CN104698091B - 一种基于量化信息熵的一维构件应力波信号奇异点检测的方法 - Google Patents
一种基于量化信息熵的一维构件应力波信号奇异点检测的方法 Download PDFInfo
- Publication number
- CN104698091B CN104698091B CN201510112344.6A CN201510112344A CN104698091B CN 104698091 B CN104698091 B CN 104698091B CN 201510112344 A CN201510112344 A CN 201510112344A CN 104698091 B CN104698091 B CN 104698091B
- Authority
- CN
- China
- Prior art keywords
- signal
- quantitative information
- information entropy
- amplitude
- wavelet
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 20
- 238000000034 method Methods 0.000 title claims abstract description 20
- 239000011159 matrix material Substances 0.000 claims abstract description 21
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 19
- 238000010276 construction Methods 0.000 claims abstract description 10
- 239000000284 extract Substances 0.000 claims abstract description 10
- 238000005070 sampling Methods 0.000 claims description 9
- 238000013139 quantization Methods 0.000 claims description 6
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 230000007547 defect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
Abstract
本发明涉及信号特征识别领域,具体涉及的是一种基于量化信息熵的一维构件应力波信号奇异点检测的方法。本发明包括:(1)将原始应力波信号进行预处理,进行n层小波包分解,得到不同频率范围的2n个子波信号;(2)在信息熵的基础上提出量化信息熵,作为一维构件应力波信号的特征量;(3)构造固定宽度W的时间窗,在信号的时程上按步长B移动提取信号特征量,构造信号的特征量矩阵;(4)对信号的特征量矩阵做降维处理,分析判定信号奇异点的位置信息。与现有算法技术相比,本发明的有益效果是实现了特征量的降维,在信号存在多处奇异点的情况下可以得到优异的检测结果,提高了检测分辨率,并且抗噪性能优良,不占有过多的时间资源。
Description
技术领域
本发明涉及信号特征识别领域,具体涉及的是一种基于量化信息熵的一维构件应力波信号奇异点检测的方法。
背景技术
信号的奇异点检测是应用非常广泛的技术,特别是在结构体的完整性检测上,例如一维构件的完整性检测。
目前在一维构件完整性检测上应用最广泛的方法为应力波法,即:在一维构件的同一端安置应力波激发器和信号接收传感器,激发应力波之后,应力波传感器会接收到完整的应力波信号波形,波形中包含丰富的信息,通过分析信号波形特征量,可以得到一维构件的完整性信息。目前常见的应力波特征量包括信号的能量(功率谱密度),方差等,提取特征量的方式有在信号整个时程上提取特征量,还有先将信号分段,提取每段信号的特征量。无论是在信号整个时程上,还是分段提取信号的特征量,都难免会造成奇异点的遗漏和检测分辨率的降低,如2014102188871所公开的以中国焊接缺陷提取方法及焊接缺陷检测方法。
本发明提出量化信息熵的概念,并将量化信息熵作为信号的特征量;构造时间窗为工具,在信号上移动提取特征量;将信号特征量降维,分析应力波信号的奇异点位置。与已知的基于模极大值法等奇异点检测方法相比,本发明实现了特征量的降维,在信号存在多处奇异点的情况下可以得到优异的检测结果,提高了检测分辨率,并且抗噪性能优良,不占有过多的时间资源。
发明内容
本发明的目的在于提供一种基于量化信息熵的一维构件应力波信号奇异点检测的方法。
本发明的目的是这样实现的:
(1)将原始应力波信号进行预处理,进行n层小波包分解,得到不同频率范围的2n个子波信号;
