[發明專利]基于小波和RBF神經網絡的微弱信號檢測裝置及方法

無效

• 申請號: 201010209979.5
• 申請日: 2010-06-28
• 公開（公告）號: CN101943324A
• 公開（公告）日: 2011-01-12
• 發明（設計）人: 馮健;劉金海;張化光;魯忠沂;馬大中;魏向向;董良;劉振偉
• 申請（專利權）人: 東北大學
• 主分類號: F17D5/06
• 分類號: F17D5/06
• 代理公司: 沈陽東大專利代理有限公司 21109
• 代理人: 梁焱

1.一種基于小波和RBF神經網絡的微弱信號檢測裝置，其特征在于：該裝置包括四階巴特沃茲低通濾波器、A/D轉換器、ARM微處理器、同步動態隨機存儲器SDRAM、Nor?Flash存儲器、Nand?Flash存儲器，四階巴特沃茲低通濾波器的輸出端連接A/D轉換器的輸入端，A/D轉換器的輸出端連接ARM微處理器的輸入端，ARM微處理器的第一輸入輸出端連接第一同步動態隨機存儲器SDRAM的輸入輸出端，ARM微處理器的第二輸入輸出端連接第二同步動態隨機存儲器SDRAM的輸入輸出端，ARM微處理器的第三輸入輸出端連接Nor?Flash存儲器的輸入輸出端，ARM微處理器的第四輸入輸出端連接Nand?Flash存儲器的輸入輸出端。

2.根據權利要求1所述的基于小波和RBF神經網絡的微弱信號檢測裝置，其特征在于：所述的四階巴特沃茲低通濾波器由2個結構相同的兩階巴特沃茲低通濾波器組成，其中第一兩階巴特沃茲低通濾波器包括由電阻、電容組成的低通濾波器和運算放大器，低通濾波器第一電阻的一端連接運算放大器的反相輸入端、低通濾波器電容的一端，低通濾波器第一電阻的另一端連接低通濾波器第二電阻的一端，低通濾波器第二電阻的另一端連接低通濾波器電容的另一端、運算放大器的輸出端，其中，低通濾波器第一電阻的一端作為第一兩階巴特沃茲低通濾波器的輸入端，運算放大器的輸出端作為第一兩階巴特沃茲低通濾波器的輸出端，第一兩階巴特沃茲低通濾波器的輸出端連接第二兩階巴特沃茲低通濾波器的輸入端，第二兩階巴特沃茲低通濾波器的輸出端作為四階巴特沃茲低通濾波器的輸出端。

3.采用權利要求1所述的基于小波和RBF神經網絡的微弱信號檢測裝置的檢測方法，其特征在于：包括以下步驟：

步驟1：采集設于管道的壓力變送器的瞬時壓力信號；

步驟2：對瞬時壓力信號進行消噪處理，過程如下：

步驟2-1：計算信號的小波分解層數，方法如下；

1)設置粗調節分解層數為N，保留分解的N-1次和N次小波系數w；

2)對N-1層的信號進行重構，對小波系數進行重構，計算其模極大值CD_N-1，同理求N層的模極大值CD_N，如果CD_N-1＜CD_N，則判定該信號為有用信號為主，跳到4)，否則判定該信號為噪聲信號為主，轉到3)；

3)取分解的層數為N＝N+1，進行N層分解，轉到2)；

4)放棄最后一次分解結果，確定最終的分解層數為N-1；

步驟2-2：對分解之后信號的小波系數進行閾值量化：

1)利用閾值函數對的小波系數進行閾值量化，公式如下：

W(j,k)=|x|-αeαx-e-αxeαx+e-αxλ|x|≥λ0|x|<λ---(1)]]>

式中，W(j，k)經過閾值量化后的小波系數，x為未經過閾值量化的小波系數，σ為噪聲的標準差，j，k分別是伸縮因子和平移因子；

2)信號重構；

3)提取經步驟2-2中2)處理后的信號幅度f_i，計算平均值，公式如下：

f‾=Σi=0,i≠x,yi=n(fi)/n-2---(2)]]>

式中，f_i是處理后信號的幅度，是處理后信號幅度的平均值，n是采樣點的個數；去掉幅度的最大值和最小值，將f^*作為理想的濾波幅值，公式如下：

f*=0.1%f‾---(3)]]>

若處理后的信號幅度f_i≈f^*，則跳到步驟3，否則在0～1之間重新選擇a值，重復步驟2-2的1)～3)；所述的a值一般初始值取0.5；

步驟3：對消噪后的信號進行分解，過程如下：

對步驟2得到的信號進行N層多分辨率分解，得到近似空間和細節間：設原信號最高頻率為f_max，則一級小波分解后在近似空間和細節空間分別得到在[0，f_max/2]和[f_max/2，f_max]頻段上的信號描述；經過第N級小波分解后，在近似空間和細節空間分別得到在[0，f_max/2ⁿ]和[f_max/2ⁿ，f_max/2ⁿ-1]頻段上的信號描述；提取每段子信號的一個特征向量，得到一組特征向量f′(1)，f′(2)........f′(n)；

步驟4：提取壓力信號中的微弱信號，方法如下；

采用負梯度結合最近鄰聚類法計算微弱信號的過程如下：

(1)設定一個徑向基函數的寬度r和一個誤差數值e，設一組樣本數據為p＝(f′(i)，f′(i+1).......f′(n-1))，t＝(f′(i+2)，f′(i+3)，.....f′(n))，i＝1，2，3..n，假設神經網絡中心(c₁，c₂，...c_m)，m＝1，2，3，...p，且p＜n，取神經網絡中心c_m的初始值c₁＝f′(1)，輸出節點的權值w_i的初始值為w₁＝f′(3)，擴展寬度δ_i的初始值為θ₁＝r；

(2)計算神經網絡的輸出y_j，j＝1，2，....n-1，求出樣本數據到中心的距離的最小值d?min＝‖f′(i)-c_m‖(m＝1，2，...p)，利用式子得到神經網絡輸出值與實際值的誤差值E；如果E＞e，d?min＞r，跳到(3)；如果E＞e，d?min＜r，跳到(4)；如果E＜e，則跳到(5)；

(3)m＝m+1，c_m＝f′(i)，w_m＝f′(i+2)，δ_m＝r，跳到第(5)步；

(4)對RBF神經網絡的中心、權值和寬度進行調整，公式為：

c(m+1)=c(m)+Δcm=c(m)+η∂E∂δm2Σi=1n-1eiG(||f′(i)-cm||)(f′(i)-cm)]]>

w(m+1)=w(m)+Δwm=w(m)+ηΣi=1n-1eiG(||f′(i)-cm||)]]>

δ(m+1)=δ(m)+Δδm=η∂E∂δj3Σi=1PeiG(||f′(i)-cm||)||f′(i)-cm||2]]>

(5)如果i＝n時候，學習結束，確定了RBF神經網絡的中心、寬度和權值；反之，i＝i+1，跳到第(2)步；

(6)輸入實時數據f′(n+1)，f′(n+2)；

(7)根據以上6步確定的神經網絡模型，并且可以得到神經網絡的輸出值y_n，E′＝|f′(n+2)-y_n|；

(8)設T為微弱信號閾值，如果E′＞T，轉到第(9)步，反之，i＝i+1，n＝n+1轉到(1)；

(9)檢測到壓力信號中的微弱信號大小為E′。