CN108833024A - 一种多通道无线分布式场车制动数据传输方法 - Google Patents
一种多通道无线分布式场车制动数据传输方法 Download PDFInfo
- Publication number
- CN108833024A CN108833024A CN201810368217.6A CN201810368217A CN108833024A CN 108833024 A CN108833024 A CN 108833024A CN 201810368217 A CN201810368217 A CN 201810368217A CN 108833024 A CN108833024 A CN 108833024A
- Authority
- CN
- China
- Prior art keywords
- channel
- signal
- wireless radio
- braking
- transmission method
- 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.)
- Granted
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B15/00—Suppression or limitation of noise or interference
- H04B15/005—Reducing noise, e.g. humm, from the supply
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/008—Registering or indicating the working of vehicles communicating information to a remotely located station
Abstract
本发明专利公开了一种多通道无线分布式场车制动数据传输方法,首先针对厂车制动性能检测过程中的多个物理量信号合成为一个多元信号,对该多元信号运用离散小波变换对每一个通道的信号进行降噪,从而可以获得每一个通道的离散小波系数。运用细节系数获得噪声的协方差矩阵估计,然后对协方差矩阵进行奇异值分解。然后确定每一个通道信号降噪的阈值。对阈值降噪后的细节系数矩阵进行小波逆变换。运用基于凸优化的矩阵低秩逼近方法进行处理,获得多通道信号的低秩结构。本发明可降低各个通道的噪声影响,可以避免各个通道之间数据的干扰,保证了信号质量。最后对信号有一定的压缩作用,可以减轻数据传输过程中的难度,可提高数据的传输速度。
Description
技术领域
本发明专利涉及厂车信号降噪技术领域,更具体地,本发明专利涉及一种基于凸优化的多通道无线分布式场车制动数据多元小波降噪传输方法。
背景技术
根据《机动车运行安全技术条件》的规定,场内机动车制动性能需要检测多项具体任务数据,其中包括加速度检测、制动距离、制动速度、踏板受力、踏板行程、手刹力、车身倾角。由于同时检测多个物理信号,多个分布测点,需要考虑数据传输的质量和处理结果的实时性,同时测量环境与理想环境由很大偏差,大量噪声信号极大干扰所需信号,因此数据传输速度、信号压缩、去噪能力对实时信号分析处理十分重要。为更具体精准地评估制动性能,需要对多通道的数据采集及信号分析方法的进行系统研究。
多元统计方法如多元线性回归(MLR)和偏最小二乘回归(PLSR),支持向量机(SVM)等都是典型的基于回归的方法。这些方法已经在化学工程、生物化学工程、冶金工程等方面进行了广泛的应用。但是,这些方法大部分是以确定性的方式进行的,没有考虑随机噪声和变量不确定性。对于许多应用而言,重要的是要提供关于预测不确定性的量化,比如概率边界。实际上,由于测量环境、仪器噪声的影响,采集的厂车数据在进行定量分析的过程中,输入的信号矩阵中的多通道信号通常会受到随机噪声和不确定性的影响。
发明内容
本发明的目的是针对上述问题,该方法主要用于厂车制动性能检测时,同时检测多个物理信号、多个分布测点,需要考虑数据传输的质量和处理结果的实时性,同时测量环境与理想环境偏差很大,大量噪声信号极大干扰所需信号,因此数据传输速度、信号压缩、去噪能力对实时信号分析处理十分重要。为更具体精准地评估制动性能,发明了对多通道厂车数据的多元降噪方法。
根据本发明专利的一个方面,提供了一种多通道无线分布式场车制动数据传。
作为第一方面,一种多通道无线分布式场车制动数据传输方法,所述方法步骤包括:
步骤1,首先将机动车的制动加速度、制动距离、速度、踏板受力、踏板行程、手刹力、车身倾角7个物理量信号合成为一个多元信号x(t),t表示时间向量;
步骤2,所述多元信号x(t),其通道数为N,运用离散小波变换(DWT)对每一个通道的信号进行降噪处理,选定的分解层数为J,从而可以获得每一个通道的离散小波系数
步骤3,运用细节系数计算离散小波系数Dj中的第一行D1获得噪声的协方差矩阵估计∑c。
步骤4,对协方差矩阵进行奇异值分解∑c=VΛVT,其中V为特征向量,Λ为奇异值。
步骤5,确定每一个通道信号降噪的阈值组建降噪后的细节系数矩阵,其中λn对应着每一个通道的奇异值,并且n=1:N,L为信号的长度。
步骤6,对阈值降噪后的细节系数矩阵进行小波逆变换得到运用基于凸优化的矩阵低秩逼近方法对进行处理,获得多通道信号的低秩结构。
结合第一方面,在第一方面可能的实现方式中的第一种情况为,所述多元信号针对机动车的制动加速度、制动距离、速度、踏板受力、踏板行程、手刹力、车身倾角7个物理量信号合成为一个多元信号无线传输。
结合第一方面,在第一方面可能的实现方式中的第二种情况为,对于一个传输的多元信号,运用离散小波变换,对每一个通道的信号进行降噪处理,从而可以获得每一个通道的离散小波系数。
结合第一方面,在第一方面可能的实现方式中的第三种情况为,运用细节系数获得噪声的协方差矩阵估计,然后对协方差矩阵进行奇异值分解,最后确定每一个通道信号降噪的阈值,得到每一通道的细节函数。
