CN117540328B - 一种煤矿噪声高精度测量过程中噪声处理方法 - Google Patents
一种煤矿噪声高精度测量过程中噪声处理方法 Download PDFInfo
- Publication number
- CN117540328B CN117540328B CN202410027127.6A CN202410027127A CN117540328B CN 117540328 B CN117540328 B CN 117540328B CN 202410027127 A CN202410027127 A CN 202410027127A CN 117540328 B CN117540328 B CN 117540328B
- Authority
- CN
- China
- Prior art keywords
- component signal
- extremum
- representing
- sampling points
- obtaining
- 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
- 238000005259 measurement Methods 0.000 title claims abstract description 31
- 238000000034 method Methods 0.000 title claims abstract description 31
- 239000003245 coal Substances 0.000 title claims abstract description 22
- 230000008569 process Effects 0.000 title claims abstract description 17
- 238000003672 processing method Methods 0.000 title claims abstract description 13
- 230000002159 abnormal effect Effects 0.000 claims abstract description 47
- 238000005070 sampling Methods 0.000 claims description 153
- 230000011218 segmentation Effects 0.000 claims description 49
- 238000005192 partition Methods 0.000 claims description 15
- 238000010606 normalization Methods 0.000 claims description 5
- 239000006185 dispersion Substances 0.000 claims description 4
- 238000002955 isolation Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 6
- 230000008859 change Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 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
- 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
-
- 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
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Radar Systems Or Details Thereof (AREA)
- Indication And Recording Devices For Special Purposes And Tariff Metering Devices (AREA)
Abstract
本发明涉及电磁波测量技术领域,具体涉及一种煤矿噪声高精度测量过程中噪声处理方法,包括:计算混合电磁波每个分量信号的噪声密度估测值,计算每个分量信号的特征参数划分尺度,进而输出每个分量信号的预期树深,并根据每个分量信号的预期树深获取每个分量信号的最优树深,根据每个分量信号的最优树深得到每个分量信号的异常测量值,并配合滤波器得到去噪后的电磁波。本发明避免了树深过大时正常测量值原本存在的差异被视为异常测量值而丢失,提高孤立森林异常值的检测精度以及电磁波的去噪精度。
Description
技术领域
本发明涉及电磁波测量技术领域,具体涉及一种煤矿噪声高精度测量过程中噪声处理方法。
背景技术
在煤矿开采过程中会较多利用微波测量技术,微波电路产生的电磁波具有穿透力强、非接触、高频率等特点,尤其在矿物勘测或矿内通信、控制系统等方面应用广泛,为了保证勘测或通信、控制结果的准确性,电磁波测量的精度需求非常高,但由于电路系统产生的噪声会限制电路系统测量分析电磁波的能力,电磁波的传播环境中也存在较多干扰因素,一般需要对接收到的电磁波进行预处理消除噪声。
为满足煤矿井下对电气设备的防爆要求,煤矿井下电噪声测试设备必须使用煤矿井下的本安电源,而煤矿井下的本安电源都是直流的,目前地面所有的电噪声测量仪器都需要交流供电,这也使地面无线电噪声的测量仪器和方法难以在井下应用,并且煤矿井下的电噪声通常是非稳态的,因此无法有效评估噪声来源和噪声强度,这可能造成滤波器的去噪效果不稳定,现有利用孤立森林筛除异常测量值并配合滤波器进行电磁波去噪的处理方法可以提高电磁波的去噪效果,但若不对孤立森林的树深进行合理限制,又可能导致电磁波测量值存在过度处理的问题。
发明内容
本发明提供一种煤矿噪声高精度测量过程中噪声处理方法,以解决现有利用孤立森林筛除异常测量值并配合滤波器进行电磁波去噪的处理方法中,不对孤立森林树深进行限制可能导致电磁波测量值存在过度处理的问题。
本发明的一种煤矿噪声高精度测量过程中噪声处理方法采用如下技术方案:
本发明一个实施例提供了一种煤矿噪声高精度测量过程中噪声处理方法,该方法包括以下步骤:
获取混合电磁波,根据混合电磁波得到若干个分量信号,每个分量信号中包含若干个采样点;
获取每个分量信号的所有极值区间,根据每个分量信号的所有极值区间得到每个分量信号的所有极值区间组合,根据每个分量信号的所有极值区间组合得到每个分量信号的噪声密度估测值,所述每个分量信号的噪声密度估测值描述了对每个分量信号的所有采样点的分割难度预期;获取每个分量信号的所有采样点的所有特征参数,根据每个分量信号的所有采样点的所有特征参数得到每个分量信号的特征参数划分尺度,所述特征参数划分尺度描述了每个分量信号的所有采样点的所有特征参数对所有采样点分割结果的预期影响,根据每个分量信号的噪声密度估测值与特征参数划分尺度得到每个分量信号的预期树深;
根据每个分量信号的预期树深获取每个分量信号的最优树深,根据每个分量信号的最优树深得到每个分量信号的异常测量值,根据每个分量信号的异常测量值得到去噪后的电磁波。
进一步的,所述根据每个分量信号的所有极值区间得到每个分量信号的所有极值区间组合,包括的具体步骤如下:
将混合电磁波每个分量信号中的每个极值区间与其后一个相邻的极值区间组合为一个极值区间组合,得到混合电磁波每个分量信号中的所有极值区间组合。
进一步的,所述根据每个分量信号的所有极值区间组合得到每个分量信号的噪声密度估测值,包括的具体步骤如下:
其中,代表任意一个分量信号的噪声密度估测值,G代表任意一个分量信号的成分复杂性,H代表任意一个分量信号的波动差异,T代表任意一个分量信号的总时序长度内包含的所有采样点数量,n代表任意一个分量信号的极值区间数量,/>代表离差归一化函数。
进一步的,所述任意一个分量信号的成分复杂性,包括的具体步骤如下:
其中,G代表任意一个分量信号的成分复杂性,n代表任意一个分量信号的极值区间数量,s代表任意一个分量信号的第s个极值区间,代表任意一个分量信号的第s个极值区间的时序长度内包含的所有采样点数量,/>代表任意一个分量信号的所有极值区间的时序长度内包含的所有采样点数量的平均值。
进一步的,所述任意一个分量信号的波动差异,包括的具体步骤如下:
任意一个极值区间组合中包含两个相邻的极值区间,将任意一个极值区间组合的前一个极值区间中的采样点称为a点,将后一个极值区间中的采样点称为b点,利用DTW将每个极值区间组中的两个相邻极值区间的所有采样点进行对齐,每个极值区间组得到若干个采样点对,每个采样点对均有一个a点和一个b点;
其中,H代表任意一个分量信号的波动差异,i代表任意一个分量信号的第i个极值区间组合,代表任意一个分量信号的极值区间组合数量,j代表任意一个分量信号的任意一个极值区间组合中第j个采样点对,/>代表任意一个分量信号的第i个极值区间组合的所有采样点对数量,/>代表第i个极值区间组合中第j个采样点对的a点测量值一阶导数,代表第i个极值区间组合中第j个采样点对的b点测量值一阶导数。
进一步的,所述根据每个分量信号的所有采样点的所有特征参数得到每个分量信号的特征参数划分尺度,包括的具体步骤如下:
混合电磁波每个分量信号的每个采样点的所有特征参数包括:每个采样点的测量值、每个采样点处的一阶导数、每个采样点所处极值区间的长度,得到每个分量信号的每个采样点的所有特征参数的欧式范数;
上式中,T代表任意一个分量信号的总时序长度内包含的所有采样点数量,p代表任意一个分量信号的第p个采样点,q代表任意一个分量信号中除了第p个采样点之外的第q个采样点,代表第p个采样点在时序上的时间值,/>代表第q个采样点在时序上的时间值,/>表示第p个采样点和第q个采样点的所有特征参数的欧式范数,/>代表任意一个分量信号的特征参数划分尺度,/>代表双曲正切函数,e代表自然常数。
进一步的,所述根据每个分量信号的噪声密度估测值与特征参数划分尺度得到每个分量信号的预期树深,包括的具体步骤如下:
其中,代表任意一个分量信号的噪声密度估测值,/>代表任意一个分量信号的特征参数划分尺度,T代表任意一个分量信号的总时序长度内包含的所有采样点数量,/>代表以2为底的对数函数,/>代表任意一个分量信号的预期树深。
进一步的,所述根据每个分量信号的预期树深获取每个分量信号的最优树深,包括的具体步骤如下:
获取混合电磁波每个分量信号的所有采样点;
对每个分量信号的所有采样点的测量值建立孤立树,根据预期树深以及每个分量信号的所有采样点的测量值在孤立树上每个分割节点处的分割结果,得到每个分割节点的目标函数,取目标函数输出值最大的一个分割节点所对应的树深位置作为最优树深。
进一步的,所述每个分割节点的目标函数,包括的具体步骤如下:
将混合电磁波每个分量信号的所有采样点的测量值作为孤立树的样本;
其中,m代表孤立树的第m个分割节点,v代表第m个分割节点前第v个分割节点,代表第m个分割节点所分割的左侧子节点样本数量,/>代表第m个分割节点所分割的右侧子节点样本数量,/>代表第v个分割节点所分割的左侧子节点样本数量,/>代表第v个分割节点所分割的右侧子节点样本数量,L代表孤立树的预期树深,/>代表第m个分割节点的目标函数输出值,e代表自然常数。
进一步的,所述根据每个分量信号的最优树深得到每个分量信号的异常测量值,根据每个分量信号的异常测量值得到去噪后的电磁波,包括的具体步骤如下:
根据最优树深重新对每个分量信号的所有采样点的测量值建立最优孤立树,根据每个分量信号的最优孤立树得到每个测量值的异常评分,预设异常阈值,将异常评分小于异常阈值的测量值视为异常测量值,得到每个分量信号的所有异常测量值,利用均值滤波器对每个分量信号的所有异常测量值对应的采样点进行平滑,然后将混合电磁波的所有平滑后的分量信号进行重构,得到去噪后的电磁波。
本发明的技术方案的有益效果是:
本发明通过获取混合电磁波每个分量信号中的噪声密度估测值,得到对于每个分量信号的所有采样点的分割难度预期;然后获取每个分量信号的特征参数划分尺度,得到每个分量信号的所有采样点的所有特征参数对所有采样点分割结果的预期影响,并根据每个分量信号的所有采样点的分割难度预期以及特征参数对分割结果的预期影响,得到预期树深,根据逐层计算分割节点的目标函数输出结果获取孤立森林的最优树深,避免树深过大时正常测量值原本存在的差异被视为异常测量值而丢失,并且拉大了真正的异常测量值和正常测量值的差异,使异常测量值更好的被检测,提高孤立森林异常值的检测精度,进而提高了电磁波的去噪精度。
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为本发明一种煤矿噪声高精度测量过程中噪声处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煤矿噪声高精度测量过程中噪声处理方法,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煤矿噪声高精度测量过程中噪声处理方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种煤矿噪声高精度测量过程中噪声处理方法的步骤流程图,该方法包括以下步骤:
步骤S001、获取混合电磁波,根据混合电磁波得到若干个分量信号。
在煤层探测作业中利用微波雷达发射电磁波,并通过接收器获取电磁波信号,当电磁波信号到达接收器时会与接收天线相互作用,产生感应电流,感应电流的大小和方向随着电磁波信号的变化而变化,然后通过测量感应电流的电压或电流,将电磁波转化为时序上的电信号,将直接采集未经处理的电信号称为混合电磁波,混合电磁波的横轴为时间,纵轴为测量值;
在矿井中叠加在电磁波上的噪声通常呈现非稳态,为区分噪声成分,一般通过分解混合电磁波中的信号成分来简化噪声分析过程,因此对混合电磁波进行EMD分解,得到若干个分量信号,每个分量信号中包含若干个采样点。
步骤S002、获取每个分量信号的所有极值区间,根据每个分量信号的所有极值区间得到每个分量信号的所有极值区间组合,根据每个分量信号的所有极值区间组合得到每个分量信号的噪声密度估测值;根据每个分量信号的所有采样点得到每个分量信号的特征参数划分尺度,根据每个分量信号的噪声密度估测值与特征参数划分尺度得到每个分量信号的预期树深。
获取混合电磁波每个分量信号中的所有极值点,所有极值点中包含若干个极大值点、极小值点,每两个相邻的极大值点之间存在一个极值区间,将混合电磁波每个分量信号划分为若干个极值区间;
获取混合电磁波每个分量信号中每个采样点的特征参数,包括:每个采样点的测量值、每个采样点处的一阶导数、每个采样点所处极值区间的长度;
选择孤立森林算法检测混合电磁波每个分量信号中的异常测量值,将每个分量信号的每个采样点的测量值作为孤立森林的一个样本。孤立森林算法通过重复随机分割样本建立搜索二叉树,直至最大树深为止不再分割,然后根据节点所在的深度对分割出的单个样本进行异常评分,最后根据各样本内的异常得分筛选异常值。但由于正常测量值本身也会存在波动,这种波动属于电磁波携带的有效信息而非干扰信息,当电磁波被大量干扰源的混合噪声叠加后,如果不对孤立森林的树深进行约束,很可能导致过度分割,多余的分割节点会将部分正常值划分到异常点中,干扰异常点的选取。因此为了保留混合电磁波中的有效信息,需要对孤立森林的树深进行设置。
由于噪声密度越小的分量信号所需树深越小,因此对混合电磁波每个分量信号中的噪声密度进行估计。
将混合电磁波每个分量信号中的任意两个相邻极值区间进行组合,每个极值区间与其后一个相邻的极值区间组合为一个极值区间组合,每个分量信号中的极值区间组合数量为每个分量信号中的极值区间总数量减1个,任意一个极值区间组合中包含两个相邻的极值区间,将任意一个极值区间组合的前一个极值区间中的采样点称为a点,将后一个极值区间中的采样点称为b点,利用DTW将每个极值区间组中的两个相邻极值区间的所有采样点进行对齐,每个极值区间组得到若干个采样点对,每个采样点对均有一个a点和一个b点;
