CN110793438B - 基于模糊熵和人工鱼群算法的低速冲击位置辨识方法 - Google Patents
基于模糊熵和人工鱼群算法的低速冲击位置辨识方法 Download PDFInfo
- Publication number
- CN110793438B CN110793438B CN201911021498.9A CN201911021498A CN110793438B CN 110793438 B CN110793438 B CN 110793438B CN 201911021498 A CN201911021498 A CN 201911021498A CN 110793438 B CN110793438 B CN 110793438B
- Authority
- CN
- China
- Prior art keywords
- impact
- sensor
- point
- artificial fish
- fuzzy entropy
- 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
- 241000251468 Actinopterygii Species 0.000 title claims abstract description 58
- 238000000034 method Methods 0.000 title claims abstract description 40
- 230000004044 response Effects 0.000 claims abstract description 54
- 239000000835 fiber Substances 0.000 claims abstract description 47
- 238000012545 processing Methods 0.000 claims abstract description 9
- 230000003116 impacting effect Effects 0.000 claims abstract description 4
- 238000012544 monitoring process Methods 0.000 claims description 62
- 102100022115 F-box only protein 27 Human genes 0.000 claims description 25
- 101000824171 Homo sapiens F-box only protein 27 Proteins 0.000 claims description 25
- 230000000007 visual effect Effects 0.000 claims description 25
- 239000013598 vector Substances 0.000 claims description 21
- 102100022116 F-box only protein 2 Human genes 0.000 claims description 19
- 101000824158 Homo sapiens F-box only protein 2 Proteins 0.000 claims description 19
- 102100038032 F-box only protein 17 Human genes 0.000 claims description 17
- 101000878584 Homo sapiens F-box only protein 17 Proteins 0.000 claims description 17
- 102100026080 F-box only protein 44 Human genes 0.000 claims description 14
- 102100024513 F-box only protein 6 Human genes 0.000 claims description 14
- 101000913298 Homo sapiens F-box only protein 44 Proteins 0.000 claims description 14
- 101001052796 Homo sapiens F-box only protein 6 Proteins 0.000 claims description 14
- 230000006399 behavior Effects 0.000 claims description 7
- 230000019637 foraging behavior Effects 0.000 claims description 7
- PCTMTFRHKVHKIS-BMFZQQSSSA-N (1s,3r,4e,6e,8e,10e,12e,14e,16e,18s,19r,20r,21s,25r,27r,30r,31r,33s,35r,37s,38r)-3-[(2r,3s,4s,5s,6r)-4-amino-3,5-dihydroxy-6-methyloxan-2-yl]oxy-19,25,27,30,31,33,35,37-octahydroxy-18,20,21-trimethyl-23-oxo-22,39-dioxabicyclo[33.3.1]nonatriaconta-4,6,8,10 Chemical compound C1C=C2C[C@@H](OS(O)(=O)=O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H]([C@H](C)CCCC(C)C)[C@@]1(C)CC2.O[C@H]1[C@@H](N)[C@H](O)[C@@H](C)O[C@H]1O[C@H]1/C=C/C=C/C=C/C=C/C=C/C=C/C=C/[C@H](C)[C@@H](O)[C@@H](C)[C@H](C)OC(=O)C[C@H](O)C[C@H](O)CC[C@@H](O)[C@H](O)C[C@H](O)C[C@](O)(C[C@H](O)[C@H]2C(O)=O)O[C@H]2C1 PCTMTFRHKVHKIS-BMFZQQSSSA-N 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 6
