CN117390373B - 一种通信传输设备调测维修管理方法及系统 - Google Patents
一种通信传输设备调测维修管理方法及系统 Download PDFInfo
- Publication number
- CN117390373B CN117390373B CN202311705849.4A CN202311705849A CN117390373B CN 117390373 B CN117390373 B CN 117390373B CN 202311705849 A CN202311705849 A CN 202311705849A CN 117390373 B CN117390373 B CN 117390373B
- Authority
- CN
- China
- Prior art keywords
- extreme point
- component signal
- representing
- signal
- amplitude
- 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
- 230000005540 biological transmission Effects 0.000 title claims abstract description 38
- 238000004891 communication Methods 0.000 title claims abstract description 32
- 238000012423 maintenance Methods 0.000 title claims abstract description 15
- 238000007726 management method Methods 0.000 title claims description 8
- 230000002159 abnormal effect Effects 0.000 claims abstract description 82
- 238000000034 method Methods 0.000 claims abstract description 36
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 19
- 238000012216 screening Methods 0.000 claims abstract description 13
- 230000006870 function Effects 0.000 claims description 31
- 230000005856 abnormality Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 5
- 239000006185 dispersion Substances 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 2
- 238000005259 measurement Methods 0.000 claims 2
- 238000012545 processing Methods 0.000 abstract description 13
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 230000008030 elimination Effects 0.000 abstract description 2
- 238000003379 elimination reaction Methods 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 18
- 238000012544 monitoring process Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/08—Testing, supervising or monitoring using real traffic
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Monitoring And Testing Of Transmission In General (AREA)
Abstract
本发明涉及信号处理技术领域，具体涉及一种通信传输设备调测维修管理方法及系统，包括：根据原始信号分解结果得到每个分量信号的特征因子以及对照因子，进而得到每个分量信号的模态混叠判定因子，根据模态混叠判定因子得到若干个可疑分量信号；然后根据可疑分量信号中每类极值点幅值的异常贡献率以及特征异常率得到每类极值点幅值的异常程度，进而得到所有可疑分量信号中的异常极值点幅值；筛除可疑分量信号中所有异常极值点幅值，再根据各个分量信号中剩余的极值点幅值对得到最优端点延展方案。本发明降低了噪声的消除难度且保留了原始信号中的有效信息，有利于通信传输设备的调测、维修工作。
Description
技术领域
本发明涉及信号处理技术领域，具体涉及一种通信传输设备调测维修管理方法及系统。
背景技术
通信传输设备的调测维修管理方法及系统是指针对通信设备在使用过程中可能出现的问题，通过一定的方法和系统进行调试、诊断、维修和管理，以确保通信设备的正常运行。通过定期有效的调测、维修管理可以快速发现并解决设备故障，预防潜在问题，减少通信网络的停机时间，减少通信中断，从而提供更好的通信服务。
