CN109409284A - levy噪声下改进势函数随机共振微弱信号检测方法 - Google Patents
levy噪声下改进势函数随机共振微弱信号检测方法 Download PDFInfo
- Publication number
- CN109409284A CN109409284A CN201811243844.3A CN201811243844A CN109409284A CN 109409284 A CN109409284 A CN 109409284A CN 201811243844 A CN201811243844 A CN 201811243844A CN 109409284 A CN109409284 A CN 109409284A
- Authority
- CN
- China
- Prior art keywords
- signal
- noise
- potential function
- levy
- weak signal
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H13/00—Measuring resonant frequency
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- General Engineering & Computer Science (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本专利发明一种levy噪声下改进势函数随机共振微弱信号检测方法,属于信号处理技术领域。针对现有的levy噪声背景下的微弱信号检测系统,提出一个改进势函数,该势函数有两个可独立调节的参数,可更加灵活的改变形状以适应不同的输入信号。使用四阶龙格库塔法进行求解,以输出信噪比为衡量指标,利用自适应寻优算法进行寻优,然后进行随机共振实现对高低频微弱信号的检测。针对高频信号,在使用二次采样技术让其符合条件之前,使用了Hilbert变换求取包络信号,再通过高通滤波器对一部分低频干扰信息进行滤波,实现更好的检测效果。本发明提出的levy噪声下改进势函数的随机共振微弱信号检测方法,对工程应用中弱信号的检测具有重要意义。
Description
技术领域
本发明属于微弱信号检测等相关领域,具体是在Levy噪声背景下提出了一个改进势函数随机共振微弱信号检测方法。
背景技术
微弱信号检测技术涉及到了众多的领域,例如物理学、化学、电化学、生物医学、天文学、地学等,具有广泛的应用。其研究的对象微弱信号是指用常规和传统方法检测不到的、被噪声埋没的信号,是相对于噪声而言的微弱信号。而传统的微弱信号检测技术,如相关检测技术则是以抑制噪声为目的去实现检测效果,在检测的过程中不可避免的也削弱了有用信号的能量,得不偿失。
随机共振作为一种新型的微弱信号检测技术,利用待检测信号、背景噪声、系统三者达到协同效应,以达到增强有用信号的效果。在随机共振中一部分噪声能量转化为了信号能量,更加充分的利用了系统能量。但经典的随机共振微弱信号检测技术也存在一定的局限性,比如:受绝热近似理论与线性响应理论的限制,传统意义上的随机共振只适用于小参数条件(驱动频率远小于1,且信号幅值远小于1)。但实际应用大都不是小参数信号,因此利用了二次采样、归一化、尺度变化、移频等技术进行处理;经典的随机共振是采用的高斯白噪声模拟的实际环境的背景噪声。然而这种噪声功率谱密度分配均匀,二阶矩相关,是一种较为理想的噪声,不能有效的模拟复杂多变的实际工程噪声。
Levy噪声是一种非高斯噪声,更加接近工业环境中的噪声特性。又称α噪声,它的产生保持了自然噪声的特性与传播机制,其非高斯分布的特性与工程应用中观测到的数据有很好的吻合。
发明内容
本发明的目的在于针对待检测信号为微弱信号、背景噪声为Levy噪声时,在现有的周期势函数随机共振基础上,进一步改进了势函数形状,提出了一个改进的周期势函数随机共振(Improved Potential Function Stochastic Resonance,IPSR)系统。使系统更好的克服输出饱和性,达到更好的检测效果。
本发明所采用的技术方案是:在Levy噪声为背景噪声条件下利用提出的IPSR系统实现对微弱信号的检测。针对符合微弱条件的小频率待检测信号,直接利用自适应算法对参数寻优,得到最优参数,然后进行随机共振进行检测。针对更加切合实际应用的大频率待检测信号,为了让其满足绝热近似条件,实现利用随机共振检测的目的。首先对大信号进行预处理:经过Hilbert变换求取其包络信号,接着通过高通滤波器对一部分低频干扰信息进行滤波,进一步减少干扰信号,再使用二次采样技术让信号满足绝热近似理论与线性响应理论;接着利用自适应寻优算法,以系统输出信噪比为衡量指标,对系统参数进行寻优,找到较优的系统参数;最后利用上一步寻优得到参数,发生随机共振,得到最后的检测结果。
本发明重要意义在于针对经典随机共振的输出饱和性,提出了一种改进型势函数随机共振,可以更加灵活的改变形状以适应不同的输入信号,以达到更好的检测效果。并利用自适应算法对参数进行寻优,优化了检测效果。实现了Levy噪声背景下的微弱信号检测。综上所述,本发明在实际应用中具有重大意义。
附图说明
图1本发明的改进势函数模型图;
图2本发明的检测小频率信号的自适应寻优流程图;
图3本发明的检测大频率信号的自适应寻优流程图;
图4本发明的待检测低频信号时频域图;
图5本发明的IPSR系统的低频信号检测仿真图;
图6本发明的待检测高频信号时频域图;
图7本发明的IPSR系统经过预处理的时频域图;
图8本发明的IPSR系统的高频信号检测仿真图;
具体实施方式
以下结合附图和具体实例,对本发明的实施作进一步的描述。
图1为IPSR势函数模型图:在IPSR系统中色噪声和微弱信号共同作用的郎之万方程如下所示:
在式(1)中,s(t)=Asin(2πf0t)为输入信号,A为待检测信号的幅度,f0为待测信号的频率。
U(x)为本发明所改进的势函数,其表达式为:
u(x)=-ax sin(2πfx) (2)
改变系统参数a、f势函数的图形也会发生相应的变化,图1给出了四组不同参数条件下的势函数形状示意图:a=0.6,f=0.25、a=0.6,f=0.4、a=0.45,f=0.5、a=0.55,f=0.5。从图中可以看出参数a影响势函数的势阱高度,a越大时,势阱越高;参数f影响势函数的势阱宽度,f越小时,势阱越宽。
ξ(t)为Levy噪声,又称α噪声,服从Lα,β(ξ,δ,μ)分布,其特征函数表达式为:
Levy噪声的分布由α,β,σ,μ唯一确定,其中α∈(0,2]为特征指数,它决定该分布的拖尾特性和脉冲特性。α值越小,拖尾特性越弱,脉冲特性越强。反之,α值越大,拖尾特性越强,脉冲特性越弱。当α=2时,服从高斯分布;当α=1且β=0时服从柯西分布。参数β∈[-1,1]是对称参数,它与分布的对称性关系密切。β>0时分布偏左,β<0时分布偏右;参数σ∈[0,+∞)为尺度系数,与高斯分布中的方差类似;μ∈(-∞,+∞)为位置参数,表示分布的中心位置。
图2为检测小频率信号的自适应寻优流程图
在本发明中,采用输出信噪比(SNR)来衡量系统输出信号的检测效果。当SNR越大时,就意味着系统的检测性能更优。其定义式为:
其中,f0为待检测的特征频率,S(f0)为输出信号功率谱中特征频率处对应的幅值,N(f)为局部区域总能量。i和MM是根据系统模型中的采样点数和采样频率选择的较合理的值,文中取值为:i=1、MM=N/2,N为采样点数。
具体步骤为(针对小频率待检测信号):
(1)参数寻优:
使用自适应算法对参数进行寻优处理,找到其较合适的取值。算法流程为:先初始化系统参数,设置搜索范围以及迭代步长;将每一组参数输入随机共振系统,求出对应的SNR值;最优的SNR值对应的参数即为最优参数;
(2)随机共振:
将步骤(1)寻优得到的参数值送入随机共振系统,进行检测,得到检测结果。
图3为检测大频率信号的自适应寻优流程图
针对更加切合实际应用的大频率待检测信号,为了让其满足绝热近似理论与线性响应理论,在检测小频率信号流程的基础上,增加了预处理。
预处理具体步骤如下:
先经过Hilbert变换求其包络信号,再通过高通滤波器进行滤波处理,进一步减少干扰信号,然后使用二次采样让信号满足绝热近似条件。
图4为IPSR系统的低频信号检测仿真图
设置如下参数进行IPSR系统的低频信号检测仿真实验。
输入信号为s(t)=Asin(2πf0t)。其中A=0.1、f0=0.01。Levy噪声参数设置为α=1.6、β=0、δ=1、μ=0,噪声强度D=1.7。图4为小频率待检测输入信号的时域图与频域图,可以看出待检测信号完全被淹没在强大的噪声中,不能被直观地识别出来,输入信噪比SNR=-34.7382dB。
先利用自适应算法进行参数寻优,得到最优参数α=2、f=0.6。然后进行随机共振,图5为IPSR系统随机共振输出信号的时域图与频域图。可以看出待检测频率f0=0.01在频谱图中被凸显了出来,峰值为8767,输出信噪比SNR=-13.6280dB,相较于输入信号,信噪比增益ISNR=21.1102dB。
图6为IPSR系统的高频信号检测仿真图
设置如下参数进行IPSR系统的高频信号检测仿真实验。
输入信号为s(t)=Asin(2πf0t)。其中A=0.1、f0=20。Levy噪声参数设置为α=1.6、β=0、δ=1、μ=0,噪声强度D=1。
图6为大频率待检测输入信号的时域图与频域图,可以看出待检测信号完全被淹没在强大的噪声中,不能被直观地识别出来,输入信噪比SNR=-33.3966dB。
图7为输入信号经过了Hilbert变换与高通滤波器的预处理,此时滤出了一部分低频的干扰信号,但无论从时域还是频域都看不出待检测信号的特征,此时信噪比SNR=-33.1405dB。
经过Hilbert变换与高通滤波器的预处理之后再利用二次采样技术使待检测信号满足绝热近似条件。然后利用自适应算法进行参数寻优,得到最优参数α=1.8、f=1。然后进行随机共振。
图8为IPSR系统随机共振输出信号的时域图与频域图。可以看出待检测频率f0=20在频谱图中被凸显了出来,峰值为654.9,输出信噪比SNR=-17.2380dB,相较于输入信号,信噪比增益ISNR=16.1586dB。
Claims (3)
1.一种levy噪声下改进势函数随机共振微弱信号检测方法,有效地检测levy噪声背景下的微弱信号,提出了一种改进的势函数系统,使用四阶龙格库塔法进行求解,以输出信噪比为系统衡量指标,利用自适应寻优算法对参数进行寻优,使用寻优得出的参数进行随机共振实现对高低频微弱信号的检测。
2.根据权利要求1所述的levy噪声下改进势函数随机共振微弱信号检测方法,其特征在于,提出了一个新型的势函数,其方程为:u(x)=-axsin(2πfx),有着独立的参数a、f以实现对势函数势阱宽度与势阱深度的单独调整,可更加灵活的改变形状以适应不同的输入信号,以达到更好的检测效果。
3.根据权利要求1所述的levy噪声下改进势函数随机共振微弱信号检测方法,其特征在于,针对待检测信号为高频信号时,本发明对检测流程做了进一步改进,在使用二次采样让信号满足绝热近似理论与线性响应理论之前,使用了Hilbert变换求取其包络信号,再通过高通滤波器对一部分低频干扰信息进行滤波,进一步减少干扰信号,更有利于所提的随机共振改进势函数系统对高频微弱信号的检测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811243844.3A CN109409284A (zh) | 2018-10-24 | 2018-10-24 | levy噪声下改进势函数随机共振微弱信号检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811243844.3A CN109409284A (zh) | 2018-10-24 | 2018-10-24 | levy噪声下改进势函数随机共振微弱信号检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109409284A true CN109409284A (zh) | 2019-03-01 |
Family
ID=65468952
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811243844.3A Pending CN109409284A (zh) | 2018-10-24 | 2018-10-24 | levy噪声下改进势函数随机共振微弱信号检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109409284A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6285249B1 (en) * | 2000-01-21 | 2001-09-04 | The United States Of America As Represented By The Secretary Of The Navy | Controlled stochastic resonance circuit |
CN101191804A (zh) * | 2007-12-03 | 2008-06-04 | 中国人民解放军国防科学技术大学 | 自适应随机共振微弱信号检测方法 |
CN203025254U (zh) * | 2012-12-29 | 2013-06-26 | 杭州电子科技大学 | 一种基于调制双稳态随机共振原理的微弱信号检测电路 |
CN106127165A (zh) * | 2016-06-30 | 2016-11-16 | 重庆邮电大学 | 基于自适应级联幂函数型双稳随机共振的微弱信号检测方法 |
-
2018
- 2018-10-24 CN CN201811243844.3A patent/CN109409284A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6285249B1 (en) * | 2000-01-21 | 2001-09-04 | The United States Of America As Represented By The Secretary Of The Navy | Controlled stochastic resonance circuit |