- 230000001419 dependent effect Effects 0.000 claims description 5
- 239000013307 optical fiber Substances 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 229910000838 Al alloy Inorganic materials 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000002431 foraging effect Effects 0.000 description 2
- 235000019687 Lamb Nutrition 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01L—MEASURING FORCE, STRESS, TORQUE, WORK, MECHANICAL POWER, MECHANICAL EFFICIENCY, OR FLUID PRESSURE
- G01L5/00—Apparatus for, or methods of, measuring force, work, mechanical power, or torque, specially adapted for specific purposes
- G01L5/0052—Apparatus for, or methods of, measuring force, work, mechanical power, or torque, specially adapted for specific purposes measuring forces due to impact
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本发明公开了基于模糊熵和人工鱼群算法的低速冲击位置辨识方法。步骤为：布局分布式光纤布拉格光栅传感器；对待测冲击点对应的光纤布拉格光栅传感器响应信号进行处理，并计算其模糊熵；对待测点所在区域进行定位，并在该区域边界选取样本冲击点，利用冲击锤以相同能量进行冲击，并计算传感器响应信号的模糊熵；构建区域边界各样本冲击点到该边起始传感器的距离与该边起始传感器与终止传感器响应信号的模糊熵差值之间的关系模型；基于人工鱼群算法，确定待测冲击点的具体位置。本发明无需大量先验知识，可移植性好，适用条件广泛，能较准确地辨识冲击位置。
Description
技术领域
本发明属于属于结构健康监测技术领域，特别涉及了一种冲击位置辨识方法。
背景技术
现代大型结构如航天飞机、太阳能帆板、大型桥梁、高层大楼等在复杂服役环境中将受各类载荷的作用以及各类突发性外在因素如外来物冲击、振动等影响，而这些振动或冲击会导致结构不同程度的损伤。这些损伤的隐蔽性强，损伤、失效方面机理复杂、损伤类型和程度难以判断，但这些损伤如果不及时发现和采取相应的措施，会造成结构损伤积累，使得其结构力学性能退化，威胁结构安全，造成灾难性后果。
目前，冲击载荷定位识别问题的研究如基于冲击在板结构中激励出的Lamb波进行研究，通常采用三角形定位、四边形定位和基于小波变换的时差定位，取得了较好的冲击位置识别结果，但由于Lamb波传播过程存在频散现象，直接降低了定位精度。另外，这类方法由于其数据采集与传输过程易受到电磁干扰的影响，且其压电监测阵列需要大量传输电缆线，大大加剧了系统复杂程度。对于常规低速采样的光纤光栅传感模式，在实际应用中由于解调仪采样频率较低，将会导致表征冲击响应特征的有效信息大量缺失，无法满足时差定位原理，导致定位精度大幅降低。
针对目前基于光纤光栅传感器的冲击监测使用要求，需要研究无需大量先验知识，能够适用于采样频率较低的常规光纤光栅解调仪，且监测原理简洁的新方法。
发明内容
为了解决上述背景技术提到的技术问题，本发明提出了基于模糊熵和人工鱼群算法的低速冲击位置辨识方法。
为了实现上述技术目的，本发明的技术方案为：
基于模糊熵和人工鱼群算法的低速冲击位置辨识方法，包括以下步骤：
(1)布局分布式光纤布拉格光栅传感器；
(2)对待测冲击点对应的光纤布拉格光栅传感器响应信号进行处理，并计算其模糊熵；
(3)对待测点所在区域进行定位，并在该区域边界选取样本冲击点，利用冲击锤以相同能量进行冲击，并计算传感器响应信号的模糊熵；
(4)构建区域边界各样本冲击点到该边起始传感器的距离与该边起始传感器与终止传感器响应信号的模糊熵差值之间的关系模型；
(5)基于人工鱼群算法，确定待测冲击点的具体位置。
进一步地，传感器响应信号的模糊熵计算方法如下：
(a)设光纤布拉格光栅传感器冲击响应信号的时间序列为{u(i),i＝1,2,...,N}，构造一组由m维向量X(1),X(2),...,X(N-m+1)组成的相空间：
X(i)＝{u(i),u(i+1),...,u(i+m-1)}-u0(i),i＝1,2,...,N-m+1
其中，
为这m个采样集的均值，N为时间序列长度；
(b)定义光纤布拉格光栅传感器冲击响应信号的m维相空间中任意向量
与向量
之间的相对欧式距离
(c)定义光纤布拉格光栅传感器冲击响应信号的m维相空间中任意向量
与向量
之间的相似度
上式中，模糊函数
是以e为底的指数函数，并且n和r分别定义为模糊函数的梯度和宽度；
(d)定义函数φm(n,r)：
(e)维数m增加1，重复步骤(a)-(d)，得到φm+1(n,r)；
(f)定义模糊熵FuzzyEn：
FuzzyEn＝lnφm(n,r)-lnφm+1(n,r)。
进一步地，所述相空间维数m＝2，r为原始时间序列标准偏差的0.1-0.25倍。
进一步地，在步骤(1)中，在四边固支的铝合金板结构中心位置划定一个正方形监测区域ABCD，其中点A位于正方形监测区域的左上角，且A、B、C、D为逆时针方向排序的正方形各顶点；选取正方形监测区域的中心O作为坐标原点，建立一个二维直角坐标系，定义X轴平行于AD方向，Y轴平行于AB方向；在正方形监测区域A、C两个顶角位置分别布置平行于对角线BD的光纤布拉格光栅传感器，分别记作FBG1、FBG3，在正方形监测区域B、D两个顶角位置分别布置平行于对角线AC的光纤布拉格光栅传感器，分别记作FBG2、FBG4，同时在正方形监测区域中心位置分别布置垂直于对角线AC、BD方向的光纤布拉格光栅传感器，分别记作FBG5、FBG6；采用光纤跳线将FBG1与FBG2、FBG3与FBG4、FBG5与FBG6分别连接，以此构成分布式传感器网络；按对角线AC、BD将正方形监测区域分为四个子区域，将FBG1、FBG2、FBG5和FBG6构成的监测区域ABO记为区域Ⅰ，将FBG2、FBG3、FBG5和FBG6构成的监测区域BCO记为区域Ⅱ，将FBG3、FBG4、FBG5和FBG6构成的监测区域CDO记为区域Ⅲ，将FBG1、FBG4、FBG5和FBG6构成的监测区域DAO记为区域Ⅳ。
进一步地，在步骤(2)中，选取正方形监测区域ABCD中的任意点作为待测点，采用冲击锤对其施加一定能量大小的低速冲击载荷，记录该冲击下分布式传感网络中6个光纤布拉格光栅传感器的冲击响应信号；采用小波去噪的方法对冲击响应信号进行滤噪处理；分别计算待测冲击点对应的6个光纤布拉格光栅传感器FBG1、FBG2、FBG3、FBG4、FBG5、FBG6的模糊熵FuzzyEn(1)、FuzzyEn(2)、FuzzyEn(3)、FuzzyEn(4)、FuzzyEn(5)、FuzzyEn(6)。
进一步地，步骤(3)的具体过程如下：
(3-1)将步骤(2)得到的正方形监测区域四个顶点处的传感器响应信号模糊熵FuzzyEn(1)、FuzzyEn(2)、FuzzyEn(3)、FuzzyEn(4)依次从小到大排序，由模糊熵值最大的2个传感器所构成的监测区域确定为待测点所在的子监测区域，从而完成待测点的区域定位；
(3-2)分别选取待测点所在三角形子区域三条边上的均匀分布的离散点作为样本冲击点，利用冲击锤采用相同大小的能量对样本点依次进行低速冲击加载，分别记录样本冲击点所在边界两端的光纤布拉格光栅传感器在此冲击下的响应信号，对于中心位置的两个传感器FBG5、FBG6，只记录与其粘贴方向垂直的边界线上样本冲击点的响应信号；并计算样本冲击点所在边两端光纤布拉格光栅传感器响应信号的模糊熵
与
其中上标k、l＝1,2,3,4,5,6为传感器编号，且k≠l；下标i表示第i个样本冲击点。
进一步地，步骤(4)的具体过程如下：
(4-1)为每条边界定义出起始传感器和终止传感器，具体方式如下：
各三角形子监测区域内，三角形各顶点的传感器按逆时针方向依次为FBGa，FBGb，FBGc，FBGd，其中FBGa，FBGb为三角形子区域斜边两端的传感器，FBGc，FBGd为监测区域中心位置的两个传感器，那么，FBGa、FBGb分别为FBGa和FBGb所在边起始传感器和终止传感器，FBGb、FBGc分别为FBGb和FBGc所在边起始传感器和终止传感器，FBGd、FBGa分别为FBGd和FBGa所在边起始传感器和终止传感器；
令样本冲击点与对应起始传感器之间距离作为自变量x，起始传感器和终止传感器响应信号的模糊熵之差Y为因变量，
其中，
为第i个样本冲击点所对应起始传感器的模糊熵，
为第i个样本冲击点所对应终止传感器的模糊熵；
(4-2)对于三角形子监测区域上的任意一边，自变量x与因变量Y之间的函数关系如下：
Y＝a3e-3x+a2e-2x+a1e-x+a0
其中，a0、a1、a2、a3为将任意一边样本点数据代入上述函数关系式，利用最小二乘法拟合得到的参数。
进一步地，步骤(5)的具体过程如下：
(5-1)计算待测冲击点到其所属三角形子监测区域三边上起始传感器的距离，分别为l1、l2、l3；
(5-2)设待测冲击点的坐标为(x，y)，
在ABO子区域内构建代价函数：
在BCO子区域内构建代价函数：
在CDO子区域内构建代价函数：
在DAO子区域内构建代价函数：
其中，L为正方形监测区域边长的二分之一，通过人工鱼群算法求解当代价函数FABO、FBCO、FCDO、FDAO取得最小值时所对应的(x，y)，即为待测冲击点的坐标。
进一步地，通过人工鱼群算法求解待测冲击点坐标的方法如下：
(A)初始化鱼群
鱼群中每条人工鱼初始值为一组实数，该实数在待优化问题的定义域随机产生；在FABO区域，待优化参数x，y的取值范围x∈[-L,0],y∈[x,-x]；在FBCO区域，待优化参数x，y的取值范围x∈[-y,y],y∈[-L,0]；在FCDO区域，待优化参数x，y的取值范围x∈[0,L],y∈[-x,x]；在FDAO区域，待优化参数x，y的取值范围x∈[-y,y],y∈[0,L]；产生2行M列的初始鱼群，每条人工鱼的两个参数由列向量表示，所有人工鱼初值储存在2行M列的矩阵中，M即为待优化向量参数的个数；
(B)觅食行为
设当前人工鱼位置为Xi，其视野范围内按下式感知环境中的某一位置Xj：
Xj＝Xi+Visual*Rand()
其中，Rand()表示生成一个[0,1]内的随机数；Visual表示视野范围值；
设Xi和Xj对应的代价函数为Fi和Fj，若Fi＞Fj，则人工鱼向该方向前进一步到下一个位置Xi|next：
其中，Step表示步长；
如果不满足Fi＞Fj，则重新选择Xj，再次判断是否满足前进条件，尝试Try_number次，如果仍不满足前景条件，则随机移动一步；
(c)聚群行为
设人工鱼当前状态Xi，探索当前视野范围伙伴数目nf以及伙伴中心位置Xc，其中心位置计算方式如下：
其中，di,j表示Xi与Xj的距离；
如果满足
Fc为Xc对应的代价函数值，δ为设定的拥挤度，表示当前视野不拥挤，则按照下式向中心伙伴移动：
否则执行觅食行为；
(d)追尾行为
设人工鱼当前状态为Xi，巡视视野范围内伙伴数目nf以及伙伴中代价函数值Fj最小的伙伴位置Xj，如果满足
则伙伴位置不拥挤且代价函数值小，则按照下式向伙伴Xj方向移动；
否则执行觅食行为；
(e)随机行为
设人工鱼当前状态为Xi，在视野内随意选择一个视点，向该点移动，移动方式如下：
Xi|next＝Xi+Visual*Rand()
通过对Xi的不断迭代与优化，从而获取使代价函数取得最小值时的Xi的参数(xi,yi)，即为待测冲击点的坐标值。
进一步地，在人工鱼群算法中，M＝50，Visual＝2，δ＝0.618，Step＝1.2，Try_number＝50，迭代次数为50。
采用上述技术方案带来的有益效果：