调测过程中需要对通信传输设备的运行数据进行实时监测，主要是监测设备与基站之间的信号强度，但是由于传感器干扰或电磁干扰等会导致设备的信号数据中经常存在异常数据或噪声数据，往往需要利用信号处理算法对异常数据进行剥离，而一些现有的信号分析、处理算法普遍存在端点效应问题，可能会导致信号的分析、处理结果存在误差甚至直接丢失有效信息，非常不利于通信设备的调测维修。
发明内容
本发明提供一种通信传输设备调测维修管理方法及系统，以解决现有利用信号处理算法对通信传输设备监测信号中的异常数据进行剥离时，存在端点效应影响信号数据处理精度的问题。
本发明的一种通信传输设备调测维修管理方法及系统采用如下技术方案：
本发明一个实施例提供了一种通信传输设备调测维修管理方法，该方法包括以下步骤：
获取网络传输信号，将网络传输信号作为原始信号，对原始信号进行分解得到若干个分量信号；
获取每个分量信号中相邻极值点之间的时宽以及落差值，根据每个分量信号中相邻极值点之间的时宽以及落差值得到每个分量信号的特征因子以及对照因子，根据每个分量信号的特征因子以及对照因子得到每个分量信号的模态混叠判定因子，根据模态混叠判定因子得到若干个可疑分量信号；
获取每个可疑分量信号的中值点，根据可疑分量信号中所有极值点幅值得到每类极值点幅值的异常贡献率，根据可疑分量信号中每类极值点幅值与中值点的时宽得到每类极值点幅值的特征异常率，根据异常贡献率以及特征异常率得到每类极值点幅值的异常程度，根据每类极值点幅值的异常程度得到所有可疑分量信号中的异常极值点幅值；
筛除可疑分量信号中所有异常极值点幅值，根据各个分量信号中剩余的极值点幅值对各分量信号的两侧端点进行替换，得到所有分量信号的若干种端点延展方案，每种所述端点延展方案包含两个极值点幅值，根据每种所述端点延展方案包含两个极值点幅值获取所有端点延展方案的目标函数输出值，根据所有端点延展方案的目标函数输出值得到最优端点延展方案，根据最优端点延展方案得到去噪后的原始信号。
进一步的，所述根据每个分量信号中相邻极值点之间的时宽以及落差值得到每个分量信号的特征因子以及对照因子，包括的具体步骤如下：
将每个分量信号中相邻两个极值点的横轴时间值的差值绝对值作为两个相邻极值点之间的时宽；
将每个分量信号中相邻两个极值点的幅值的差值绝对值作为两个相邻极值点之间的落差值；
；
其中，r代表第r个分量信号，表示第r个分量信号的信号特征因子，/>代表第r个分量信号的特征对照因子，/>表示第r个分量信号中的最大落差值，/>代表第r个分量信号中的最小落差值；i代表第r个分量信号中第i个极值点，/>代表第r个分量信号中第i个极值点与相邻第i-1个极值点之间的时宽，/>代表第r个分量信号中所有相邻极值点之间时宽的标准差，/>代表第r个分量信号中所有相邻极值点之间时宽的平均值。
进一步的，所述根据每个分量信号的特征因子以及对照因子得到每个分量信号的模态混叠判定因子，根据模态混叠判定因子得到若干个可疑分量信号，包括的具体步骤如下：
；
其中，表示第r个分量信号的信号特征因子，/>代表第r+1个分量信号的特征对照因子，/>代表以自然常数为底的指数函数，/>代表第r个分量信号中的模态混叠判定因子；
预设判定阈值，将模态混叠判定因子大于等于判定阈值的分量信号作为可疑分量信号，得到所有可疑分量信号。
进一步的，所述根据可疑分量信号中所有极值点幅值得到每类极值点幅值的异常贡献率，包括的具体步骤如下：
将每个分量信号中数值相同极值点幅值视为同一类幅值；
；
其中，j代表第j个可疑分量信号，L代表第L类极值点幅值类型，代表第j个可疑分量信号中第L类极值点幅值的异常贡献率，/>代表第j个可疑分量信号所有极值点幅值，/>代表所有极值点幅值的方差,/>代表第j个可疑分量信号中除第L类极值点幅值之外其他所有的极值点幅值，/>代表除第L类极值点幅值之外其他所有的极值点幅值的方差，/>代表离差归一化函数，/>代表预设常数。
进一步的，所述根据可疑分量信号中每类极值点幅值与中值点的时宽得到每类极值点幅值的特征异常率，包括的具体步骤如下：
将原始信号时序上的中点位置对应的横轴时间值作为所有可疑分量信号的中值点；
；
其中，j代表第j个可疑分量信号，L代表第L类极值点幅值类型，代表第j个可疑分量信号中第L类极值点幅值的特征异常率，N代表第L类极值点幅值的数量，v代表第L类极值点幅值的第v个极值点，/>代表第j个可疑分量信号中第L类极值点幅值的第v个极值点与中值点之间的时宽,/>代表第j个可疑分量信号中第L类极值点幅值的数值，/>代表第j个可疑分量信号的平均幅值，/>代表双曲正切函数。
进一步的，所述根据异常贡献率以及特征异常率得到每类极值点幅值的异常程度，根据每类极值点幅值的异常程度得到所有可疑分量信号中的异常极值点幅值，包括的具体步骤如下：
；
其中，代表第j个可疑分量信号中第L类极值点幅值的异常贡献率，/>代表第j个可疑分量信号中第L类极值点幅值的特征异常率，/>代表第j个可疑分量信号中第L类极值点幅值的异常程度；
预设异常阈值，将异常程度大于等于异常阈值的极值点幅值作为异常极值点幅值，得到每个可疑分量信号中的所有异常极值点幅值。
进一步的，所述筛除可疑分量信号中所有异常极值点幅值，根据各个分量信号中剩余的极值点幅值对各分量信号的两侧端点进行替换，得到所有分量信号的若干种端点延展方案，包括的具体步骤如下：
