CN110287514B - 基于振动信号处理的超高速碰撞源智能定位方法 - Google Patents
基于振动信号处理的超高速碰撞源智能定位方法 Download PDFInfo
- Publication number
- CN110287514B CN110287514B CN201910389192.2A CN201910389192A CN110287514B CN 110287514 B CN110287514 B CN 110287514B CN 201910389192 A CN201910389192 A CN 201910389192A CN 110287514 B CN110287514 B CN 110287514B
- Authority
- CN
- China
- Prior art keywords
- vibration
- distance
- algorithm
- follows
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000012545 processing Methods 0.000 title claims abstract description 10
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 41
- 239000013598 vector Substances 0.000 claims abstract description 27
- 239000011159 matrix material Substances 0.000 claims abstract description 26
- 230000009466 transformation Effects 0.000 claims abstract description 11
- 230000001133 acceleration Effects 0.000 claims abstract description 5
- 238000007635 classification algorithm Methods 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 38
- 230000007704 transition Effects 0.000 claims description 9
- 230000001419 dependent effect Effects 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 238000009432 framing Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000006073 displacement reaction Methods 0.000 claims 1
- 238000011156 evaluation Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 7
- 238000001514 detection method Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000004807 localization Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 101710150697 Inositol monophosphatase 1 Proteins 0.000 description 1
- 102100035679 Inositol monophosphatase 1 Human genes 0.000 description 1
- 101710150707 Inositol monophosphatase 2 Proteins 0.000 description 1
- 102100021608 Inositol monophosphatase 2 Human genes 0.000 description 1
- 101710150706 Inositol monophosphatase 3 Proteins 0.000 description 1
- 101710109188 Putative inositol monophosphatase 3 Proteins 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种基于振动信号处理的超高速碰撞源智能定位方法。本发明步骤如下:步骤1.用四个加速度传感器,分别采集3类振动信号和到达距离,建立振动信号样本库;步骤2.将每个样本进行连续小波变换,得到每个样本信号的特征矩阵Xk(n);步骤3.将特征矩阵Xk(n)的幅值按行进行计算平均值,并拼接出CWTM特征向量;步骤4.将CWTM特征向量作为输入,通过KNN分类算法和KELM回归算法构建信号识别和距离估计模型,获取预测距离;步骤5.把预测距离作为输入,运用FCL算法计算振源的估计坐标(X,Y)。本发明实现了超高速碰撞源的智能识别与定位方法,具有定位精度高,实时估计速度快,鲁棒性好等优点。