(1)本发明通过板结构上所分布的光纤布拉格光栅传感器冲击响应信号的模糊熵大小比较，来实现冲击点区域判定，在通过鱼群算法，实现冲击点位置的寻优，该方法适合处理非平稳时间序列信号以及复杂环境下的板结构冲击定位问题；
(2)本发明通过对待测冲击点传感器响应信号的模糊熵计算，确定冲击子区域；在此基础上，选取样本冲击点，构建样本点两端传感器模糊熵之差与样本点到起始传感器距离的关系模型；最后，通过鱼群算法，实现冲击位置的辨识，该方法简单实用；
(3)本发明构建了起始传感器与终止传感器模糊熵之差与冲击点到起始传感器距离的关系模型，由于冲击信号在板结构中的传播随着距离的增加是呈现指数衰减的，因此在构建模糊熵之差与距离的关系模型时，选取函数拟合起始传感器与终止传感器模糊熵之差与冲击点到起始传感器距离之间的关系，尽可能减小拟合误差，提高冲击定位的准确性；
(4)本发明对纤光栅解调仪采样频率无过高要求，采用低频光纤光栅解调仪即可满足定位需求，大大降低了试验成本；
(5)本发明基于模糊熵计算与鱼群算法，适合处理复杂环境下的航空航天板结构冲击定位问题，抗干扰能力强；
(6)本发明基于光纤传感器的冲击定位监测系统，仅需采用3对光纤光栅传感器构成串联网络，具有结构简单，操作性强，抗电磁干扰等诸多优点。
附图说明
图1是本发明的方法流程图；
图2是分布式光纤布拉格光栅传感器布局图；其中：1为固支边；2为监测区域Ⅰ；3为监测区域Ⅱ；4为监测区域Ⅲ；5为监测区域Ⅳ；
图3是待测冲击点选取示意图；
图4是样本冲击点选取示意图；
图5是基于人工鱼群算法的寻优流程图。
具体实施方式
以下将结合附图，对本发明的技术方案进行详细说明。
本发明设计了一种基于模糊熵和人工鱼群算法的低速冲击位置辨识方法，如图1所示，步骤如下：
步骤1：布局分布式光纤布拉格光栅传感器；
步骤2：确定光纤布拉格光栅传感器冲击响应信号的模糊熵计算方法；
步骤3：对待测冲击点对应的光纤布拉格光栅传感器响应信号进行处理，并计算其模糊熵；
步骤4：对待测点所在区域进行定位，并在该区域边界选取样本冲击点，利用冲击锤以相同能量进行冲击，并计算传感器响应信号的模糊熵；
步骤5：构建区域边界各样本冲击点到该边起始传感器的距离与该边起始传感器与终止传感器响应信号的模糊熵差值之间的关系模型；
步骤6：基于人工鱼群算法，确定待测冲击点的具体位置。
在本实施例中，上述步骤1可以采用如下优选方案实现：
在如图2所示的四边固支铝合金板结构中心位置划定一个正方形监测区域ABCD，其中点A、B、C、D为逆时针方向排序的正方形各顶点；选取板结构待监测区域的中心O作为坐标原点，建立一个二维直角坐标系，定义X轴平行于AD(BC)方向，Y轴平行于AB(DC)方向；在板结构正方形监测区域A、C两个顶角位置分别布置平行于对角线BD的光纤布拉格光栅传感器，分别计作FBG1、FBG3，在板结构正方形监测区域B、D两个顶角位置分别布置平行于对角线AC的光纤布拉格光栅传感器，分别计作FBG2、FBG4，同时在正方形中心位置分别布置垂直对角线BD、AC方向的光纤布拉格光栅传感器，分别计作FBG5、FBG6；将这些光纤布拉格光栅传感器粘贴于试件结构背面，采用光纤跳线将FBG1和FBG2，FBG3和FBG4，FBG5和FBG6分别连接，以此构成分布式传感器网络，六个光纤布拉格光栅传感器构成的正方形所覆盖的区域即为板结构试件的冲击监测区域；按对角线AC、BD将正方形监测区域分为四个子区域，将FBG1、FBG2、FBG5和FBG6构成的监测区域ABO记为区域Ⅰ，将FBG2、FBG3、FBG5和FBG6构成的监测区域BCO记为区域Ⅱ，将FBG3、FBG4、FBG5和FBG6构成的监测区域CDO记为区域Ⅲ，将FBG1、FBG4、FBG5和FBG6构成的监测区域DAO记为区域Ⅳ。
在本实施例中，上述步骤2可以采用如下优选方案实现：
2-1、设光纤布拉格光栅传感器冲击响应信号的时间序列为{u(i),i＝1,2,...,N}，可以构造一组由m维向量X(1),X(2),...,X(N-m+1)组成的相空间：
X(i)＝{u(i),u(i+1),...,u(i+m-1)}-u0(i),i＝1,2,...,N-m+1 (1)
其中，
为这m个采样集的均值，X(i)可表示为m×[N-(m-1)]维矩阵。
2-2、定义光纤布拉格光栅传感器冲击响应信号的m维相空间中任意向量
与其余向量
之间的相对欧式距离
2-3、定义光纤布拉格光栅传感器冲击响应信号的m维相空间中任意向量
与向量
之间的相似度
其中，模糊函数
是以e为底的指数函数，并且n和r分别定义为函数的梯度和宽度。
2-4、定义函数φm(n,r)：
2-5、维数m增加1，重复步骤2-1～2-4，得到φm+1(n,r)：
2-6、模糊熵定义为：
FuzzyEn＝lnφm(n,r)-lnφm+1(n,r) (6)
在本实施例中，上述步骤3可以采用如下优选方案实现：
采用对板结构的冲击监测区域ABCD中的任意一点E作为待测点，如图3所示。采用冲击锤对其施加一定能量大小的低速冲击载荷，记录该冲击下分布式传感网络中6个光纤布拉格光栅传感器的冲击响应信号；采用小波去噪的方法对响应信号进行滤噪处理；按照步骤2所述方法分别计算待测冲击点对应的六个光纤布拉格光栅传感器FBG1、FBG2、FBG3、FBG4、FBG5、FBG6的模糊熵FuzzyEn(1)、FuzzyEn(2)、FuzzyEn(3)、FuzzyEn(4)、FuzzyEn(5)、FuzzyEn(6)。
在本实施例中，上述步骤4可以采用如下优选方案实现：
4-1、将步骤3得到的四个顶点处的传感器响应信号模糊熵值FuzzyEn(1)、FuzzyEn(2)、FuzzyEn(3)、FuzzyEn(4)依次从小到大排序，由模糊熵值最大的2个传感器所构成的监测区域确定为待测点所在的子监测区域，从而完成待测点的区域定位。当冲击点为E时，如图3所示，那么FBG1和FBG4对冲击点E的冲击响应信号的模糊熵值FuzzyEn(1)、FuzzyEn(4)最大，能够确定冲击点所在区域为区域Ⅳ。另外，需要指出的是，一般不会出现处于对角线的上的两个传感器如FBG1和FBG3或者FBG2和FBG4的模糊熵FuzzyEn(1)和FuzzyEn(3)或者FuzzyEn(2)和FuzzyEn(4)同时出现最大的情况。