筛除每个可疑分量信号中的异常极值点幅值，然后在每个分量信号剩余的极值点幅值中任意选择两个极值点幅值来替换分量信号的两侧端点，将每次选择的两个极值点幅值作为一个端点组合，每个分量信号中可得到若干种端点组合；
将任意一种端点组合作为一种端点延展方案，得到所有端点延展方案。
进一步的，所述根据每种所述端点延展方案包含两个极值点幅值获取所有端点延展方案的目标函数输出值，根据所有端点延展方案的目标函数输出值得到最优端点延展方案，包括的具体步骤如下：
获取每种端点延展方案中所选择的两个极值点幅值；
利用每种延展方案的极值点幅值替换每个分量信号两侧端点后，获取各个分量信号新端点与相邻极值点的斜率值，以及落差值；
；
其中，代表端点延展方案目标函数的输出值，x代表第x个分量信号，M代表原始信号分解的所有IMF分量信号数量，r代表端点延展之后分量信号的右侧新端点，/>代表端点延展之后分量信号左侧新端点，/>代表第x个分量信号右侧新端点与相邻极值点的斜率值，/>代表所有分量信号右侧新端点斜率值的方差，/>代表第x个分量信号左侧新端点与相邻极值点的斜率值，/>代表所有分量信号左侧新端点斜率值的方差，/>代表第x个分量信号右侧新端点与相邻极值点的落差值，/>代表第x个分量信号左侧新端点与相邻极值点的落差值；
根据所有端点延展方案得到每种端点延展方案的目标函数输出值，将目标函数输出值最大的一个端点延展方案作为最优端点延展方案。
进一步的，所述根据最优端点延展方案得到去噪后的原始信号，包括的具体步骤如下：
根据最优端点延展方案，得到所有分量信号新的端点，将端点延展后的所有分量信号进行重构，得到端点延展后新的原始信号；
将端点延展后新的原始信号重新进行EMD分解，得到若干个新的分量信号，舍弃靠前的若干个新的分量信号后，将剩余新的分量信号重构，得到去噪后的原始信号。
一种通信传输设备调测维修管理系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述计算机程序执行并实现以上所有方法。
本发明的技术方案的有益效果是：
本发明通过对原始信号每个分量信号的特征因子，以及相邻分量信号的对照因子进行提取，得到模态混叠判定因子，用于对比相邻分量信号中的信息混叠情况，并利用模态混叠判定因子对原始信号的所有分量信号进行筛选，并将筛选出的分量信号作为端点效应直接导致存在异常幅值的可疑分量信号。然后再利用可疑分量信号得到异常极值点幅值，提前筛除异常极值点幅值可以在对端点进行延展时，避免异常极值点幅值代替原端点而产生更大的信号失真问题，并且对于端点延展后的分量信号重构原始信号时，避免了端点偏移的问题，将重构的原始信号重新分解后所得的每个分量信号中，信号成分更为单一，大幅降低了噪声的消除难度且保留了原始信号中的有效信息；本发明通过优化预处理过程中存在的端点效应提高了通信传输设备的监测信号数据质量，有利于通信传输设备的调测、维修工作。
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，下面描述中的附图仅仅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为本发明一种通信传输设备调测维修管理方法的步骤流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种通信传输设备调测维修管理方法及系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种通信传输设备调测维修管理方法及系统的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种通信传输设备调测维修管理方法的步骤流程图，该方法包括以下步骤：
步骤S001、获取网络传输信号，将网络传输信号作为原始信号，对原始信号进行EMD分解得到若干个分量信号。
最常见的通信传输设备就是手机类的移动终端设备，以移动终端设备为例；
利用信号强度仪器扫描并采集移动终端设备与基站之间的网络传输信号，连续采集30分钟的网络传输信号，得到网络传输信号曲线，横轴为时间，纵轴为信号强度，将已采集的网络传输信号曲线作为原始信号。
由于采集过程中信号源交错，干扰因素较多，因此原始信号中往往存在大量噪声信号，需要一定信号处理手段滤除噪声，对于干扰源成分复杂的原始信号，直接采用滤波算法进行处理时存在精度限制，经常需要先利用信号分解算法分离信号成分，再配合滤波算法或拟合算法等对不同信号成分再进行自适应处理，可以得到精度较优的噪声处理结果。
选择EMD经验模态分解算法对原始信号进行信号分解处理，由于原始信号属于在连续的网络传输信号中所截取的一段有限长度的信号，因此原始信号两侧端点处的信号强度可能并非极值点，EMD分解算法则是通过对所有极值点的均值包络线重复做差值计算，直至均值包络线水平作为收敛条件，得到各个信号成分，因此当端点并非极值点时，就会对后续分解过程产生具有传递性的误差，对于其他分解算法也同样如此，这种由于端点所导致的误差现象即称为分解算法中的端点效应。
利用EMD经验模态分解算法对原始信号进行信号分解后，可以得到若干个固有模态函数，简称为IMF分量信号。
步骤S002、获取每个分量信号中相邻极值点之间的时宽以及落差值，根据每个分量信号中相邻极值点之间的时宽以及落差值得到每个分量信号的特征因子以及对照因子，根据每个分量信号的特征因子以及对照因子得到每个分量信号的模态混叠判定因子，根据模态混叠判定因子得到若干个可疑分量信号。
由于端点效应会使分量信号中出现模态混叠，即各个分量信号中的信号成分纯度较差，混合了其他分量信号中的信号成分，因此先对可能发生模态混叠的分量信号进行筛选，具体筛选步骤如下：
获取每个分量信号中的所有极值点，每两个相邻的极值点之间存在一组落差值，即相邻极值点的幅值的差值绝对值为该两个相邻极值点之间的落差值，得到所有相邻极值点之间的落差值；获取每两个相邻极值点之间的时宽，即相邻极值点的横轴时间值的差值绝对值为该两个相邻极值点之间的时宽，得到所有相邻极值点之间的时宽；
进一步的，在EMD经验模态分解结果中，相邻的IMF分量信号在振幅以及频率上存在差异，一般在分量信号分解顺序中越靠下的IMF分量信号振幅越大且信号频率越低，因此越靠下的分量信号中的极值点数量越少且相邻极值点的落差值大，这是所有分量信号的特征规律；
当端点效应导致分量信号发生模态混叠时，往往是在分解顺序中的上级分量信号中的部分信号段混杂着相邻下一级分量信号中的信息，这些下级分量信息未完全分解残留在上级分量中，因此在发生模态混叠的上级分量信号的局部信号段中会表现出下级分量信号特征，对每个分量信号提取特征因子，再对该分量信号的下级分量提取对照因子，具体为：
；
其中，r代表第r个分量信号，表示第r个分量信号的信号特征因子，/>代表第r个分量信号的特征对照因子，/>表示第r个分量信号中的最大落差值，/>代表第r个分量信号中的最小落差值；i代表第r个分量信号中第i个极值点，/>代表第r个分量信号中第i个极值点与相邻第i-1个极值点之间的时宽，/>代表第r个分量信号中所有相邻极值点之间时宽的标准差，/>代表第r个分量信号中所有相邻极值点之间时宽的平均值；
代表第r个分量信号中的极值点落差值极差，代表第r个分量信号中的极值点落差值与第r个分量信号中所有相邻极值点之间时宽的标准差的欧式范数；/>代表第r个分量信号中的极值点落差值极差与第r个分量信号中所有相邻极值点之间时宽的平均值的欧式范数；
需要说明的是，由于模态混叠发生在分量信号的局部信号段，局部信号段的幅值、频率会呈现出一定下级分量信号中的幅值、频率特征，因此以分量信号中相邻极值点之间的落差值极值来体现模态混叠幅值信息的残留特征，以分量信号中相邻极值点之间时宽的标准差来体现模态混叠频率信息的残留特征，以分量信号中相邻极值点之间的落差值极差与相邻极值点之间时宽的标准差的欧式范数，作为该分量信号的特征因子；以分量信号中相邻极值点之间的落差值极差与相邻极值点之间时宽的平均值的欧式范数，作为该分量信号的对照因子；
进一步的，在上级分量信号中混杂着相邻下一级分量信息的信号段会与下一级分量信号的分布特征具有一定相似性，提取每个分量信号中的特征因子之后，与该分量信号的相邻下一级分量信号的对照因子进行相差，得到该分量信号的模态混叠判定因子，具体为：
；
其中，第r+1个分量信号为第r个分量信号的相邻下级分量信号，代表第r+1个分量信号的特征对照因子，/>代表以自然常数为底的指数函数，/>代表第r个分量信号中的模态混叠判定因子；
需要说明的是，当第r个分量信号的特征因子与第r+1个分量信号的对照因子相差所得差值绝对值越接近0，代表第r个分量信号的特征因子与第r+1个分量信号中的对照因子相似度较高，因此第r个分量信号中越可能存在模态混叠；
利用指数函数对r个分量信号特征因子与第r+1个分量信号中的对照因子的差值绝对值进行反比例归一化后，预设判定阈值为0.7，当分量信号的模态混叠判定因子大于等于0.7时，将该分量信号判定为可疑分量信号；
利用判定阈值得到所有可疑分量信号；
需要说明的是，筛选可疑分量信号的目的在于方便后续筛除异常极值点幅值。
步骤S003、获取每个可疑分量信号的中值点，根据可疑分量信号中所有极值点幅值得到每类极值点幅值的异常贡献率，根据可疑分量信号中每类极值点幅值与中值点的时宽得到每类极值点幅值的特征异常率，根据异常贡献率以及特征异常率得到每类极值点幅值的异常程度，根据每类极值点幅值的异常程度得到所有可疑分量信号中的异常极值点幅值。
端点效应的本质是原始信号两端缺乏足够完整的数据，因此需要将两侧端点进行延展，补偿原始信号端点处的数据完整性来解决端点效应问题，而将端点直接替换为某一类合适的极值点幅值时，对于信号分解而言补偿效果最好，但在此之前，需要从可疑分量信号中筛选出异常极值点幅值。
获取每个可疑分量信号中的极值点幅值，将数值相同极值点幅值视为同一类幅值；
获取可疑分量信号的中值点，即原始信号的中点位置对应的横轴时间值，然后计算每个极值点幅值与中值点之间时间值的差值绝对值，作为每个极值点幅值与中值点的时宽，得到所有极值点幅值与中值点的时宽；
；
其中，j代表第j个可疑分量信号，L代表第L类极值点幅值类型，代表第j个可疑分量信号中第L类极值点幅值的异常贡献率，/>代表第j个可疑分量信号所有极值点幅值，代表所有极值点幅值的方差,/>代表第j个可疑分量信号中除第L类极值点幅值之外其他所有的极值点幅值，/>代表除第L类极值点幅值之外其他所有的极值点幅值的方差，/>代表离差归一化函数，/>代表预设常数1；/>代表第j个可疑分量信号中第L类极值点幅值的特征异常率，N代表第L类极值点幅值的数量，v代表第L类极值点幅值的第v个极值点，/>代表第j个可疑分量信号中第L类极值点幅值的第v个极值点与中值点之间的时宽,/>代表第j个可疑分量信号中第L类极值点幅值的数值，/>代表第j个可疑分量信号的平均幅值，/>代表双曲正切函数。
代表除第L类极值点幅值之外其他所有的极值点幅值的方差与所有极值点幅值的方差的比值，该方差比值越小，代表当不计算第L类极值点幅值时，第j个分量信号的幅值方差相比包含第L类极值点幅值时的幅值方差有所减小，那么第L类极值点幅值对第j个分量信号的异常贡献率越高，因此/>代表利用归一化函数将方差比值归一化，然后利用常数1减去归一化结果来矫正公式逻辑，将/>称为第j个可疑分量信号中第L类极值点幅值的异常贡献率，记为/>；
端点效应会使得分解后的IMF分量信号在端点附近出现振幅突变和频率跳跃的情况，代表第L类极值点幅值的所有极值点与中值点之间的时宽的平均值，该值越大，代表第L类极值点幅值的所有极值点越可能分布在靠近信号两侧端点的位置，即越可能为异常幅值；/>代表第L类极值点幅值与第j个分量信号的平均幅值的差值绝对值，该值越大也代表第L类极值点幅值在分量信号中越离散且异常，因此将该差值绝对值与第L类极值点幅值的所有极值点与中值点之间的时宽的平均值相乘，并利用双曲正切函数对乘积进行正比例归一化，将/>称为第j个可疑分量信号中第L类极值点幅值的特征异常率，记为/>；
然后将第j个可疑分量信号中第L类极值点幅值的异常贡献率与特征异常率的乘积，作为第j个可疑分量信号中第L类极值点幅值的异常程度；当一类极值点幅值的幅值越离散、分布位置越靠近分量信号两侧端点、且去除该类极值点幅值后会使分量信号的幅值方差减小时，该类极值点幅值的异常程度越高，越可能为异常极值点幅值；
预设异常阈值，本实施例设置为0.8，当极值点幅值的异常程度大于等于异常阈值时，将其判定为异常极值点幅值，得到第j个可疑分量信号中所有异常极值点幅值；
进而得到所有可疑分量信号中的所有异常极值点幅值；
需要说明的是，筛选可疑分量信号的目的是为了筛选异常极值点幅值，筛选异常极值点幅值的目的是为了后续在对分量信号的端点进行延展时，避免异常极值点幅值成为新的信号端点，从而导致更严重的信号失真问题。
步骤S004、筛除可疑分量信号中所有异常极值点幅值，根据各个分量信号中剩余的极值点幅值对各分量信号的两侧端点进行替换，得到所有分量信号的若干种端点延展方案，获取所有端点延展方案的目标函数输出值，根据所有端点延展方案的目标函数输出值得到最优端点延展方案，根据最优端点延展方案得到去噪后的原始信号。
由于当前信号的端点并非是极值点，才导致了端点效应，因此将端点延展为某一个极值点幅值，即可解决端点效应；在此之前，需要先将已筛选出的异常极值点幅值去除，然后在所有分量信号中各自剩余的极值点幅值中，选择任意两个极值点幅值替换分量信号当前的端点，使其成为各个分量信号新的端点幅值，这一过程称为对原端点的延展；
需要说明的是，对包括可疑分量信号所有分量信号，都要进行端点的延展；
假设IMF分量信号共M个，在每个分量信号剩余的极值点幅值中任意选择两个极值点幅值来替换分量信号的两侧端点，将每次选择的两个极值点幅值作为一个端点组合，则每个分量信号中可得到A种端点组合，那么迭代所有可能性之后，可得到种分量信号的端点延展方案，其中x代表第x个分量信号；
进一步的，对所有M个分量信号的F种端点延展方案构建目标函数，具体为：
获取每种端点延展方案中所选择的两个极值点幅值；
将每种延展方案的极值点幅值替换每个分量信号两侧端点后，获取各个分量信号新端点与相邻极值点的斜率值，以及落差值；
；
其中，代表目标函数的输出值，x代表第x个分量信号，M代表分量信号总数，r代表端点延展之后分量信号的右侧新端点，/>代表端点延展之后分量信号左侧新端点，/>代表第x个分量信号右侧新端点与相邻极值点的斜率值，/>代表所有分量信号右侧新端点斜率值的方差，/>代表第x个分量信号左侧新端点与相邻极值点的斜率值，/>代表所有分量信号左侧新端点斜率值的方差，/>代表第x个分量信号右侧新端点与相邻极值点的落差值，/>代表第x个分量信号左侧新端点与相邻极值点的落差值；
代表所有分量信号右侧、左侧新端点斜率值的方差的平均值，所有分量信号的端点斜率值的方差越小，代表所有分量信号在端点处越具有趋近性，以避免分量信号重构时，发生端点偏移的问题；/>代表所有分量信号右侧、左侧新端点落差值的平均值，将该落差值的平均值作为惩罚项，落差值的平均值越小惩罚越大，因为需要保证延展后新端点与相邻极值点的相对性，即延展后的新端点不可以与相邻极值点都是极大值点，或都是极小值点，当所有分量信号右侧、左侧新端点落差值的平均值越大时，延展后端点与相邻极值点的相对性越好；
将所有分量信号右侧、左侧新端点斜率值的方差的平均值，与所有分量信号右侧、左侧新端点落差值的平均值相加，得到用于选择端点延展方案的目标函数；
所有F种端点延展方案中，每种延展方案均会得到一个目标函数输出值T，取T值最大时对应的一种端点延展方案，作为最优端点延展方案；
根据最优端点延展方案，得到所有分量信号的端点延展结果，即得到所有分量信号新的端点，将端点延展后的所有分量信号进行重构，即所有分量信号同时序位置相加，得到端点延展后新的原始信号；
端点延展后的原始信号，是通过分量信号的端点延展，并信号重构补足了原本端点处数据不足的问题，解决了端点效应，因此将端点延展后的原始信号重新进行EMD分解，重新得到若干个分量信号，消除端点效应的同时也消除了模态混叠，因此重新分解后的各个分量信号中信号成分更单一，有利于对噪声信号的去除，本实施例通过直接舍弃前两个分量信号来消除网络传输信号中的复杂干扰噪声，且由于解决了端点效应，直接舍弃的分量信号中不会存在其他分量信号中的有效信息，这样也避免了去噪过程中的数据丢失问题。
本实施例还提供了一种通信传输设备调测维修管理系统，包括：
存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，该计算机程序用于执行本实施例步骤S001~S004的方法。对于计算机程序具体的处理逻辑已经在上述内容中进行了详细阐述，因此不再进行赘述。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的原则之内，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。
Claims (5)
1.一种通信传输设备调测维修管理方法，其特征在于，该方法包括以下步骤：
获取网络传输信号，将网络传输信号作为原始信号，对原始信号进行分解得到若干个分量信号；
获取每个分量信号中相邻极值点之间的时宽以及落差值，根据每个分量信号中相邻极值点之间的时宽以及落差值得到每个分量信号的特征因子以及对照因子，根据每个分量信号的特征因子以及对照因子得到每个分量信号的模态混叠判定因子，根据模态混叠判定因子得到若干个可疑分量信号；
获取每个可疑分量信号的中值点，根据可疑分量信号中所有极值点幅值得到每类极值点幅值的异常贡献率，根据可疑分量信号中每类极值点幅值与中值点的时宽得到每类极值点幅值的特征异常率，根据异常贡献率以及特征异常率得到每类极值点幅值的异常程度，根据每类极值点幅值的异常程度得到所有可疑分量信号中的异常极值点幅值；
筛除可疑分量信号中所有异常极值点幅值，根据各个分量信号中剩余的极值点幅值对各分量信号的两侧端点进行替换，得到所有分量信号的若干种端点延展方案，每种所述端点延展方案包含两个极值点幅值，根据每种所述端点延展方案包含两个极值点幅值获取所有端点延展方案的目标函数输出值，根据所有端点延展方案的目标函数输出值得到最优端点延展方案，根据最优端点延展方案得到去噪后的原始信号；
所述根据每个分量信号中相邻极值点之间的时宽以及落差值得到每个分量信号的特征因子以及对照因子，包括的具体步骤如下：
将每个分量信号中相邻两个极值点的横轴时间值的差值绝对值作为两个相邻极值点之间的时宽；
将每个分量信号中相邻两个极值点的幅值的差值绝对值作为两个相邻极值点之间的落差值；
；
其中，r代表第r个分量信号，表示第r个分量信号的信号特征因子，/>代表第r个分量信号的特征对照因子，/>表示第r个分量信号中的最大落差值，/>代表第r个分量信号中的最小落差值；i代表第r个分量信号中第i个极值点，/>代表第r个分量信号中第i个极值点与相邻第i-1个极值点之间的时宽，/>代表第r个分量信号中所有相邻极值点之间时宽的标准差，/>代表第r个分量信号中所有相邻极值点之间时宽的平均值；
所述根据每个分量信号的特征因子以及对照因子得到每个分量信号的模态混叠判定因子，根据模态混叠判定因子得到若干个可疑分量信号，包括的具体步骤如下：
；
其中，表示第r个分量信号的信号特征因子，/>代表第r+1个分量信号的特征对照因子，/>代表以自然常数为底的指数函数，/>代表第r个分量信号中的模态混叠判定因子；
预设判定阈值，将模态混叠判定因子大于等于判定阈值的分量信号作为可疑分量信号，得到所有可疑分量信号；
所述筛除可疑分量信号中所有异常极值点幅值，根据各个分量信号中剩余的极值点幅值对各分量信号的两侧端点进行替换，得到所有分量信号的若干种端点延展方案，包括的具体步骤如下：
筛除每个可疑分量信号中的异常极值点幅值，然后在每个分量信号剩余的极值点幅值中任意选择两个极值点幅值来替换分量信号的两侧端点，将每次选择的两个极值点幅值作为一个端点组合，每个分量信号中可得到若干种端点组合；
将任意一种端点组合作为一种端点延展方案，得到所有端点延展方案；
所述根据每种所述端点延展方案包含两个极值点幅值获取所有端点延展方案的目标函数输出值，根据所有端点延展方案的目标函数输出值得到最优端点延展方案，包括的具体步骤如下：
获取每种端点延展方案中所选择的两个极值点幅值；
利用每种延展方案的极值点幅值替换每个分量信号两侧端点后，获取各个分量信号新端点与相邻极值点的斜率值，以及落差值；
；
其中，代表端点延展方案目标函数的输出值，x代表第x个分量信号，M代表分量信号总数，r代表端点延展之后分量信号的右侧新端点，/>代表端点延展之后分量信号左侧新端点，/>代表第x个分量信号右侧新端点与相邻极值点的斜率值，/>代表所有分量信号右侧新端点斜率值的方差，/>代表第x个分量信号左侧新端点与相邻极值点的斜率值，代表所有分量信号左侧新端点斜率值的方差，/>代表第x个分量信号右侧新端点与相邻极值点的落差值，/>代表第x个分量信号左侧新端点与相邻极值点的落差值；
根据所有端点延展方案得到每种端点延展方案的目标函数输出值，将目标函数输出值最大的一个端点延展方案作为最优端点延展方案；
所述根据最优端点延展方案得到去噪后的原始信号，包括的具体步骤如下：
根据最优端点延展方案，得到所有分量信号新的端点，将端点延展后的所有分量信号进行重构，得到端点延展后新的原始信号；
将端点延展后新的原始信号重新进行EMD分解，得到若干个新的分量信号，舍弃靠前的若干个新的分量信号后，将剩余新的分量信号重构，得到去噪后的原始信号。
2.根据权利要求1所述一种通信传输设备调测维修管理方法，其特征在于，所述根据可疑分量信号中所有极值点幅值得到每类极值点幅值的异常贡献率，包括的具体步骤如下：
将每个分量信号中数值相同极值点幅值视为同一类幅值；
；
其中，j代表第j个可疑分量信号，L代表第L类极值点幅值类型，代表第j个可疑分量信号中第L类极值点幅值的异常贡献率，/>代表第j个可疑分量信号所有极值点幅值，代表所有极值点幅值的方差,/>代表第j个可疑分量信号中除第L类极值点幅值之外其他所有的极值点幅值，/>代表除第L类极值点幅值之外其他所有的极值点幅值的方差，/>代表离差归一化函数，/>代表预设常数。
3.根据权利要求1所述一种通信传输设备调测维修管理方法，其特征在于，所述根据可疑分量信号中每类极值点幅值与中值点的时宽得到每类极值点幅值的特征异常率，包括的具体步骤如下：
将原始信号时序上的中点位置对应的横轴时间值作为所有可疑分量信号的中值点；
；
其中，j代表第j个可疑分量信号，L代表第L类极值点幅值类型，代表第j个可疑分量信号中第L类极值点幅值的特征异常率，N代表第L类极值点幅值的数量，v代表第L类极值点幅值的第v个极值点，/>代表第j个可疑分量信号中第L类极值点幅值的第v个极值点与中值点之间的时宽，/>代表第j个可疑分量信号中第L类极值点幅值的数值，/>代表第j个可疑分量信号的平均幅值，/>代表双曲正切函数。
4.根据权利要求1所述一种通信传输设备调测维修管理方法，其特征在于，所述根据异常贡献率以及特征异常率得到每类极值点幅值的异常程度，根据每类极值点幅值的异常程度得到所有可疑分量信号中的异常极值点幅值，包括的具体步骤如下：
；
其中，代表第j个可疑分量信号中第L类极值点幅值的异常贡献率，/>代表第j个可疑分量信号中第L类极值点幅值的特征异常率，/>代表第j个可疑分量信号中第L类极值点幅值的异常程度；
预设异常阈值，将异常程度大于等于异常阈值的极值点幅值作为异常极值点幅值，得到每个可疑分量信号中的所有异常极值点幅值。
5.一种通信传输设备调测维修管理系统，包括存储器、处理器以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计算机程序时实现如权利要求1~4任意一项所述一种通信传输设备调测维修管理方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311705849.4A CN117390373B (zh) | 2023-12-13 | 2023-12-13 | 一种通信传输设备调测维修管理方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311705849.4A CN117390373B (zh) | 2023-12-13 | 2023-12-13 | 一种通信传输设备调测维修管理方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117390373A CN117390373A (zh) | 2024-01-12 |
| CN117390373B true CN117390373B (zh) | 2024-05-17 |
Family
ID=89465324
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311705849.4A Active CN117390373B (zh) | 2023-12-13 | 2023-12-13 | 一种通信传输设备调测维修管理方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117390373B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117928819B (zh) * | 2024-03-21 | 2024-05-24 | 西安思坦仪器股份有限公司 | 一种永久式无线压力计的井下压力监测方法及系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109149082A (zh) * | 2018-07-18 | 2019-01-04 | 上海斐讯数据通信技术有限公司 | 一种紧凑型mimo天线及包含其的通讯设备 |
| CN109341848A (zh) * | 2018-09-26 | 2019-02-15 | 东莞青柳新材料有限公司 | 一种隧道运营阶段的安全监测系统 |
| WO2021042590A1 (zh) * | 2019-09-06 | 2021-03-11 | 江苏华康信息技术有限公司 | 一种基于极值能量分解法的心电图信号量化分析方法 |
| CN114224360A (zh) * | 2021-12-27 | 2022-03-25 | 长春工程学院 | 一种基于改进emd-ica的eeg信号处理方法、设备及存储介质 |
| CN116304638A (zh) * | 2023-03-30 | 2023-06-23 | 常州大学 | 一种基于改进lcd的管道泄漏孔径识别方法 |
| CN116451029A (zh) * | 2023-06-15 | 2023-07-18 | 深圳瑞福来智能科技股份有限公司 | 一种除湿器工作状态预警方法 |
| CN116701845A (zh) * | 2023-07-28 | 2023-09-05 | 广东海昌沅国通食材有限公司 | 基于数据处理的水产品品质评价方法及系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103617671B (zh) * | 2013-12-12 | 2016-08-17 | 广州广电运通金融电子股份有限公司 | 一种厚度异常钞票的识别方法及系统 |
-
2023
- 2023-12-13 CN CN202311705849.4A patent/CN117390373B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109149082A (zh) * | 2018-07-18 | 2019-01-04 | 上海斐讯数据通信技术有限公司 | 一种紧凑型mimo天线及包含其的通讯设备 |
| CN109341848A (zh) * | 2018-09-26 | 2019-02-15 | 东莞青柳新材料有限公司 | 一种隧道运营阶段的安全监测系统 |
| WO2021042590A1 (zh) * | 2019-09-06 | 2021-03-11 | 江苏华康信息技术有限公司 | 一种基于极值能量分解法的心电图信号量化分析方法 |
| CN114224360A (zh) * | 2021-12-27 | 2022-03-25 | 长春工程学院 | 一种基于改进emd-ica的eeg信号处理方法、设备及存储介质 |
| CN116304638A (zh) * | 2023-03-30 | 2023-06-23 | 常州大学 | 一种基于改进lcd的管道泄漏孔径识别方法 |
| CN116451029A (zh) * | 2023-06-15 | 2023-07-18 | 深圳瑞福来智能科技股份有限公司 | 一种除湿器工作状态预警方法 |
| CN116701845A (zh) * | 2023-07-28 | 2023-09-05 | 广东海昌沅国通食材有限公司 | 基于数据处理的水产品品质评价方法及系统 |
Non-Patent Citations (3)
| Title |
|---|
| EMD 信号分析方法端点问题的处理;黎洪生 等;《电力自动化设备》;20050930;第25卷(第9期);第47-49页 * |
| 一种消除高速列车振动信号局部强干扰的方法;陈双喜 等;《机械科学与技术》;20111231;第30卷(第12期);第2003-2007页 * |
| 超高速实时光传操纵系统研究;张益东 等;《航空计算技术》;20060930;第36卷(第5期);第1-8页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117390373A (zh) | 2024-01-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117390373B (zh) | 一种通信传输设备调测维修管理方法及系统 | |
| CN109753762B (zh) | 基于类别修正的配电网两阶段网络拓扑识别方法及装置 | |
| CN108763346B (zh) | 一种滑窗箱型图中值滤波的异常点处理方法 | |
| CN111177505A (zh) | 指标异常检测模型的训练方法、推荐的方法及装置 | |
| CN111614398A (zh) | 基于异或神经网络的调制格式及信噪比识别方法及装置 | |
| WO2024093256A1 (zh) | 一种异常根因定位方法、装置、设备及介质 | |
| CN113609115A (zh) | 一种边坡形变监测数据的数据清洗方法 | |
| CN117540325B (zh) | 基于数据变化量捕获的业务数据库异常检测方法及系统 | |
| CN117911401B (zh) | 一种电力设备故障检测方法、系统、存储介质及设备 | |
| WO2020160761A1 (de) | Verfahren und prüfvorrichtung | |
| CN117633695A (zh) | 一种基于电参数时序分析的变压器运行监测方法 | |
| CN117390570A (zh) | 一种电铲电动机绕组故障监测方法及系统 | |
| CN111623905B (zh) | 风电机组轴承温度预警方法及装置 | |
| CN116482526A (zh) | 一种用于非故障相阻抗继电器的分析系统 | |
| CN113495193A (zh) | 一种基于多小波变换和聚类分析的故障诊断方法 | |
| EP3681042A1 (en) | Detection and tracking of interferers in a rf spectrum with multi-lane processing | |
| CN117435908A (zh) | 一种用于旋转机械的多种故障特征提取方法 | |
| CN115185938A (zh) | 一种光电检测数据分析方法、设备、存储介质 | |
| CN115184250A (zh) | 一种光纤老化状态评估系统及其评估方法 | |
| CN114926008A (zh) | 数据质量评估方法及系统 | |
| KR100851038B1 (ko) | 부분 방전 신호용 복합 잡음 제거 방법 | |
| CN115700553A (zh) | 一种异常检测方法及相关装置 | |
| US20220158688A1 (en) | Dsl line interference susceptibility | |
| CN113552444A (zh) | 一种泄漏电流特征阈值在线整定方法及装置 | |
| CN118296539B (zh) | 一种面粉加工设备的异常状态分析方法、系统及介质 |
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 |