CN110598615A - 一种用于桥梁结构监测的数据降噪方法及系统 - Google Patents
一种用于桥梁结构监测的数据降噪方法及系统 Download PDFInfo
- Publication number
- CN110598615A CN110598615A CN201910832806.XA CN201910832806A CN110598615A CN 110598615 A CN110598615 A CN 110598615A CN 201910832806 A CN201910832806 A CN 201910832806A CN 110598615 A CN110598615 A CN 110598615A
- Authority
- CN
- China
- Prior art keywords
- component
- noise
- signal
- decomposition
- frequency domain
- 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
-
- 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
- G06F2218/04—Denoising
-
- 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
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明实施例提供一种用于桥梁结构监测的数据降噪方法及系统。该方法包括获取原始观测信号;将原始观测信号进行极点对称模态分解,得到分解固有模态分量和残差分量;采用盲源分离算法对分解固有模态分量和残差分量进行分离,得到分离信号;对分离信号进行频域转换,得到频域转换结果,根据频域转换结果中的噪声频率得到噪声分量;去除噪声分量,并对分解固有模态分量和残差分量进行逆向重构,得到重构信号分量;计算分解固有模态分量和原始观测信号的斯皮尔曼系数,确定预设阈值;根据预设阈值,将重构信号分量进行累加,得到去除噪声信息的信号数据。本发明实施例通过将模态分解和盲源分离相结合,有效实现对桥梁监测数据进行分解、去噪和重构。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及一种用于桥梁结构监测的数据降噪方法及系统。
背景技术
桥梁结构监测是确保桥梁安全运行的关键环节,而监测数据中必然存在噪声信息,对桥梁监测数据进行降噪是十分必要的。极点对称模态分解(ESMD)是现有实现数据降噪的方法之一,该算法是希尔伯特-黄变换的新发展,与傅里叶变换和小波变换相比,其重大革新之处在于无基方式,用一个简单的分解规则代替了基函数的构造,其筛选过程只遵循一个简单的对称规则,容许误差和筛选次数的选取带有一定的经验性,适用于分析非线性、非平稳信号,已成功地应用于多种土木工程结构监测数据分析中,但在使用中依然存在一些问题:(1)分解后的低频模态中还存在部分高频信息;(2)分解后的高频模态中还存在部分低频信息。
盲源分离(BSS)技术可以在没有任何先验信息、不同信号的混合模型未知的前提下,对不同传感器所采集的同一时域的多个源信号进行分离。二阶盲辨识(SOBI)算法是一种相对鲁棒的盲源分离方法,它使用样本数据的二阶统计量(具有不同时间延迟的相关矩阵)和源信号的时序结构特征来实现不同源信号的盲分离。该方法利用白化处理、联合对角化技术实现不同源信号的分离。白化处理用以去除不同分量间的二阶相关性,联合对角化技术用以计算正交矩阵,并依据正交矩阵计算源信号的估计值和混合矩阵的估计值。该方法目前已广泛应用于机械故障诊断、信号处理、模式识别等领域,但在实际应用中存在一些问题:首先,由于缺少先验信息,在无任何前提假设和更多信息的情况下,盲源分离问题就会出现存在多解问题;其次,即使对数据进行了相关基本假设和约束条件,盲源分离问题仍然会存在两个不确定性,即恢复的源信号的幅度不确定性和源信号各分量次序的不确定性。
因此,为了解决上述问题,需要提出一种用于桥梁健康监测数据的去噪处理的方法。
发明内容
本发明实施例提供一种用于桥梁结构监测的数据降噪方法及系统,用以解决现有技术中数据分解信号混杂,重构信号无法较好的复原等缺陷。
第一方面,本发明实施例提供一种用于桥梁结构监测的数据降噪方法,包括:
获取桥梁结构监测的原始观测信号;
将所述原始观测信号进行极点对称模态分解,得到分解固有模态分量和残差分量;
采用盲源分离算法对所述分解固有模态分量和所述残差分量进行分离,得到分离信号;
对所述分离信号进行频域转换,结合噪声频率得到噪声分量;
去除所述噪声分量,并对所述分解固有模态分量和所述残差分量进行逆向重构,得到恢复幅值的固有模态分量和残差分量;
计算所述分解固有模态分量和所述原始观测信号的斯皮尔曼系数,确定预设阈值;
根据所述预设阈值,将所述恢复幅值的固有模态分量和残差分量进行累加,得到去除噪声信息的信号数据。
其中,所述将所述原始观测信号进行极点对称模态分解,得到分解固有模态分量和残差分量,具体包括:
101,获取所述原始观测信号的所有极值点,将所述所有极值点记为Ei,i=1,2,3,…,m;
102,用线段将相邻极值点进行连接,并将所有连接线段的中点记为Fj,j=1,2,3,…,n;
103,补充所述连接线段的左右边界点,并分别记为F0和Fn,和Fj共计得到n+1个插值点;
104,利用得到的所述n+1个插值点构造p条插值线L1,L2,L3,…,Lp,其中,p≥1,计算所述p条插值线的均值曲线L*=(L1+L2+…+LP)/p;