4-2、分别等距离选取待测点所在图1区域Ⅳ各条边界上的若干离散点作为样本点，如在AO边选取冲击样本点F1、F2、F3、F4，在OD边选取冲击样本点F5、F6、F7、F8，在DA边选取冲击样本点F9、F10、F11、F12。利用冲击锤采用与待测冲击点相同能量大小对样本点依次进行低速冲击，分别记录样本点所在子区域边界两端的光纤布拉格光栅传感器在此冲击下的响应信号。对于正方形监测中心位置的传感器FBG5只记录与其粘贴方向垂直的OD边上F5、F6、F7、F8点的响应信号，FBG6只记录与其粘贴方向垂直的AO边上F1、F2、F3、F4点的响应信号，并按照步骤二所述方法计算样本点冲击响应信号模糊熵
与
其中k、l＝1,2,3,4,5,6为传感器编号，且k≠l；i＝1,2,3,…,n为第n个冲击点。
在本实施例中，上述步骤5可以采用如下优选方案实现：
5-1、为每条边界定义出起始传感器和终止传感器，具体方式如下：
对于图1中的区域Ⅰ而言，A、B、O的三个顶点按逆时针，A作为边AB的起点，B作为边AB的终点；B作为边BO的起点，O作为边BO的终点；O作为边OA的起点，A作为边OA的终点。
对于区域Ⅱ而言，B、C、O的三个顶点按逆时针，B作为边BC的起点，C作为边BC的终点；C作为边CO的起点，O作为边CO的终点；O作为边OB的起点，B作为边OB的终点。
对于区域Ⅲ而言，C、D、O的三个顶点按逆时针，C作为边CD的起点，D作为边CD的终点；D作为边DO的起点，O作为边DO的终点；O作为边OC的起点，C作为边OC的终点；
对于区域Ⅳ而言，D、A、O的三个顶点按逆时针，D作为边DA的起点，A作为边DA的终点；A作为边AO的起点，O作为边AO的终点；O作为边OD的起点，D作为边OD的终点。该区域的样本点的选取如图4所示。
令样本冲击点与对应起点传感器之间距离作为自变量x，起始传感器(Initialsensor)和终止传感器(Termination sensor)响应信号的模糊熵之差Y为因变量，
其中，
为第i个样本冲击点所对应起始传感器的模糊熵，
为第i个样本冲击点所对应终止传感器的模糊熵。
5-2、当确定待测点位于区域Ⅳ时，对于边界DA而言，起始传感器为FBG4，终止传感器为FBG1，相应的传感信号的模糊熵分别为
和
则模糊熵值差
AD边上样本点距离D的距离x作为自变量，通过最小二乘法拟合得到如下指数函数关系式，其中，a0、a1、a2、a3表示在边界DA上传感器FBG4与FBG1信号的模糊熵之差与样本点P9、P10、P11、P12与FBG4的距离x之间关系式的三个系数：
Ya＝a3e-3x+a2e-2x+a1e-x+a0 (7)
5-3、重复步骤5-1和5-2，可得到该区域内边界AO上，以P1、P2、P3、PF4为冲击样本点得到的关系式：
Yb＝b3e-3x+b2e-2x+b1e-x+b0 (8)
b3、b2、b1、b0表示在边界AO上，传感器FBG1与FBG6信号的模糊熵之差与样本点P1、P2、P3、PF4与FBG1的距离x之间关系式的三个系数。
在该区域的边界OD上，以F5、F6、F7、F8为冲击样本点得到的关系式：
Yc＝c3e-3x+c2e-2x+c1e-x+c0 (9)
c3、c2、c1、c0表示在边界OD上，传感器FBG5与FBG4信号的模糊熵之差与样本点P5、P6、P7、P8与FBG1的距离x之间关系式的三个系数。
在本实施例中，上述步骤6可以采用如下优选方案实现：
6-1、按照步骤5-1，计算待测点所属三角形子区域各边上起始传感器与终止传感器的模糊熵之差Y＝FuzzyEnini-FuzzyEnter，其中，FuzzyEnini为待测冲击点所对应起始传感器的模糊熵，FuzzyEnter为待测冲击点所对应终止传感器的模糊熵。将计算得到的Y分别代入式(7)、(8)、(9)中得到待测点到三个起始传感器的距离，分别为l1、l2、l3。本例中待测冲击点E在区域Ⅳ，则在边界DA上
在边界AO上
在边界OD上
将模糊熵之差Y1、Y2、Y3分别代入(7)、(8)、(9)中得到待测点到三个起始传感器的距离，分别为l1、l2、l3。
6-2、假设冲击定位点E的坐标为(x，y)。
在DAO子区域内构建代价函数：
其中，L为正方形监测区域边长的二分之一。当代价函数FABO、FBCO、FCDO、FDAO取得最小值时所对应的(x，y)，即为待测点的坐标。
6-3、初始化鱼群(Init)
鱼群中每条人工鱼初始值为一组实数，该实数在待优化问题的定义域随机产生。针对该二元函数优化问题。生成鱼群大小为M。在FABO区域，待优化参数x，y的取值范围x∈[-L,0],y∈[x,-x]；在FBCO区域，待优化参数x，y的取值范围x∈[-y,y],y∈[-L,0]；在FCDO区域，待优化参数x，y的取值范围x∈[0,L],y∈[-x,x]；在FDAO区域，待优化参数x，y的取值范围x∈[-y,y],y∈[0,L]。本例中，待测冲击点位于区域Ⅳ，因此，待优化参数x，y的取值范围x∈[-y,y],y∈[0,L]。产生2行M列的初始鱼群，本例中M取值为50。每条人工鱼的两个参数由列向量表示，所有人工鱼初值储存在2行50列的矩阵中，M即为待优化向量参数的个数。即为：
6-4、觅食行为(Prey)
设当前人工鱼状态(即位置)为Xi，其视野范围内按式(12)感知环境中的某一位置Xj，Rand()表示生成一个[0,1]内的随机数，Visual为视野范围，在本例中取2：
Xj＝Xi+Visual*Rand() (12)
为了获取代价函数FDAO最小值，若代价函数Fi＞Fj，则人工鱼向该方向前进一步到下一个位置Xinext，前进方式如式(13)所示：
如果不满足代价函数Fi＞Fj，则按照式(12)重新选择视点Xj，判断是否满足前进条件，尝试Try_number次，如果不满足条件，则随机移动一步，最大尝试次数Try_number设置为50。
6-5、聚群行为(Swarm)
设人工鱼当前状态Xi，探索当前视野范围(di，j<visual)伙伴数目nf以及伙伴中心位置Xc，其中心位置计算方式如式(14)所示：
如果满足
Fc为Xc对应的代价函数值，表示当前视野不拥挤，则按照下式向中心伙伴移动：
否则执行觅食行为。
6-6、追尾行为(Follow)
设人工鱼当前状态为Xi，巡视视野范围内(di，j<visual)伙伴数目nf以及伙伴中代价函数值Fj最小的伙伴位置Xj，如果满足
则伙伴位置不拥挤且代价函数值小，那么则按照下式向伙伴Xj方向移动。拥挤度δ取值为0.618，步长Step设置为1.2：
则执行觅食行为。
6-7、随机行为(Random)
在视野内随意选择一个视点，向该点移动，移动方式如式(17)所示：
Xinext＝Xi+Visual*Rand() (17)
通过对Xi(xi,yi)的不断迭代与优化，从而获取使代价函数取得最优值Fopt的参数Xopt(xopt,yopt)，即为待测点的坐标值。具体流程如图5所示。
实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。
Claims (8)
1.基于模糊熵和人工鱼群算法的低速冲击位置辨识方法，其特征在于，包括以下步骤：
(1)布局分布式光纤布拉格光栅传感器；
在四边固支的铝合金板结构中心位置划定一个正方形监测区域ABCD，其中点A位于正方形监测区域的左上角，且A、B、C、D为逆时针方向排序的正方形各顶点；选取正方形监测区域的中心O作为坐标原点，建立一个二维直角坐标系，定义X轴平行于AD方向，Y轴平行于AB方向；在正方形监测区域A、C两个顶角位置分别布置平行于对角线BD的光纤布拉格光栅传感器，分别记作FBG1、FBG3，在正方形监测区域B、D两个顶角位置分别布置平行于对角线AC的光纤布拉格光栅传感器，分别记作FBG2、FBG4，同时在正方形监测区域中心位置分别布置垂直于对角线AC、BD方向的光纤布拉格光栅传感器，分别记作FBG5、FBG6；采用光纤跳线将FBG1与FBG2、FBG3与FBG4、FBG5与FBG6分别连接，以此构成分布式传感器网络；按对角线AC、BD将正方形监测区域分为四个子区域，将FBG1、FBG2、FBG5和FBG6构成的监测区域ABO记为区域Ⅰ，将FBG2、FBG3、FBG5和FBG6构成的监测区域BCO记为区域Ⅱ，将FBG3、FBG4、FBG5和FBG6构成的监测区域CDO记为区域Ⅲ，将FBG1、FBG4、FBG5和FBG6构成的监测区域DAO记为区域Ⅳ；
(2)对待测冲击点对应的光纤布拉格光栅传感器响应信号进行处理，并计算其模糊熵；
(3)对待测点所在区域进行定位，并在该区域边界选取样本冲击点，利用冲击锤以相同能量进行冲击，并计算传感器响应信号的模糊熵；
(4)构建区域边界各样本冲击点到该边起始传感器的距离与该边起始传感器与终止传感器响应信号的模糊熵差值之间的关系模型；
(5)基于人工鱼群算法，确定待测冲击点的具体位置；该步骤的具体过程如下：
(5-1)计算待测冲击点到其所属三角形子监测区域三边上起始传感器的距离，分别为l1、l2、l3；
(5-2)设待测冲击点的坐标为(x，y)，
在ABO子区域内构建代价函数：
在BCO子区域内构建代价函数：
在CDO子区域内构建代价函数：
在DAO子区域内构建代价函数：
其中，L为正方形监测区域边长的二分之一，通过人工鱼群算法求解当代价函数FABO、FBCO、FCDO、FDAO取得最小值时所对应的(x，y)，即为待测冲击点的坐标。
2.根据权利要求1所述基于模糊熵和人工鱼群算法的低速冲击位置辨识方法，其特征在于，传感器响应信号的模糊熵计算方法如下：
(a)设光纤布拉格光栅传感器冲击响应信号的时间序列为{u(i),i＝1,2,...,N}，构造一组由m维向量X(1),X(2),...,X(N-m+1)组成的相空间：
X(i)＝{u(i),u(i+1),...,u(i+m-1)}-u0(i),i＝1,2,...,N-m+1
其中，
为这m个采样集的均值，N为时间序列长度；
(b)定义光纤布拉格光栅传感器冲击响应信号的m维相空间中任意向量
与向量
之间的相对欧式距离
(c)定义光纤布拉格光栅传感器冲击响应信号的m维相空间中任意向量
与向量
之间的相似度
上式中，模糊函数
是以e为底的指数函数，并且n和r分别定义为模糊函数的梯度和宽度；
(d)定义函数φm(n,r)：
(e)维数m增加1，重复步骤(a)-(d)，得到φm+1(n,r)；
(f)定义模糊熵FuzzyEn：
FuzzyEn＝lnφm(n,r)-lnφm+1(n,r)。
3.根据权利要求2所述基于模糊熵和人工鱼群算法的低速冲击位置辨识方法，其特征在于，所述相空间维数m＝2，r为原始时间序列标准偏差的0.1-0.25倍。
4.根据权利要求1所述基于模糊熵和人工鱼群算法的低速冲击位置辨识方法，其特征在于，在步骤(2)中，选取正方形监测区域ABCD中的任意点作为待测点，采用冲击锤对其施加一定能量大小的低速冲击载荷，记录该冲击下分布式传感网络中6个光纤布拉格光栅传感器的冲击响应信号；采用小波去噪的方法对冲击响应信号进行滤噪处理；分别计算待测冲击点对应的6个光纤布拉格光栅传感器FBG1、FBG2、FBG3、FBG4、FBG5、FBG6的模糊熵FuzzyEn(1)、FuzzyEn(2)、FuzzyEn(3)、FuzzyEn(4)、FuzzyEn(5)、FuzzyEn(6)。
5.根据权利要求4所述基于模糊熵和人工鱼群算法的低速冲击位置辨识方法，其特征在于，步骤(3)的具体过程如下：
(3-1)将步骤(2)得到的正方形监测区域四个顶点处的传感器响应信号模糊熵FuzzyEn(1)、FuzzyEn(2)、FuzzyEn(3)、FuzzyEn(4)依次从小到大排序，由模糊熵值最大的2个传感器所构成的监测区域确定为待测点所在的子监测区域，从而完成待测点的区域定位；
(3-2)分别选取待测点所在三角形子区域三条边上的均匀分布的离散点作为样本冲击点，利用冲击锤采用相同大小的能量对样本点依次进行低速冲击加载，分别记录样本冲击点所在边界两端的光纤布拉格光栅传感器在此冲击下的响应信号，对于中心位置的两个传感器FBG5、FBG6，只记录与其粘贴方向垂直的边界线上样本冲击点的响应信号；并计算样本冲击点所在边两端光纤布拉格光栅传感器响应信号的模糊熵
与
其中上标k、l＝1,2,3,4,5,6为传感器编号，且k≠l；下标i表示第i个样本冲击点。
6.根据权利要求4所述基于模糊熵和人工鱼群算法的低速冲击位置辨识方法，其特征在于，步骤(4)的具体过程如下：
(4-1)为每条边界定义出起始传感器和终止传感器，具体方式如下：
各三角形子监测区域内，三角形各顶点的传感器按逆时针方向依次为FBGa，FBGb，FBGc，FBGd，其中FBGa，FBGb为三角形子区域斜边两端的传感器，FBGc，FBGd为监测区域中心位置的两个传感器，那么，FBGa、FBGb分别为FBGa和FBGb所在边起始传感器和终止传感器，FBGb、FBGc分别为FBGb和FBGc所在边起始传感器和终止传感器，FBGd、FBGa分别为FBGd和FBGa所在边起始传感器和终止传感器；
令样本冲击点与对应起始传感器之间距离作为自变量x，起始传感器和终止传感器响应信号的模糊熵之差Y为因变量，
其中，
为第i个样本冲击点所对应起始传感器的模糊熵，
为第i个样本冲击点所对应终止传感器的模糊熵；
(4-2)对于三角形子监测区域上的任意一边，自变量x与因变量Y之间的函数关系如下：
Y＝a3e-3x+a2e-2x+a1e-x+a0
其中，a0、a1、a2、a3为将任意一边样本点数据代入上述函数关系式，利用最小二乘法拟合得到的参数。
7.根据权利要求1所述基于模糊熵和人工鱼群算法的低速冲击位置辨识方法，其特征在于，通过人工鱼群算法求解待测冲击点坐标的方法如下：
(A)初始化鱼群
鱼群中每条人工鱼初始值为一组实数，该实数在待优化问题的定义域随机产生；在FABO区域，待优化参数x，y的取值范围x∈[-L,0],y∈[x,-x]；在FBCO区域，待优化参数x，y的取值范围x∈[-y,y],y∈[-L,0]；在FCDO区域，待优化参数x，y的取值范围x∈[0,L],y∈[-x,x]；在FDAO区域，待优化参数x，y的取值范围x∈[-y,y],y∈[0,L]；产生2行M列的初始鱼群，每条人工鱼的两个参数由列向量表示，所有人工鱼初值储存在2行M列的矩阵中，M即为待优化向量参数的个数；
(B)觅食行为
设当前人工鱼位置为Xi，其视野范围内按下式感知环境中的某一位置Xj：
Xj＝Xi+Visual*Rand()
其中，Rand()表示生成一个[0,1]内的随机数；Visual表示视野范围值；
设Xi和Xj对应的代价函数为Fi和Fj，若Fi＞Fj，则人工鱼向该方向前进一步到下一个位置Xi|next：
其中，Step表示步长；
如果不满足Fi＞Fj，则重新选择Xj，再次判断是否满足前进条件，尝试Try_number次，如果仍不满足前景条件，则随机移动一步；
(c)聚群行为
设人工鱼当前状态Xi，探索当前视野范围伙伴数目nf以及伙伴中心位置Xc，其中心位置计算方式如下：
其中，di,j表示Xi与Xj的距离；
如果满足
Fc为Xc对应的代价函数值，δ为设定的拥挤度，表示当前视野不拥挤，则按照下式向中心伙伴移动：
否则执行觅食行为；
(d)追尾行为
设人工鱼当前状态为Xi，巡视视野范围内伙伴数目nf以及伙伴中代价函数值Fj最小的伙伴位置Xj，如果满足
则伙伴位置不拥挤且代价函数值小，则按照下式向伙伴Xj方向移动；
否则执行觅食行为；
(e)随机行为
设人工鱼当前状态为Xi，在视野内随意选择一个视点，向该点移动，移动方式如下：
Xi|next＝Xi+Visual*Rand()
通过对Xi的不断迭代与优化，从而获取使代价函数取得最小值时的Xi的参数(xi,yi)，即为待测冲击点的坐标值。
8.根据权利要求7所述基于模糊熵和人工鱼群算法的低速冲击位置辨识方法，其特征在于，在人工鱼群算法中，M＝50，Visual＝2，δ＝0.618，Step＝1.2，Try_number＝50，迭代次数为50。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911021498.9A CN110793438B (zh) | 2019-10-25 | 2019-10-25 | 基于模糊熵和人工鱼群算法的低速冲击位置辨识方法 |
| PCT/CN2020/070054 WO2021077625A1 (zh) | 2019-10-25 | 2020-01-02 | 基于模糊熵和人工鱼群算法的低速冲击位置辨识方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911021498.9A CN110793438B (zh) | 2019-10-25 | 2019-10-25 | 基于模糊熵和人工鱼群算法的低速冲击位置辨识方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110793438A CN110793438A (zh) | 2020-02-14 |
| CN110793438B true CN110793438B (zh) | 2020-12-08 |
Family
ID=69441389
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911021498.9A Active CN110793438B (zh) | 2019-10-25 | 2019-10-25 | 基于模糊熵和人工鱼群算法的低速冲击位置辨识方法 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN110793438B (zh) |
| WO (1) | WO2021077625A1 (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114111579B (zh) * | 2021-11-30 | 2023-06-02 | 武汉理工大学 | 基于光纤光栅传感器在低采样率下的冲击定位方法及系统 |
| CN115901049B (zh) * | 2022-10-31 | 2024-04-12 | 大连理工大学 | 基于波形相似度和多频率综合的结构冲击成像定位方法 |
Family Cites Families (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008139170A (ja) * | 2006-12-01 | 2008-06-19 | Fuji Heavy Ind Ltd | 衝撃探知システム |
| DE102008008873A1 (de) * | 2007-05-16 | 2008-11-20 | Dr. Johannes Heidenhain Gmbh | Positionsmesseinrichtung |
| CN103312422B (zh) * | 2013-04-24 | 2015-04-01 | 南京邮电大学 | 一种基于人工鱼群算法的信号盲检测方法 |