CN101191804A (zh) * | 2007-12-03 | 2008-06-04 | 中国人民解放军国防科学技术大学 | 自适应随机共振微弱信号检测方法 |
CN203025254U (zh) * | 2012-12-29 | 2013-06-26 | 杭州电子科技大学 | 一种基于调制双稳态随机共振原理的微弱信号检测电路 |
CN106127165A (zh) * | 2016-06-30 | 2016-11-16 | 重庆邮电大学 | 基于自适应级联幂函数型双稳随机共振的微弱信号检测方法 |
Non-Patent Citations (3)
Title |
---|
XIAOLE LIU等: "《Improving the bearing fault diagnosis efficiency by the adaptive stochastic resonance in new nonlinear system》", 《MECHANICAL SYSTEMS & SIGNAL PROCESSING》 * |
张刚等: "《Levy噪声下一阶线性系统的弱信号复原分析》", 《仪器仪表学报》 * |
贺利芳等: "《基于幂函数型双稳随机共振的故障信号检测方法》", 《仪器仪表学报》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Pan et al. | Nonlinear sparse mode decomposition and its application in planetary gearbox fault diagnosis | |
CN109828304B (zh) | 一种基于深度学习的利用地震数据预测岩性序列模型的方法 | |
CN103474066B (zh) | 基于多频带信号重构的生态声音识别方法 | |
CN102944252B (zh) | 一种基于平移不变量小波的fbg信号处理方法 | |
CN102750543B (zh) | 一种基于bud谱峭度的暂态电能质量扰动分类识别方法 | |
CN109101910B (zh) | 一种基于噪声甄别的大地电磁信号去噪方法 | |
CN103295201B (zh) | 一种基于nsst域iicm的多传感器图像融合方法 | |
CN102288843B (zh) | 一种电能质量扰动信号检测方法 | |
CN104792522A (zh) | 一种基于分数阶小波变换和bp神经网络的齿轮缺陷智能分析方法 | |
CN110136745A (zh) | 一种基于卷积神经网络的汽车鸣笛识别方法 | |
CN109815892A (zh) | 基于cnn的分布式光纤光栅传感网络的信号识别方法 | |
You et al. | An intelligent deep feature learning method with improved activation functions for machine fault diagnosis | |
CN107832777A (zh) | 一种采用时域压缩多分辨率快速s变换特征提取的电能质量扰动识别方法 | |
CN104102838A (zh) | 一种基于小波神经网络和小波技术的变压器噪声预测方法 | |
CN105488466A (zh) | 一种深层神经网络和水声目标声纹特征提取方法 | |
CN103163554A (zh) | 利用零偏vsp资料估计速度和q值的自适应波形的反演方法 | |
CN113359212B (zh) | 一种基于深度学习的储层特征预测方法及模型 | |
CN105447243A (zh) | 基于自适应分数阶随机共振系统的微弱信号检测方法 | |
CN107659314A (zh) | 分布式光纤传感时空二维信号的稀疏化表示及压缩方法 | |
CN103236825A (zh) | 一种用于高精度数据采集系统的数据校正方法 | |
Qin et al. | Maximum correlation Pearson correlation coefficient deconvolution and its application in fault diagnosis of rolling bearings | |
CN109489711A (zh) | 色噪声下自适应级联多稳态随机共振的微弱信号检测 | |
CN103699513A (zh) | 一种基于多尺度噪声调节的随机共振方法 | |
CN103954464B (zh) | 一种基于小波多分辨率分析的动载荷识别方法 | |
CN104951787A (zh) | 一种src框架下判别字典学习的电能质量扰动识别方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190301 |