105,对所述均值曲线L*重复执行步骤101至104,直到|L*|≤ε,或直到筛选次数达到所述预设阈值K,分解得出经验模值;其中,ε是预设容许误差;
106,重复执行步骤101至105,得到若干经验模值,直到所述残差分量达到预设数量的极点;
107,将整数区间[KMIN,KMAX]中的整数值依次作为所述预设阈值K,执行步骤101至106,得到若干个分解结果,基于所述若干个分解结果计算若干个方差比率,绘制所述若干个方差比率随所述预设阈值K变化的变化图;
108,根据所述变化图,在所述整数区间[KMIN,KMAX]内筛选出对应最小方差比率的最大筛选次数K0,根据所述K0对应的所述分解结果,得到所述分解固有模态分量和所述残差分量。
其中,所述采用盲源分离算法对所述分解固有模态分量和所述残差分量进行分离,得到分离信号,具体包括:
假设所述分解固有模态分量、所述残差分量为X(t),估计样本协方差R(0),用λ1,λ2,…,λn表示n个最大特征值,用h1,h2,…,hn表示所述n个最大特征值相对应的特征向量;
获取白噪声,所述白噪声的方差估计值σ2是R(0)的n个最小特征值的平均值,白化信号为Z(t)=[z1(t)z2(t)…zn(t)]T,其中 得到白化矩阵W:
对所述X(t)进行白化处理,设置所述Z(t)的协方差矩阵为单位阵,引入所述白化矩阵W,得到:
Z(t)=W*X(t)=W*A*S(t)=V*S(t)
其中A为混合矩阵,S(t)为所述X(t)的估计值,V为正交矩阵;
对于固定的时延τ∈{τj|j=1,2,..k},通过所述Z(t)计算白化数据的样本协方差矩阵R(τ):
R(τ)=E[Z(t)ZT(t+τ)]=ARZ(τ)AT;
对于所有的R(τj),采用联合近似对角化算法得出正交矩阵V,E为样本协方差矩阵计算函数;
计算所述分离信号S(t)=VTWX(t),其中,混合矩阵A=W-1V,W-1为白化矩阵W的伪逆矩阵。
其中,所述对所述分离信号进行频域转换,得到频域转换结果,根据所述频域转换结果中的噪声频率得到噪声分量,具体包括:
利用快速傅里叶变换将所述分离信号进行频域转换:
其中,k是频域索引,X(k)是第k个DFT系数,N为频域内频率抽样点个数;
根据所述快速傅里叶变换将所述分离信号进行频域转换得到的频域转换结果,获取所述频域转换结果中的噪声频率,得到所述噪声频率对应的所述噪声分量。
其中,所述去除所述噪声分量,并对所述分解固有模态分量和所述残差分量进行逆向重构,得到恢复幅值的固有模态分量和残差分量,具体包括:
对所述S(t)中的所述噪声分量进行置零处理;
采用所述混合矩阵A对所述分解固有模态分量和所述残差分量进行逆向重构,得到所述恢复幅值的固有模态分量和残差分量:
SN(t)=A*SZ(t)
其中,SN(t)为重构后信号分量,SZ(t)为将S(t)中无关的干扰分量置零处理后的源信号矩阵。
其中,所述计算所述分解固有模态分量和所述原始观测信号的斯皮尔曼系数,确定预设阈值,具体包括:
其中,S(k)为斯皮尔曼系数计算函数,ρ为斯皮尔曼系数相关性表示,N为数据长度,x(t)为所述原始观测信号,IMFK(t)为第k个分解的模态,t为时间变量;
计算每个所述分解固有模态分量与所述原始观测信号的斯皮尔曼系数,找出S(k)的第一个拐点值,并将所述第一个拐点值对应的K值设为所述预设阈值。
第二方面,本发明实施例提供一种用于桥梁结构监测的数据降噪系统,包括:
获取模块,用于获取桥梁结构监测的原始观测信号;
分解模块,用于将所述原始观测信号进行极点对称模态分解,得到分解固有模态分量和残差分量;
分离模块,用于采用盲源分离算法对所述分解固有模态分量和所述残差分量进行分离,得到分离信号;
转换模块,用于对所述分离信号进行频域转换,结合噪声频率得到噪声分量;
重构模块,用于去除所述噪声分量,并对所述分解固有模态分量和所述残差分量进行逆向重构,得到恢复幅值的固有模态分量和残差分量;
计算模块,用于计算所述分解固有模态分量和所述原始观测信号的斯皮尔曼系数,确定预设阈值;
累加模块,用于根据所述预设阈值,将所述恢复幅值的固有模态分量和残差分量进行累加,得到去除噪声信息的信号数据。
第三方面,本发明实施例提供一种电子设备,包括:
存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现任一项所述一种用于桥梁结构监测的数据降噪方法的步骤。
第四方面,本发明实施例提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现任一项所述一种用于桥梁结构监测的数据降噪方法的步骤。
本发明实施例提供的一种数据降噪的方法及系统,通过将模态分解和盲源分离相结合,有效地实现对桥梁监测数据进行分解、去噪和重构。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种用于桥梁结构监测的数据降噪方法流程图;
图2为本发明实施例提供的一种用于桥梁结构监测的数据降噪系统结构图;
图3为本发明实施例提供的电子设备的结构框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
为了解决现有技术中存在的问题,本发明实施例首先利用模态分解方法对原始监测数据进行分解,得到数个模态及最佳自适应全局均线,再利用盲源分离方法对相对应的模态进行处理,用以实现混合信息的分离,最后,利用混合矩阵逆向重构,有效解决盲源分离的振幅不确定问题,得到去除噪声信息的信号数据。
图1为本发明实施例提供的一种用于桥梁结构监测的数据降噪方法流程图,如图1所示,包括:
S1,获取桥梁结构监测的原始观测信号;
S2,将所述原始观测信号进行极点对称模态分解,得到分解固有模态分量和残差分量;
