mn>6</mn>
</msub>
</mfrac>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msup>
<mo>+</mo>
<msub>
<mi>a</mi>
<mn>7</mn>
</msub>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<msup>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<mi>x</mi>
<mo>-</mo>
<msub>
<mi>a</mi>
<mn>8</mn>
</msub>
</mrow>
<msub>
<mi>a</mi>
<mn>9</mn>
</msub>
</mfrac>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msup>
<mo>+</mo>
<msub>
<mi>a</mi>
<mn>10</mn>
</msub>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<msup>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<mi>x</mi>
<mo>-</mo>
<msub>
<mi>a</mi>
<mn>11</mn>
</msub>
</mrow>
<msub>
<mi>a</mi>
<mn>12</mn>
</msub>
</mfrac>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msup>
</mrow>
</mtd>
<mtd>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>&GreaterEqual;</mo>
<msub>
<mi>d</mi>
<mn>1</mn>
</msub>
<mo>)</mo>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
式中,x表示目标所在的位置,a1,a2,…,a12是高斯曲线拟合系数;
(二)能量变化率
(1)求信号的能量变化率,得到能量变化率曲线;
确定所述磁性目标在位置i时巨磁阻抗传感器输出信号的能量变化率Er(i):
<mrow>
<msub>
<mi>E</mi>
<mi>r</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<mo>|</mo>
<mi>E</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>E</mi>
<mrow>
<mo>(</mo>
<mn>0</mn>
<mo>)</mo>
</mrow>
<mo>|</mo>
</mrow>
<mrow>
<mi>E</mi>
<mrow>
<mo>(</mo>
<mn>0</mn>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>&times;</mo>
<mn>100</mn>
<mi>%</mi>
</mrow>
式中,E(i)为目标在位置i时的巨磁阻抗传感器输出信号的能量在一个采样周期的平均值,E(0)为仅有环境磁场时巨磁阻抗传感器输出信号的能量在一个采样周期的平均值,Er(i)是位置i的能量变化率;
以目标位置为横坐标,以能量变化率为纵坐标,将所有目标位置点的能量变化率连接成能量变化率曲线;
(2)建立能量变化率测量模型;
能量变化率曲线峰值对应的位置与幅值变化率曲线峰值对应的位置相同,故以d1为界对右侧的能量变化率曲线基于误差平方和最小准则进行高斯拟合,拟合后的曲线即为对应的能量变化率测量模型,表达式为y3:
<mrow>
<msub>
<mi>y</mi>
<mn>3</mn>
</msub>
<mo>=</mo>
<msub>
<mi>b</mi>
<mn>1</mn>
</msub>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<msup>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<mi>x</mi>
<mo>-</mo>
<msub>
<mi>b</mi>
<mn>2</mn>
</msub>
</mrow>
<msub>
<mi>b</mi>
<mn>3</mn>
</msub>
</mfrac>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msup>
<mo>+</mo>
<msub>
<mi>b</mi>
<mn>4</mn>
</msub>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<msup>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<mi>x</mi>
<mo>-</mo>
<msub>
<mi>b</mi>
<mn>5</mn>
</msub>
</mrow>
<msub>
<mi>b</mi>
<mn>6</mn>
</msub>
</mfrac>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msup>
<mo>+</mo>
<msub>
<mi>b</mi>
<mn>7</mn>
</msub>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<msup>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<mi>x</mi>
<mo>-</mo>
<msub>
<mi>b</mi>
<mn>8</mn>
</msub>
</mrow>
<msub>
<mi>b</mi>
<mn>9</mn>
</msub>
</mfrac>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msup>
<mo>+</mo>
<msub>
<mi>b</mi>
<mn>10</mn>
</msub>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<msup>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<mi>x</mi>
<mo>-</mo>
<msub>
<mi>b</mi>
<mn>11</mn>
</msub>
</mrow>
<msub>
<mi>b</mi>
<mn>12</mn>
</msub>
</mfrac>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msup>
</mrow>
式中,x表示目标所在的位置;b1,b2,…,b12是高斯曲线拟合系数;
二、以d1和d2为界建立所述巨磁阻抗传感器信号的数据处理融合模型;
基于能量变化率和幅值变化率测量模型进行测量均有误差,设右侧幅值变化率测量模型与能量变化率测量模型误差曲线交点对应的位置为d2,将d2确定为第2个分界点;
基于测量误差最小原则,将左侧幅值变化率测量模型y1、右侧幅值变化率测量模型y2和能量变化率测量模型y3进行组合,得到数据处理融合模型:
<mrow>
<mi>y</mi>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>m</mi>
<mn>1</mn>
</msub>
<msup>
<mi>x</mi>
<mn>4</mn>
</msup>
<mo>+</mo>
<msub>
<mi>m</mi>
<mn>2</mn>
</msub>
<msup>
<mi>x</mi>
<mn>3</mn>
</msup>
<mo>+</mo>
<msub>
<mi>m</mi>
<mn>3</mn>
</msub>
<msup>