Description
技术领域
本发明属于机器学习与信号处理等领域,涉及一种基于振动信号连续小波变换(CWT,Continuous wavelet transform)统计特征的超高速碰撞源智能识别与定位方法。
背景技术
近年来,随着传感器技术的发展,声、光、电、热等多种传感器能用于碰撞的检测,振动信号的检测和定位技术已广泛应用于航天器,机器人,车辆,船舶,机床碰撞损伤检测与定位等。
目前,大多数定位研究都是基于声波或光波等波形到达的时间差实现距离定位,该类方法具有时效性差,精度低,计算复杂等缺点;在定位算法的研究中,大多数研究的是通过基于距离或角度的三圆质心定位算法来实现的,该方法简单高效,但运用在本发明中会出现鲁棒性不够好,定位不够准确的问题;超高速碰撞振动定位理论模型参数较多且难以估计,故主要采用智能拟合算法来构建模型。
本发明的方法是通过加速度传感器感知振源产生的振动,提取的振动信号的CWTM特征,利用K最近邻(k-Nearest Neighbor,KNN)算法构建信号识别的分类模型,分别对不同类型的振动信号结合核超限学习机(Kernel Extreme Learning Machine,KELM)回归算法,构建距离回归模型实现振源的距离估计。改进了基于距离的三圆质心定位算法,采用四圆质心定位(Four-circle centroid localization,FCL)算法,此定位方法优点是定位精度高,鲁棒性好,缺点是定位成本略微增加。
综上,本发明是一种基于振动信号连续小波变换(CWT,Continuous wavelettransform)统计特征的超高速碰撞源的智能识别与定位方法,具有定位精度高,实时估计速度快,鲁棒性好等优点。
发明内容
针对传统的定位方法中存在的适应性差,估计速度慢,定位不准确问题,本发明提出了一种基于振动信号处理的超高速碰撞源智能定位方法。
本发明的技术方案主要包括如下步骤:
步骤1.用四个加速度传感器,分别采集3类振动信号和到达距离,建立振动信号样本库;
步骤2.将每个样本进行连续小波变换,得到每个样本信号的特征矩阵Xk(n);
步骤3.将特征矩阵Xk(n)的幅值按行进行计算平均值,并拼接出CWTM特征向量;
步骤4.将CWTM特征向量作为输入,通过KNN分类算法和KELM回归算法构建信号识别和距离估计模型;
步骤5.把预测的距离作为输入,运用FCL算法计算振源的估计坐标(X,Y);
所述步骤1的具体实现包括以下:
设采集到的振动信号为x(n),采样频率为fs,每段信号对应的距离d(n)。首先对采集到的振动信号进行预处理,预处理过程包括去掉低频噪声和截取有效信号,然后进行加窗分帧,得到样本库和相应的距离标签。
所述步骤2具体实现包括以下:
小波函数的定义:假设存在平方可积函数ψ(t),若其满足如条件:
结合连续小波变换的原理,提出特征矩阵Xk(n)提取算法:
小波函数在时频域均有良好的局部性,选择平方可积函数f(t)与其做内积运算,便可得小波变换,如下式:
式(1)中,a为尺度因子,表示与频率相关的伸缩,b为时间平移因子。ψ*(t)是ψ(t)的共轭函数,ψa,b(t)由下式得到:
式(2)中,ψa,b(t)为由ψ(t)经过伸缩、移位变换之后得到的一簇函数,即小波基函数。
假设给定长度为N的振动信号x(n)。选用带宽参数Fb和中心频率均为Fc的小波基ψ(t),尺度序列长度为Ttotalscal,尺度基为[Ttotalscal,...,3,2,1],由此可知下两式(4)(5):
a=2*Fc*(1/fs)/[[Ttotalscal,...,3,2,1]; (4)
b=1/fs; (5)
其中,a为尺度因子,表示与频率相关的伸缩,b为时间平移因子。
缩放意味着信号的扩张或压缩而不改变原始信号的形状。因此,通过改变比例值,可以生成一簇母小波。当比例因子相对较低时,信号收缩,导致更详细的图形,反之亦然。信号的连续小波变换给出时间尺度表示而不是时间-频率表示。在连续小波变换中使用比例是频率的替代,其与其倒数成比例,因此连续小波变换中的频率也可以称为伪频率。
将不同频率Ttotalscal个的ψa,b(t)小波基沿着信号xk(n)移动,与信号进行连续小波变换得到Ttotalscal个cwti k(n)过渡向量。这Ttotalscal个cwti k(n)过渡向量准确反应了频率-时间-能量的分布情况,将Ttotalscal个cwti k(n)过渡向量拼接成特征矩阵Xk(n)如下式(6):
所述步骤3具体实现包括以下:
将特征矩阵Xk(n)按行进行计算平均值并拼接出CWTM特征向量,具体如下式(7):
所述步骤4具体实现包括以下:
本发明采用的KNN算法是通过欧式距离来衡量数据的相似程度,欧式距离公式如下:
其中,xk,yk表示不同的样本特征向量,d(x,y)表示两个数据的相似程度,n表示特征向量的长度。
