[發(fā)明專利]一種基于混沌智能圖像識(shí)別的弱信號(hào)檢測(cè)方法及裝置

有效

• 申請(qǐng)?zhí)枺?/td>: 202010025488.9
• 申請(qǐng)日: 2020-01-10
• 公開(kāi)（公告）號(hào): CN111553370B
• 公開(kāi)（公告）日: 2023-05-09
• 發(fā)明（設(shè)計(jì)）人: 楊伏洲;沈夢(mèng)琳;何思瑾;梁世遠(yuǎn);彭晶
• 申請(qǐng)（專利權(quán)）人: 長(zhǎng)江大學(xué)
• 主分類號(hào): G06F18/2411
• 分類號(hào): G06F18/2411;G06F18/213;G06V10/20;G06V10/50;G06V10/75;G06V10/774
• 代理公司: 武漢河山金堂專利事務(wù)所(普通合伙) 42212
• 代理人: 胡清堂;陳懿

本發(fā)明公開(kāi)一種基于混沌智能圖像識(shí)別的弱信號(hào)檢測(cè)方法及裝置，所述方法包括：構(gòu)建Duffing振子信號(hào)檢測(cè)系統(tǒng)，獲取不同狀態(tài)的Duffing振子相位圖；調(diào)節(jié)Duffing振子信號(hào)檢測(cè)系統(tǒng)的系數(shù)，使系統(tǒng)處于混沌狀態(tài)到大尺度周期狀態(tài)的臨界狀態(tài)，輸入待測(cè)信號(hào)后，得到待測(cè)信號(hào)相空間狀態(tài)圖；對(duì)所述不同狀態(tài)的Duffing振子相位圖做預(yù)處理，得到預(yù)處理好的圖像樣本；提取所述圖像樣本的HOG特征和GLCM特征，組成圖像樣本的特征向量；通過(guò)所述圖像樣本的特征向量訓(xùn)練各SVM分類器，得到訓(xùn)練好的SVM模型；提取待測(cè)信號(hào)相空間狀態(tài)圖的HOG和GLCM特征并組成待測(cè)信號(hào)相空間狀態(tài)圖的特征向量；通過(guò)訓(xùn)練好的SVM模型進(jìn)行弱信號(hào)檢測(cè)。本發(fā)明對(duì)在強(qiáng)噪聲環(huán)境下弱信號(hào)檢測(cè)有更高的噪聲容限且準(zhǔn)確率高。

技術(shù)領(lǐng)域

本發(fā)明屬于隨鉆信號(hào)檢測(cè)領(lǐng)域，涉及信號(hào)檢測(cè)，圖像處理兩個(gè)學(xué)科。主要涉及一種基于混沌圖像智能識(shí)別的弱信號(hào)檢測(cè)方法。

背景技術(shù)

隨鉆測(cè)井工作中聲波信號(hào)傳輸過(guò)程中受到環(huán)境因素的影響，鉆桿運(yùn)動(dòng)時(shí)產(chǎn)生的噪聲、鉆桿與井壁碰撞、鉆頭對(duì)地層的撞擊等都會(huì)產(chǎn)生隨鉆噪聲。這些噪聲在聲波傳輸過(guò)程中對(duì)聲波的檢測(cè)造成嚴(yán)重干擾。基于混沌理論的弱信號(hào)檢測(cè)，是近年來(lái)信號(hào)檢測(cè)的一個(gè)熱點(diǎn)。在強(qiáng)噪聲背景下，利用混沌系統(tǒng)的初值敏感性以及對(duì)噪聲的強(qiáng)免疫性，實(shí)現(xiàn)了對(duì)弱信號(hào)的檢測(cè)。固定阻尼系數(shù)k并調(diào)節(jié)系統(tǒng)驅(qū)動(dòng)力f在Duffing振子系統(tǒng)相空間的臨界狀態(tài)下，得到臨界混沌狀態(tài)的閾值Fd。將待測(cè)信號(hào)加入振子系統(tǒng)中使得驅(qū)動(dòng)力變得與時(shí)間相關(guān)即f(t)。觀察系統(tǒng)相空間變化，當(dāng)弱信號(hào)存在時(shí)，系統(tǒng)會(huì)從臨界狀態(tài)過(guò)渡到大尺度周期狀態(tài)，否則系統(tǒng)會(huì)一直處于臨界或混沌狀態(tài)而不會(huì)進(jìn)入到大周期狀態(tài)。基于弱信號(hào)檢測(cè)方式，隨鉆信號(hào)檢測(cè)技術(shù)現(xiàn)已有多種方法：相關(guān)檢測(cè)，小波分析，數(shù)字相敏解調(diào)技術(shù)等。