<mi>x</mi>
<mn>2</mn>
</msup>
<mo>+</mo>
<msub>
<mi>m</mi>
<mn>4</mn>
</msub>
<mi>x</mi>
<mo>+</mo>
<msub>
<mi>m</mi>
<mn>5</mn>
</msub>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>&le;</mo>
<msub>
<mi>d</mi>
<mn>1</mn>
</msub>
<mo>)</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>a</mi>
<mn>1</mn>
</msub>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<msup>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<mi>x</mi>
<mo>-</mo>
<msub>
<mi>a</mi>
<mn>2</mn>
</msub>
</mrow>
<msub>
<mi>a</mi>
<mn>3</mn>
</msub>
</mfrac>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msup>
<mo>+</mo>
<msub>
<mi>a</mi>
<mn>4</mn>
</msub>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<msup>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<mi>x</mi>
<mo>-</mo>
<msub>
<mi>a</mi>
<mn>5</mn>
</msub>
</mrow>
<msub>
<mi>a</mi>
<mn>6</mn>
</msub>
</mfrac>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msup>
<mo>+</mo>
<msub>
<mi>a</mi>
<mn>7</mn>
</msub>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<msup>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<mi>x</mi>
<mo>-</mo>
<msub>
<mi>a</mi>
<mn>8</mn>
</msub>
</mrow>
<msub>
<mi>a</mi>
<mn>9</mn>
</msub>
</mfrac>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msup>
<mo>+</mo>
<msub>
<mi>a</mi>
<mn>10</mn>
</msub>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<msup>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<mi>x</mi>
<mo>-</mo>
<msub>
<mi>a</mi>
<mn>11</mn>
</msub>
</mrow>
<msub>
<mi>a</mi>
<mn>12</mn>
</msub>
</mfrac>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msup>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mo>(</mo>
<msub>
<mi>d</mi>
<mn>1</mn>
</msub>
<mo>&le;</mo>
<mi>x</mi>
<mo>&le;</mo>
<msub>
<mi>d</mi>
<mn>2</mn>
</msub>
<mo>)</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>b</mi>
<mn>1</mn>
</msub>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<msup>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<mi>x</mi>
<mo>-</mo>
<msub>
<mi>b</mi>
<mn>2</mn>
</msub>
</mrow>
<msub>
<mi>b</mi>
<mn>3</mn>
</msub>
</mfrac>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msup>
<mo>+</mo>
<msub>
<mi>b</mi>
<mn>4</mn>
</msub>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<msup>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<mi>x</mi>
<mo>-</mo>
<msub>
<mi>b</mi>
<mn>5</mn>
</msub>
</mrow>
<msub>
<mi>b</mi>
<mn>6</mn>
</msub>
</mfrac>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msup>
<mo>+</mo>
<msub>
<mi>b</mi>
<mn>7</mn>
</msub>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<msup>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<mi>x</mi>
<mo>-</mo>
<msub>
<mi>b</mi>
<mn>8</mn>
</msub>
</mrow>
<msub>
<mi>b</mi>
<mn>9</mn>
</msub>
</mfrac>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msup>
<mo>+</mo>
<msub>
<mi>b</mi>
<mn>10</mn>
</msub>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<msup>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<mi>x</mi>
<mo>-</mo>
<msub>
<mi>b</mi>
<mn>11</mn>
</msub>
</mrow>
<msub>
<mi>b</mi>
<mn>12</mn>
</msub>
</mfrac>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msup>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mo>(</mo>
<msub>
<mi>d</mi>
<mn>2</mn>
</msub>
<mo>&le;</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
式中,x表示目标所在的位置,m1,m2,m3,m4,m5是以d1为界左侧幅值变化率测量模型的拟合系数,a1,a2,…,a12是介于d1和d2之间的右侧幅值变化率测量模型的拟合系数,b1,b2,…,b12是以d2为界右侧的能量变化率测量模型的拟合系数;
三、计算目标运动方向上采集的巨磁阻抗传感器输出信号的小波能量特征,并将该小波能量特征作为神经网络的输入样本训练以得到小波神经网络模型,建立小波能量特征与以d1和d2为界的目标位置区间的关系;
四、对于所述运动方向上任一位置的目标,先通过小波神经网络模型判断目标可能出现的位置区间,再选择步骤二中数据处理融合模型的相应测量模型进行反演计算,得到最终的目标位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410718206.8A CN104359388B (zh) | 2014-12-02 | 2014-12-02 | 一种距离测量巨磁阻抗传感器信号的处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410718206.8A CN104359388B (zh) | 2014-12-02 | 2014-12-02 | 一种距离测量巨磁阻抗传感器信号的处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104359388A CN104359388A (zh) | 2015-02-18 |
CN104359388B true CN104359388B (zh) | 2017-09-08 |
Family
ID=52526673
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410718206.8A Expired - Fee Related CN104359388B (zh) | 2014-12-02 | 2014-12-02 | 一种距离测量巨磁阻抗传感器信号的处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104359388B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE202004010921U1 (de) * | 2004-07-12 | 2004-09-02 | Feig Electronic Gmbh | Positionsgeber |
CN101504445A (zh) * | 2009-03-06 | 2009-08-12 | 华南理工大学 | 背槽式结构磁流体-声表面波集成磁传感器 |
CN201917649U (zh) * | 2010-09-26 | 2011-08-03 | 北京鼎臣超导科技有限公司 | 一种基于巨磁阻抗效应的磁传感器 |
CN202614920U (zh) * | 2012-07-03 | 2012-12-19 | 北京航空航天大学 | 一种基于巨磁阻抗相位响应的磁传感器 |
CN102866366A (zh) * | 2012-09-25 | 2013-01-09 | 北京机械设备研究所 | 一种基于巨磁阻抗效应的磁场测量装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
SG10201912815TA (en) * | 2013-05-07 | 2020-02-27 | Univ Singapore Technology & Design | A method and/ or system for magnetic localization |
-
2014
- 2014-12-02 CN CN201410718206.8A patent/CN104359388B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE202004010921U1 (de) * | 2004-07-12 | 2004-09-02 | Feig Electronic Gmbh | Positionsgeber |
CN101504445A (zh) * | 2009-03-06 | 2009-08-12 | 华南理工大学 | 背槽式结构磁流体-声表面波集成磁传感器 |
CN201917649U (zh) * | 2010-09-26 | 2011-08-03 | 北京鼎臣超导科技有限公司 | 一种基于巨磁阻抗效应的磁传感器 |
CN202614920U (zh) * | 2012-07-03 | 2012-12-19 | 北京航空航天大学 | 一种基于巨磁阻抗相位响应的磁传感器 |
CN102866366A (zh) * | 2012-09-25 | 2013-01-09 | 北京机械设备研究所 | 一种基于巨磁阻抗效应的磁场测量装置 |
Non-Patent Citations (4)
Title |
---|
基于小波和神经网络的传感器故障诊断;李文军等;《吉林大学学报(工学版)》;20040731;第34卷(第3期);第491-495页 * |
基于巨磁阻抗效应的新型磁引信探测器研究;吴彩鹏等;《制导与引信》;20100331;第31卷(第1期);第24-28页 * |
巨磁阻抗磁传感器研究进展;柴秀丽等;《传感器与微系统》;20111231;第30卷(第12期);第11-13页 * |
遗传神经网络在GMI传感器设计中的应用;吴彩鹏等;《科技导报》;20100831;第28卷(第8期);第55-59页 * |
Also Published As
Publication number | Publication date |
---|---|
CN104359388A (zh) | 2015-02-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108520199B (zh) | 基于雷达图像与生成对抗模型的人体动作开集识别方法 | |
CN105137498B (zh) | 一种基于特征融合的地下目标探测识别系统及方法 | |
CN109740742A (zh) | 一种基于lstm神经网络的目标跟踪方法 | |
CN105809693B (zh) | 基于深度神经网络的sar图像配准方法 | |
CN104376330B (zh) | 基于超像素散射机制的极化sar图像舰船目标检测方法 | |
CN110120020A (zh) | 一种基于多尺度空洞残差注意力网络的sar图像去噪方法 | |
CN107369166A (zh) | 一种基于多分辨率神经网络的目标跟踪方法及系统 | |
CN112395987B (zh) | 基于无监督域适应cnn的sar图像目标检测方法 | |
CN108230329A (zh) | 基于多尺度卷积神经网络的语义分割方法 | |
CN108062531A (zh) | 一种基于级联回归卷积神经网络的视频目标检测方法 | |
CN108182450A (zh) | 一种基于深度卷积网络的机载探地雷达目标识别方法 | |
CN109917347A (zh) | 一种基于时频域稀疏重构的雷达行人检测方法 | |
CN108520197A (zh) | 一种遥感图像目标检测方法及装置 | |
CN109978882A (zh) | 一种基于多模态融合的医疗影像目标检测方法 | |
CN108414995A (zh) | 一种基于高斯牛顿滤波的非线性模型下目标跟踪方法 | |
CN106546979A (zh) | 一种基于多天线数据融合的超宽谱雷达式人体呼吸增强探测方法 | |
CN108460783A (zh) | 一种脑部核磁共振图像组织分割方法 | |
CN106203350A (zh) | 一种运动目标跨尺度跟踪方法和装置 | |
CN107301649A (zh) | 一种基于超像素的区域合并sar图像海岸线检测算法 | |
CN106803237A (zh) | 一种基于极限学习机的改进自适应加权平均图像去噪方法 | |
CN106353743B (zh) | 匹配于等效形状参数的近最优雷达目标检测方法 | |
CN104217430B (zh) | 基于l1正则化的图像显著性检测方法 | |
CN110706208A (zh) | 一种基于张量均方最小误差的红外弱小目标检测方法 | |
CN104359388B (zh) | 一种距离测量巨磁阻抗传感器信号的处理方法 | |
CN104268565A (zh) | 基于回归学习的景象匹配区选取方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170908 Termination date: 20201202 |