【摘要】：近年來,地表振動信號處理技術(shù)在眾多場合被廣泛使用,如智能交通、地下管網(wǎng)防護以及智能安防等領(lǐng)域。但是,對于地表振動信號處理,傳統(tǒng)方法通常只能解決單一問題,缺乏一種通用性強的識別定位算法,以滿足日益增長的應(yīng)用需求。本文研究內(nèi)容為地表振動信號識別定位算法,擬解決周期、非周期振動信號的振源識別、定位問題,使之能適用于各種應(yīng)用場合。本論文主要的研究內(nèi)容及研究成果有:(1)首先基于振動信號傳播特性,研究了地表振動信號能量分布的變化與傳播距離之間的關(guān)系。基于語譜圖表征信號能量分布的原理,提出了 SPEC特征及其特征提取算法,SPEC特征表征了信號能量分布的變化信息。與地表振動信號現(xiàn)有的FBED特征相比,SPEC特征提取算法復(fù)雜度低,且可同時適用于周期/非周期地表振動信號的表征�；赟PEC特征,結(jié)合KELM算法作為分類、回歸模型訓練算法,提出了 KELM+SPEC地表振動信號識別定位算法。與傳統(tǒng)方法相比,KELM+SPEC算法是一種通用性強的識別定位算法,可同時適用于周期/非周期地表振動信號的振源分類與傳播距離預(yù)測;(2)本文進一步對定位算法進行了改進,提出了一種基于遷移學習和主成分分析融合特征的定位算法。首先將振動信號進行可視化為語譜圖圖片,基于遷移學習算法,利用預(yù)訓練的CNN網(wǎng)絡(luò)AlexNet提取信號圖像特征,將信號圖像特征與SPEC特征進行PCA融合降維,所得新的融合特征可表征信號能量分布和圖像特征的融合信息。基于新的融合特征,采用KELM作為回歸模型訓練算法,提出一種改進的定位算法;(3)為驗證所提算法性能,本文進行了多組對比實驗,在振源識別和定位精度上與現(xiàn)有方法進行了充分對比。為此,本文采集了多個距離下的不同種類地表振動信號構(gòu)建原始數(shù)據(jù)集,其中包含2種周期振動信號與3種非周期振動信號。實驗結(jié)果表明,相比于傳統(tǒng)方法,本文所提KELM+SPEC算法在振源識別準確率和定位精度上均有明顯的提高,且改進后的定位算法,其距離預(yù)測的精度相比之前有大幅提高。
【圖文】：

由此可得出結(jié)論：（１）隨著傳播距離的增加，地表振動信號的能量呈現(xiàn)出逡逑指數(shù)級衰減的規(guī)律；（２）對于地表振動信號而言，高頻信號有更快的衰減速度。逡逑以一種周期地表振動信號的傳播過程為例，圖２．１為不同距離下采集的，一種基逡逑頻約為４５Ｈｚ的電鎬作業(yè)時產(chǎn)生的地表振動信號的語譜圖，，圖中橫坐標為時間，逡逑縱坐標表示頻率，顏色深淺表示能量大小。由圖２．１可看出，隨著傳播距離的增逡逑力口，振動信號的能量有明顯的衰減，且信號中高頻分量衰減速度明顯大于低頻分逡逑量，導致遠距離（ｌ0ｍ）采集的信號，其能量主要集中在信號的低頻部分。圖２．１逡逑可驗證上述結(jié)論。逡逑３５０邐３５０邋？邐３５０邋■邋ｖ邋；逡逑３００邐３００邋？邐■邋？邐３００邐，邋１邋Ｖ逡逑２５０邐２Ｓ０邐？邐２５０邐；邋，邐＊邋？逡逑＆邐Ｓ＇邐Ｓ＇逡逑Ｓ邋２００邐Ｓ邋２００邐■邋§邋２００－逡逑Ｏ－邐Ｅ－邐－邐ａ－逡逑－－0邋＂１５０邋－－．逡逑１（Ｘ）邐１（Ｘ）逡逑５Ｑ邐＾邐％琴岤灥W哪曬＾邐＾邐（、逡逑＇ｘ＇－逡逑…邋、．，．．．．，一一＾逡逑０邋邐邋０邋咖？０邋邋邋邋邐邐逡逑０邋５邋１邋１邋５邋２邐０．５邋１邋１邋５邋２邐０．５邋１邋１邋５邋２逡逑２ｍ邐６ｍ邐１０ｍ逡逑圖２．１不同距離下電鎬振動信號語譜圖逡逑２．１．２振動信號識別定位算法流程介紹逡逑在地表振動信號處理領(lǐng)域

／ｅ＃表示分解層數(shù)，ｃ／／？＂表示分解得到的系數(shù)。逡逑小波包分解將原始時域信號映射到２？個小波包子空間內(nèi)，可對信號進行更精逡逑細的分析，提取其細節(jié)特征。對信號進行小波包分解，可得圖２．４所示的分解樹，逡逑其中分解層數(shù)為３層，為原始信號，Ｊ為信號低頻部分，Ｄ為信號高頻部分，逡逑序號表示層數(shù)索引。逡逑ｒ邐０—１逡逑邐Ａ＇邋邐邋￣邋邐逡逑—ＡＡ２邋－ｊ邐—邋ＤＡ２邋－｜邐ｒ邋．４１）２邋￣｜邐「／）／）２邋＿逡逑ＡＡＡ３邋ＤＡＡ３＞邋ＡＤＡ３邋ＤＤＡ３邋／ＷＢ邋ＤＡＤ＾邋Ａｌ）Ｌ）３邋Ｊ）ＤＪ）３逡逑圖２．４三層小波包分解樹逡逑２．３分類回歸算法研究逡逑２．３．１超限學習機逡逑傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)因具備自學能力和魯棒性強等優(yōu)點，在許多領(lǐng)域得到廣泛應(yīng)逡逑用。但傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的訓練耗時長，需要手動設(shè)置大量網(wǎng)絡(luò)參數(shù)，所采用的梯度逡逑下降訓練網(wǎng)絡(luò)參數(shù)的方法很容易導致出現(xiàn)局部最優(yōu)解的問題，使得模型訓練失敗逡逑或模型過擬合而泛化能力不足，從而限制了神經(jīng)網(wǎng)絡(luò)的進一步推廣。針對以上問逡逑題，新加坡南洋理工大學黃廣斌教授等人于２００４年提出了超限學習機（Ｅｘｔｒｅｍｅ逡逑Ｌｅａｒｎｉｎｇ邋Ｍａｃｈｉｎｅ，邋ＥＬＭ邋）算法，用于解決單隱層神經(jīng)網(wǎng)絡(luò)訓練速度慢的問題’。逡逑ＥＬＭ算法是一種簡單有效的單隱藏層神經(jīng)網(wǎng)絡(luò)（Ｓｉｎｇｌｅ邋Ｈｉｄｄｅｎ邋Ｌａｙｅｒ邋Ｆｅｅｄｆｏｒｗａｒｄ逡逑Ｎｅｕｒａｌ邋Ｎｅｔｗｏｒｋｓ
【學位授予單位】：杭州電子科技大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：O32;TU435

【參考文獻】

相關(guān)期刊論文 前4條

1 鄧江洪;趙領(lǐng);;基于小波變換的激光雷達圖像融合研究[J];激光雜志;2015年12期

2 焦琴琴;牛力瑤;孫壯文;;基于車輛聲音及震動信號相融合的車型識別[J];微型機與應(yīng)用;2015年11期

3 羅新;牛海清;胡日亮;劉訪;吳炬卓;;基于小波包分解的XLPE配電電纜局部放電波形特征提取與識別[J];高壓電器;2013年11期

4 王紅玲;潘宏俠;;基于希爾伯特變換和小波包節(jié)點能量法的齒輪箱故障診斷研究[J];煤礦機械;2010年05期

本文編號：2670709