发明内容
有鉴于此,本发明实施例提供了一种核电站信号识别方法、装置、计算机设备及存储介质,以解决现有技术无法准确识别松脱部件的冲击信号,导致松脱部件监测报警的误报率高和漏报率高的问题。
本发明实施例的第一方面提供了一种核电站信号识别方法,包括:
获取待识别信号;
对所述待识别信号进行滤波,得到观测信号;
使用基于盲解卷积的特征向量算法,对所述观测信号进行求解,得到恢复信号;
对预设窗口长度范围内的所述恢复信号进行短时均方根计算,得到修正信号;
根据预设的支持向量机模型对所述修正信号进行识别,确定所述修正信号的信号类型;
若所述信号类型为冲击信号,则按照预设的报警方式进行报警。
作为本发明核电站信号识别方法的一种改进,所述使用基于盲解卷积的特征向量算法,对所述观测信号进行求解,得到恢复信号包括:
随机生成系数向量,并设置迭代次数的初始值;
对所述系数向量和所述观测信号进行卷积计算,得到输出信号;
根据所述输出信号、所述系数向量和所述观测信号,使用特征向量算法更新所述系数向量;
对所述迭代次数进行加1操作后,若所述迭代次数达到预设的最大迭代次数,则将所述输出信号作为所述恢复信号,否则,返回所述对所述系数向量和所述观测信号进行卷积计算,得到输出信号的步骤继续执行,直到所述迭代次数达到所述最大迭代次数为止。
作为本发明核电站信号识别方法的一种改进,所述根据所述输出信号、所述系数向量和所述原始信号,使用特征向量算法更新所述系数向量包括:
Ryy=E(Yi·Yi T)
其中,zi为所述输出信号,Yi为所述观测信号的信号矩阵,E为数学期望;
获取矩阵
的最大特征值对应的特征向量,并将所述特征向量作为更新后的所述系数向量。
作为本发明核电站信号识别方法的一种改进,所述对预设窗口长度范围内的所述恢复信号进行短时均方根计算,得到修正信号包括:
按照如下公式计算所述修正信号:
其中,RMS为所述修正信号,n为所述预设窗口长度,xi为所述恢复信号。
作为本发明核电站信号识别方法的一种改进,所述获取待识别信号之前,所述信号识别方法还包括:
通过传感器采集预设数量的基础信号;
按照预设的归一化方式,对所述基础信号进行归一化处理,得到训练集;
根据预设的支持向量机参数,使用支持向量机算法对所述训练集进行训练,得到所述支持向量机模型。
本发明实施例的第二方面提供了一种核电站信号识别装置,包括:
获取模块,用于获取待识别信号;
预处理模块,用于对所述待识别信号进行滤波,得到观测信号;
恢复模块,用于使用基于盲解卷积的特征向量算法,对所述观测信号进行求解,得到恢复信号;
修正模块,用于对预设窗口长度范围内的所述恢复信号进行短时均方根计算,得到修正信号;
识别模块,用于根据预设的支持向量机模型对所述修正信号进行识别,确定所述修正信号的信号类型;
报警模块,用于若所述信号类型为冲击信号,则按照预设的报警方式进行报警。
作为本发明核电站信号识别装置的一种改进,所述恢复模块包括:
初始化子模块,用于随机生成系数向量,并设置迭代次数的初始值;
卷积计算子模块,用于对所述系数向量和所述观测信号进行卷积计算,得到输出信号;
更新子模块,用于根据所述输出信号、所述系数向量和所述观测信号,使用特征向量算法更新所述系数向量;
迭代子模块,用于对所述迭代次数进行加1操作后,若所述迭代次数达到预设的最大迭代次数,则将所述输出信号作为所述恢复信号,否则,返回所述对所述系数向量和所述观测信号进行卷积计算,得到输出信号的步骤继续执行,直到所述迭代次数达到所述最大迭代次数为止。
作为本发明核电站信号识别装置的一种改进,所述更新子模块包括:
Ryy=E(Yi·Yi T)
其中,zi为所述输出信号,Yi为所述观测信号的信号矩阵,E为数学期望;
选择单元,用于获取矩阵
的最大特征值对应的特征向量,并将所述特征向量作为更新后的所述系数向量。
本发明实施例的第三方面提供了一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述信号识别方法的步骤。
本发明实施例的第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述信号识别方法的步骤。
上述核电站信号识别方法、装置、计算机设备及存储介质中,通过对待识别信号进行滤波,得到观测信号后,使用基于盲解卷积的特征向量算法对观测信号进行求解,得到恢复信号,再对预设窗口长度范围内的恢复信号进行短时均方根计算得到修正信号,然后根据预设的支持向量机模型对修正信号进行识别,确定修正信号的信号类型,当该信号类型为冲击信号时,按照预设的报警方式进行报警。其中,采用基于盲解卷积的特征向量算法,以及通过支持向量机模型识别信号类型,能够在核电厂复杂的强噪声环境下,在低信噪比条件下,准确的识别和提取冲击信号,从而大幅度提高对松脱部件的报警准确率,降低误报警率和漏报警率。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
为了说明本发明所述的技术方案,下面通过具体实施例来进行说明。
请参阅图1,图1示出了本发明实施例提供的一种核电站信号识别方法的实现流程,本发明实施例的执行主体可以是进行信号处理的设备,其具体可以是计算机。详述如下:
S1:获取待识别信号。
具体地,待识别信号为采集设备采集到的原始信号,该原始信号具体可以是包括冲击信号、噪声信号、脉冲干扰信号,以及其他振动信号等各种信号的混合信号。
其中,冲击信号即为核电厂反应堆一回路中的脱落件或者松动部件产生的,对管道或压力容器内构件的冲击信号。
进一步地,可以通过前置放大器对获取到的待识别信号进行放大。
S2:对待识别信号进行滤波,得到观测信号。
具体地,对待识别信号进行滤波处理,将待识别信号中混杂的预设波段频率的干扰信号滤除,得到观测信号。其中,预设波段频率是已知的干扰信号所在的波段频率。
进一步地,滤波处理可以包括高通滤波处理和低通滤波处理。
S3:使用基于盲解卷积的特征向量算法,对观测信号进行求解,得到恢复信号。
需要说明的是,盲解卷积算法的提出是基于未知源信号和系统参数,仅根据响应信号进行盲解卷积计算,以期得到源信号的算法。由于核电站结构极为复杂,难以通过建模获得准确的核电站的系统参数,同时,冲击信号幅值大小不确定,并具有频散、频域多样等特点,因此,本发明实施例提出基于高阶统计量的盲解卷积的特征向量(Eigenvectoralgorithm,EVA)算法,解决对冲击信号的准确提取问题。
盲解卷积算法主要用于信号的提取,如图2所示,图2示出了盲卷积算法的基本模型。其中,冲击信号ai为源信号,即待识别的识别松脱部件的冲击信号,ai经过非最小相位、线性时不变的系统H,得到采集设备采集到的待识别信号,对该待识别信号进行滤波处理后得到观测信号yi。由于系统H未知,无法逆解出冲击信号,因此,需要找到与系统H相反的系统,即均衡器C,使得经过均衡器C处理后的恢复信号zi能够接近于原始的冲击信号ai。
将系统H和系统C等效为一个系统S=H*C,即:
由于信号z
i为冲击信号a
i的恢复信号,因此,信号s=(s
1s
2…)
T为一个只有一个非零值的向量,设s=e
jθ(0…0↑
k0…0)
T,其中,↑
k为非零值,k为时间延迟,θ为相移。
恢复信号zi与跌落冲击信号ai之间的关系如公式(1)所示:
对公式(1)进行二阶矩阵运算,得到恢复信号zi的二阶矩如公式(2)所示:
按照公式(3)对公式(1)进行四阶矩阵运算,得到恢复信号zi的四阶矩:
将公式(2)代入公式(3),按照公式(4)得到恢复信号zi的峭度:
根据公式(4)可得到公式(5):
根据公式(5),令E(z
2)=E(a
2),即
根据
得到公式(6):
由公式(6)可知,系统C的系数c=(c1c2L)T由公式(7)确定:
对于有限冲击响应模型,根据公式(7)可得,系统输入输出关系式如公式(8)所示:
其中,L为系统长度。
将公式(8)代入公式(7),得到公式(9):
由此可知,当
为一定值时,为了使K(z
i)最大化,即使得特征值λ最大。当矩阵
特征值最大时,对应的特征向量即为所求的系统参数,将系统C与观测信号y
i做卷积,可以得到恢复信号z
i。
具体地,通过随机设定一个初始的恢复信号,对该恢复信号进行EVA算法求解,将求得的系统C与观测信号yi做卷积,获得修正后的恢复信号。
进一步地,为了获得稳定的恢复信号,将修正后的恢复信号继续作为EVA算法的输入,进行多次迭代,将达到最大迭代次数的结果作为最终的恢复信号。
S4:对预设窗口长度范围内的恢复信号进行短时均方根计算,得到修正信号。
具体地,预设窗口长度即为采集设备的采集窗口宽度,该预设窗口长度具体可以根据实际应用的需要进行设置,此处不做限制。
按照短时均方根的信号提取频率,对预设窗口长度范围内得到的n个恢复信号进行均方根计算,得到修正信号。其中,短时均方根的信号提取频率通常可以设置为200ms,但并不限于此,其具体可以根据实际应用的需要进行设置,此处不做限制。
S5:根据预设的支持向量机模型对修正信号进行识别,确定该修正信号的信号类型。
需要说明的是,支持向量机(Supporter Vector Machine,SVM)是基于统计学习理论发展起来的一种新型模式识别方法,具有良好的分类能力和泛化能力。在本实施例中,将支持向量机应用于分类识别问题,能够得到准确的分类识别结果,达到良好的效果。
SVM的核心思想是建立一个最优超平面作为决策曲面,使得两类数据之间的隔离边缘最大化,并且利用判断函数的符号判断待识别数据位于最优超平面的方位,从而达到识别信号的目的。如图3所示,图3示出了SVM最优超平面的示意图。
具体地,当两类数据线性可分时,选取训练样本
其中,x
i为第i个样本,y
i∈{-1,1},N为训练样本数量,设最优分类超平面方程为:w·x+b=0,其中,w为超平面的法向量,b为超平面的常数项,则寻找最优超平面的过程,即为寻找最优的w和b的过程。假设最优的w和b分别为w
0和b
0,则最优分类超平面方程为:w
0·x+b
0=0。得到最优超平面之后,即可以按照公式(10)得到训练集的分类标签:
ylabel=sgn(w0·x+b0) 公式(10)
其中,ylabel为分类标签,sgn为符号函数。
将满足公式(11)的数据点(xi,yi)称为支持向量:
由于支持向量的选择决定了最优超平面的位置,因此,寻找最优超平面等价于寻找两类支持向量之间取最大间隔时w和b的取值。由于两类支持向量之间的间隔为:
则
因此,寻找最优超平面最终可以归纳成如公式(12)所示的优化问题:
对公式(12)所示的优化问题,建立如公式(13)所示的拉格朗日(Lagrange)函数:
将公式(14)代入公式(13),即将优化问题转变为公式(15)所示的对偶问题:
求出公式(15)的最优解
其中,
不为零的位置对应的
即为支持向量,则最优超平面的最优解为:
其中,判断函数表达式为:
具体地,按照上述支持向量机的核心思想构建支持向量机模型,将修正信号作为支持向量机模型的输入信号,根据支持向量机模型的输出值即可判断输入信号的信号类型,其中,信号类型包括但不限于冲击信号、噪声信号、脉冲干扰信号,以及其他振动信号等。
使用支持向量机模型对通过基于盲解卷积的特征向量算法处理后得到的修正信号进行识别,仿真结果表明,在低信噪比环境下,支持向量机模型仍具有很好的分类识别能力,在低信噪比,例如信噪比为-12dB的情况下,仍能对冲击信号进行有效识别和提取。
S6:若修正信号的信号类型为冲击信号,则按照预设的报警方式进行报警。
具体地,若根据步骤S5得到的信号类型为冲击信号,则按照冲击信号对应的预设的报警方式进行报警。
其中,预设的报警方式具体可以是发出声光电等方式的报警信号,还可以是通过即时通信消息的方式提醒预设的维护管理人员,其具体方式可以根据实际应用的需要进行设置,此处不做限制。
可以理解的,若根据步骤S5得到的信号类型为非冲击信号,例如噪声信号、脉冲信号或者其他其他振动信号等,则不进行报警。
在图1对应的实施例中,通过对待识别信号进行滤波,得到观测信号后,使用基于盲解卷积的特征向量算法对观测信号进行求解,得到恢复信号,再对预设窗口长度范围内的恢复信号进行短时均方根计算得到修正信号,然后根据预设的支持向量机模型对修正信号进行识别,确定修正信号的信号类型,当该信号类型为冲击信号时,按照预设的报警方式进行报警。其中,采用基于盲解卷积的特征向量算法,以及通过支持向量机模型识别信号类型,能够在核电厂复杂的强噪声环境下,在低信噪比条件下,准确的识别和提取冲击信号,将由正常水力、机械和电气的本底噪声以及大幅值瞬时电讯号产生的各种信号和松脱部件碰撞产生的冲击信号区分出来,既具有区别和判断松脱零部件跌落的冲击信号和控制棒驱动机构步跃、中子通量测量件运动等产生的虚假信号的能力,又能在电厂本底噪音,如设备的流致振动、主泵运行振动、电源干扰等条件下具有较高的分辨松脱零部件跌落的冲击信号的能力,从而大幅度提高对松脱部件的报警准确率,降低误报警率和漏报警率。
在图1对应的实施例的基础之上,下面通过一个具体的实施例对步骤S3中所提及的使用基于盲解卷积的特征向量算法,对观测信号进行求解,得到恢复信号的具体实现方法进行详细说明。
请参阅图4,图4示出了本发明实施例提供的步骤S3的具体实现流程,详述如下:
S31:随机生成系数向量,并设置迭代次数的初始值。
具体地,随机生成系数向量c(d),并设置迭代次数d的初始值为0。
S32:对系数向量和观测信号进行卷积计算,得到输出信号。
具体地,按照上述公式(8),对系数向量c(d)和观测信号yi进行卷积计算,得到输出信号zi。
S33:根据输出信号、系数向量和观测信号,使用特征向量算法更新系数向量。
具体地,根据步骤S3中推导的特征向量算法,使用步骤S32得到的输出信号z
i,以及系数向量c
(d)和观测信号y
i,计算矩阵R
yy和
并将矩阵
最大特征值对应的特征向量c
EV作为更新后的系数向量。
S34:对迭代次数进行加1操作后,若迭代次数达到预设的最大迭代次数,则将输出信号作为恢复信号,否则,返回步骤S32继续执行,直到迭代次数达到最大迭代次数为止。
具体地,对迭代次数进行加1操作,即d=d+1,若d小于预设的迭代次数,则c(d)=cEV,并返回步骤S32继续进行迭代,若d等于预设的迭代次数,则迭代结束,将最后一次迭代得到的输出信号作为最终的恢复信号。
在图4对应的实施例中,首先随机生成系数向量,并设置迭代次数的初始值,然后对系数向量和观测信号进行卷积计算,得到输出信号,并根据输出信号、系数向量和观测信号,使用特征向量算法更新系数向量,在对迭代次数进行加1操作后,判断若迭代次数未达到预设的最大迭代次数,则使用观测信号和更新后的系数向量继续进行卷积计算,重复迭代,直到迭代次数达到预设的最大迭代次数时,将最后一次迭代得到的输出信号作为最终的恢复信号,这种采用基于盲解卷积的特征向量算法能够从包含各种噪声信号的混合信号中准确识别和提取出冲击信号,从而大幅度提高对松脱部件的报警准确率,降低误报警率和漏报警率。
在图4对应的实施例的基础之上,下面通过一个具体的实施例对步骤S33中提及的根据输出信号、系数向量和观测信号,使用特征向量算法更新系数向量的具体实现方法进行详细说明。
请参阅图5,图5示出了本发明实施例提供的步骤S33的具体实现流程,详述如下:
其中,zi为输出信号,Yi为观测信号的信号矩阵,E为数学期望。
S332:获取矩阵
的最大特征值对应的特征向量,并将该特征向量作为更新后的系数向量。
具体地,根据步骤S332得到的系数矩阵R
yy和
进一步计算矩阵
的特征值,并将矩阵
的最大特征值对应的特征向量作为更新后的系数向量。
在图5对应的实施例中,根据输出信号、系数向量和观测信号,使用公式(16)得到系数矩阵R
yy和
并将矩阵
的最大特征值对应的特征向量作为更新后的系数向量特征向量,使得基于更新后的系数向量不断进行迭代,从而得到准确的恢复信号,为后续对松脱部件的准确报警提供依据。
在图1对应的实施例的基础之上,下面通过一个具体的实施例对步骤S4提及的对预设窗口长度范围内的恢复信号进行短时均方根计算,得到修正信号的具体实现方法进行详细说明。详述如下:
按照公式(17)计算修正信号:
其中,RMS为修正信号,n为预设窗口长度,xi为恢复信号。
在本发明实施例中,使用公式(17)对计算预设窗口长度范围内的n个恢复信号的短时均方根,得到的修正信号能够更加准确的反映松脱部件产生的冲击信号,从而为后续使用支持向量机模型识别冲击信号提供准确的输入。
在上述实施例的基础之上,在获取待识别信号之前,还可以构建支持向量机模型。
请参阅图6,图6示出了本发明实施例中构建支持向量机模型的具体实现流程,详述如下:
S71:通过传感器采集预设数量的基础信号。
具体地,通过传感器采集预设数量的基础信号,其中,预设数据具体可以根据实际应用的需要进行设置,此处不做限制。
S72:按照预设的归一化方式,对基础信号进行归一化处理,得到训练集。
具体地,对步骤S71采集到的基础信号进行归一化处理,将基础信号归一到统一的取值范围内,并将归一化处理后的基础信号作为训练集。
需要说明的是,当信号数据的取值范围位于0至1之间时,支持向量机模型的识别精度处于较高水平,因此,预设的归一化方式具体可以是对传感器采集到的基础信号进行一定倍数的放大或者缩小处理,但并不限于此,其具体可以根据实际应用的需要进行设置,此处不做限制。
S73:根据预设的支持向量机参数,使用支持向量机算法对训练集进行训练,得到支持向量机模型。
具体地,预设的支持向量机参数具体可以包括但不限于:核函数选择参数、损失函数参数,以及核函数参数设定等,其中,核函数选择参数默认值可以为径向基函数,损失函数参数默认值可以设定为1,核函数参数默认值可以设置为1/k,k为输入数据的属性数。
使用预设的支持向量机参数,将包括训练数据和训练数据标签的训练集输入至SVM中进行训练,得到支持向量机模型。
优选地,本发明实施例采用LIBSVM工具箱进行支持向量机模型构建和模型训练,LIBSVM工具箱可以用于解决C-SVC、v-SVC、one-class SVM,以及e-SVR等问题,是目前广泛应用的支持向量机工具箱。
在图6对应的实施例中,通过传感器采集预设数量的基础信号,并按照预设的归一化方式,对基础信号进行归一化处理,得到训练集,之后根据预设的支持向量机参数,使用支持向量机算法对训练集进行训练,得到支持向量机模型,该支持向量机模型能够对修正信号进行准确识别,确定修正信号的信号类型,从而能够在核电厂复杂的强噪声环境下,在低信噪比条件下,准确的识别和提取冲击信号,从而大幅度提高对松脱部件的报警准确率,降低误报警率和漏报警率。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
对应于上文实施例所述的信号识别方法,图7示出了本发明实施例提供的核电站信号识别装置的示意图,为了便于说明,仅示出了与本发明实施例相关的部分。
请参阅图7,该核电站信号识别装置包括:
获取模块71,用于获取待识别信号;
预处理模块72,用于对所述待识别信号进行滤波,得到观测信号;
恢复模块73,用于使用基于盲解卷积的特征向量算法,对所述观测信号进行求解,得到恢复信号;
修正模块74,用于对预设窗口长度范围内的所述恢复信号进行短时均方根计算,得到修正信号;
识别模块75,用于根据预设的支持向量机模型对所述修正信号进行识别,确定所述修正信号的信号类型;
报警模块76,用于若所述信号类型为冲击信号,则按照预设的报警方式进行报警。
进一步地,恢复模块73包括:
初始化子模块731,用于随机生成系数向量,并设置迭代次数的初始值;
卷积计算子模块732,用于对所述系数向量和所述观测信号进行卷积计算,得到输出信号;
更新子模块733,用于根据所述输出信号、所述系数向量和所述观测信号,使用特征向量算法更新所述系数向量;
迭代子模块734,用于对所述迭代次数进行加1操作后,若所述迭代次数达到预设的最大迭代次数,则将所述输出信号作为所述恢复信号,否则,返回所述对所述系数向量和所述观测信号进行卷积计算,得到输出信号的步骤继续执行,直到所述迭代次数达到所述最大迭代次数为止。
进一步地,更新子模块733包括:
计算单元7331,用于按照如下公式计算系数矩阵R
yy和
Ryy=E(Yi·Yi T)
其中,zi为所述输出信号,Yi为所述观测信号的信号矩阵,E为数学期望;
选择单元7332,用于获取矩阵
的最大特征值对应的特征向量,并将所述特征向量作为更新后的所述系数向量。
进一步地,修正模块74还用于:
按照如下公式计算所述修正信号:
其中,RMS为所述修正信号,n为所述预设窗口长度,xi为所述恢复信号。
进一步地,该信号识别装置还包括:
采集模块77,用于通过传感器采集预设数量的基础信号;
归一化模块78,用于按照预设的归一化方式,对所述基础信号进行归一化处理,得到训练集;
训练模块79,用于根据预设的支持向量机参数,使用支持向量机算法对所述训练集进行训练,得到所述支持向量机模型。
本发明实施例提供的一种信号识别装置中各模块实现各自功能的过程,具体可参考前述方法实施例的描述,此处不再赘述。
本发明实施例提供一计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现前述方法实施例中信号识别方法,或者,该计算机程序被处理器执行时前述装置实施例中信号识别装置中各模块/单元的功能,为避免重复,这里不再赘述。
可以理解地,所述计算机可读存储介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、电载波信号和电信信号等。
请参阅图8,图8是本发明一实施例提供的计算机设备的示意图。如图8所示,该实施例的计算机设备8包括:处理器80、存储器81以及存储在存储器81中并可在处理器80上运行的计算机程序82,例如信号识别程序。处理器80执行计算机程序82时实现上述各个方法实施例中的步骤,例如图1所示的步骤S1至步骤S6。或者,处理器80执行计算机程序82时实现上述各装置实施例中各单元的功能,例如图7所示模块71至模块76的功能。
示例性的,计算机程序82可以被分割成一个或多个单元,一个或者多个单元被存储在存储器81中,并由处理器80执行,以完成本发明。一个或多个单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述计算机程序82在所述计算机设备8中的执行过程。例如,计算机程序82可以被分割成获取模块、预处理模块、恢复模块、修正模块、识别模块和报警模块,各模块具体功能如下:
获取模块,用于获取待识别信号;
预处理模块,用于对所述待识别信号进行滤波,得到观测信号;
恢复模块,用于使用基于盲解卷积的特征向量算法,对所述观测信号进行求解,得到恢复信号;
修正模块,用于对预设窗口长度范围内的所述恢复信号进行短时均方根计算,得到修正信号;
识别模块,用于根据预设的支持向量机模型对所述修正信号进行识别,确定所述修正信号的信号类型;
报警模块,用于若所述信号类型为冲击信号,则按照预设的报警方式进行报警。
进一步地,恢复模块包括:
初始化子模块,用于随机生成系数向量,并设置迭代次数的初始值;
卷积计算子模块,用于对所述系数向量和所述观测信号进行卷积计算,得到输出信号;
更新子模块,用于根据所述输出信号、所述系数向量和所述观测信号,使用特征向量算法更新所述系数向量;
迭代子模块,用于对所述迭代次数进行加1操作后,若所述迭代次数达到预设的最大迭代次数,则将所述输出信号作为所述恢复信号,否则,返回所述对所述系数向量和所述观测信号进行卷积计算,得到输出信号的步骤继续执行,直到所述迭代次数达到所述最大迭代次数为止。
进一步地,更新子模块包括:
Ryy=E(Yi·Yi T)
其中,zi为所述输出信号,Yi为所述观测信号的信号矩阵,E为数学期望;
选择单元,用于获取矩阵
的最大特征值对应的特征向量,并将所述特征向量作为更新后的所述系数向量。
进一步地,修正模块还用于:
按照如下公式计算所述修正信号:
其中,RMS为所述修正信号,n为所述预设窗口长度,xi为所述恢复信号。
进一步地,计算机程序82还可以被分割成:
采集模块,用于通过传感器采集预设数量的基础信号;
归一化模块,用于按照预设的归一化方式,对所述基础信号进行归一化处理,得到训练集;
训练模块,用于根据预设的支持向量机参数,使用支持向量机算法对所述训练集进行训练,得到所述支持向量机模型。
计算机设备8可以是桌上型计算机、笔记本、掌上电脑及云端服务器等终端设备。计算机设备8包括,但不仅限于,处理器80、存储器81。本领域技术人员可以理解,图8仅仅是计算机设备8的示例,并不构成对计算机设备8的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如计算机设备8还可以包括输入输出设备、网络接入设备、总线等。
处理器80可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器81可以是计算机设备8的内部存储单元,例如计算机设备8的硬盘或内存。存储器81也可以是计算机设备8的外部存储设备,例如计算机设备8上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(FlashCard)等。进一步地,存储器81还可以既包括计算机设备8的内部存储单元也包括外部存储设备。存储器81用于存储所述计算机程序以及计算机设备8所需的其他程序和数据。存储器81还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的装置/计算机设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/计算机设备实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。