结合第一方面,在第一方面可能的实现方式中的第四种情况为,对阈值降噪后的细节系数矩阵进行小波逆变换。
结合第一方面,在第一方面可能的实现方式中的第五种情况为,运用基于凸优化的矩阵低秩逼近方法进行处理,获得多通道信号的低秩结构。
有益效果:可降低各个通道的噪声影响,使多元信号更加纯净,同时可以避免各个通道之间数据的干扰,保证了信号质量。最后对信号有一定的压缩作用,可以减轻数据传输过程中的难度,可提高数据的传输速度。
附图说明
图1为基于凸优化的厂车数据多元小波降噪方法的实时流程图。
具体实施方式
现在将参照附图来详细描述本发明的各种示例性实施例。应注意到:除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的,决不作为对本发明及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术和设备可能不作详细讨论,但在适当情况下,所述技术和设备应当被视为说明书的一部分。
在这里示出和讨论的所有例子中,任何具体值应被解释为仅仅是示例性的,而不是作为限制。因此,示例性实施例的其它例子可以具有不同的值。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步讨论。
一种多通道无线分布式场车制动数据传,所述方法步骤包括:
步骤1,首先将机动车的制动加速度、制动距离、速度、踏板受力、踏板行程、手刹力、车身倾角7个物理量信号合成为一个多元信号x(t),t表示时间向量;
步骤2,所述多元信号x(t),其通道数为N,运用离散小波变换(DWT)对每一个通道的信号进行降噪处理,选定的分解层数为J,从而可以获得每一个通道的离散小波系数
步骤3,运用细节系数计算离散小波系数Dj中的第一行D1获得噪声的协方差矩阵估计∑c。
步骤4,对协方差矩阵进行奇异值分解∑c=VΛVT,其中V为特征向量,Λ为奇异值。
步骤5,确定每一个通道信号降噪的阈值组建降噪后的细节系数矩阵,其中λn对应着每一个通道的奇异值,并且n=1:N,L为信号的长度。
步骤6,对阈值降噪后的细节系数矩阵进行小波逆变换得到运用基于凸优化的矩阵低秩逼近方法对进行处理,获得多通道信号的低秩结构。
首先针对厂车制动性能检测过程中的加速度、制动距离、速度、踏板受力、踏板行程、手刹力、车身倾角7个物理量信号合成为一个多元信号无线传输。
对于该多元信号x(t),其通道数为N,运用离散小波变换(DWT)对每一个通道的信号进行降噪处理,选定的分解层数为J,从而可以获得每一个通道的离散小波系数
运用细节系数D1获得噪声的协方差矩阵估计∑c,然后对协方差矩阵进行奇异值分解∑c=VΛVT,其中V为特征向量,Λ为奇异值。然后确定每一个通道信号降噪的阈值其中λn对应着每一个通道的奇异值,并且n=1:N,L为信号的长度。
对阈值降噪后的细节系数矩阵进行小波逆变换得到x%(t)。
运用基于凸优化的矩阵低秩逼近方法对x%(t)进行处理,获得多通道信号的低秩结构。
通过低秩矩阵对给定矩阵求解是信号处理过程中的基本问题,低阶矩阵近似问题在许多机器学习如统计信号处理和张量恢复问题中是关键的一步。
假定所给定输入的多元信号矩阵为Y∈Rm×n,该矩阵往往是低秩或近似低秩的。为了恢复矩阵Y的低秩结构,可将矩阵x分解为两个矩阵之和。
Y=X+W,X,Y,W∈Rm×n
其中,X是低秩的,且矩阵W服从独立同分布的高斯分布,我们将低秩矩阵近似问题定义为:
其中k=min(m,n),σi(X)是第i个奇异值矩阵X,而φ是稀疏疏性诱导非凸正则化因子。处理的目的在于估计非零奇异值要准确,同时保持凸目标函数。因此,采用特定类别的参数化非凸惩罚函数。
采用用小写和大写来表示向量和矩阵、字母。矩阵Y∈Rm×n的矩阵范数可以定义为:
给出以下引理,将用于获取目标函数ψ的凸性条件。
把X进行奇异值分解,可以得到:
最优解的不等式是冯·诺伊曼的轨迹不等式,我们注意到
其中,X=Σx,Σx是一个对角矩阵。使用凸优化问题考虑找到这样的对角矩阵
上式凸优化问题是可分的,如Σ和Σx是对角线。因此,上式的解可以通过下式获得将阈值函数Θ应用于Σ的条目。因此,上式的最优解为:
其中X=Θ(Σ;λ,a)。
上述各实施例主要重点描述与其他实施例的不同之处,但本领域技术人员应当清楚的是,上述各实施例可以根据需要单独使用或者相互结合使用。虽然已经通过示例对本发明的一些特定实施例进行了详细说明,但是本领域的技术人员应该理解,以上示例仅是为了进行说明,而不是为了限制本发明的范围。本领域的技术人员应该理解,可在不脱离本发明的范围和精神的情况下,对以上实施例进行修改。
Claims (6)
1.一种多通道无线分布式场车制动数据传输方法,其特征在于所述方法步骤包括:
步骤1,首先将机动车的制动加速度、制动距离、速度、踏板受力、踏板行程、手刹力、车身倾角7个物理量信号合成为一个多元信号x(t),t表示时间向量;
步骤2,所述多元信号x(t),其通道数为N,运用离散小波变换(DWT)对每一个通道的信号进行降噪处理,选定的分解层数为J,从而可以获得每一个通道的离散小波系数
步骤3,运用细节系数计算离散小波系数Dj中的第一行D1获得噪声的协方差矩阵估计∑c;
步骤4,对协方差矩阵进行奇异值分解∑c=VΛVT,其中V为特征向量,Λ为奇异值;
步骤5,确定每一个通道信号降噪的阈值组建降噪后的细节系数矩阵,其中λn对应着每一个通道的奇异值,并且n=1:N,L为信号的长度;
步骤6,对阈值降噪后的细节系数矩阵进行小波逆变换得到运用基于凸优化的矩阵低秩逼近方法对进行处理,获得多通道信号的低秩结构。
2.根据权利要求1所述的一种多通道无线分布式场车制动数据传输方法,其特征在于所述多元信号针对机动车的制动加速度、制动距离、速度、踏板受力、踏板行程、手刹力、车身倾角7个物理量信号合成为一个多元信号无线传输。
