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
