CN116933144B - 基于时-谱匹配的脉冲信号特征参数识别方法及相关装置 - Google Patents
基于时-谱匹配的脉冲信号特征参数识别方法及相关装置 Download PDFInfo
- Publication number
- CN116933144B CN116933144B CN202311196973.2A CN202311196973A CN116933144B CN 116933144 B CN116933144 B CN 116933144B CN 202311196973 A CN202311196973 A CN 202311196973A CN 116933144 B CN116933144 B CN 116933144B
- Authority
- CN
- China
- Prior art keywords
- pulse
- sequence
- smooth
- value
- peak value
- 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 97
- 238000001228 spectrum Methods 0.000 title claims abstract description 48
- 238000001208 nuclear magnetic resonance pulse sequence Methods 0.000 claims abstract description 65
- 238000009499 grossing Methods 0.000 claims abstract description 29
- 108010076504 Protein Sorting Signals Proteins 0.000 claims abstract description 19
- 238000005070 sampling Methods 0.000 claims abstract description 8
- 241000218691 Cupressaceae Species 0.000 claims description 28
- 125000004122 cyclic group Chemical group 0.000 claims description 15
- 230000004044 response Effects 0.000 claims description 10
- 239000010426 asphalt Substances 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 6
- 240000007154 Coffea arabica Species 0.000 claims 19
- 235000007460 Coffea arabica Nutrition 0.000 claims 3
- 238000004458 analytical method Methods 0.000 abstract description 3
- 238000004088 simulation Methods 0.000 abstract description 2
- 230000003595 spectral effect Effects 0.000 abstract description 2
- 238000004891 communication Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 6
- 230000005236 sound signal Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- KLDZYURQCUYZBL-UHFFFAOYSA-N 2-[3-[(2-hydroxyphenyl)methylideneamino]propyliminomethyl]phenol Chemical compound OC1=CC=CC=C1C=NCCCN=CC1=CC=CC=C1O KLDZYURQCUYZBL-UHFFFAOYSA-N 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 201000001098 delayed sleep phase syndrome Diseases 0.000 description 1
- 208000033921 delayed sleep phase type circadian rhythm sleep disease Diseases 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- 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
- G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Abstract