3.根据权利要求1所述的一种多通道无线分布式场车制动数据传输方法,其特征在于对于一个传输的多元信号,运用离散小波变换,对每一个通道的信号进行降噪处理,从而可以获得每一个通道的离散小波系数。
4.根据权利要求1所述的一种多通道无线分布式场车制动数据传输方法,其特征在于运用细节系数获得噪声的协方差矩阵估计,然后对协方差矩阵进行奇异值分解,最后确定每一个通道信号降噪的阈值,得到每一通道的细节函数。
5.根据权利要求1所述的一种多通道无线分布式场车制动数据传输方法,其特征在于对阈值降噪后的细节系数矩阵进行小波逆变换。
6.根据权利要求1所述的一种多通道无线分布式场车制动数据传输方法,其特征在于运用基于凸优化的矩阵低秩逼近方法进行处理,获得多通道信号的低秩结构。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810368217.6A CN108833024B (zh) | 2018-04-23 | 2018-04-23 | 一种多通道无线分布式场车制动数据传输方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810368217.6A CN108833024B (zh) | 2018-04-23 | 2018-04-23 | 一种多通道无线分布式场车制动数据传输方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108833024A true CN108833024A (zh) | 2018-11-16 |
CN108833024B CN108833024B (zh) | 2021-07-16 |
Family
ID=64154747
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810368217.6A Active CN108833024B (zh) | 2018-04-23 | 2018-04-23 | 一种多通道无线分布式场车制动数据传输方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108833024B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110286289A (zh) * | 2019-06-30 | 2019-09-27 | 广东石油化工学院 | 一种利用低秩矩阵恢复的变压器运行状态振声检测信号滤波方法和系统 |
CN113640115A (zh) * | 2021-08-11 | 2021-11-12 | 中国工程物理研究院流体物理研究所 | 适用于准等熵压缩实验数据逆问题求解的优化方法和系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS61191432A (ja) * | 1985-02-20 | 1986-08-26 | Nissan Motor Co Ltd | 4輪駆動車の駆動力配分装置 |
CN102175463A (zh) * | 2011-02-12 | 2011-09-07 | 东南大学 | 一种基于改进卡尔曼滤波的汽车路试制动性能检测方法 |
CN102360180A (zh) * | 2011-09-29 | 2012-02-22 | 华南理工大学 | 机动车安全监测系统制动性能辨识方法 |
WO2012040163A2 (en) * | 2010-09-21 | 2012-03-29 | Ansaldo Sts Usa, Inc. | Method for adjusting braking parameters of a train to account for train characteristic parameter variations |
CN102406507A (zh) * | 2010-09-20 | 2012-04-11 | 天津职业技术师范大学 | 基于人体生理信号的汽车驾驶员疲劳监测方法 |
CN103400402A (zh) * | 2013-07-12 | 2013-11-20 | 西安电子科技大学 | 基于低秩结构稀疏的压缩感知mri图像重建方法 |
CN107727415A (zh) * | 2017-12-04 | 2018-02-23 | 广东泓胜科技股份有限公司 | 一种便携式汽车车轮制动性能动态检测方法及系统 |
-
2018
- 2018-04-23 CN CN201810368217.6A patent/CN108833024B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS61191432A (ja) * | 1985-02-20 | 1986-08-26 | Nissan Motor Co Ltd | 4輪駆動車の駆動力配分装置 |
CN102406507A (zh) * | 2010-09-20 | 2012-04-11 | 天津职业技术师范大学 | 基于人体生理信号的汽车驾驶员疲劳监测方法 |
WO2012040163A2 (en) * | 2010-09-21 | 2012-03-29 | Ansaldo Sts Usa, Inc. | Method for adjusting braking parameters of a train to account for train characteristic parameter variations |
CN102175463A (zh) * | 2011-02-12 | 2011-09-07 | 东南大学 | 一种基于改进卡尔曼滤波的汽车路试制动性能检测方法 |
CN102360180A (zh) * | 2011-09-29 | 2012-02-22 | 华南理工大学 | 机动车安全监测系统制动性能辨识方法 |