(2)在信息熵的基础上提出量化信息熵,作为一维构件应力波信号的特征量:
信号的量化信息熵为:
其中DH(X)即为信号的量化信息熵,D为幅值区间的个数,Numi表示第i个幅值区间内采样点个数,pi为第i个幅值区间内采样点数的统计概率
信号采样幅值集合为X={x1,x2,…,xn},X的概率分布为pi=P(xi)(i=1,2,…,n),变量X的最大值与最小值,分别记为xmax和xmin,幅值由xmin到xmax平均分成D个量化幅值区间,则每段幅值的取值长度为:
每段幅值的量化取值范围为:
(xmin+iΔd,xmin+(i+1)Δd,)(i=0,1,2,…,D-1);
第i段幅值区间内的采样点个数为Numi,第i段幅值区的统计概率为:
应力波经小波包k层分解后,得到m=2k个信号子波,时间窗步进数为x,提取特征量,即量化信息熵之后,每个子波熵值向量为:
Hm={DHm1,DHm2,DHm3,…,DHmn}(m=1,2,…,2k);
应力波量化信息熵矩阵为:
其中每行数据代表一个子波的量化信息熵向量,m个子波构成m×n特征量矩阵
(3)构造固定宽度W的时间窗,在信号的时程上按步长B移动提取信号特征量,构造信号的特征量矩阵;
时间窗口宽度为W,步进长度为B,时间窗口宽度W的取值覆盖至少一个完整的奇异点,不超过两个奇异点;步进长度B的取值满足W/8<B<W/4;
(4)对信号的特征量矩阵做降维处理,分析判定信号奇异点的位置信息:
所有子波对应同一位置的特征值的均值,得到一维的信号特征量,求得对应同一段信号的时间窗的量化信息熵均值:
处理得到量化信息熵均值向量为:
若信号的特征值左右均收敛至最小值,则对应的信号部分存在奇异点,的第i个元素在左右对称的特定范围内均收敛为最小值,则:
((i-1)B,(i-1)B+W)(i∈[1,n]);
该段区域为应力波信号奇异点位置,其中B为步进长度,W为时间窗宽度。
本发明的有益效果在于:
与现有算法技术相比,本发明的有益效果是实现了特征量的降维,在信号存在多处奇异点的情况下可以得到优异的检测结果,提高了检测分辨率,并且抗噪性能优良,不占有过多的时间资源。
附图说明
图1为本发明的算法流程图。
图2为时间窗移动提取信号特征值,4个子波信号是由应力波信号经2层小波包分解得来,其中W/8<B<W/4。
图3为信号奇异点位置的判定,①、②、③、④代表的信号位置存在奇异点;曲线横坐标表示时间窗位数,纵坐标表示量化信息熵均值。
具体实施措施
下面结合附图对本发明做进一步描述:
基于量化信息熵的一维构件应力波信号奇异点检测的方法,步骤如下:(1)将用于检测一维构件完整性的应力波信号进行预处理,用小波包分解的方法进行分解,得到一定数量的子波;(2)提出量化信息熵的概念,将量化信息熵作为信号的特征值;(2)构造固定宽度的时间窗作为工具,在每个子波信号上按固定步进长度移动提取信号特征值,得到多维的信号特征量;(3)对多维特征量进行降维处理,求所有子波对应同一位置的特征值的均值,得到一维的信号特征量;(4)若某处信号的特征值左右均收敛至最小值,则判定该处对应的信号部分存在奇异点。
方法的具体步骤为:
A、将原始应力波信号进行预处理,做小波包分解,得原始应力波信号的若干子波信号。
B、在信息熵的基础上提出量化信息熵的概念,作为一维构件应力波信号的特征量。
C、构造固定宽度W的时间窗,在信号的时程上按一定的步长B移动提取信号特征量。构造信号的特征量矩阵。
D、对信号的特征量矩阵做降维处理,分析判定信号奇异点的位置信息。
对原始应力波信号进行小波包分解,可以同时对信号的高频和低频部分进行分解,既不会使信号的信息丢失,也实现了对信号更为精细的分解,达到更优的时频局部化效果。对信号进行n层小波包分解,即可得到不同频率范围的2n个子波信号。
量化信息熵的定义为,设信号采样幅值集合为X={x1,x2,…,xn},X的概率分布表示为pi=P(xi)(i=1,2,…,n),同时取变量X的最大值与最小值,分别记为xmax和xmin,结合实际情况,将幅值由xmin到xmax平均分成D个量化幅值区间。则每段幅值的取值长度为:
每段幅值的量化取值范围为:
(xmin+iΔd,xmin+(i+1)Δd,)(i=0,1,2,…,D-1)
设第i段幅值区间内的采样点个数为Numi,则第i段幅值区的统计概率定义为:
则信号的量化信息熵定义为:
其中DH(X)即为信号的量化信息熵,D为幅值区间的个数,Numi表示第i个幅值区间内采样点个数,pi为第i个幅值区间内采样点数的统计概率。
对于固定宽度的时间窗口,要特别注意必要参数的设置。设时间窗口宽度为W,步进长度为B。时间窗口宽度W的取值要覆盖至少一个完整的奇异点,同时尽量不超过两个奇异点;步进长度B的取值满足W/8<B<W/4,以满足在按步进提取特征量的时候,不会遗漏奇异点,也不会重复处理同一个奇异点,减少处理时间,提高奇异点的分辨率。