相關(guān)檢測(cè)法是基于相關(guān)原理對(duì)強(qiáng)噪聲背景下的弱信號(hào)的提取，利用信號(hào)和噪聲、噪聲和噪聲的不相關(guān)及目標(biāo)信號(hào)與提供的參考信號(hào)完全相關(guān)的特性，將目標(biāo)信號(hào)與參考信號(hào)進(jìn)行相關(guān)運(yùn)算即可檢測(cè)出淹沒(méi)在噪聲中的信號(hào)。由于參考信號(hào)已確定，那么很容易得到待測(cè)信號(hào)的幅值與相位，從而實(shí)現(xiàn)對(duì)弱信號(hào)的檢測(cè)。

小波分析時(shí)局部化時(shí)域分析，它用時(shí)域和頻域的聯(lián)合表示信號(hào)的特征，弱信號(hào)與噪聲通過(guò)多尺度小波變換到小波變換域中。在各尺度下盡可能的提取出信號(hào)的小波系統(tǒng)而去除噪聲的小波系數(shù)，對(duì)降噪后的系數(shù)通過(guò)小波中間恢復(fù)弱信號(hào)，達(dá)到去除噪聲的效果，從而實(shí)現(xiàn)對(duì)弱信號(hào)的檢測(cè)。

數(shù)字相敏解調(diào)技術(shù)是一種廣泛應(yīng)用的弱信號(hào)檢測(cè)技術(shù)，利用高速浮點(diǎn)數(shù)字信號(hào)處理和高速現(xiàn)場(chǎng)可編程門(mén)陣列芯片分別處理所采集的信號(hào)的實(shí)部和虛部，實(shí)現(xiàn)對(duì)弱信號(hào)幅值和相位的檢測(cè)。但是，以上這些技術(shù)都是針對(duì)現(xiàn)有檢測(cè)信號(hào)線性、平穩(wěn)的以及需要高品質(zhì)因素的濾波器的研究，噪聲容限、弱信號(hào)檢測(cè)準(zhǔn)確性等都有待提高。

發(fā)明內(nèi)容

基于以上不足，本發(fā)明提出一種基于混沌智能圖像識(shí)別的弱信號(hào)檢測(cè)方法及裝置，通過(guò)分析Duffing振子相位圖各狀態(tài)的系統(tǒng)驅(qū)動(dòng)力f臨界范圍，提取圖像特征值并通過(guò)圖像識(shí)別來(lái)判斷Duffing振子相位圖狀態(tài)，由此達(dá)到檢測(cè)強(qiáng)噪聲背景下弱信號(hào)的目的。

本發(fā)明第一方面，提出一種基于混沌智能圖像識(shí)別的弱信號(hào)檢測(cè)方法，包括如下步驟：

S1、構(gòu)建Duffing振子信號(hào)檢測(cè)系統(tǒng)，獲取不同狀態(tài)的Duffing振子相位圖；

S2、調(diào)節(jié)Duffing振子信號(hào)檢測(cè)系統(tǒng)的系數(shù)，使系統(tǒng)處于混沌狀態(tài)到大尺度周期狀態(tài)的臨界狀態(tài)，輸入待測(cè)信號(hào)后，得到待測(cè)信號(hào)相空間狀態(tài)圖；

S3、對(duì)所述不同狀態(tài)的Duffing振子相位圖做預(yù)處理，去除坐標(biāo)邊框，將所述不同狀態(tài)的Duffing振子相位圖按照類別不同分別標(biāo)注，得到預(yù)處理好的圖像樣本；

S4、提取所述圖像樣本的HOG特征和GLCM特征，將提取的HOG和GLCM特征組成圖像樣本的特征向量；

S5、組合多個(gè)SVM分類器用于多分類，通過(guò)所述圖像樣本的特征向量訓(xùn)練各SVM分類器，得到訓(xùn)練好的SVM模型；