CN103400402A (zh) * | 2013-07-12 | 2013-11-20 | 西安电子科技大学 | 基于低秩结构稀疏的压缩感知mri图像重建方法 |
CN107727415A (zh) * | 2017-12-04 | 2018-02-23 | 广东泓胜科技股份有限公司 | 一种便携式汽车车轮制动性能动态检测方法及系统 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110286289A (zh) * | 2019-06-30 | 2019-09-27 | 广东石油化工学院 | 一种利用低秩矩阵恢复的变压器运行状态振声检测信号滤波方法和系统 |
CN110286289B (zh) * | 2019-06-30 | 2021-06-11 | 广东石油化工学院 | 一种变压器振声检测信号滤波方法 |
CN113640115A (zh) * | 2021-08-11 | 2021-11-12 | 中国工程物理研究院流体物理研究所 | 适用于准等熵压缩实验数据逆问题求解的优化方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN108833024B (zh) | 2021-07-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sun et al. | Fast implementation of DeLong’s algorithm for comparing the areas under correlated receiver operating characteristic curves | |
Zappavigna et al. | Dwell time analysis for continuous-time switched linear positive systems | |
CN108416723B (zh) | 基于全变分正则化和变量分裂的无透镜成像快速重构方法 | |
CN109150775B (zh) | 自适应噪声环境动态变化的鲁棒性在线信道状态估计方法 | |
CN108833024A (zh) | 一种多通道无线分布式场车制动数据传输方法 | |
CN106202756B (zh) | 基于单层感知机的欠定盲源分离源信号恢复方法 | |
CN111222442A (zh) | 一种电磁信号分类方法和装置 | |
CN110784286A (zh) | 基于压缩感知的非正交多址接入系统的多用户检测方法 | |
Lin et al. | Dissipativity analysis for neural networks with two-delay components using an extended reciprocally convex matrix inequality | |
CN113109783A (zh) | 航向角获取方法、装置、设备和存储介质 | |
Luo et al. | A new approach to generalized dissipativity analysis for fuzzy systems with coupling memory sampled-data control | |
CN108235733B (zh) | 基于拉曼光谱的物质识别方法及云端系统 | |
Hotar et al. | Surface evaluation by estimation of fractal dimension and statistical tools | |
CN110764958B (zh) | 一种基于eeg的脑机接口回归系统白盒目标攻击方法 | |
Han et al. | Radar specific emitter identification based on open-selective kernel residual network | |
CN114520755A (zh) | 一种改进式特征值对角加载信源数估计方法 | |
Zhang et al. | Pattern expression nonnegative matrix factorization: algorithm and applications to blind source separation | |
CN115014313B (zh) | 一种基于并行多尺度的偏振光罗盘航向误差处理方法 | |
Si et al. | An efficient deep convolutional neural network with features fusion for radar signal recognition | |
Parlitz et al. | Quantifying uncertainty in state and parameter estimation | |
Ye et al. | Licam: Long-tailed instance segmentation with real-time classification accuracy monitoring | |
CN113159121A (zh) | 基于先验知识模型的机器人磨抛去除量预测方法及设备 | |
CN106056573A (zh) | 一种活动轮廓模型中能量泛函的优化方法及其应用 | |
CN103049887B (zh) | 基于模糊支持向量机的Curvelet变换域图像去噪方法 | |
Meng et al. | An improved FastICA algorithm based on Modified-M estimate function |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |