[發(fā)明專利]一種距離測量巨磁阻抗傳感器信號的處理方法

在審

• 申請?zhí)枺?/td>: 201410718206.8
• 申請日: 2014-12-02
• 公開（公告）號: CN104359388A
• 公開（公告）日: 2015-02-18
• 發(fā)明（設計）人: 段修生;單甘霖;肖晶;楊青
• 申請（專利權）人: 中國人民解放軍軍械工程學院
• 主分類號: G01B7/02
• 分類號: G01B7/02;G06N3/02;G06F17/50
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種距離測量巨磁阻抗傳感器信號的處理方法，其特征包括如下步驟：

一、巨磁阻抗傳感器獲取磁性目標按照一定距離間隔運動時的距離信號，采集所述巨磁阻抗傳感器的輸出信號；

(一)幅值變化率

(1)求信號的幅值變化率，得到幅值變化率曲線；

確定所述磁性目標在位置i時的幅值變化率U_r(i)：

Ur(i)=|U(i)-U(0)|U(0)×100%]]>

U(i)表示對應目標在位置i時的巨磁阻抗傳感器輸出信號的幅值，U(0)為僅有環(huán)境磁場時巨磁阻抗傳感器輸出信號的幅值，U_r(i)是該位置信號的幅值變化率；

以目標位置為橫坐標，以幅值變化率為縱坐標，將所有目標位置點的幅值變化率連接成幅值變化率曲線；

(2)建立幅值變化率測量模型；

找出幅值變化率曲線峰值對應的位置d₁，作為第一個分界點；

以d₁為界將輸出信號的幅值變化率曲線分為左、右兩部分，分別建立每部分的幅值變化率測量模型；

采用基于最小誤差平方和準則的多項式擬合方法對以d₁為界左側的幅值變化率曲線進行擬合，擬合后的曲線即為對應的左側幅值變化率測量模型，表達式為y₁：

y₁＝m₁x⁴-m₂x³+m₃x²-m₄x+m₅(x＜d₁)

式中，x表示目標所在的位置，m₁，m₂,m₃,m₄,m₅是多項式曲線擬合系數(shù)；

采用基于最小誤差平方和準則的高斯擬合方法對以d₁為界右側的幅值變化率曲線進行擬合，擬合后的曲線即為對應的右側幅值變化率測量模型，表達式為y₂：

y2=a1e-(x-a2a3)2+a4e-(x-a5a6)2+a7e-(x-a8a9)2+a10e-(x-a11a12)2(x≥d1)]]>

式中，x表示目標所在的位置，a₁，a₂，…，a₁₂是高斯曲線擬合系數(shù)；

(二)能量變化率

(1)求信號的能量變化率，得到能量變化率曲線；

確定所述磁性目標在位置i時巨磁阻抗傳感器輸出信號的能量變化率E_r(i)：

Er(i)=|E(i)-E(0)|E(0)×100%]]>

式中，E(i)為目標在位置i時的巨磁阻抗傳感器輸出信號的能量在一個采樣周期的平均值，E(0)為僅有環(huán)境磁場時巨磁阻抗傳感器輸出信號的能量在一個采樣周期的平均值，E_r(i)是位置i的能量變化率；

以目標位置為橫坐標，以能量變化率為縱坐標，將所有目標位置點的能量變化率連接成能量變化率曲線；

(2)建立能量變化率測量模型；

能量變化率曲線峰值對應的位置與幅值變化率曲線峰值對應的位置相同，故以d₁為界對右側的能量變化率曲線基于最小誤差平方和準則進行高斯擬合，擬合后的曲線即為對應的能量變化率測量模型，表達式為y₃：

y3=b1e-(x-b2b3)2+b4e-(x-b5b6)2+b7e-(x-b8b9)2+b10e-(x-b11b12)2]]>

式中，x表示目標所在的位置；b₁，b₂，…，b₁₂是高斯曲線擬合系數(shù)；

二、以d₁和d₂為界建立所述巨磁阻抗傳感器信號的數(shù)據(jù)處理融合模型；

基于能量變化率和幅值變化率測量模型進行測量均有誤差，設右側幅值變化率測量模型與能量變化率測量模型誤差曲線交點對應的位置為d₂，將d₂確定為第2個分界點；

基于測量誤差最小原則，將左側幅值變化率測量模型y₁、能量變化率測量模型y₃和右側幅值變化率測量模型y₂進行組合，得到數(shù)據(jù)處理融合模型：

y=m1x4+m2x3+m3x2+m4x+m5,(x≤d1)b1e-(x-b2b3)2+b4e-(x-b5b6)2+b7e-(x-b8b9)2+b10e-(x-b11b12)2,(d1≤x≤d2)a1e-(x-a2a3)2+a4e-(x-a5a6)2+a7e-(x-a8a9)2+a10e-(x-a11a12)2,(x≥d2)]]>

式中，x表示目標所在的位置，m₁，m₂,m₃,m₄,m₅是以d₁為界左側幅值變化率測量模型的擬合系數(shù)，b₁，b₂，…，b₁₂是介于d₁和d₂之間的能量變化率測量模型的擬合系數(shù)，a₁，a₂，…，a₁₂是以d₂為界的右側幅值變化率測量模型的擬合系數(shù)；

三、計算目標運動方向上采集的巨磁阻抗傳感器輸出信號的小波能量特征，并將該小波能量特征作為神經網絡的輸入樣本訓練以得到小波神經網絡模型，建立小波能量特征與以d₁和d₂為界的目標位置區(qū)間的關系；

四、對于所述運動方向上任一位置的目標，先通過小波神經網絡模型判斷目標可能出現(xiàn)的位置區(qū)間，再選擇步驟二中數(shù)據(jù)處理融合模型的相應測量模型進行反演計算，得到最終的目標位置。