本发明提供了一种基于时‑谱匹配的脉冲信号特征参数识别方法及相关装置,涉及数字信号分析技术领域,包括获取原始信号数据,构建基于预设采样频率的信号序列,确定信号序列的第一脉冲峰值所在的半循环序列的数据点个数,以确定平滑基点数;根据所述平滑基点数,利用移动平均法平滑原始信号数据得到平滑脉冲序列;确定平滑脉冲序列的第二脉冲峰值和第二脉冲峰值对应的时间点;在预设的搜索空间中利用循环迭代法依次确定脉冲周期、循环数和相位角,使计算得到的咖柏小波与平滑脉冲序列实现最佳拟合,本发明用于使脉冲特征参数可以被提取和量化,并且能在时域和谱域内实现最佳脉冲信号拟合,为数字脉冲信号模拟提供可靠的参数分析基础。
Description
技术领域
本发明涉及数字信号分析技术领域,具体而言,涉及一种基于时-谱匹配的脉冲信号特征参数识别方法及相关装置。
背景技术
当今社会早已步入信息化时代,我们时时刻刻被各种各样的信号包围,信号的本质是表示信息的物理量,不同的幅值、不同的频率或不同的相位可以表示不同的信息。以信号为载体的数据可表示现实物理世界中的任何信息,如文字符号和图像等。数字信号处理是用数字方法对信号进行分析、变换、滤波、检测、调制、解调以及快速算法的一门技术。可靠的数字信号处理技术需要具有高精度、高可靠性、可程序控制和便于集成化等特点。信号处理中的脉冲是指信号的振幅从基线值到较高或较低值的快速、瞬时变化,然后迅速恢复到基线值。脉冲信号特征参数的识别是数字信号处理中关键的问题之一。
发明内容
本发明的目的在于提供一种基于时-谱匹配的脉冲信号特征参数识别方法及相关装置,以改善上述问题。为了实现上述目的,本发明采取的技术方案如下:
第一方面,本申请提供了一种基于时-谱匹配的脉冲信号特征参数识别方法,包括:
获取原始信号数据,利用所述原始信号数据构建基于预设采样频率的信号序列,确定信号序列的第一脉冲峰值所在的半循环序列的数据点个数;
利用所述半循环序列的数据点个数确定平滑基点数;
根据所述平滑基点数,利用移动平均法平滑所述信号序列得到平滑脉冲序列;
确定平滑脉冲序列的第二脉冲峰值和第二脉冲峰值对应的时间点;
在预设的搜索空间中利用循环迭代法依次确定脉冲周期、循环数和相位角,使第二脉冲峰值、第二脉冲峰值对应的时间点、所述脉冲周期、循环数和相位角计算得到的咖柏小波与平滑脉冲序列实现最佳拟合。
第二方面,本申请还提供了一种基于时-谱匹配的脉冲信号特征参数识别装置,包括:
获取模块:用于获取原始信号数据,利用所述原始信号数据构建基于预设采样频率的信号序列,确定信号序列的第一脉冲峰值所在的半循环序列的数据点个数;
第一确定模块:用于利用所述半循环序列的数据点个数确定平滑基点数;
平滑模块:用于根据所述平滑基点数,利用移动平均法平滑原始信号数据得到平滑脉冲序列;
第二确定模块:用于确定平滑脉冲序列的第二脉冲峰值和第二脉冲峰值对应的时间点;
循环迭代模块:用于在预设的搜索空间中利用循环迭代法依次确定脉冲周期、循环数和相位角,使第二脉冲峰值、第二脉冲峰值对应的时间点、所述脉冲周期、循环数和相位角计算得到的咖柏小波与平滑脉冲序列实现最佳拟合。
本发明的有益效果为:
本发明通过对脉冲周期、循环数和相位角在其对应的搜索空间中依次循环迭代,得到使咖柏小波与平滑脉冲序列实现最佳拟合的脉冲周期、循环数和相位角,使脉冲可以被提取和量化,并且能在时域和谱域内拟合速度脉冲,为后续准确的模拟近断层地震动提供保证。
本发明的其他特征和优点将在随后的说明书阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为本发明实施例中所述的基于时-谱匹配的脉冲信号特征参数识别方法流程示意图;
图2为本发明实施例中经验数值不同取值时对应的平滑脉冲序列;
图3为本发明实施例中采用循环迭代法得到的特征值;
图4为本发明实施例中所述的基于时-谱匹配的脉冲信号特征参数识别装置结构示意图;
图5为本发明实施例中所述的基于时-谱匹配的脉冲信号特征参数识别设备结构示意图。
图中标记:
800、基于时-谱匹配的脉冲信号特征参数识别设备;801、处理器;802、存储器;803、多媒体组件;804、I/O接口;805、通信组件。
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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作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。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本发明的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
实施例1:
本实施例提供了一种基于时-谱匹配的脉冲信号特征参数识别方法。
参见图1,图中示出了本方法包括步骤:
S1. 获取原始信号数据,利用所述原始信号数据构建基于预设采样频率的信号序列,确定信号序列的第一脉冲峰值所在的半循环序列的数据点个数,本实施例中,所述原始信号数据可以为地震动数据;
具体的,所述步骤S1包括:
S11.采用插值法,将所述原始信号数据构建为采样频率等于200的信号序列;
S12.确定原始地震动数据的第一脉冲峰值;
S13.获取第一脉冲峰值两侧的脉冲值为0时,所对应的第一时间点和第二时间点;
S14.获取第一时间点和第二时间点之间的全部时间点的数量M。
基于以上实施例,本方法还包括:
S2.利用所述半循环序列的数据点个数确定平滑基点数;
具体的,所述步骤S2包括:
获取预设的多个经验数值,本实施例中,所述经验数值是根据长期的实验所确定的,请参阅图2,图中描述了原始地震动数据和采用补贴的经验数值平滑后的脉冲,从图中可以看出,当经验数值/>分别为0.1、0.3或0.5时,平滑后的脉冲不会改变原记录的形状,且能清晰的捕捉到连续的长周期脉冲。
因此,本实施例中令所述经验数值的取值为0.1、0.3或0.5。
分别计算预设的多个经验数值与半循环序列的数据点个数的乘积,将每个乘积作为一个平滑基点数:
;
基于以上实施例,本方法还包括:
S3.根据所述平滑基点数,利用移动平均法平滑原始地震动数据得到平滑脉冲序列;
;
式中,表示预设时间段中的全部时间点的数量,/>表示第i个时间点,/>表示第i个时间点平滑后的速度值,全部时间点平滑后的速度值构成了平滑脉冲序列。
本实施例中,当的取值不同时,所得到的平滑脉冲序列也不相同,因此,根据上述实施例可知,根据m的三个取值,可得到三条不同的平滑脉冲序列。
基于以上实施例,本方法还包括:
S4.确定平滑脉冲序列的第二脉冲峰值和第二脉冲峰值对应的时间点/>;
请参阅图3,图3(a)示出了对应的平滑脉冲序列, 其中,,/>。
基于以上实施例,本方法还包括:
S5.在预设的搜索空间中利用循环迭代法依次确定脉冲周期、循环数和相位角,使第二脉冲峰值、第二脉冲峰值对应的时间点、所述脉冲周期、循环数和相位角计算得到的咖柏小波与平滑脉冲序列实现最佳拟合;
具体的,所述步骤S5包括:
S51.利用循环迭代法确定脉冲周期,具体为:
S511.令循环数为第一初始值1、令相位角/>为第二初始值0,即:
;
S512.获取脉冲周期的第一搜索空间,所述第一搜索空间为;
S513.在所述脉冲周期的第一搜索空间中依次取值,利用脉冲周期所取的值、第一初始值、第二初始值、第二脉冲峰值和第二脉冲峰值对应的时间点计算得到咖柏小波(Gabor小波);
令脉冲周期在第一搜索空间中依次取值,将上述值代入下述公式拟合Gabor小波;
式中,表示拟合后的Gabor小波。
S514.采用非线性最小二乘拟合所述咖柏小波与平滑脉冲序列,当咖柏小波与平滑脉冲序列之间的平方误差总和为最小值时,将脉冲周期所取的值作为脉冲周期:
;
其中,表示/>之间的平方误差总和。
依次将脉冲周期在/>中进行取值,利用所述取值拟合得到Gabor小波,并计算Gabor小波与平滑脉冲序列之间的平方误差总和,依次比较全部的Gabor小波与平滑脉冲序列之间平方误差总和,得到平方误差总和的最小值对应的脉冲周期/>。
请参阅图3,图3(b)示出了采用循环迭代法所确定的脉冲周期。
S52.利用循环迭代法确定循环数,具体为:
S521.获取已确定的脉冲周期,令相位角为第二初始值0;
S522.获取循环数的第二搜索空间[0.5, 3];
S523.在所述循环数的第二搜索空间中依次取值,利用循环数所取的值、已确定的脉冲周期、第二初始值、第二脉冲峰值和第二脉冲峰值对应的时间点计算得到咖柏小波;
S524.采用非线性最小二乘拟合所述咖柏小波与平滑脉冲序列,当咖柏小波与平滑脉冲序列之间的平方误差总和为最小值时,将循环数所取的值作为循环数。
请参阅图3,图3(c)示出了采用循环迭代法所确定的循环数。
本实施例中,Gabor小波的计算方法以及咖柏小波与平滑脉冲序列之间的平方误差与步骤S51相同,此处不再赘述。
S53.利用循环迭代法确定相位角,具体为:
S531.获取已确定的脉冲周期和循环数;
S532.获取相位角的第三搜索空间[-π ,π];
S533.在所述相位角的第二搜索空间中依次取值,利用相位角所取的值、已确定的脉冲周期和循环数、第二脉冲峰值和第二脉冲峰值对应的时间点计算得到咖柏小波;
S534.采用非线性最小二乘拟合所述咖柏小波与平滑脉冲序列,当咖柏小波与平滑脉冲序列之间的平方误差总和为最小值时,将相位角所取的值作为相位角;
请参阅图3,图3(d)示出了采用循环迭代法所确定的相位角。
本实施例中,Gabor小波的计算方法以及Gabor小波与平滑脉冲序列之间的平方误差与步骤S51中的相同,此处不再赘述。
基于以上实施例,本方法还包括:
根据多个所述平滑基点数,分别利用移动平均法平滑原始地震动数据得到多个平滑脉冲序列;
当时,计算得到平滑脉冲序列/>;
当时,计算得到平滑脉冲序列/>;
当时,计算得到平滑脉冲序列/>;
利用循环迭代法确定咖柏小波与每个平滑脉冲序列实现最佳拟合时,咖柏小波所对应的脉冲周期、循环数和相位角;
具体的,平滑脉冲序列为时,重复步骤S5,计算得到脉冲周期/>、循环数/>和相位角/>;
平滑脉冲序列为时,重复步骤S5,计算得到脉冲周期/>、循环数/>和相位角/>;
平滑脉冲序列为时,重复步骤S5,计算得到脉冲周期/>、循环数/>和相位角/>
分别计算每个咖柏小波的速度反应谱峰值和原始地震波的速度反应谱峰值/>;其中,所述速度反应峰值的计算方法为本领域的惯用手段,此处不再赘述。
当Gabor小波与平滑脉冲序列之间的速度反应谱峰值平方误差总和为最小值时,将咖柏小波循环数所对应的脉冲周期、循环数和相位角作为原始地震波的最终参数特征值:
;
式中,[]表示最小整数函数,k表示所在周期的序号;表示/>与/> 的平方误差总和。
依次计算三个Gabor小波与平滑脉冲序列之间的速度反应谱峰值平方误差总和,将三个平方误差总和的最小值的Gabor小波对应的脉冲周期、循环数和相位角作为最终参数特征值。
实施例2:
如图4所示,本实施例提供了一种基于时-谱匹配的脉冲信号特征参数识别装置,所述装置包括:
获取模块:用于获取原始信号数据,利用所述原始信号数据构建基于预设采样频率的信号序列,确定信号序列的第一脉冲峰值所在的半循环序列的数据点个数;
第一确定模块:用于利用所述半循环序列的数据点个数确定平滑基点数;
平滑模块:用于根据所述平滑基点数,利用移动平均法平滑原始地震波得到平滑脉冲序列;
第二确定模块:用于确定平滑脉冲序列的第二脉冲峰值和第二脉冲峰值对应的时间点;
循环迭代模块:用于在预设的搜索空间中利用循环迭代法依次确定脉冲周期、循环数和相位角,使第二脉冲峰值、第二脉冲峰值对应的时间点、所述脉冲周期、循环数和相位角计算得到的咖柏小波与平滑脉冲序列实现最佳拟合。
基于以上实施例,第一确定模块包括:
第一获取单元:用于获取预设的多个经验数值;
第一计算单元:用于分别计算预设的多个经验数值与半循环序列的数据点个数的乘积,将每个乘积作为一个平滑基点数。
基于以上实施例,循环迭代模块包括:
第一设定单元:用于令循环数为第一初始值、令相位角为第二初始值;
第二获取单元:用于获取脉冲周期的第一搜索空间;
第一取值单元:用于在所述脉冲周期的第一搜索空间中依次取值,利用脉冲周期所取的值、第一初始值、第二初始值、第二脉冲峰值和第二脉冲峰值对应的时间点计算得到咖柏小波;
第一拟合单元:用于采用非线性最小二乘拟合所述咖柏小波与平滑脉冲序列,当咖柏小波与平滑脉冲序列之间的平方误差总和为最小值时,将脉冲周期所取的值作为脉冲周期。
基于以上实施例,循环迭代模块还包括:
第二设定单元:用于获取已确定的脉冲周期,令相位角为第二初始值;
第三获取单元:用于获取循环数的第二搜索空间;
第二取值单元:用于在所述循环数的第二搜索空间中依次取值,利用循环数所取的值、已确定的脉冲周期、第二初始值、第二脉冲峰值和第二脉冲峰值对应的时间点计算得到咖柏小波;
第二拟合单元:用于采用非线性最小二乘拟合所述咖柏小波与平滑脉冲序列,当咖柏小波与平滑脉冲序列之间的平方误差总和为最小值时,将循环数所取的值作为循环数。
基于以上实施例,本方法还包括:
平滑单元:用于根据多个所述平滑基点数,分别利用移动平均法平滑原始地震波得到多个平滑脉冲序列;
第三拟合单元:用于利用循环迭代法确定咖柏小波与每个平滑脉冲序列实现最佳拟合时,咖柏小波所对应的脉冲周期、循环数和相位角;
第二计算单元:用于分别计算每个咖柏小波的速度反应谱峰值和原始地震波的速度反应谱峰值,当咖柏小波与平滑脉冲序列之间的速度反应谱峰值平方误差总和为最小值时,将咖柏小波循环数所对应的脉冲周期、循环数和相位角作为原始地震动数据的最终参数特征值。
需要说明的是,关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
实施例3:
相应于上面的方法实施例,本实施例中还提供了一种基于时-谱匹配的脉冲信号特征参数识别设备,下文描述的一种基于时-谱匹配的脉冲信号特征参数识别设备与上文描述的一种基于时-谱匹配的脉冲信号特征参数识别方法可相互对应参照。
图5是根据示例性实施例示出的一种基于时-谱匹配的脉冲信号特征参数识别设备800的框图。如图5所示,该基于时-谱匹配的脉冲信号特征参数识别设备800可以包括:处理器801,存储器802。该基于时-谱匹配的脉冲信号特征参数识别设备800还可以包括多媒体组件803, I/O接口804,以及通信组件805中的一者或多者。
其中,处理器801用于控制该基于时-谱匹配的脉冲信号特征参数识别设备800的整体操作,以完成上述的基于时-谱匹配的脉冲信号特征参数识别方法中的全部或部分步骤。存储器802用于存储各种类型的数据以支持在该基于时-谱匹配的脉冲信号特征参数识别设备800的操作,这些数据例如可以包括用于在该基于时-谱匹配的脉冲信号特征参数识别设备800上操作的任何应用程序或方法的指令,以及应用程序相关的数据,例如联系人数据、收发的消息、图片、音频、视频等等。该存储器802可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,例如静态随机存取存储器(Static Random AccessMemory,简称SRAM),电可擦除可编程只读存储器(Electrically Erasable ProgrammableRead-Only Memory,简称EEPROM),可擦除可编程只读存储器(Erasable ProgrammableRead-Only Memory,简称EPROM),可编程只读存储器(Programmable Read-Only Memory,简称PROM),只读存储器(Read-Only Memory,简称ROM),磁存储器,快闪存储器,磁盘或光盘。多媒体组件803可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏,音频组件用于输出和/或输入音频信号。例如,音频组件可以包括一个麦克风,麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器802或通过通信组件805发送。音频组件还包括至少一个扬声器,用于输出音频信号。I/O接口804为处理器801和其他接口模块之间提供接口,上述其他接口模块可以是键盘,鼠标,按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件805用于该基于时-谱匹配的脉冲信号特征参数识别设备800与其他设备之间进行有线或无线通信。无线通信,例如Wi-Fi,蓝牙,近场通信(Near Field Communication,简称NFC),2G、3G或4G,或它们中的一种或几种的组合,因此相应的该通信组件805可以包括:Wi-Fi模块,蓝牙模块,NFC模块。
