本文主要研究内容
作者陈智勇（2019）在《地表振动信号识别定位算法研究》一文中研究指出：近年来,地表振动信号处理技术在众多场合被广泛使用,如智能交通、地下管网防护以及智能安防等领域。但是,对于地表振动信号处理,传统方法通常只能解决单一问题,缺乏一种通用性强的识别定位算法,以满足日益增长的应用需求。本文研究内容为地表振动信号识别定位算法,拟解决周期、非周期振动信号的振源识别、定位问题,使之能适用于各种应用场合。本论文主要的研究内容及研究成果有:(1)首先基于振动信号传播特性,研究了地表振动信号能量分布的变化与传播距离之间的关系。基于语谱图表征信号能量分布的原理,提出了 SPEC特征及其特征提取算法,SPEC特征表征了信号能量分布的变化信息。与地表振动信号现有的FBED特征相比,SPEC特征提取算法复杂度低,且可同时适用于周期/非周期地表振动信号的表征。基于SPEC特征,结合KELM算法作为分类、回归模型训练算法,提出了 KELM+SPEC地表振动信号识别定位算法。与传统方法相比,KELM+SPEC算法是一种通用性强的识别定位算法,可同时适用于周期/非周期地表振动信号的振源分类与传播距离预测;(2)本文进一步对定位算法进行了改进,提出了一种基于迁移学习和主成分分析融合特征的定位算法。首先将振动信号进行可视化为语谱图图片,基于迁移学习算法,利用预训练的CNN网络AlexNet提取信号图像特征,将信号图像特征与SPEC特征进行PCA融合降维,所得新的融合特征可表征信号能量分布和图像特征的融合信息。基于新的融合特征,采用KELM作为回归模型训练算法,提出一种改进的定位算法;(3)为验证所提算法性能,本文进行了多组对比实验,在振源识别和定位精度上与现有方法进行了充分对比。为此,本文采集了多个距离下的不同种类地表振动信号构建原始数据集,其中包含2种周期振动信号与3种非周期振动信号。实验结果表明,相比于传统方法,本文所提KELM+SPEC算法在振源识别准确率和定位精度上均有明显的提高,且改进后的定位算法,其距离预测的精度相比之前有大幅提高。
Abstract
jin nian lai ,de biao zhen dong xin hao chu li ji shu zai zhong duo chang ge bei an fan shi yong ,ru zhi neng jiao tong 、de xia guan wang fang hu yi ji zhi neng an fang deng ling yu 。dan shi ,dui yu de biao zhen dong xin hao chu li ,chuan tong fang fa tong chang zhi neng jie jue chan yi wen ti ,que fa yi chong tong yong xing jiang de shi bie ding wei suan fa ,yi man zu ri yi zeng chang de ying yong xu qiu 。ben wen yan jiu nei rong wei de biao zhen dong xin hao shi bie ding wei suan fa ,ni jie jue zhou ji 、fei zhou ji zhen dong xin hao de zhen yuan shi bie 、ding wei wen ti ,shi zhi neng kuo yong yu ge chong ying yong chang ge 。ben lun wen zhu yao de yan jiu nei rong ji yan jiu cheng guo you :(1)shou xian ji yu zhen dong xin hao chuan bo te xing ,yan jiu le de biao zhen dong xin hao neng liang fen bu de bian hua yu chuan bo ju li zhi jian de guan ji 。ji yu yu pu tu biao zheng xin hao neng liang fen bu de yuan li ,di chu le SPECte zheng ji ji te zheng di qu suan fa ,SPECte zheng biao zheng le xin hao neng liang fen bu de bian hua xin xi 。yu de biao zhen dong xin hao xian you de FBEDte zheng xiang bi ,SPECte zheng di qu suan fa fu za du di ,ju ke tong shi kuo yong yu zhou ji /fei zhou ji de biao zhen dong xin hao de biao zheng 。ji yu SPECte zheng ,jie ge KELMsuan fa zuo wei fen lei 、hui gui mo xing xun lian suan fa ,di chu le KELM+SPECde biao zhen dong xin hao shi bie ding wei suan fa 。yu chuan tong fang fa xiang bi ,KELM+SPECsuan fa shi yi chong tong yong xing jiang de shi bie ding wei suan fa ,ke tong shi kuo yong yu zhou ji /fei zhou ji de biao zhen dong xin hao de zhen yuan fen lei yu chuan bo ju li yu ce ;(2)ben wen jin yi bu dui ding wei suan fa jin hang le gai jin ,di chu le yi chong ji yu qian yi xue xi he zhu cheng fen fen xi rong ge te zheng de ding wei suan fa 。shou xian jiang zhen dong xin hao jin hang ke shi hua wei yu pu tu tu pian ,ji yu qian yi xue xi suan fa ,li yong yu xun lian de CNNwang lao AlexNetdi qu xin hao tu xiang te zheng ,jiang xin hao tu xiang te zheng yu SPECte zheng jin hang PCArong ge jiang wei ,suo de xin de rong ge te zheng ke biao zheng xin hao neng liang fen bu he tu xiang te zheng de rong ge xin xi 。ji yu xin de rong ge te zheng ,cai yong KELMzuo wei hui gui mo xing xun lian suan fa ,di chu yi chong gai jin de ding wei suan fa ;(3)wei yan zheng suo di suan fa xing neng ,ben wen jin hang le duo zu dui bi shi yan ,zai zhen yuan shi bie he ding wei jing du shang yu xian you fang fa jin hang le chong fen dui bi 。wei ci ,ben wen cai ji le duo ge ju li xia de bu tong chong lei de biao zhen dong xin hao gou jian yuan shi shu ju ji ,ji zhong bao han 2chong zhou ji zhen dong xin hao yu 3chong fei zhou ji zhen dong xin hao 。shi yan jie guo biao ming ,xiang bi yu chuan tong fang fa ,ben wen suo di KELM+SPECsuan fa zai zhen yuan shi bie zhun que lv he ding wei jing du shang jun you ming xian de di gao ,ju gai jin hou de ding wei suan fa ,ji ju li yu ce de jing du xiang bi zhi qian you da fu di gao 。
论文参考文献
论文详细介绍
论文作者分别是来自杭州电子科技大学的陈智勇，发表于刊物杭州电子科技大学2019-05-13论文，是一篇关于地表振动信号论文,识别定位论文,特征论文,迁移学习论文,杭州电子科技大学2019-05-13论文的文章。本文可供学术参考使用，各位学者可以免费参考阅读下载，文章观点不代表本站观点，资料来自杭州电子科技大学2019-05-13论文网站，若本站收录的文献无意侵犯了您的著作版权，请联系我们删除。
标签：地表振动信号论文; 识别定位论文; 特征论文; 迁移学习论文; 杭州电子科技大学2019-05-13论文;