S3,采用盲源分离算法对所述分解固有模态分量和所述残差分量进行分离,得到分离信号;
S4,对所述分离信号进行频域转换,得到频域转换结果,根据所述频域转换结果中的噪声频率得到噪声分量;
S5,去除所述噪声分量,并对所述分解固有模态分量和所述残差分量进行逆向重构,得到重构信号分量;
S6,计算所述分解固有模态分量和所述原始观测信号的斯皮尔曼系数,确定预设阈值;
S7,根据所述预设阈值,将所述重构信号分量进行累加,得到去除噪声信息的信号数据。
具体地,首先获取待监测的原始观测信号,采用极点对称模态分解算法将获取的原始观测信号进行分解,得到一系列的分解固有模态分量和残差分量,然后采用盲源分离算法将得到的分解固有模态分量和残差分量进行分离处理,得到分离的信号,接下来对分离信号进行频域转换,即将分离信号转换至频域,得到频域转换结果,再找出其中的噪声频率,并找出对应的噪声分量,将找出的噪声分量去除掉,再对分解固有模态分量和残差分量进行逆向重构,得到重构信号分量,进一步计算分解固有模态分量和原始观测信号的斯皮尔曼系数,以确定预设的阈值,再根据预设的阈值,将前述得到的重构信号分量进行累计相加,最终得到去除噪声信息的观测信号数据。
本发明实施例通过将模态分解和盲源分离相结合,有效地实现对桥梁监测数据进行分解、去噪和重构。
在上述实施例的基础上,所述步骤S2,具体包括:
101,获取所述原始观测信号的所有极值点,将所述所有极值点记为Ei,i=1,2,3,…,m;
102,用线段将相邻极值点进行连接,并将所有连接线段的中点记为Fj,j=1,2,3,…,n;
103,补充所述连接线段的左右边界点,并分别记为F0和Fn,和Fj共计得到n+1个插值点;
104,利用得到的所述n+1个插值点构造p条插值线L1,L2,L3,…,Lp,其中,p≥1,计算所述p条插值线的均值曲线L*=(L1+L2+…+LP)/p;
105,对所述均值曲线L*重复执行步骤101至104,直到|L*|≤ε,或直到筛选次数达到所述预设阈值K,分解得出经验模值;其中,ε是预设容许误差;
106,重复执行步骤101至105,得到若干经验模值,直到所述残差分量达到预设数量的极点;
107,在整数区间[KMIN,KMAX]内使所述预设阈值K依次进行变换,重复执行步骤101至106,依次得到若干个分解结果,基于所述若干个分解结果计算若干个方差比率,绘制所述若干个方差比率随所述K值的变化图;
108,根据所述变化图,在所述整数区间[KMIN,KMAX]内筛选出对应最小方差比率的最大筛选次数K0,所述K0值对应的所述分解结果,得到所述分解固有模态分量和所述残差分量。
在上述实施例的基础上,所述步骤S3,具体包括:
假设所述分解固有模态分量、所述残差分量为X(t),估计样本协方差R(0),用λ1,λ2,…,λn表示n个最大特征值,用h1,h2,…,hn表示所述n个最大特征值相对应的特征向量;
这里的n和上述实施例中的n定义相同;
获取白噪声,所述白噪声的方差估计值σ2是R(0)的n个最小特征值的平均值,白化信号为Z(t)=[z1(t)z2(t)…zn(t)]T,其中 得到白化矩阵W:
对所述X(t)进行白化处理,设置所述Z(t)的协方差矩阵为单位阵,引入所述白化矩阵W,得到:
Z(t)=W*X(t)=W*A*S(t)=V*S(t)
其中A为混合矩阵,S(t)为所述X(t)的估计值,V为正交矩阵;
对于固定的时延τ∈{τj|j=1,2,..k},通过所述Z(t)计算白化数据的样本协方差矩阵R(τ):
R(τ)=E[Z(t)ZT(t+τ)]=ARZ(τ)AT;
对于所有的R(τj),采用联合近似对角化算法得出正交矩阵V,E为样本协方差矩阵计算函数;
计算所述分离信号S(t)=VTWX(t),其中,混合矩阵A=W-1V,W-1为白化矩阵W的伪逆矩阵。
在上述实施例的基础上,所述步骤S4,具体包括:
利用快速傅里叶变换将所述分离信号进行频域转换:
其中,k是频域索引,X(k)是第k个DFT系数,N为频域内频率抽样点个数;
根据所述快速傅里叶变换将所述分离信号进行频域转换得到的频域转换结果,获取所述频域转换结果中的噪声频率,得到所述噪声频率对应的所述噪声分量。
在上述实施例的基础上,所述步骤S5,具体包括:
对所述S(t)中的所述噪声分量进行置零处理;
采用所述混合矩阵A对所述分解固有模态分量、所述残差分量进行逆向重构,得到所述恢复幅值的固有模态分量和残差分量:
SN(t)=A*SZ(t)
其中,SN(t)为重构后信号分量,SZ(t)为将S(t)中无关的干扰分量置零处理后的源信号矩阵。
在上述实施例的基础上,所述步骤S6,具体包括:
其中,S(k)为斯皮尔曼系数计算函数,ρ为斯皮尔曼系数相关性表示,N为数据长度,x(t)为所述原始观测信号,IMFK(t)为第k个分解的模态,t为时间变量;
计算每个所述分解固有模态分量与所述原始观测信号的斯皮尔曼系数,找出S(k)的第一个拐点值,并将所述第一个拐点值对应的K值设为所述预设阈值。
本发明实施例通过将模态分解和盲源分离相结合,有效地实现对桥梁监测数据进行分解、去噪和重构。
图2为本发明实施例提供的一种用于桥梁结构监测的数据降噪系统结构图,如图2所示,包括:获取模块21、分解模块22、分离模块23、转换模块24、重构模块25、计算模块26和累加模块27;其中:
获取模块21用于获取桥梁结构监测的原始观测信号;分解模块22用于将所述原始观测信号进行极点对称模态分解,得到分解固有模态分量和残差分量;分离模块23用于采用盲源分离算法对所述分解固有模态分量和所述残差分量进行分离,得到分离信号;转换模块24用于对所述分离信号进行频域转换,得到频域转换结果,根据所述频域转换结果中的噪声频率得到噪声分量;重构模块25用于去除所述噪声分量,并对所述分解固有模态分量和所述残差分量进行逆向重构,得到重构信号分量;计算模块26用于计算所述分解固有模态分量和所述原始观测信号的斯皮尔曼系数,确定预设阈值;累加模块27用于根据所述预设阈值,将所述重构信号分量进行累加,得到去除噪声信息的信号数据。
本发明实施例提供的系统用于执行上述对应的方法,其具体的实施方式与方法的实施方式一致,涉及的算法流程与对应的方法算法流程相同,此处不再赘述。
本发明实施例通过将模态分解和盲源分离相结合,有效地实现对桥梁监测数据进行分解、去噪和重构。
在上述实施例的基础上,所述分解模块22包括:获取子模块221、连接子模块222、插值点处理子模块223、构造子模块224、处理子模块225、重复执行子模块226、变换子模块227和筛选子模块228;其中:
获取子模块221用于获取所述原始观测信号的所有极值点,将所述所有极值点记为Ei,i=1,2,3,…,m;
连接子模块222用于用线段将相邻极值点进行连接,并将所有连接线段的中点记为Fj,j=1,2,3,…,n;
插值点处理子模块223用于补充所述连接线段的左右边界点,并分别记为F0和Fn,和Fj共计得到n+1个插值点;
构造子模块224于利用得到的所述n+1个插值点构造p条插值线L1,L2,L3,…,Lp,其中,p≥1,计算所述p条插值线的均值曲线L*=(L1+L2+…+LP)/p;
处理子模块225用于对所述均值曲线L*重复执行步骤101至104,直到|L*|≤ε,或直到筛选次数达到所述预设阈值K,分解得出经验模值;其中,ε是预设容许误差;
重复执行子模块226用于重复执行步骤101至105,得到若干经验模值,直到所述残差分量达到预设数量的极点;
变换子模块227用于在整数区间[KMIN,KMAX]内使所述预设阈值K依次进行变换,重复执行步骤101至106,依次得到若干个分解结果,基于所述若干个分解结果计算若干个方差比率,绘制所述若干个方差比率随所述K值的变化图;
筛选子模块228用于根据所述变化图,在所述整数区间[KMIN,KMAX]内筛选出对应最小方差比率的最大筛选次数K0,根据所述K0值对应的所述分解结果得到所述分解固有模态分量和所述残差分量。
在上述实施例的基础上,所述分离模块23具体用于:
假设所述分解固有模态分量、所述残差分量X(t),估计样本协方差R(0),用λ1,λ2,…,λn表示n个最大特征值,用h1,h2,…,hn表示所述n个最大特征值相对应的特征向量;
获取白噪声,所述白噪声的方差估计值σ2是R(0)的n个最小特征值的平均值,白化信号为Z(t)=[z1(t)z2(t)…zn(t)]T,其中 得到白化矩阵W:
对所述X(t)进行白化处理,设置所述Z(t)的协方差矩阵为单位阵,引入所述白化矩阵W,得到:
Z(t)=W*X(t)=W*A*S(t)=V*S(t)
其中A为混合矩阵,S(t)为所述X(t)的估计值,V为正交矩阵;
对于固定的时延τ∈{τj|j=1,2,..k},通过所述Z(t)计算白化数据的样本协方差矩阵R(τ):
R(τ)=E[Z(t)ZT(t+τ)]=ARZ(τ)AT;
对于所有的R(τj),采用联合近似对角化算法得出正交矩阵V,E为样本协方差矩阵计算函数;
计算所述分离信号S(t)=VTWX(t),其中,混合矩阵A=W-1V,W-1为白化矩阵W的伪逆矩阵。
在上述实施例的基础上,所述转换模块24具体用于:
利用快速傅里叶变换将所述分离信号进行频域转换:
其中,k是频域索引,X(k)是第k个DFT系数,N为频域内频率抽样点个数;
根据所述快速傅里叶变换将所述分离信号进行频域转换得到的频域转换结果,获取所述频域转换结果中的噪声频率,得到所述噪声频率对应的所述噪声分量。
在上述实施例的基础上,所述重构模块25具体用于:
对所述S(t)中的所述噪声分量进行置零处理;
采用所述混合矩阵A对所述分解固有模态分量、所述残差分量进行逆向重构,得到所述恢复幅值的固有模态分量和残差分量:
SN(t)=A*SZ(t)
其中,SN(t)为重构后信号分量,SZ(t)为将S(t)中无关的干扰分量置零处理后的源信号矩阵。
在上述实施例的基础上,所述计算模块26具体用于:
其中,S(k)为斯皮尔曼系数计算函数,ρ为斯皮尔曼系数相关性表示,N为数据长度,x(t)为所述原始观测信号,IMFK(t)为第k个分解的模态,t为时间变量;
计算每个所述分解固有模态分量与所述原始观测信号的斯皮尔曼系数,找出S(k)的第一个拐点值,并将所述第一个拐点值对应的K值设为所述预设阈值。
本发明实施例通过将模态分解和盲源分离相结合,有效地实现对桥梁监测数据进行分解、去噪和重构。
图3示例了一种电子设备的实体结构示意图,如图3所示,该电子设备可以包括:处理器(processor)310、通信接口(Communications Interface)320、存储器(memory)330和通信总线340,其中,处理器310,通信接口320,存储器330通过通信总线340完成相互间的通信。处理器310可以调用存储器330中的逻辑指令,以执行如下方法:获取桥梁结构监测的原始观测信号;将所述原始观测信号进行极点对称模态分解,得到分解固有模态分量和残差分量;采用盲源分离算法对所述分解固有模态分量和所述残差分量进行分离,得到分离信号;对所述分离信号进行频域转换,得到频域转换结果,根据所述频域转换结果中的噪声频率得到噪声分量;去除所述噪声分量,并对所述分解固有模态分量和所述残差分量进行逆向重构,得到重构信号分量;计算所述分解固有模态分量和所述原始观测信号的斯皮尔曼系数,确定预设阈值;根据所述预设阈值,将所述重构信号分量进行累加,得到去除噪声信息的信号数据。
此外,上述的存储器330中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明实施例还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各实施例提供的传输方法,例如包括:获取桥梁结构监测的原始观测信号;将所述原始观测信号进行极点对称模态分解,得到分解固有模态分量和残差分量;采用盲源分离算法对所述分解固有模态分量和所述残差分量进行分离,得到分离信号;对所述分离信号进行频域转换,得到频域转换结果,根据所述频域转换结果中的噪声频率得到噪声分量;去除所述噪声分量,并对所述分解固有模态分量和所述残差分量进行逆向重构,得到重构信号分量;计算所述分解固有模态分量和所述原始观测信号的斯皮尔曼系数,确定预设阈值;根据所述预设阈值,将所述重构信号分量进行累加,得到去除噪声信息的信号数据。
以上所描述的装置实施例仅仅是示意性的,其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上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。
Claims (10)
1.一种用于桥梁结构监测的数据降噪方法,其特征在于,包括:
获取桥梁结构监测的原始观测信号;
将所述原始观测信号进行极点对称模态分解,得到分解固有模态分量和残差分量;
采用盲源分离算法对所述分解固有模态分量和所述残差分量进行分离,得到分离信号;
对所述分离信号进行频域转换,得到频域转换结果,根据所述频域转换结果中的噪声频率得到噪声分量;
去除所述噪声分量,并对所述分解固有模态分量和所述残差分量进行逆向重构,得到重构信号分量;
计算所述分解固有模态分量和所述原始观测信号的斯皮尔曼系数,确定预设阈值;
根据所述预设阈值,将所述重构信号分量进行累加,得到去除噪声信息的信号数据。
2.根据权利要求1所述的一种用于桥梁结构监测的数据降噪方法,其特征在于,所述将所述原始观测信号进行极点对称模态分解,得到分解固有模态分量和残差分量,具体包括:
101,获取所述原始观测信号的所有极值点,将所述所有极值点记为Ei,i=1,2,3,…,m;
102,用线段将相邻极值点进行连接,并将所有连接线段的中点记为Fj,j=1,2,3,…,n;
103,补充所述连接线段的左右边界点,并分别记为F0和Fn,和Fj共计得到n+1个插值点;
104,利用得到的所述n+1个插值点构造p条插值线L1,L2,L3,…,Lp,其中,p≥1,计算所述p条插值线的均值曲线L*=(L1+L2+…+LP)/p;
105,对所述均值曲线L*重复执行步骤101至104,直到|L*|≤ε,或直到筛选次数达到所述预设阈值K,分解得出经验模值;其中,ε是预设容许误差;
106,重复执行步骤101至105,得到若干经验模值,直到所述残差分量达到预设数量的极点;
107,将整数区间[KMIN,KMAX]中的整数值依次作为所述预设阈值K,执行步骤101至106,得到若干个分解结果,基于所述若干个分解结果计算若干个方差比率,绘制所述若干个方差比率随所述预设阈值K变化的变化图;
108,根据所述变化图,在所述整数区间[KMIN,KMAX]内筛选出对应最小方差比率的最大筛选次数K0,根据所述K0对应的所述分解结果,得到所述分解固有模态分量和所述残差分量。
3.根据权利要求1所述的一种用于桥梁结构监测的数据降噪方法,其特征在于,所述采用盲源分离算法对所述分解固有模态分量和所述残差分量进行分离,得到分离信号,具体包括:
假设所述分解固有模态分量、所述残差分量为X(t),估计样本协方差R(0),用λ1,λ2,…,λn表示n个最大特征值,用h1,h2,…,hn表示所述n个最大特征值相对应的特征向量;
获取白噪声,所述白噪声的方差估计值σ2是R(0)的n个最小特征值的平均值,白化信号为Z(t)=[z1(t)z2(t)…zn(t)]T,其中 得到白化矩阵W:
对所述X(t)进行白化处理,设置所述Z(t)的协方差矩阵为单位阵,引入所述白化矩阵W,得到:
Z(t)=W*X(t)=W*A*S(t)=V*S(t)
其中A为混合矩阵,S(t)为所述X(t)的估计值,V为正交矩阵;
对于固定的时延τ∈{τj|j=1,2,..k},通过所述Z(t)计算白化数据的样本协方差矩阵R(τ):
R(τ)=E[Z(t)ZT(t+τ)]=ARZ(τ)AT;
对于所有的R(τj),采用联合近似对角化算法得出正交矩阵V,E为样本协方差矩阵计算函数;
计算所述分离信号S(t)=VTWX(t),其中,混合矩阵A=W-1V,W-1为白化矩阵W的伪逆矩阵。
4.根据权利要求1所述的一种用于桥梁结构监测的数据降噪方法,其特征在于,所述对所述分离信号进行频域转换,得到频域转换结果,根据所述频域转换结果中的噪声频率得到噪声分量,具体包括:
利用快速傅里叶变换将所述分离信号进行频域转换:
其中,k是频域索引,X(k)是第k个DFT系数,N为频域内频率抽样点个数;
根据所述快速傅里叶变换将所述分离信号进行频域转换得到的频域转换结果,获取所述频域转换结果中的噪声频率,得到所述噪声频率对应的所述噪声分量。
5.根据权利要求3所述的一种用于桥梁结构监测的数据降噪方法,其特征在于,所述去除所述噪声分量,并对所述分解固有模态分量和所述残差分量进行逆向重构,得到恢复幅值的固有模态分量和所述残差分量,具体包括:
对所述S(t)中的所述噪声分量进行置零处理;
采用所述混合矩阵A对所述分解固有模态分量和所述残差分量进行逆向重构,得到所述恢复幅值的固有模态分量和残差分量:
SN(t)=A*SZ(t)
其中,SN(t)为重构后信号分量,SZ(t)为将S(t)中无关的干扰分量置零处理后的源信号矩阵。
6.根据权利要求5所述的一种用于桥梁结构监测的数据降噪方法,其特征在于,所述计算所述分解固有模态分量和所述原始观测信号的斯皮尔曼系数,确定预设阈值,具体包括:
其中,S(k)为斯皮尔曼系数计算函数,ρ为斯皮尔曼系数相关性表示,N为数据长度,x(t)为所述原始观测信号,IMFK(t)为第k个分解的模态,t为时间变量;
计算每个所述分解固有模态分量与所述原始观测信号的斯皮尔曼系数,找出S(k)的第一个拐点值,并将所述第一个拐点值对应的K值设为所述预设阈值。
7.一种用于桥梁结构监测的数据降噪系统,其特征在于,包括:
获取模块,用于获取桥梁结构监测的原始观测信号;
分解模块,用于将所述原始观测信号进行极点对称模态分解,得到分解固有模态分量和残差分量;
分离模块,用于采用盲源分离算法对所述分解固有模态分量和所述残差分量进行分离,得到分离信号;
转换模块,用于对所述分离信号进行频域转换,得到频域转换结果,根据所述频域转换结果中的噪声频率得到噪声分量;
重构模块,用于去除所述噪声分量,并对所述分解固有模态分量和所述残差分量进行逆向重构,得到恢复幅值的固有模态分量和残差分量;
计算模块,用于计算所述分解固有模态分量和所述原始观测信号的斯皮尔曼系数,确定预设阈值;
累加模块,用于根据所述预设阈值,将所述恢复幅值的固有模态分量和残差分量进行累加,得到去除噪声信息的信号数据。
8.根据权利要求7所述的一种用于桥梁结构监测的数据降噪系统,其特征在于,所述分解模块包括:
获取子模块,用于获取所述原始观测信号的所有极值点,将所述所有极值点记为Ei,i=1,2,3,…,m;
连接子模块,用于用线段将相邻极值点进行连接,并将所有连接线段的中点记为Fj,j=1,2,3,…,n;
插值点处理子模块,用于补充所述连接线段的左右边界点,并分别记为F0和Fn,和Fj共计得到n+1个插值点;
构造子模块,用于利用得到的所述n+1个插值点构造p条插值线L1,L2,L3,…,Lp,其中,p≥1,计算所述p条插值线的均值曲线L*=(L1+L2+…+LP)/p;
处理子模块,用于对所述均值曲线L*重复执行步骤101至104,直到|L*|≤ε,或直到筛选次数达到所述预设阈值K,分解得出经验模值;其中,ε是预设容许误差;
重复执行子模块,用于重复执行步骤101至105,得到若干经验模值,直到所述残差分量达到预设数量的极点;
变换子模块,用于在整数区间[KMIN,KMAX]内使所述预设阈值K依次进行变换,重复执行步骤101至106,依次得到若干个分解结果,基于所述若干个分解结果计算若干个方差比率,绘制所述若干个方差比率随所述K值的变化图;
筛选子模块,用于根据所述变化图,在所述整数区间[KMIN,KMAX]内筛选出对应最小方差比率的最大筛选次数K0,根据所述K0值对应的所述分解结果得到所述分解固有模态分量和所述残差分量。
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至6任一项所述一种用于桥梁结构监测的数据降噪方法的步骤。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至6任一项所述一种用于桥梁结构监测的数据降噪方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910832806.XA CN110598615B (zh) | 2019-09-04 | 2019-09-04 | 一种用于桥梁结构监测的数据降噪方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910832806.XA CN110598615B (zh) | 2019-09-04 | 2019-09-04 | 一种用于桥梁结构监测的数据降噪方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110598615A true CN110598615A (zh) | 2019-12-20 |
CN110598615B CN110598615B (zh) | 2022-08-23 |
Family
ID=68857478
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910832806.XA Active CN110598615B (zh) | 2019-09-04 | 2019-09-04 | 一种用于桥梁结构监测的数据降噪方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110598615B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111649718A (zh) * | 2020-06-16 | 2020-09-11 | 中国铁道科学研究院集团有限公司铁道建筑研究所 | 一种基于北斗卫星系统的桥梁基础沉降监测算法 |
CN112101089A (zh) * | 2020-07-27 | 2020-12-18 | 北京建筑大学 | 信号降噪方法、装置、电子设备及存储介质 |
CN112906578A (zh) * | 2021-02-23 | 2021-06-04 | 北京建筑大学 | 一种桥梁时间序列位移信号去噪的方法 |
CN113189624A (zh) * | 2021-04-30 | 2021-07-30 | 中山大学 | 一种自适应分类的多径误差提取方法及装置 |
CN113836756A (zh) * | 2021-11-29 | 2021-12-24 | 山东华尚电气有限公司 | 一种立体卷铁心变压器的退火工艺智能监测方法及系统 |
CN114487104A (zh) * | 2022-01-13 | 2022-05-13 | 大连锅炉压力容器检验检测研究院有限公司 | 基于优化变分模态相关系数对起重设备损伤的实时监测方法 |
CN117473232A (zh) * | 2023-12-22 | 2024-01-30 | 北京建筑大学 | 一种桥梁监测数据降噪重构方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104992063A (zh) * | 2015-07-06 | 2015-10-21 | 北京信息科技大学 | 一种机械设备振动信号的降噪方法 |
CN105125204A (zh) * | 2015-07-31 | 2015-12-09 | 华中科技大学 | 一种基于esmd方法的心电信号降噪方法 |
CN108763678A (zh) * | 2018-05-16 | 2018-11-06 | 江苏大学镇江流体工程装备技术研究院 | 一种具备自适应性的振动信号有效分量提取方法 |
CN108801568A (zh) * | 2018-04-27 | 2018-11-13 | 北京建筑大学 | 一种桥梁动挠度降噪方法及系统 |
-
2019
- 2019-09-04 CN CN201910832806.XA patent/CN110598615B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104992063A (zh) * | 2015-07-06 | 2015-10-21 | 北京信息科技大学 | 一种机械设备振动信号的降噪方法 |
CN105125204A (zh) * | 2015-07-31 | 2015-12-09 | 华中科技大学 | 一种基于esmd方法的心电信号降噪方法 |
CN108801568A (zh) * | 2018-04-27 | 2018-11-13 | 北京建筑大学 | 一种桥梁动挠度降噪方法及系统 |
CN108763678A (zh) * | 2018-05-16 | 2018-11-06 | 江苏大学镇江流体工程装备技术研究院 | 一种具备自适应性的振动信号有效分量提取方法 |
Non-Patent Citations (3)
Title |
---|
JINGWEI LI 等: ""A UV-visible absorption spectrum denoising method based on EEMD and an improved universal threshold filter"", 《RSC ADVANCES》 * |
XIANGLEI LIU 等: ""An Improved Second-Order Blind Identification(SOBI) Signal De-Noising Method for Dynamic Deflection Measurements of Bridges Using Ground-Based Synthetic Aperture Radar (GBSAR)"", 《MDPI》 * |
叶卫东 等: ""融合极点对称模态分解与时频分析的单通道振动信号盲分离方法"", 《计算机应用》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111649718A (zh) * | 2020-06-16 | 2020-09-11 | 中国铁道科学研究院集团有限公司铁道建筑研究所 | 一种基于北斗卫星系统的桥梁基础沉降监测算法 |
CN112101089A (zh) * | 2020-07-27 | 2020-12-18 | 北京建筑大学 | 信号降噪方法、装置、电子设备及存储介质 |
CN112101089B (zh) * | 2020-07-27 | 2023-10-10 | 北京建筑大学 | 信号降噪方法、装置、电子设备及存储介质 |
CN112906578A (zh) * | 2021-02-23 | 2021-06-04 | 北京建筑大学 | 一种桥梁时间序列位移信号去噪的方法 |
CN112906578B (zh) * | 2021-02-23 | 2023-09-05 | 北京建筑大学 | 一种桥梁时间序列位移信号去噪的方法 |
CN113189624A (zh) * | 2021-04-30 | 2021-07-30 | 中山大学 | 一种自适应分类的多径误差提取方法及装置 |
CN113189624B (zh) * | 2021-04-30 | 2023-10-03 | 中山大学 | 一种自适应分类的多径误差提取方法及装置 |
CN113836756A (zh) * | 2021-11-29 | 2021-12-24 | 山东华尚电气有限公司 | 一种立体卷铁心变压器的退火工艺智能监测方法及系统 |
CN113836756B (zh) * | 2021-11-29 | 2022-03-18 | 山东华尚电气有限公司 | 一种立体卷铁心变压器的退火工艺智能监测方法及系统 |
CN114487104A (zh) * | 2022-01-13 | 2022-05-13 | 大连锅炉压力容器检验检测研究院有限公司 | 基于优化变分模态相关系数对起重设备损伤的实时监测方法 |
CN114487104B (zh) * | 2022-01-13 | 2024-02-02 | 大连锅炉压力容器检验检测研究院有限公司 | 基于优化变分模态相关系数对起重设备损伤的实时监测方法 |
CN117473232A (zh) * | 2023-12-22 | 2024-01-30 | 北京建筑大学 | 一种桥梁监测数据降噪重构方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110598615B (zh) | 2022-08-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110598615B (zh) | 一种用于桥梁结构监测的数据降噪方法及系统 | |
Ali | MRI medical image denoising by fundamental filters | |
Gao et al. | Denoising nonlinear time series by adaptive filtering and wavelet shrinkage: a comparison | |
CN105913393B (zh) | 一种自适应小波阈值图像去噪方法及装置 | |
US7260272B2 (en) | Method and apparatus for noise reduction using discrete wavelet transform | |
Pizurica | Image denoising using wavelets and spatial context modeling | |
Luisier et al. | A CURE for noisy magnetic resonance images: Chi-square unbiased risk estimation | |
Cancino‐De‐Greiff et al. | Signal de‐noising in magnetic resonance spectroscopy using wavelet transforms | |
CN103784164B (zh) | 超声信号的预处理方法及系统 | |
CN112101089B (zh) | 信号降噪方法、装置、电子设备及存储介质 | |
Satapathy et al. | Bio-medical image denoising using wavelet transform | |
CN117111000A (zh) | 一种基于双通道注意力残差网络的sar梳状谱干扰抑制方法 | |
Rajeesh et al. | Rician noise removal on MRI using wave atom transform with histogram based noise variance estimation | |
Achim et al. | Wavelet-based ultrasound image denoising using an alpha-stable prior probability model | |
Dewangan et al. | Comparison of wavelet thresholding for image denoising using different shrinkage | |
Padmagireeshan et al. | Performance analysis of magnetic resonance image denoising using contourlet transform | |
Saraiva et al. | New Bioinspired Filter of DICOM Images. | |
Attlas et al. | Wavelet based techniques for speckle noise reduction in ultrasound images | |
Achim et al. | An alpha-stable based Bayesian algorithm for speckle noise removal in the wavelet domain | |
Aouinet et al. | Electrocardiogram denoised signal by discrete wavelet transform and continuous wavelet transform | |
Ga’fer et al. | Slantlet Transform based Video Denoising | |
US6385543B1 (en) | Method of feature extraction using combination of wavelet and fourier transformation | |
Alwan | Color image denoising using stationary wavelet transform and adaptive wiener filter | |
Yadav et al. | Image denoising using orthonormal wavelet transform with stein unbiased risk estimator | |
Zhang et al. | Translation invariant RI-Spline wavelet and its application on de-noising |
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 |