在一示例性实施例中,基于时-谱匹配的脉冲信号特征参数识别设备800可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit,简称ASIC)、数字信号处理器(DigitalSignal Processor,简称DSP)、数字信号处理设备(Digital SignalProcessing Device,简称DSPD)、可编程逻辑器件(Programmable Logic Device,简称PLD)、现场可编程门阵列(Field Programmable Gate Array,简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述的基于时-谱匹配的脉冲信号特征参数识别方法。
在另一示例性实施例中,还提供了一种包括程序指令的计算机可读存储介质,该程序指令被处理器执行时实现上述的基于时-谱匹配的脉冲信号特征参数识别方法的步骤。例如,该计算机可读存储介质可以为上述包括程序指令的存储器802,上述程序指令可由基于时-谱匹配的脉冲信号特征参数识别设备800的处理器801执行以完成上述的基于时-谱匹配的脉冲信号特征参数识别方法。
实施例4:
相应于上面的方法实施例,本实施例中还提供了一种可读存储介质,下文描述的一种可读存储介质与上文描述的一种基于时-谱匹配的脉冲信号特征参数识别方法可相互对应参照。
一种可读存储介质,可读存储介质上存储有计算机程序,计算机程序被处理器执行时实现上述方法实施例的基于时-谱匹配的脉冲信号特征参数识别方法的步骤。
该可读存储介质具体可以为U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可存储程序代码的可读存储介质。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (8)
1.一种基于时-谱匹配的脉冲信号特征参数识别方法,其特征在于,包括:
获取原始信号数据,利用所述原始信号数据构建基于预设采样频率的信号序列,确定信号序列的第一脉冲峰值所在的半循环序列的数据点个数,包括:
采用插值法,将所述原始信号数据构建为信号序列;
确定原始地震动数据的第一脉冲峰值;
获取第一脉冲峰值两侧的脉冲值为0时,所对应的第一时间点和第二时间点;
获取第一时间点和第二时间点之间的全部时间点的数量;
利用所述半循环序列的数据点个数确定平滑基点数;
根据所述平滑基点数,利用移动平均法平滑所述信号序列得到平滑脉冲序列;
确定平滑脉冲序列的第二脉冲峰值和第二脉冲峰值对应的时间点;
在预设的搜索空间中利用循环迭代法依次确定脉冲周期、循环数和相位角,使第二脉冲峰值、第二脉冲峰值对应的时间点、所述脉冲周期、循环数和相位角计算得到的咖柏小波与平滑脉冲序列实现最佳拟合;
根据多个平滑基点数,分别利用移动平均法平滑原始信号数据得到多个平滑脉冲序列;
利用循环迭代法确定咖柏小波与每个平滑脉冲序列实现最佳拟合时,咖柏小波所对应的脉冲周期、循环数和相位角;
分别计算每个咖柏小波的速度反应谱峰值和原始信号数据的速度反应谱峰值,当咖柏小波与平滑脉冲序列之间的速度反应谱峰值平方误差总和为最小值时,将咖柏小波所对应的脉冲周期、循环数和相位角作为原始信号数据的最终参数特征值。
2.根据权利要求1所述的基于时-谱匹配的脉冲信号特征参数识别方法,其特征在于,利用所述半循环序列的数据点个数确定平滑基点数,包括:
获取预设的多个经验数值;
分别计算预设的多个经验数值与半循环序列的数据点个数的乘积,将每个乘积作为一个平滑基点数。
3.根据权利要求1所述的基于时-谱匹配的脉冲信号特征参数识别方法,其特征在于,利用循环迭代法确定脉冲周期,包括:
令循环数为第一初始值、令相位角为第二初始值;
获取脉冲周期的第一搜索空间;
在所述脉冲周期的第一搜索空间中依次取值,利用脉冲周期所取的值、第一初始值、第二初始值、第二脉冲峰值和第二脉冲峰值对应的时间点计算得到咖柏小波;
采用非线性最小二乘拟合所述咖柏小波与平滑脉冲序列,当咖柏小波与平滑脉冲序列之间的平方误差总和为最小值时,将脉冲周期所取的值作为脉冲周期。
4.根据权利要求3所述的基于时-谱匹配的脉冲信号特征参数识别方法,其特征在于,利用循环迭代法确定循环数,包括:
用于获取已确定的脉冲周期,令相位角为第二初始值;
获取循环数的第二搜索空间;
在所述循环数的第二搜索空间中依次取值,利用循环数所取的值、已确定的脉冲周期、第二初始值、第二脉冲峰值和第二脉冲峰值对应的时间点计算得到咖柏小波;
采用非线性最小二乘拟合所述咖柏小波与平滑脉冲序列,当咖柏小波与平滑脉冲序列之间的平方误差总和为最小值时,将循环数所取的值作为循环数。
5.一种基于时-谱匹配的脉冲信号特征参数识别装置,其特征在于,包括:
获取模块:用于获取原始信号数据,利用所述原始信号数据构建基于预设采样频率的信号序列,确定信号序列的第一脉冲峰值所在的半循环序列的数据点个数,包括:
采用插值法,将所述原始信号数据构建为信号序列;
确定原始地震动数据的第一脉冲峰值;