| CN103338169A (zh) * | 2013-06-14 | 2013-10-02 | 南京信息工程大学 | 一维谐振子量子人工鱼群优化自适应最小熵盲均衡方法 |
| CN106482639B (zh) * | 2016-10-17 | 2018-11-09 | 南京航空航天大学 | 基于近似熵计算的低速冲击位置辨识方法 |
| CN107294494A (zh) * | 2017-07-03 | 2017-10-24 | 上海岩芯电子科技有限公司 | 光伏系统直流侧电弧故障检测装置及其检测方法 |
| CN107657242B (zh) * | 2017-10-10 | 2018-08-21 | 湖南师范大学 | 一种大地电磁信噪辨识及分离方法 |
| CN108061635A (zh) * | 2017-11-08 | 2018-05-22 | 中国航空工业集团公司金城南京机电液压工程研究中心 | 基于Teager能量算子和样本熵的板结构冲击监测方法 |
| CN109406627B (zh) * | 2018-09-11 | 2021-07-20 | 温州大学苍南研究院 | 一种基于旋转不变子空间的复合材料板冲击定位方法 |
-
2019
- 2019-10-25 CN CN201911021498.9A patent/CN110793438B/zh active Active
-
2020
- 2020-01-02 WO PCT/CN2020/070054 patent/WO2021077625A1/zh active Application Filing
Also Published As
| Publication number | Publication date |
|---|---|
| WO2021077625A1 (zh) | 2021-04-29 |
| CN110793438A (zh) | 2020-02-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Fan et al. | Lost data recovery for structural health monitoring based on convolutional neural networks | |
| CN110793438B (zh) | 基于模糊熵和人工鱼群算法的低速冲击位置辨识方法 | |
| Agogino et al. | Analyzing and visualizing multiagent rewards in dynamic and stochastic domains | |
| Temel et al. | On deployment of wireless sensors on 3-D terrains to maximize sensing coverage by utilizing cat swarm optimization with wavelet transform | |
| Baghmisheh et al. | A hybrid particle swarm–Nelder–Mead optimization method for crack detection in cantilever beams | |
| CN112560355B (zh) | 基于卷积神经网络的风洞的马赫数的预测方法和装置 | |
| JP5778237B2 (ja) | ポイントクラウド内の埋め戻しポイント | |
| CN109145464B (zh) | 融合多目标蚁狮优化与迹稀疏正则化的结构损伤识别方法 | |
| CN112819962B (zh) | 数字图像相关中非均匀网格划分及局部网格疏密方法 | |
| JP6380051B2 (ja) | 有限要素演算プログラム、有限要素演算装置および有限要素演算方法 | |
| US20170116780A1 (en) | Method for rendering terrain | |
| JP2022013627A (ja) | 岩石破砕によって展開する岩石の割れ目ネットワークのトポロジー構造を描写する方法 | |
| US20240111372A1 (en) | Pen state detection circuit, system, and method | |
| CN114741310A (zh) | 可迁移图像对抗样本生成与深度神经网络测试方法及系统 | |
| CN117791570A (zh) | 一种短期电力负荷的预测系统及方法 | |
| CN111047579B (zh) | 一种特征质量评估方法及图像特征均匀提取方法 | |
| CN114863258B (zh) | 海天线场景中基于视角转换检测小目标的方法 | |
| CN116168008A (zh) | 一种基于双目组合和多尺度Transformer的无参考立体图像质量评价方法 | |
| KR100837244B1 (ko) | 자동차 번호판의 영상 인식 시스템 및 그 방법 | |
| CN115598714A (zh) | 基于时空耦合神经网络的探地雷达电磁波阻抗反演方法 | |
| CN115346125A (zh) | 一种基于深度学习的目标检测方法 | |
| US20130173225A1 (en) | Method for sampling mesh models and apparatus for sampling mesh models | |
| Jia et al. | Fractional‐integral‐operator‐based improved SVM for filtering salt‐and‐pepper noise | |
| KR102183201B1 (ko) | 라인 인식을 통한 구조물의 변위응답 측정 방법 및 장치 | |
| Panangadan et al. | Data segmentation for region detection in a sensor network |
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 |