举例说明:将混合电磁波任意一个分量信号中的极值区间按照从左至右的顺序标记为第一个、第二个、第三个、…,第一个与第二个极值区间组合为第一个极值区间组合、第二个和第第三个极值区间组合为第二个极值区间组合、…,以此类推;
第一个极值区间组合中的第一个极值区间内所有采样点为a点,第一个极值区间组合中的第二个极值区间内所有采样点为b点,第二个极值区间组合以及所有极值区间组合均同理;
其中,代表任意一个分量信号的噪声密度估测值,/>代表任意一个分量信号的极值区间组合数量,T代表任意一个分量信号的总时序长度内包含的所有采样点数量,s代表任意一个分量信号的第s个极值区间,n代表任意一个分量信号的极值区间数量,/>代表任意一个分量信号的第s个极值区间的时序长度内包含的所有采样点数量,/>代表任意一个分量信号的所有极值区间的时序长度内包含的所有采样点数量的平均值;i代表任意一个分量信号的第i个极值区间组合,j代表任意一个分量信号的任意一个极值区间组合中第j个采样点对,/>代表任意一个分量信号的第i个极值区间组合的所有采样点对数量,/>代表第i个极值区间组合中第j个采样点对的a点测量值一阶导数,/>代表第i个极值区间组合中第j个采样点对的b点测量值一阶导数,/>代表离差归一化函数;
代表任意一个分量信号的极值区间数量与分量信号时序长度内包含的所有采样点数量的比值,该比值越大代表分量信号越高频,越高频的信号成分越符合噪声分量随机、离散的特征,因此高频信号成分在进行孤立森林分割时的树深较大,低频信号成分在进行孤立森林分割时的树深较小,将/>作为调节系数;/>代表任意一个分量信号所有极值区间的时序长度内包含的所有采样点数量的方差,即分量信号各极值区间关于时序长度的方差,由于每个极值区间的时序长度包含了信号的频率变化信息,因此分量信号的时序长度的方差代表了分量信号的成分复杂性,记为G,分量信号的成分复杂性越大,表示噪声导致的异常测量值数量可能越多,噪声密度估测值也会越大;
代表第i个极值区间组合中第j个采样点对的a点测量值一阶导数与b点测量值一阶导数相差,所得差值在信号时序图中表示两个采样点处信号曲线的变化率差异,/>代表第i个极值区间组合的所有采样点对的测量值一阶导数误差和,将任意一个分量信号的所有极值区间组合的所有采样点对的测量值一阶导数误差和进行求均后得到任意一个分量信号的波动差异,由于相邻的极值区间的变化体现了信号成分的波动差异信息,因此/>称为分量信号的波动差异,记为H,波动差异越大,混合噪声的非稳态特征越明显,噪声密度估测值也会越大;
将任意一个分量信号的成分复杂性与波动差异相加,然后利用离差归一化函数对加和结果进行归一化,得到该分量信号的噪声密度估测值,噪声密度估测值越大,代表所有测量值中数值类别数量越多,因此实质上每个分量信号的噪声密度估测值描述的是对每个分量信号的所有采样点的分割难度预期,分割难度越大,则对分量信号进行孤立森林分割时,所需的分割节点就越多。
仅根据采样点的测量值获取采样点分割结果时,分割精度经常会被随机分割值选取不当的问题所限制,采用更多维的特征参数作为样本的分割条件时可以更有效拉大各采样点之间的差异,即使随机分割值选取不当也可以得到较精准的分割结果,但是多维特征参数又很容易陷入划分尺度混乱的问题中,导致分割结果存在多种可能性,因此计算每个分量信号的特征参数划分尺度,特征参数划分尺度描述了每个分量信号的所有采样点的所有特征参数对所有采样点分割结果的预期影响,具体为:
混合电磁波每个分量信号中每个采样点的特征参数包括:每个采样点的测量值、每个采样点处的一阶导数、每个采样点所处极值区间的长度;
上式中,T代表任意一个分量信号的总时序长度内包含的所有采样点数量,p代表任意一个分量信号的第p个采样点,q代表任意一个分量信号中除了第p个采样点之外的第q个采样点,代表第p个采样点在时序上的时间值,/>代表第q个采样点在时序上的时间值,/>表示第p个采样点和第q个采样点的所有特征参数的欧式范数,/>代表任意一个分量信号的特征参数划分尺度,/>代表双曲正切函数,e代表自然常数;
代表第p个采样点在时序上的时间值与第q个采样点在时序上的时间值的差值绝对值,当两个采样点在时序上越靠近时,两个采样点的所有特征参数的欧式范数的权重应该越高,因此/>代表利用指数函数对两个采样点的差值绝对值反比例归一化,得到时间权重,/>代表将时间权重与第p个采样点和第q个采样点的所有特征参数的欧式范数相乘后累加求均,得到该分量信号内部所有采样点之间的特征参数差异的平均值,将其作为该分量信号的特征参数划分尺度,当分量信号内部所有采样点之间的特征参数差异的平均值越大,代表分量信号的特征参数划分尺度越大,反之越小;
需要说明的是:而理论上一个稳定的孤立树,无论随机数如何选择,最终所有采样点的分割结果都会趋近一致,这是由特征参数所定义的划分规则以及所有采样点在划分规则下呈现的差异所决定的,因此特征参数划分尺度描述了每个分量信号的所有采样点的所有特征参数对所有采样点分割结果的预期影响,当分量信号的所有采样点的所有特征参数维度越复杂时,会导致分割结果存在越多种可能性,那么特征参数划分尺度越大时,越应该减少孤立树的树深,以避免树深过大引起样本分割误差的持续累积。
根据每个分量信号的噪声密度估测值与特征参数划分尺度,得到孤立树的预期树深,具体为:
获取每个分量信号的所有采样点的测量值的最大树深,通常为,这是因为孤立树为二叉树,且在每个节点上算法均会选择一个随机分割值进行分割,因此树的深度受到样本数量的对数的限制;
其中,代表任意一个分量信号的噪声密度估测值,/>代表任意一个分量信号的特征参数划分尺度,T代表任意一个分量信号的总时序长度内包含的所有采样点数量,/>代表以2为底的对数函数,/>代表任意一个分量信号的预期树深。
步骤S003、根据每个分量信号的预期树深获取每个分量信号的最优树深,根据每个分量信号的最优树深得到每个分量信号的异常测量值,根据每个分量信号的异常测量值得到去噪后的电磁波。
理想的样本分割过程为每次分割都能得到一部分异常测量值的采样点和绝大部分的正常测量值的采样点,即分割节点的两子节点包含的样本数量应该存在较大差异,当所有异常测量值被分割出来后,再进行分割时子节点包含的样本均为正常测量值,随机分割后子节点数量差异较小。因此当两次分割子节点样本数量差异的差值突然增大时,可以认为此时异常值分割完毕;
获取混合电磁波每个分量信号的所有采样点的测量值,将混合电磁波每个分量信号的所有采样点的测量值作为孤立树的样本,对每个分量信号的所有采样点的测量值建立孤立树,然后根据上述逻辑构建目标函数获取每个分割节点的目标函数输出值,进而得到最优树深,具体为:
其中,m代表孤立树的第m个分割节点,m可取大于等于2的整数,v代表第m个分割节点前第v个分割节点,代表第m个分割节点所分割的左侧子节点样本数量,/>代表第m个分割节点所分割的右侧子节点样本数量,/>代表第v个分割节点所分割的左侧子节点样本数量,/>代表第v个分割节点所分割的右侧子节点样本数量,L代表孤立树的预期树深,/>代表第m个分割节点的目标函数输出值,e代表自然常数;
代表第m个分割节点的左侧子节点样本数量与右侧子节点样本数量的差值绝对值,/>代表第m个分割节点之前的所有节点的左侧子节点样本数量与右侧子节点样本数量的差值绝对值的平均值,/>越大代表第m个分割节点的两个子节点样本数量差异相比之前的所有分割节点而言变化越大,变化越大的分割节点越可能为最优的树深位置;/>代表第m个分割节点所在树深和预期树深的差值绝对值,该值越小,/>越大时,第m个分割节点越可能为最优的树深位置;
因此每个分割节点处均会输出一个目标函数输出值,取目标函数输出值最大的一个分割节点,其所对应的树深位置为最优树深。
获取最优树深,最优树深处的样本分割结果为最后一次分割结果,本发明通过获取孤立森林的最优树深,避免了样本中的有效信息丢失,即避免树深过大时电磁波采样点正常测量值原本存在的差异被视为异常测量值而丢失,并且拉大了真正的异常测量值和正常测量值的异常评分差异,提高孤立森林异常值的检测精度。
利用孤立森林对每个分量信号的所有采样点的测量值进行异常检测,并在最优树深处停止分割,得到分割完成的孤立树,确保电磁波采样点中正常测量值的有效信息不会被过度处理,计算每个样本到达分割节点所需的平均路径长度来识别异常点,路径越短的样本越异常,对最优树深之前所有样本的平均路径长度进行归一化得到每个样本的异常评分,预设异常阈值为0.3,将异常评分低于异常阈值的所有测量值视为异常测量值,可得到每个分量信号中的所有异常测量值,利用均值滤波器将每个分量信号的所有异常测量值对应的采样点进行平滑,需要说明的是,仅将每个分量信号的所有异常测量值对应的采样点作为滤波器处理对象,非异常测量值对应的采样点则不进行处理;然后将所有平滑后的分量信号叠加重构,得到去噪后的电磁波,提高了煤矿内电磁测量结果的准确性和探测效率。
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 (3)
1.一种煤矿噪声高精度测量过程中噪声处理方法,其特征在于,该方法包括以下步骤:
获取混合电磁波,根据混合电磁波得到若干个分量信号,每个分量信号中包含若干个采样点;
获取每个分量信号的所有极值区间,根据每个分量信号的所有极值区间得到每个分量信号的所有极值区间组合,根据每个分量信号的所有极值区间组合得到每个分量信号的噪声密度估测值,所述每个分量信号的噪声密度估测值描述了对每个分量信号的所有采样点的分割难度预期;获取每个分量信号的所有采样点的所有特征参数,根据每个分量信号的所有采样点的所有特征参数得到每个分量信号的特征参数划分尺度,所述特征参数划分尺度描述了每个分量信号的所有采样点的所有特征参数对所有采样点分割结果的预期影响,根据每个分量信号的噪声密度估测值与特征参数划分尺度得到每个分量信号的预期树深;
根据每个分量信号的预期树深获取每个分量信号的最优树深,根据每个分量信号的最优树深得到每个分量信号的异常测量值,根据每个分量信号的异常测量值得到去噪后的电磁波;
所述根据每个分量信号的所有极值区间组合得到每个分量信号的噪声密度估测值,包括的具体步骤如下:
其中,代表任意一个分量信号的噪声密度估测值,G代表任意一个分量信号的成分复杂性,H代表任意一个分量信号的波动差异,T代表任意一个分量信号的总时序长度内包含的所有采样点数量,n代表任意一个分量信号的极值区间数量,/>代表离差归一化函数;
所述任意一个分量信号的成分复杂性,包括的具体步骤如下:
其中,G代表任意一个分量信号的成分复杂性,n代表任意一个分量信号的极值区间数量,s代表任意一个分量信号的第s个极值区间,代表任意一个分量信号的第s个极值区间的时序长度内包含的所有采样点数量,/>代表任意一个分量信号的所有极值区间的时序长度内包含的所有采样点数量的平均值;
所述任意一个分量信号的波动差异,包括的具体步骤如下:
任意一个极值区间组合中包含两个相邻的极值区间,将任意一个极值区间组合的前一个极值区间中的采样点称为a点,将后一个极值区间中的采样点称为b点,利用DTW将每个极值区间组中的两个相邻极值区间的所有采样点进行对齐,每个极值区间组得到若干个采样点对,每个采样点对均有一个a点和一个b点;
其中,H代表任意一个分量信号的波动差异,i代表任意一个分量信号的第i个极值区间组合,代表任意一个分量信号的极值区间组合数量,j代表任意一个分量信号的任意一个极值区间组合中第j个采样点对,/>代表任意一个分量信号的第i个极值区间组合的所有采样点对数量,/>代表第i个极值区间组合中第j个采样点对的a点测量值一阶导数,/>代表第i个极值区间组合中第j个采样点对的b点测量值一阶导数;
所述根据每个分量信号的所有采样点的所有特征参数得到每个分量信号的特征参数划分尺度,包括的具体步骤如下:
混合电磁波每个分量信号的每个采样点的所有特征参数包括:每个采样点的测量值、每个采样点处的一阶导数、每个采样点所处极值区间的长度,得到每个分量信号的每个采样点的所有特征参数的欧式范数;
上式中,T代表任意一个分量信号的总时序长度内包含的所有采样点数量,p代表任意一个分量信号的第p个采样点,q代表任意一个分量信号中除了第p个采样点之外的第q个采样点,代表第p个采样点在时序上的时间值,/>代表第q个采样点在时序上的时间值,表示第p个采样点和第q个采样点的所有特征参数的欧式范数,/>代表任意一个分量信号的特征参数划分尺度,/>代表双曲正切函数,e代表自然常数;
所述根据每个分量信号的噪声密度估测值与特征参数划分尺度得到每个分量信号的预期树深,包括的具体步骤如下:
其中,代表任意一个分量信号的噪声密度估测值,/>代表任意一个分量信号的特征参数划分尺度,T代表任意一个分量信号的总时序长度内包含的所有采样点数量,/>代表以2为底的对数函数,/>代表任意一个分量信号的预期树深;
所述根据每个分量信号的预期树深获取每个分量信号的最优树深,包括的具体步骤如下:
获取混合电磁波每个分量信号的所有采样点;
对每个分量信号的所有采样点的测量值建立孤立树,根据预期树深以及每个分量信号的所有采样点的测量值在孤立树上每个分割节点处的分割结果,得到每个分割节点的目标函数,取目标函数输出值最大的一个分割节点所对应的树深位置作为最优树深;
所述每个分割节点的目标函数,包括的具体步骤如下:
将混合电磁波每个分量信号的所有采样点的测量值作为孤立树的样本;
其中,m代表孤立树的第m个分割节点,v代表第m个分割节点前第v个分割节点,代表第m个分割节点所分割的左侧子节点样本数量,/>代表第m个分割节点所分割的右侧子节点样本数量,/>代表第v个分割节点所分割的左侧子节点样本数量,/>代表第v个分割节点所分割的右侧子节点样本数量,L代表孤立树的预期树深,/>代表第m个分割节点的目标函数输出值,e代表自然常数。
2.根据权利要求1所述一种煤矿噪声高精度测量过程中噪声处理方法,其特征在于,所述根据每个分量信号的所有极值区间得到每个分量信号的所有极值区间组合,包括的具体步骤如下:
将混合电磁波每个分量信号中的每个极值区间与其后一个相邻的极值区间组合为一个极值区间组合,得到混合电磁波每个分量信号中的所有极值区间组合。
3.根据权利要求1所述一种煤矿噪声高精度测量过程中噪声处理方法,其特征在于,所述根据每个分量信号的最优树深得到每个分量信号的异常测量值,根据每个分量信号的异常测量值得到去噪后的电磁波,包括的具体步骤如下:
根据最优树深重新对每个分量信号的所有采样点的测量值建立最优孤立树,根据每个分量信号的最优孤立树得到每个测量值的异常评分,预设异常阈值,将异常评分小于异常阈值的测量值视为异常测量值,得到每个分量信号的所有异常测量值,利用均值滤波器对每个分量信号的所有异常测量值对应的采样点进行平滑,然后将混合电磁波的所有平滑后的分量信号进行重构,得到去噪后的电磁波。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410027127.6A CN117540328B (zh) | 2024-01-09 | 2024-01-09 | 一种煤矿噪声高精度测量过程中噪声处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410027127.6A CN117540328B (zh) | 2024-01-09 | 2024-01-09 | 一种煤矿噪声高精度测量过程中噪声处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117540328A CN117540328A (zh) | 2024-02-09 |
CN117540328B true CN117540328B (zh) | 2024-04-02 |
Family
ID=89792280
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410027127.6A Active CN117540328B (zh) | 2024-01-09 | 2024-01-09 | 一种煤矿噪声高精度测量过程中噪声处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117540328B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103226649A (zh) * | 2013-03-25 | 2013-07-31 | 西安交通大学 | 机械早期及复合故障的集成噪声重构经验模式分解方法 |
CN106096242A (zh) * | 2016-06-01 | 2016-11-09 | 浙江浙能北海水力发电有限公司 | 一种基于改进emd分解的尾水管压力脉动综合评价方法 |
CN109620213A (zh) * | 2019-02-25 | 2019-04-16 | 山东大学 | 一种基于多尺度差分特征的心电识别方法及装置 |
CN110163261A (zh) * | 2019-04-28 | 2019-08-23 | 平安科技(深圳)有限公司 | 不平衡数据分类模型训练方法、装置、设备及存储介质 |
CN115577854A (zh) * | 2022-11-11 | 2023-01-06 | 湘潭大学 | 一种基于eemd-rbf组合的分位数回归风速区间预测方法 |
CA3170154A1 (en) * | 2021-08-12 | 2023-02-12 | 10353744 Canada Ltd. | Anomalous data detecting method, device, computer equipment, and storage medium |
CN115713162A (zh) * | 2022-11-25 | 2023-02-24 | 国网上海市电力公司 | 一种分布式低碳能源站健康状态预警预测方法 |
CN219367256U (zh) * | 2023-04-03 | 2023-07-18 | 山西众诚安信安全科技有限公司 | 噪声测量仪的固定机构 |
CN117064405A (zh) * | 2023-09-21 | 2023-11-17 | 南京邮电大学 | 一种单通道脑电信号伪迹去除方法、设备及介质 |
CN117150294A (zh) * | 2023-08-25 | 2023-12-01 | 深圳萨摩耶数字科技有限公司 | 异常值检测方法、装置、电子设备及存储介质 |
CN117238058A (zh) * | 2023-11-10 | 2023-12-15 | 无锡明诚汽车部件有限公司 | 基于数据分析的汽车用起动机监测方法 |
-
2024
- 2024-01-09 CN CN202410027127.6A patent/CN117540328B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103226649A (zh) * | 2013-03-25 | 2013-07-31 | 西安交通大学 | 机械早期及复合故障的集成噪声重构经验模式分解方法 |
CN106096242A (zh) * | 2016-06-01 | 2016-11-09 | 浙江浙能北海水力发电有限公司 | 一种基于改进emd分解的尾水管压力脉动综合评价方法 |
CN109620213A (zh) * | 2019-02-25 | 2019-04-16 | 山东大学 | 一种基于多尺度差分特征的心电识别方法及装置 |
CN110163261A (zh) * | 2019-04-28 | 2019-08-23 | 平安科技(深圳)有限公司 | 不平衡数据分类模型训练方法、装置、设备及存储介质 |
CA3170154A1 (en) * | 2021-08-12 | 2023-02-12 | 10353744 Canada Ltd. | Anomalous data detecting method, device, computer equipment, and storage medium |
CN115577854A (zh) * | 2022-11-11 | 2023-01-06 | 湘潭大学 | 一种基于eemd-rbf组合的分位数回归风速区间预测方法 |
CN115713162A (zh) * | 2022-11-25 | 2023-02-24 | 国网上海市电力公司 | 一种分布式低碳能源站健康状态预警预测方法 |
CN219367256U (zh) * | 2023-04-03 | 2023-07-18 | 山西众诚安信安全科技有限公司 | 噪声测量仪的固定机构 |
CN117150294A (zh) * | 2023-08-25 | 2023-12-01 | 深圳萨摩耶数字科技有限公司 | 异常值检测方法、装置、电子设备及存储介质 |
CN117064405A (zh) * | 2023-09-21 | 2023-11-17 | 南京邮电大学 | 一种单通道脑电信号伪迹去除方法、设备及介质 |
CN117238058A (zh) * | 2023-11-10 | 2023-12-15 | 无锡明诚汽车部件有限公司 | 基于数据分析的汽车用起动机监测方法 |
Non-Patent Citations (6)
Title |
---|
Application of Adaptive Filtering Based on Variational Mode Decomposition for High-Temperature Electromagnetic Acoustic Transducer Denoising;Shuaijie Zhao 等;《sensors》;20220917;1-16 * |
Detecting anomalies and de-noising monitoring data from sensors: A smart data approach;Weili Fang 等;《Advanced Engineering Informatics》;20230119;第55卷;1-14 * |
Transfer learning approach for classification and noise reduction on noisy web data;Javad Abbasi Aghamaleki 等;《Expert Systems with Applications》;20180901;第105卷;221-232 * |
基于区间阈值和部分重构的MEMD去噪方法;郝欢 等;《军事通信技术》;20160625(第02期);81-86 * |
基于孤立森林的网络数据流在线异常检测方法研究;刘李梦玮;《中国优秀硕士学位论文全文数据库 信息科技辑》;20220415;I139-86 * |
基于小波包阈值法的脉冲星信号去噪方法研究;邵广盛;《中国优秀硕士学位论文全文数据库 基础科学辑》;20210815;A007-15 * |
Also Published As
Publication number | Publication date |
---|---|
CN117540328A (zh) | 2024-02-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hory et al. | Spectrogram segmentation by means of statistical features for non-stationary signal interpretation | |
JP2017531410A5 (zh) | ||
CN103941254A (zh) | 一种基于地质雷达的土壤物性类别识别方法和装置 | |
CN106483514B (zh) | 一种基于eemd和支持向量机的飞机运动模式识别方法 | |
CN108171119B (zh) | 基于残差网络的sar图像变化检测方法 | |
CN105158749A (zh) | 高频雷达海杂波幅度统计分布检验方法 | |
CN110837079B (zh) | 一种基于雷达的目标检测方法及装置 | |
Fan et al. | Anti-interference technology of surface acoustic wave sensor based on k-means clustering algorithm | |
CN111751797A (zh) | 一种基于方位角的高频地波雷达一阶和二阶回波谱分界线确定方法 | |
CN105866748B (zh) | 一种基于检测先验的固定窗长恒虚警检测方法 | |
CN117540328B (zh) | 一种煤矿噪声高精度测量过程中噪声处理方法 | |
EP2715289B1 (en) | Dynamic clustering of transient signals | |
CN112751633B (zh) | 一种基于多尺度窗口滑动的宽带频谱检测方法 | |
CN114584227B (zh) | 自动化突发信号检测方法 | |
CN115905919A (zh) | 基于afgan的雷达信号样本数据处理方法、目标识别方法及系统 | |
CN115345216A (zh) | 一种融合先验信息的fmcw雷达干扰消除方法 | |
CN112526404A (zh) | 基于特高频外置传感器的电力变压器故障在线定位系统 | |
Buhaiov | Iterative method for noise power estimating at unknown spectrum occupancy | |
CN111461007A (zh) | 一种基于模糊逻辑的自动调制信号识别方法及装置 | |
Al-Badrawi et al. | An intrinsic mode function based energy detector for spectrum sensing in cognitive radio | |
CN110531321A (zh) | 基于特征值的动态信道化子带频谱检测方法 | |
Tran et al. | A Signal Classification Algorithm with Detection at Two Intermediate Frequencies for RF Spectrum Monitoring | |
KR102673343B1 (ko) | 레이더의 탐지 성능 분석 및 예측 방법 | |
CN117872039B (zh) | 一种基于改进rbf网络的线路故障测距方法及系统 | |
Yao et al. | Maneuvering Target Detection Based on JRC System in Gaussian and Non‐Gaussian Clutter |
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 |