求解信号的量化信息熵矩阵时,设应力波经小波包k层分解后,得到m=2k个信号子波,时间窗步进数设为n,提取特征量,即量化信息熵之后,每个子波熵值向量为:
Hm={DHm1,DHm2,DHm3,…,DHmn}(m=1,2,…,2k)
应力波量化信息熵矩阵构造如下:
其中每行数据代表一个子波的量化信息熵向量,m个子波构成m×n特征量矩阵。
对多维特征量矩阵进行降维处理,求所有子波对应同一位置的特征值的均值,得到一维的信号特征量,一个复杂的特征量矩阵并不能较好地分析出奇异点,在多维特征量矩阵的基础上,求得对应同一段信号的时间窗的量化信息熵均值:
处理得到量化信息熵均值向量为:
若某处信号的特征值左右均收敛至最小值,则该处对应的信号部分存在奇异点。设的第i个元素在其左右对称的特定范围内均收敛为最小值,则:
((i-1)B,(i-1)B+W)(i∈[1,n])
该段区域为应力波信号奇异点位置,其中B为步进长度,W为时间窗宽度。
将用于检测一维构件完整性的应力波信号进行预处理,用小波包分解的方法进行分解,得到一定数量的子波;提出量化信息熵的概念,将量化信息熵作为信号的特征值;构造固定宽度的时间窗作为工具,在每个子波信号上按固定步进长度移动提取信号特征值,得到多维的信号特征量;对多维特征量进行降维处理,求所有子波对应同一位置的特征值的均值,得到一维的信号特征量;若某处信号的特征值左右均收敛至最小值,则该处对应的信号部分存在奇异点。
该方法的具体步骤是:
(1)对原始应力波信号进行预处理,用小波包分解的方法对应力波信号进行适当层数的分解,得到若干子波。如图2所示4个子波由原始应力波经2层小波包分解而来。
(2)在信息熵的概念基础上提出量化信息熵的概念,做为应力波信号的特征值。设信号采样幅值集合为X={x1,x2,…,xn},X的概率分布表示为pi=P(xi)(i=1,2,…,n),同时取变量X的最大值与最小值,分别记为xmax和xmin,结合实际情况,将幅值由xmin到xmax平均分成D个量化幅值区间。则每段幅值的取值长度为:
每段幅值的量化取值范围为:
(xmin+iΔd,xmin+(i+1)Δd,)(i=0,1,2,…,D-1)
设第i段幅值区间内的采样点个数为Numi,则第i段幅值区的统计概率定义为:
则信号的量化信息熵定义为:
其中DH(X)即为信号的量化信息熵,D为幅值区间的个数,Numi表示第i个幅值区间内采样点个数,pi为第i个幅值区间内采样点数的统计概率。
(3)构造固定宽度的时间窗作为工具,在每个子波信号上按固定步进长度移动提取信号特征值,得到多维的信号特征量。对于固定宽度的时间窗口,要特别注意必要参数的设置。设时间窗口宽度为W,步进长度为B。时间窗口宽度W的取值要覆盖至少一个完整的奇异点,同时尽量不超过两个奇异点;步进长度B的取值满足W/8<B<W/4,以满足在按步进提取特征量的时候,不会遗漏奇异点,也不会重复处理同一个奇异点,减少处理时间,提高奇异点的分辨率。
(4)设应力波经小波包k层分解后,得到m=2k个信号子波,时间窗步进数设为n,提取特征量,即量化信息熵之后,每个子波熵值向量为:
Hm={DHm1,DHm2,DHm3,…,DHmn}(m=1,2,…,2k)
应力波量化信息熵矩阵构造如下:
其中每行数据代表一个子波的量化信息熵向量,m个子波构成m×n特征量矩阵。
(5)对多维特征量矩阵进行降维处理,求所有子波对应同一位置的特征值的均值,得到一维的信号特征量,一个复杂的特征量矩阵并不能较好地分析出奇异点,在多维特征量矩阵的基础上,求得对应同一段信号的时间窗的量化信息熵均值:
处理得到量化信息熵均值向量为:
(6)若某处信号的特征值左右均收敛至最小值,则该处对应的信号部分存在奇异点。设的第i个元素在其左右对称的特定范围内均收敛为最小值,则:
((i-1)B,(i-1)B+W)(i∈[1,n])
该段区域为应力波信号奇异点位置,其中B为步进长度,W为时间窗宽度。
基于量化信息熵的一维构件应力波信号奇异点检测的方法,其具体步骤如下:
(1)对原始应力波信号进行预处理,用小波包分解的方法对应力波信号进行适当层数的分解,得到若干子波。
(2)在信息熵的概念基础上提出量化信息熵的概念,做为应力波信号的特征值,按如下公式求信号的量化信息熵:
(3)构造固定宽度的时间窗作为工具,在每个子波信号上按固定步进长度移动提取信号特征值,得到多维的信号特征量。步进长度B和时间窗宽度W的取值满足W/8<B<W/4。
(4)应力波量化信息熵矩阵构造如下:
(5)对多维特征量矩阵进行降维处理,得到量化信息熵均值向量为:
(6)若某处信号的特征值左右均收敛至最小值,则该处对应的信号部分存在奇异点。设的第i个元素在其左右对称的特定范围内均收敛为最小值,则:
((i-1)B,(i-1)B+W)(i∈[1,n])
该段区域为应力波信号奇异点位置,其中B为步进长度,W为时间窗宽度。
如图3所示,选取桩基检测所得已知损伤位置的应力波信号为实验对象,用sym8小波包进行3层分解,时间窗口宽度W取为1ms,时间窗口内按时间平均采样为100个点,步进长度B取值为0.2ms,即20个采样点,幅值分段数D设为10。结果如图3所示,①、②、③、④即为信号的4个奇异点位置。
与已知的基于模极大值奇异点检测等方法相比,本发明提出量化信息熵的创新性概念,并将量化信息熵作为信号的特征量;构造时间窗为工具,在信号上移动提取特征量;将信号特征量降维,分析应力波信号的奇异点位置;基于本发明的奇异点检测结果显示,奇异点位置准确率达到80%以上,奇异点个数正确率达到100%,在加入噪声的情况下仍能取得满意的结果,并且时间资源消耗没有明显的增加。本发明实现了特征量的降维,在信号存在多处奇异点的情况下可以得到优异的检测结果,提高了检测分辨率,并且抗噪性能优良,不占有过多的时间资源。
Claims (1)
1.一种基于量化信息熵的一维构件应力波信号奇异点检测的方法,其特征在于,包括如下步骤:
(1)将原始应力波信号进行预处理,进行n层小波包分解,得到不同频率范围的2n个子波信号;
(2)在信息熵的基础上提出量化信息熵,作为一维构件应力波信号的特征量:
信号的量化信息熵为:
其中DH(X)即为信号的量化信息熵,D为幅值区间的个数,Numi表示第i个幅值区间内采样点个数,pi为第i个幅值区间内采样点数的统计概率
信号采样幅值集合为X={x1,x2,…,xn},X的概率分布为pi=P(xi)(i=1,2,…,n),变量X的最大值与最小值,分别记为xmax和xmin,幅值由xmin到xmax平均分成D个量化幅值区间,则每段幅值的取值长度为:
每段幅值的量化取值范围为:
(xmin+iΔd,xmin+(i+1)Δd,)(i=0,1,2,…,D-1);
第i段幅值区间内的采样点个数为Numi,第i段幅值区的统计概率为:
应力波经小波包k层分解后,得到m=2k个信号子波,时间窗步进数为x,提取特征量,即量化信息熵之后,每个子波熵值向量为:
Hm={DHm1,DHm2,DHm3,…,DHmn}(m=1,2,…,2k);
应力波量化信息熵矩阵为:
其中每行数据代表一个子波的量化信息熵向量,m个子波构成m×n特征量矩阵;
(3)构造固定宽度W的时间窗,在信号的时程上按步长B移动提取信号特征量,构造信号的特征量矩阵;
时间窗口宽度为W,步进长度为B,时间窗口宽度W的取值覆盖至少一个完整的奇异点,不超过两个奇异点;步进长度B的取值满足W/8<B<W/4;
(4)对信号的特征量矩阵做降维处理,分析判定信号奇异点的位置信息:
所有子波对应同一位置的特征值的均值,得到一维的信号特征量,求得对应同一段信号的时间窗的量化信息熵均值:
处理得到量化信息熵均值向量为:
若信号的特征值左右均收敛至最小值,则对应的信号部分存在奇异点,的第i个元素在左右对称的特定范围内均收敛为最小值,则:
((i-1)B,(i-1)B+W)(i∈[1,n]);
该段区域为应力波信号奇异点位置,其中B为步进长度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510112344.6A CN104698091B (zh) | 2015-03-13 | 2015-03-13 | 一种基于量化信息熵的一维构件应力波信号奇异点检测的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510112344.6A CN104698091B (zh) | 2015-03-13 | 2015-03-13 | 一种基于量化信息熵的一维构件应力波信号奇异点检测的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104698091A CN104698091A (zh) | 2015-06-10 |
CN104698091B true CN104698091B (zh) | 2017-08-04 |
Family
ID=53345435
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510112344.6A Expired - Fee Related CN104698091B (zh) | 2015-03-13 | 2015-03-13 | 一种基于量化信息熵的一维构件应力波信号奇异点检测的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104698091B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105678270A (zh) * | 2016-01-12 | 2016-06-15 | 哈尔滨工程大学 | 一维构件应力波信号特征的筛选方法 |
CN105913043A (zh) * | 2016-05-04 | 2016-08-31 | 哈尔滨工程大学 | 一种一维构件应力波信号特征向量的择优方法 |
CN110179451B (zh) * | 2019-06-10 | 2021-10-29 | 深圳市是源医学科技有限公司 | 心电信号质量检测方法、装置、计算机设备和存储介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
ES2319836B1 (es) * | 2006-05-30 | 2010-02-04 | Consejo Superior De Investigaciones Cientificas | Metodo automatico de analisis de señales acusticas no-estacionarias. |
CN101828911B (zh) * | 2010-04-27 | 2011-07-20 | 杭州电子科技大学 | 一种基于奇异谱熵的神经元动作电位特征提取方法 |
CN103940905A (zh) * | 2014-04-16 | 2014-07-23 | 山东农业大学 | 基于平稳小波变换和分形分析的梁结构损伤检测方法 |
-
2015
- 2015-03-13 CN CN201510112344.6A patent/CN104698091B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN104698091A (zh) | 2015-06-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104698091B (zh) | 一种基于量化信息熵的一维构件应力波信号奇异点检测的方法 | |
CN106886044B (zh) | 一种基于剪切波与Akaike信息准则的微地震初至拾取方法 | |
CN110175560A (zh) | 一种雷达信号脉内调制识别方法 | |
CN104771178A (zh) | 身份识别的方法及装置 | |
CN104887263A (zh) | 一种基于心音多维特征提取的身份识别算法及其系统 | |
CN107301434A (zh) | 基于同步压缩短时傅里叶变换的盲分离混合矩阵估计方法 | |
CN108182418A (zh) | 一种基于多维声波特征的键击识别方法 | |
CN111695413A (zh) | 联合U-Net和Temporal Ensembling的信号初至拾取方法及装置 | |
Liao et al. | First arrival time identification using transfer learning with continuous wavelet transform feature images | |
CN104143115A (zh) | 地质雷达技术实现土壤含水性分类识别的技术方法 | |
Franco et al. | Wideband spectral monitoring using deep learning | |
CN103027713A (zh) | 基于超声图像的肌肉厚度测量方法和系统 | |
CN108280464A (zh) | Dwt和emd融合近似熵的脑电特征提取方法 | |
CN112580486B (zh) | 一种基于雷达微多普勒信号分离的人体行为分类方法 | |
Malik et al. | Automatic threshold optimization in nonlinear energy operator based spike detection | |
CN107884752A (zh) | 一种基于压缩感知的外辐射源雷达对目标检测方法 | |
CN111025100A (zh) | 变压器特高频局部放电信号模式识别方法与装置 | |
CN104318931A (zh) | 一种音频文件的情绪活跃度获取方法及分类方法、装置 | |
CN111709279B (zh) | 一种利用svd-emd算法分离微地震噪声混合信号的算法 | |
CN115345216A (zh) | 一种融合先验信息的fmcw雷达干扰消除方法 | |
CN110335613B (zh) | 一种采用拾音器实时探测的鸟类识别方法 | |
CN114626412A (zh) | 用于无人值守传感器系统的多类别目标识别方法及系统 | |
CN107590788A (zh) | 一种遥感图像处理方法 | |
Zheng et al. | Hand gesture recognition based-on three-branch CNN with fine-tuning using MIMO radar | |
CN113723200B (zh) | 一种非平稳信号的时频谱结构特征提取方法 |
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: 20170804 |