获取第一脉冲峰值两侧的脉冲值为0时,所对应的第一时间点和第二时间点;
获取第一时间点和第二时间点之间的全部时间点的数量;
第一确定模块:用于利用所述半循环序列的数据点个数确定平滑基点数;
平滑模块:用于根据所述平滑基点数,利用移动平均法平滑原始信号数据得到平滑脉冲序列;
第二确定模块:用于确定平滑脉冲序列的第二脉冲峰值和第二脉冲峰值对应的时间点;
循环迭代模块:用于在预设的搜索空间中利用循环迭代法依次确定脉冲周期、循环数和相位角,使第二脉冲峰值、第二脉冲峰值对应的时间点、所述脉冲周期、循环数和相位角计算得到的咖柏小波与平滑脉冲序列实现最佳拟合;
平滑单元:用于根据多个所述平滑基点数,分别利用移动平均法平滑原始信号数据得到多个平滑脉冲序列;
第三拟合单元:用于利用循环迭代法确定咖柏小波与每个平滑脉冲序列实现最佳拟合时,咖柏小波所对应的脉冲周期、循环数和相位角;
第二计算单元:用于分别计算每个咖柏小波的速度反应谱峰值和原始信号数据的速度反应谱峰值,当咖柏小波与平滑脉冲序列之间的速度反应谱峰值平方误差总和为最小值时,将咖柏小波循环数所对应的脉冲周期、循环数和相位角作为原始信号数据的最终参数特征值。
6.根据权利要求5所述的基于时-谱匹配的脉冲信号特征参数识别装置,其特征在于,所述第一确定模块包括:
第一获取单元:用于获取预设的多个经验数值;
第一计算单元:用于分别计算预设的多个经验数值与半循环序列的数据点个数的乘积,将每个乘积作为一个平滑基点数。
7.根据权利要求5所述的基于时-谱匹配的脉冲信号特征参数识别装置,其特征在于,所述循环迭代模块包括:
第一设定单元:用于令循环数为第一初始值、令相位角为第二初始值;
第二获取单元:用于获取脉冲周期的第一搜索空间;
第一取值单元:用于在所述脉冲周期的第一搜索空间中依次取值,利用脉冲周期所取的值、第一初始值、第二初始值、第二脉冲峰值和第二脉冲峰值对应的时间点计算得到咖柏小波;
第一拟合单元:用于采用非线性最小二乘拟合所述咖柏小波与平滑脉冲序列,当咖柏小波与平滑脉冲序列之间的平方误差总和为最小值时,将脉冲周期所取的值作为脉冲周期。
8.根据权利要求7所述的基于时-谱匹配的脉冲信号特征参数识别装置,其特征在于,所述循环迭代模块包括:
第二设定单元:用于获取已确定的脉冲周期,令相位角为第二初始值;
第三获取单元:用于获取循环数的第二搜索空间;
第二取值单元:用于在所述循环数的第二搜索空间中依次取值,利用循环数所取的值、已确定的脉冲周期、第二初始值、第二脉冲峰值和第二脉冲峰值对应的时间点计算得到咖柏小波;
第二拟合单元:用于采用非线性最小二乘拟合所述咖柏小波与平滑脉冲序列,当咖柏小波与平滑脉冲序列之间的平方误差总和为最小值时,将循环数所取的值作为循环数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311196973.2A CN116933144B (zh) | 2023-09-18 | 2023-09-18 | 基于时-谱匹配的脉冲信号特征参数识别方法及相关装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311196973.2A CN116933144B (zh) | 2023-09-18 | 2023-09-18 | 基于时-谱匹配的脉冲信号特征参数识别方法及相关装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116933144A CN116933144A (zh) | 2023-10-24 |
CN116933144B true CN116933144B (zh) | 2023-12-08 |
Family
ID=88377526
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311196973.2A Active CN116933144B (zh) | 2023-09-18 | 2023-09-18 | 基于时-谱匹配的脉冲信号特征参数识别方法及相关装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116933144B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102007044377A1 (de) * | 2007-09-17 | 2009-03-19 | Tokyo Keiso Co., Ltd. | Ultraschalldurchflussmesser |
CN102293639A (zh) * | 2011-06-30 | 2011-12-28 | 芜湖圣美孚科技有限公司 | 一种脉象信号时域特征提取方法 |
CN104217729A (zh) * | 2013-05-31 | 2014-12-17 | 杜比实验室特许公司 | 音频处理方法和音频处理装置以及训练方法 |
CN105554973A (zh) * | 2014-10-22 | 2016-05-04 | Dialog半导体(英国)有限公司 | 用于led灯驱动器的精确电源时间基准 |
CN111551994A (zh) * | 2020-05-11 | 2020-08-18 | 中国地震局地球物理研究所 | 一种匹配多目标的频率非平稳地震动拟合方法 |