基于以上预测的3种类别的振动信号,分别构建距离回归模型。
回归指标均方根误差(RMSE)和决定系数(R^2)的模型评价指标。
决定系数R2的计算方法如下式:
其中Y_actual为实际距离,Y_predict为预测距离,Y_mean为所有实际距离的均值。
具体KELM算法描述如下:
KELM的核矩阵定义如下:
Ω=HHT:Ωi,j=h(xi)h(xj)=K(xi,xj) (11)
其中H为隐藏层的输出矩阵,K(xi,yj)为引入的核函数。本发明选择RBF函数为核函数时,则有:
K(x,y)=exp(-γ||x-y||2),γ>0 (12)
可得KELM的模型如下:
其中,C为正则化系数,I为单位矩阵,(I/C+Ω)-1T为KELM输出权重。
为了避免训练过程中由于特征值太小而造成的贡献过小影响实验结果,将步骤3所得的CWTM特征参数进行归一化处理,归一化至[-1,1],其归一化函数表达式为:
其中,i=1,2,…,N,N表示样本数量,j=1,2,...,p,p表示CWTM特征值个数。
所述步骤5具体实现包括以下:
为了定位振源,开发了一种四圆质心定位(FCL)算法。众所周知,需要至少三个非共线传感器来执行精确定位。理想情况下,如果测量的传播距离是准确的,则振源应位于三个圆的交点处,三个传感器位于圆中心,半径分别为传播距离d1,d2,d3。但是由于振动噪声,测量误差和回归模型中的偏差,三个圆过同一点可能性极小。在大误差的情况下,当交点只剩下两个点时,三圆定位算法可能失效且误差较大。
为解决上述问题,开发出基于到达距离的四圆定位算法,算法如下:建立坐标系,计算同一平面的四个圆相交子集至多12个交点{(x1,y1),(x2,y2),...,(xN,yN)},去除不在目标平面上的若干交点,对剩余交点进行全组合如下:
并计算由三点坐标确定的三角形面积{S1,S2,...SM},得到最小三角形的面积区域Smin。实际交点在该三角形的面积区域内,对三个可能坐标的x轴和y轴坐标分别求平均值如下:
本发明有益效果如下:
此发明是基于所提取的CWTM特征进行信号识别和距离估计,可以实现多传感器高精度的距离估计且具有较快的训练和实时估计的速度。
此外采用四个传感器实现定位,该坐标定位(FCL)算法具有较好的鲁棒性和泛化性能,适用范围较广。
附图说明
图1为本发明定位系统算法框架图;
图2(a)为不同距离三段信号的原始信号图;
图2(b)为不同距离三段信号的小波时频图;
图3(a)三类不同类型的信号特征分布图(IMP1);
图3(b)三类不同类型的信号特征分布图(IMP2);
图3(c)三类不同类型的信号特征分布图(IMP3);
图4两圆相交示意图;
图5坐标估计分析示意图;
图6坐标估计效果示意图;
图7FCL算法流程图;
具体实施方式
下面结合附图和实施例对本发明作进一步说明。
如图1所示,本发明具体实现步骤如下:
步骤1.用四个加速度传感器,分别采集了3类振动信号和到达距离,建立振动信号样本库;
步骤2.将每个样本进行连续小波变换,得到每个样本信号的Xk(n)特征矩阵;
步骤3.将Xk(n)特征矩阵的幅值按行进行计算平均值并拼接出CWTM特征向量;
步骤4.将CWTM特征向量作为输入,通过KNN分类算法和KELM回归算法构建信号识别和距离估计模型;
步骤5.把预测的距离作为输入,运用FCL算法,计算振源的估计坐标(X,Y);
所述步骤1的具体实现包括以下:
设采集到的振动信号为x(n),采样频率为fs,每段信号对应的距离d(n)。首先对采集到的振动信号进行预处理,预处理过程包括去掉低频噪声和截取有效信号,然后进行加窗分帧,得到样本库和相应的距离标签。
所述步骤2具体实现包括以下:
小波函数的定义:假设存在平方可积函数ψ(t),若其满足如条件:
结合连续小波变换的原理,提出Xk(n)特征矩阵提取算法:
小波函数在时频域均有良好的局部性,选择平方可积函数f(t)与其做内积运算,便可得小波变换,如下式:
式(1)中,a为尺度因子,表示与频率相关的伸缩,b为时间平移因子。ψ*(t)是ψ(t)的共轭函数,ψa,b(t)由下式得到:
式(2)中,ψa,b(t)为由ψ(t)经过伸缩、移位变换之后得到的一簇函数,即小波基函数。
假设给定长度为N的振动信号x(n)。选用带宽参数Fb和中心频率均为Fc的小波基ψ(t),尺度序列长度为Ttotalscal,尺度基为[Ttotalscal,...,3,2,1],由此可知下两式(4)(5):
a=2*Fc*(1/fs)/[Ttotalscal,...,3,2,1]; (4)
b=1/fs; (5)
其中,a为尺度因子,表示与频率相关的伸缩,b为时间平移因子。
缩放意味着信号的扩张或压缩而不改变原始信号的形状。因此,通过改变比例值,可以生成一簇母小波。当比例因子相对较低时,信号收缩,导致更详细的图形,反之亦然。信号的连续小波变换给出时间尺度表示而不是时间-频率表示。在连续小波变换中使用比例是频率的替代,其与其倒数成比例,因此连续小波变换中的频率也可以称为伪频率。
将不同频率Ttotalscal个的ψa,b(t)小波基沿着信号xk(n)移动,与信号进行连续小波变换得到Ttotalscal个cwti k(n)过渡向量。这Ttotalscal个cwti k(n)过渡向量准确反应了频率-时间-能量的分布情况,将Ttotalscal个cwti k(n)过渡向量拼接成特征矩阵Xk(n)如下式(6):
所述步骤3具体实现包括以下:
将特征矩阵Xk(n)按行进行计算平均并拼接出CWTM特征向量,具体如下式(7):
该特征向量(CWTM)的本质是振动信号的93条频带(79~2500Hz的等差数列)幅值。特征分析如图2和图3(a)、3(b)和3(c):
1)由图2(a)可看出不同距离的三段信号,频率和幅值均存再明显差异。
2)进一步分析小波时频图2(b)可知,不同距离的三段信号的频率分布较为广泛,其中在距离不同的情况下,时间和频率分布有很大不同。
3)将三类信号分别提取出三个93维的特征向量(CWTM),如图3所示,对比同类型的信号随着距离的增加,频率分布更加广泛,对比不同类型的信号更高速的信号的高频部分更多。
所述步骤4具体实现包括以下:
本发明采用的KNN算法是通过欧式距离来衡量数据的相似程度,欧式距离公式如下:
其中,xk,yk表示不同的样本特征向量,d(x,y)表示两个数据的相似程度,n表示特征向量的长度。
基于以上预测的3种类别的振动信号,分别构建距离回归模型。
回归指标均方根误差(RMSE)和决定系数(R^2)的模型评价指标。
决定系数R2的计算方法如下式:
其中Y_actual为实际距离,Y_predict为预测距离,Y_mean为全部实际距离的均值。
具体KELM算法描述如下:
KELM的核矩阵定义如下:
Ω=HHT:Ωi,j=h(xi)h(xj)=K(xi,xj) (11)
其中H为隐藏层的输出矩阵,K(xi,yj)为引入的核函数。本发明选择RBF函数为核函数时,则有:
K(x,y)=exp(-γ||x-y||2),γ>0 (12)
可得KELM的模型如下:
其中,C为正则化系数,I为单位矩阵,(I/C+Ω)-1T为KELM输出权重。
为了避免训练过程中由于特征值太小而造成的贡献过小影响实验结果,将步骤3所得的CWTM特征参数进行归一化处理,归一化至[0,1],其归一化函数表达式为:
其中,i=1,2,…,N,N表示样本数量,j=1,2,…,p,p表示CWTM特征值个数。
所述步骤5具体实现包括以下:
为了实现振源定位,本节开发了一种新的基于到达距离的四圆定位算法的(FCL)算法。我们假设所有实现的传感器都能够捕获振动,振源在传感器的有效检测范围内。众所周知,需要至少三个非共线传感器来执行精确定位。理想情况下,如果测量的传播距离是准确的,则振源应位于三个圆的交点处,三个传感器位于中心,半径分别为传播距离d1,d2,d3。
根据实际情况可知两圆存在三种情况:外切,外相交,相离。
A点坐标(xa,ya),B点坐标(xb,yb),C点坐标(xc,yc),D点坐标(xd,yd),E点坐标(xe,ye),d1为传感器1半径,d2为传感器2半径。
由图4可得如下(8)(9)等式:
由上式可得C点坐标如公式(10),D点坐标如公式(11)
但是由于振动噪声,测量误差和回归模型中的偏差,三个圆过同一点可能性极小。在大误差的情况下,当交点只剩下两个点时,如图5所示,三圆定位算法可能失效且误差较大。为解决上述问题,开发出基于到达距离的四圆定位算法,算法如下:建立坐标系,如图所示,计算与相同平面的四个平面的子集大多数12个交点,并消除不在目标平面上的交点(如F点),选择三种方式排列剩余交点,并计算由三点确定的三角形面积。实际交点可以有三角形区域,确定最小三角形或圆形的面积区域,然后对三个可能坐标的x轴和y轴坐标分别求平均值作为估计坐标,如图6所示,具体的FCL算法流程图,如图7所示。
为解决上述问题,开发出基于到达距离的四圆定位算法,算法如下:建立坐标系,计算同一平面的四个圆相交子集至多12个交点{(x1,y1),(x2,y2),…,(xN,yN)},去除不在目标平面上的若干交点(如F点),对剩余交点进行全组合如下:
并计算由三点坐标确定的三角形面积{S1,S2,…SM},得到最小三角形的面积区域Smin。实际交点在该三角形的面积区域内,对三个可能坐标的x轴和y轴坐标分别求平均值如下:
本发明的振源定位系统,首先要通过分类模型对不同类型的振动信号进行识别分类,然后根据所得的类别输入相应的距离回归模型,得到预测的距离,再将预测的4个距离作为FCL定位算法的输入,得到预测的振源位置。
Claims (5)
1.基于振动信号处理的超高速碰撞源智能定位方法,其特征在于包括如下步骤:
步骤1.用四个加速度传感器,分别采集3类振动信号和到达距离,建立振动信号样本库;
步骤2.将每个样本进行连续小波变换,得到每个样本信号的特征矩阵Xk(n);
步骤3.将特征矩阵Xk(n)的幅值按行进行计算平均值,并拼接出CWTM特征向量;
步骤4.将CWTM特征向量作为输入,通过KNN分类算法和KELM回归算法构建信号识别和距离估计模型,获取预测距离;
步骤5.把预测距离作为输入,运用FCL算法计算振源的估计坐标(X,Y);
所述步骤1的具体实现包括以下:
设采集到的振动信号为x(n),采样频率为fs,每段信号对应的距离d(n);首先对采集到的振动信号进行预处理,预处理过程包括去掉低频噪声和截取有效信号,然后进行加窗分帧,得到样本库和相应的距离标签。
2.根据权利要求1所述的基于振动信号处理的超高速碰撞源智能定位方法,其特征在于所述步骤2具体实现包括以下:
小波函数的定义:假设存在平方可积函数ψ(t),若其满足如条件:
结合连续小波变换的原理,提出特征矩阵Xk(n)提取:
选择平方可积函数f(t)与其做内积运算,便可得小波变换,如下式:
式(1)中,a为尺度因子,表示与频率相关的伸缩,b为时间平移因子;ψ*(t)是ψ(t)的共轭函数,ψa,b(t)由下式得到:
式(2)中,ψa,b(t)为由ψ(t)经过伸缩、移位变换之后得到的一簇函数,即小波基函数;
设给定长度为N的振动信号x(n);选用带宽参数Fb和中心频率均为Fc的小波基ψ(t),尺度序列长度为Ttotalscal,尺度基为[Ttotalscal,...,3,2,1],由此可知下两式(4)(5):
a=2*Fc*(1/fs)/[Ttotalscal,...,3,2,1]; (4)
b=1/fs; (5)
其中,a为尺度因子,表示与频率相关的伸缩,b为时间平移因子;
将不同频率Ttotalscal个的ψa,b(t)小波基沿着信号xk(n)移动,与信号进行连续小波变换得到Ttotalscal个cwti k(n)过渡向量;这Ttotalscal个cwti k(n)过渡向量准确反应了频率-时间-能量的分布情况,将Ttotalscal个cwti k(n)过渡向量拼接成特征矩阵Xk(n)如下式(6):
4.根据权利要求3所述的基于振动信号处理的超高速碰撞源智能定位方法,其特征在于所述步骤4具体实现包括以下:
采用的KNN算法是通过欧式距离来衡量数据的相似程度,欧式距离公式如下:
其中,xk,yk表示不同的样本特征向量,d(x,y)表示两个数据的相似程度,n表示特征向量的长度;
基于以上预测的3种类别的振动信号,分别构建距离回归模型;
回归指标均方根误差(RMSE)和决定系数的模型评价指标;
决定系数R2的计算方法如下式:
其中Y_actual为实际距离,Y_predict为预测距离,Y_mean为所有实际距离的均值;
具体KELM算法描述如下:
KELM的核矩阵定义如下:
Ω=HHT:Ωi,j=h(xi)h(xj)=K(xi,xj) (11)
其中H为隐藏层的输出矩阵,K(xi,yj)为引入的核函数;选择RBF函数为核函数时,则有:
K(x,y)=exp(-γ||x-y||2),γ>0 (12)
可得KELM的模型如下:
其中,C为正则化系数,I为单位矩阵,(I/C+Ω)-1T为KELM输出权重;
将步骤3所得的CWTM特征向量进行归一化处理,归一化至[-1,1],其归一化函数表达式为:
其中,i=1,2,…,N,N表示样本数量,j=1,2,…,p,p表示CWTM特征向量个数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910389192.2A CN110287514B (zh) | 2019-05-10 | 2019-05-10 | 基于振动信号处理的超高速碰撞源智能定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910389192.2A CN110287514B (zh) | 2019-05-10 | 2019-05-10 | 基于振动信号处理的超高速碰撞源智能定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110287514A CN110287514A (zh) | 2019-09-27 |
CN110287514B true CN110287514B (zh) | 2023-03-28 |
Family
ID=68001924
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910389192.2A Active CN110287514B (zh) | 2019-05-10 | 2019-05-10 | 基于振动信号处理的超高速碰撞源智能定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110287514B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112668419B (zh) * | 2020-12-17 | 2022-05-24 | 太原理工大学 | 一种基于振动信号的发动机排放物预测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103645249A (zh) * | 2013-11-27 | 2014-03-19 | 国网黑龙江省电力有限公司 | 基于精简集下采样不均衡svm变压器在线故障检测方法 |
WO2015070513A1 (zh) * | 2013-11-14 | 2015-05-21 | 国家电网公司 | 一种三相共筒式超高压gis局部放电的模式识别方法 |
CN106779091A (zh) * | 2016-12-23 | 2017-05-31 | 杭州电子科技大学 | 一种基于超限学习机及到达距离的周期振动信号定位方法 |
CN108052863A (zh) * | 2017-11-10 | 2018-05-18 | 华北电力大学(保定) | 基于最大方差展开法的电能质量扰动识别方法 |
-
2019
- 2019-05-10 CN CN201910389192.2A patent/CN110287514B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015070513A1 (zh) * | 2013-11-14 | 2015-05-21 | 国家电网公司 | 一种三相共筒式超高压gis局部放电的模式识别方法 |
CN103645249A (zh) * | 2013-11-27 | 2014-03-19 | 国网黑龙江省电力有限公司 | 基于精简集下采样不均衡svm变压器在线故障检测方法 |
CN106779091A (zh) * | 2016-12-23 | 2017-05-31 | 杭州电子科技大学 | 一种基于超限学习机及到达距离的周期振动信号定位方法 |
CN108052863A (zh) * | 2017-11-10 | 2018-05-18 | 华北电力大学(保定) | 基于最大方差展开法的电能质量扰动识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110287514A (zh) | 2019-09-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105760811B (zh) | 全局地图闭环匹配方法及装置 | |
CN104299247A (zh) | 一种基于自适应测量矩阵的视频目标跟踪方法 | |
CN111552754B (zh) | 一种舰船轨迹相似度度量方法及系统 | |
CN103886606B (zh) | 基于联合广义伽玛分布参数的sar图像分割方法 | |
CN101916373A (zh) | 基于小波检测和脊线跟踪的道路半自动提取方法 | |
CN113503871B (zh) | 基于相关滤波的重力匹配方法 | |
CN108573280B (zh) | 一种无人船自主通过桥梁的方法 | |
CN111562570A (zh) | 基于毫米波雷达的面向自动驾驶的车辆感知方法 | |
CN111695461B (zh) | 一种基于图频特性的雷达杂波智能分类方法 | |
CN112051567B (zh) | 人体目标微多普勒频率估计方法 | |
CN110287514B (zh) | 基于振动信号处理的超高速碰撞源智能定位方法 | |
CN113253248B (zh) | 一种基于迁移学习的小样本垂直阵目标距离估计方法 | |
Yuan et al. | A novel method for pavement transverse crack detection based on 2D reconstruction of vehicle vibration signal | |
CN112966710B (zh) | 基于线性判别分析的fy-3d红外高光谱云检测方法 | |
CN116597313B (zh) | 一种基于改进YOLOv7的舰船光学图像尾迹检测方法 | |
CN117452496A (zh) | 一种震声传感器目标探测识别方法 | |
CN113390406B (zh) | 基于被动多传感器系统的多目标数据关联与定位方法 | |
CN114692679B (zh) | 基于调频连续波的元学习手势识别方法 | |
xi Wang et al. | Detection of MMW radar target based on Doppler characteristics and deep learning | |
CN113075645B (zh) | 一种基于主成分分析-密度聚类的畸变阵形线谱增强方法 | |
CN115291054A (zh) | 一种基于小波图像卷积的非梯度定位方法 | |
CN114492665A (zh) | 一种基于图像结构相似度的故障诊断模型性能评价方法 | |
CN114240899A (zh) | 一种基于图像配准的导波频散曲线模态追踪方法及系统 | |
CN106845489A (zh) | 基于改进Krawtchouk矩的SAR图像目标特征提取方法 | |
Dogan et al. | Performance analysis of SVM, ANN and KNN methods for acoustic road-type classification |
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 |