您当前的位置:五五电子网电子知识电工技术电工基础基于多传感器数据融合的漏磁信号采集与处 正文
基于多传感器数据融合的漏磁信号采集与处

基于多传感器数据融合的漏磁信号采集与处

点击数:7267 次   录入时间:03-04 11:49:50   整理:http://www.55dianzi.com   电工基础

  式中,S(n)为真实的被测量值,ej(n)(j=1,2,3...N)为第j个传感器在n时刻的加性噪声,Xj(n)为第j个传感器在n 时刻的实际测量值。由于每个传感器受到噪声干扰的程度不同,所以实际测量值偏离真实的被测量值的程度也是不同的。
  小波阈值去噪
  小波去噪的方法主要通过设置阈值来实现,对漏磁信号的离散小波变换,计算所有小波系数,剔除被认为与噪声有关的小波系数,然后通过小波变换的逆变换得到信号。对于给定的信号,选取阈值的方法很多,本文使用的是基于Stein无偏风险估计值最小化(SURE)的方法:
  式中的阈值t,得到它的是似然函数,然后使似然函数最小化,得到所需阈值。在VISU的方法中阈值的选取固定不变,而在SURE方法中,阈值是自适应变化的,可以更好地降低噪声对缺陷信号的影响[4]。根据经过小波处理后的漏磁信号缺陷波形,可以提取出缺陷的特征向量,用以作为神经网络融合中心的输入。数据融合可根据融合的层次和实际内容将其分成像素层融合、特征层融合和决策层融合。本文把经过小波降噪处理后的信号通过RBF神经网络融合中心进行特征级融合,以对信号进行定量分析。
  RBF神经网络融合算法
  常用的数据融合方法包括神经网络、聚类算法或模板法。其中,人工神经网络具有学习、记忆、联想、容错、并行处理等卓越功能,在拓扑结构、权重自适应等方面应用灵活,已在计量测试仪器标定、故障诊断中获得广泛应用。在多传感器测量系统中,采用数据融合技术可为系统带来多方面的益处[5],如增强系统的稳定性、增加系统的可信度及提高系统的检测能力。由于BP神经网络收敛速度慢,网络训练时间较长,且存在局部极小值的问题,RBF神经网络比BP神经网络具有更快的学习特征,其逼近能力更强。因此,本系统选用RBF神经网络作为融合中心的特征层融合器进行融合训练。
  RBF神经网络结构
  RBF神经网络结构图如图2所示,第一层为输入层,用作特征信息融合信息采集,构成输入样本空间X;第二层为隐含层,用作将输入样本空间映射为高维的径向基函数空间,即对输入信息空间X进行特征提取。隐含层节点参数向量包括中心值Ci和标准偏差δi;第三层为输出层,ωi为第i个基函数与输出节点的连接权值,输出为Y,径向基函数选择高斯函数,如下:
  式中,m为隐含层节点数, ‖?‖为欧几里德范数。
  RBF神经网络学习过程分为两个阶段:第一阶段,根据所有的输入样本确定径向基函数及其参数,即确定隐含层各节点的高斯函数的中心值和标准偏差;第二阶段,在确定隐含层各参数后,根据样本,采用梯度下降算法,求出输出层的权值。
  RBF神经网络算法主要是通过调整连接权值,使输出层与期望输出逐渐趋于一致。根据最小均方差原理(MSE),当误差指标处于某一个范围之内时,则可以停止运算,表示网络训练成功。
  神经RBF网络参数选取及权值更新
  在融合中心,RBF神经网络的结构参数有径向基函数的隐含层节点数、中心值和标准偏差。节点数越多,学习能力越强,合理的节点数可通过训练得到最佳值。确定中心值和标准偏差可采用简单有效的聚类算法K-均值聚类算法。该方法具有实现简便、运算量较小、抗噪声能力强以及识别率高等优点,可以很好地解决建模样本分布不合理的问题。标准偏差的大小影响径向基函数对输入的响应,标准偏差太小则基函数只能对输入数据附近的很小区域做出响应,标准偏差过大则可能丢失固有的局部信息,模型精度也较差,因此标准偏差的选取应在一个稳定区间内进行。
  本文利用梯度下降算法确定连接权值。假设总误差为:
  式中,p(xj)为第j个训练样本的期望输出;y(xj)为网络实际输出,n为训练样本总数。
  式中,Yi(xj)为隐含层第i个基函数的输出; 为连接权值ωi的更新值;η为学习步长,一般为在0.2~0.9之间选取[7]。

上一页  [1] [2] [3]  下一页


本文关键字:传感器  电工基础电工技术 - 电工基础