CN114002258A (zh) * | 2021-10-31 | 2022-02-01 | 中国科学院精密测量科学与技术创新研究院 | 利用动态核极化增强建立时间的快速测量二维弛豫的方法 |
CN114626409A (zh) * | 2022-02-21 | 2022-06-14 | 中铁第四勘察设计院集团有限公司 | 一种近断层加速度脉冲识别方法、存储介质及计算机设备 |
CN115308792A (zh) * | 2022-06-30 | 2022-11-08 | 中铁第四勘察设计院集团有限公司 | 地震动反应谱的拟合方法、装置、电子设备及存储介质 |
CN115903017A (zh) * | 2022-10-17 | 2023-04-04 | 西南交通大学 | 一种近断层脉冲型地震动参数化方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR3016758B1 (fr) * | 2014-01-23 | 2017-08-11 | Commissariat Energie Atomique | Procede et systeme d'extraction dynamique d'impulsions dans un signal temporel bruite |
US11448727B2 (en) * | 2015-07-17 | 2022-09-20 | Origin Wireless, Inc. | Method, apparatus, and system for human recognition based on gait features |
-
2023
- 2023-09-18 CN CN202311196973.2A patent/CN116933144B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102007044377A1 (de) * | 2007-09-17 | 2009-03-19 | Tokyo Keiso Co., Ltd. | Ultraschalldurchflussmesser |
CN102293639A (zh) * | 2011-06-30 | 2011-12-28 | 芜湖圣美孚科技有限公司 | 一种脉象信号时域特征提取方法 |
CN104217729A (zh) * | 2013-05-31 | 2014-12-17 | 杜比实验室特许公司 | 音频处理方法和音频处理装置以及训练方法 |
CN105554973A (zh) * | 2014-10-22 | 2016-05-04 | Dialog半导体(英国)有限公司 | 用于led灯驱动器的精确电源时间基准 |
CN111551994A (zh) * | 2020-05-11 | 2020-08-18 | 中国地震局地球物理研究所 | 一种匹配多目标的频率非平稳地震动拟合方法 |
CN114002258A (zh) * | 2021-10-31 | 2022-02-01 | 中国科学院精密测量科学与技术创新研究院 | 利用动态核极化增强建立时间的快速测量二维弛豫的方法 |
CN114626409A (zh) * | 2022-02-21 | 2022-06-14 | 中铁第四勘察设计院集团有限公司 | 一种近断层加速度脉冲识别方法、存储介质及计算机设备 |
CN115308792A (zh) * | 2022-06-30 | 2022-11-08 | 中铁第四勘察设计院集团有限公司 | 地震动反应谱的拟合方法、装置、电子设备及存储介质 |
CN115903017A (zh) * | 2022-10-17 | 2023-04-04 | 西南交通大学 | 一种近断层脉冲型地震动参数化方法 |
Non-Patent Citations (6)
Title |
---|
A simple and quantitative algorithm for identifying pulse-like ground motions based on zero velocity point method;Guochen Zhao等;《Bulletin of the Seismological Society of America》;第106卷(第03期);1-13 * |
Automated classification of near-fault acceleration pulses using wavelet packets;Zhiwang Chang等;《Computer-Aided Civil and Infrastructure Engineering》;第34卷(第07期);569-585 * |
Parametricstatisticalgeneralizationofuniform- hazardearthquakeground motion;DICKINSON B W等;《Journal of structural engineering》;第137卷(第03期);410-422 * |
一种有效的地震动速度时程时域特性分析方法;赵国臣等;《 地球物理学报 》;第59卷(第06期);2138-2147 * |
近断层地震动的一种随机模型及其参数识别;陈曦等;《西安建筑科技大学学报(自然科学版)》;第55卷(第02期);166-173 * |
震源机制参数对模拟地震动场速度脉冲的影响;孙晓丹等;《地球物理学进展 》;第37卷(第04期);1484-1491 * |
Also Published As
Publication number | Publication date |
---|---|
CN116933144A (zh) | 2023-10-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Golyandina | Particularities and commonalities of singular spectrum analysis as a method of time series analysis and signal processing | |
CN110136744B (zh) | 一种音频指纹生成方法、设备及存储介质 | |
Meignen et al. | Adaptive multimode signal reconstruction from time–frequency representations | |
Özcan et al. | LiDAR data filtering and DTM generation using empirical mode decomposition | |
Meignen et al. | Retrieval of the modes of multicomponent signals from downsampled short-time Fourier transform | |
KR101476111B1 (ko) | 단시간 푸리에 변환기법을 이용한 탄성파 반사법 탐사자료의 개별 주파수 특성 분석 방법 및 장치 | |
Chen et al. | Combining fractional‐order edge detection and chaos synchronisation classifier for fingerprint identification | |
JP6908774B2 (ja) | オーディオ指紋抽出方法及び装置 | |
Ghil et al. | Spectral methods: What they can and cannot do for climatic time series | |
Xi et al. | Device-free human activity recognition using CSI | |
CN103092826A (zh) | 一种根据用户的输入信息构建输入词条的方法与设备 | |
Butsenko et al. | Estimating sparse signals using integrated wideband dictionaries | |
Ghafoor et al. | Efficient 2‐fold contextual filtering approach for fingerprint enhancement | |
CN115587321B (zh) | 一种脑电信号识别分类方法、系统及电子设备 | |
CN104809357A (zh) | 一种三维粗糙表面多尺度接触行为的分析方法及装置 | |
Chen et al. | Angle-of-arrival-based gesture recognition using ultrasonic multi-frequency signals | |
CN116933144B (zh) | 基于时-谱匹配的脉冲信号特征参数识别方法及相关装置 | |
CN114997213A (zh) | 信号识别方法、装置、电子设备及存储介质 | |
Yap et al. | Localization of acoustic source on solids: A linear predictive coding based algorithm for location template matching | |
US20210240806A1 (en) | Vibration signal-based smartwatch authentication method | |
EP3227772A2 (en) | Systems and methods for generating random numbers using physical variations present in material samples | |
Dang et al. | Trend-adaptive multi-scale PCA for data fault detection in IoT networks | |
Hassani et al. | Forecasting energy data with a time lag into the future and Google trends | |
CN114840834A (zh) | 一种基于步态特征的隐式身份认证方法 | |
JP2015184743A (ja) | 画像処理装置および物体認識方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |