CN108564000A - 一种基于神经网络的破片信号自动识别方法 - Google Patents

一种基于神经网络的破片信号自动识别方法 Download PDF

Info

Publication number
CN108564000A
CN108564000A CN201810228814.9A CN201810228814A CN108564000A CN 108564000 A CN108564000 A CN 108564000A CN 201810228814 A CN201810228814 A CN 201810228814A CN 108564000 A CN108564000 A CN 108564000A
Authority
CN
China
Prior art keywords
neural network
fragment
signal
sample data
sampling points
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201810228814.9A
Other languages
English (en)
Other versions
CN108564000B (zh
Inventor
张斌
李沅
赵冬娥
赵辉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
North University of China
Original Assignee
North University of China
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by North University of China filed Critical North University of China
Priority to CN201810228814.9A priority Critical patent/CN108564000B/zh
Publication of CN108564000A publication Critical patent/CN108564000A/zh
Application granted granted Critical
Publication of CN108564000B publication Critical patent/CN108564000B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Tests Of Electronic Circuits (AREA)
  • Other Investigation Or Analysis Of Materials By Electrical Means (AREA)

Abstract

本发明公开了一种基于神经网络的破片信号自动识别方法，本发明利用BP神经网络极强的非线性映射能力和对外界刺激和输入信息进行联想记忆的能力，来提高在破片速度测试系统中正确识别大量数据中破片过靶信号。

Description

一种基于神经网络的破片信号自动识别方法
技术领域
本发明属于破片信号自动识别技术领域，具体涉及一种基于神经网络的破片信号自动识别方法。
背景技术
在破片过靶信号采集的过程中会有许多噪声对准确识别过靶信号有干扰，虽然通过基于小波分解与重构的去噪方法可以去除信号中的噪声，但是对于一些频率成分与破片过靶信号比较相似的噪声信号却无法将其去除，在小波滤波之后反而形成正向信号，使后续对破片过靶信号的识别产生错误。
发明内容
有鉴于此，本发明的目的是提供一种基于神经网络的破片信号自动识别方法，可以更有效的去除各种噪声的影响。
一种基于神经网络的破片信号自动识别方法，包括如下步骤：
步骤1、采集破片速度测试过程的原始数据，并选用若干组典型破片过靶信号和若干组带有明显峰值的噪声信号作为样本数据；
步骤2、对步骤1的到的样本数据进行去除干扰处理，得到用于神经网络训练和测试的样本数据；
步骤3、对步骤2获得的样本数据进行微分处理，然后分别获取与峰值间隔为-6个采样点处，-3个采样点处，0个采样点处，3个采样点处以及6个采样点处共5处的信号斜率，同时求取峰值处的信号脉宽，由此得到破片过靶信号的6个特征参数值；
步骤4、对步骤2获得的样本数据进行分类标记；
步骤5、构建包括一个输入层、两个隐层和一个输出层的BP神经网络；
步骤6、将步骤4完成分类标记的样本数据的特征值输入到步骤5建立的BP神经网络，对其进行训练；网络误差达到设定的条件后得到训练好的BP神经网络模型；
步骤7、对于输入的破片信号，采用步骤3的处理方法，获得6个特征值，然后输入到步骤6训练好的BP神经网络模型中，进行识别。
较佳的，所述BP神经网络的权重取[-1,1]之间的一个随机数，偏置取[0,1]间的一个随机数。
较佳的，采用调整负梯度下降的原则调整所述BP神经网络权值。
较佳的，所述设定误差为3×10-7。
本发明具有如下有益效果：
本发明利用BP神经网络极强的非线性映射能力和对外界刺激和输入信息进行联想记忆的能力，来提高在破片速度测试系统中正确识别大量数据中破片过靶信号。
附图说明
图1为系统探测到的不同大小、速度下破片过靶信号；
图2为系统探测到噪声波形；
图3为破片过靶信号特征参数提取流程；
图4为神经网络训练过程图；
图5为噪声及破片信号特征的原始波形、峰值及神经网络滤波后的波形。
具体实施方式
下面结合附图并举实施例，对本发明进行详细描述。
步骤1、采集破片信号的原始波形图，图1为原始图中有效的过靶信号，图2为原始信号中无法被小波去噪方法去除的噪声。
步骤2、对采集到的破片信号原始波形图中的所有有效过靶信号和所有噪声进行滤波去除高频干扰，得到用于神经网络训练样本。
步骤3、观察分析过靶信号和噪声的区别，根据过靶信号和噪声的脉宽和平滑性的不同，提取特征参数及分类规则。
步骤4、在MATLAB中构建BP神经网络。下面对BP神经网络作进一步的描述。构建的BP神经网络为四层神经网络，网络结构的第一层为输入层，网络结构的第二层和三层均为隐层，网络结构的最后一层是输出层。同一层之间神经元不相互连接即同层之间没有连接权值，层和层之间的连接方式为全连接即所有上一层的输出都会对本层产生影响。
BP神经网络的输入为一个R×1维的p列矢量来。若BP神经网络的输入层的节点个数为N，两层隐层节点数分别为R、Q，输出节点数为M。wij(i＝1,2,...,N，j＝1,2,...,R)和b1j为输入层和第一隐层的连接权值和偏置值，vjk(j＝1,2,...,R，k＝1,2,...,Q)和b2k为第一隐层和第二隐层的连接权值和偏置值，mkl(k＝1,2,...,Q，l＝1,2,...,M)和b3l为第二隐层和输出层的连接权值和偏置值。
根据每层网络的权重和偏置值可得输入和输出间的函数ck＝f(p)，并定义误差函数其中yk为目标向量。
步骤5、根据已知样本的特征参数计算神经网络模型中各参数值。对于信号的平滑特性，以脉冲的斜率作为表征。求取其所有峰值，得到的峰值信息中包含所有破片过靶信号的峰值和噪声的峰值，对滤除高频干扰的信号进行微分处理后获取峰值间隔为-6，-3，0，3，6个采样点处的信号斜率，同时求取峰值处信号脉宽；最后得到破片过靶信号的6个特征参数值，则可知步骤4中R的取值为6。图3为特征参数提取流程。有效破片信号都有一定的峰值，另外有效破片信号都较为圆润光滑，不同的破片信号在距离峰值间隔-6，-3，0，3，6个采样点处都具有较为一致的斜率特征。另外，因破片大小和速度值都在一个较为固定的区间，其脉冲宽度也比较一致。这六个特征都有别于噪声信号，所以选取破片的这六个特征作为神经网络的特征参数。
步骤6、按照BP神经网络调整负梯度下降的原则调整权值，即对网络的权值和偏置值进行初始化，权重取[0,1]之间的一个随机数，偏置取[-1,1]间的一个随机数。每两层之间设置一组权值和偏置值。
步骤7、将步骤1中滤波后的样本输入到构建好的神经网络进行训练。神经网络的训练包含多次的迭代过程，每一次迭代(训练)过程都使用训练集的所有样本。使用6个参数值表征破片过靶信号，将其作为输入，同时定义0和1作为神经网络的输出值，以1表示破片，0表示噪声，将已知的多组数据作为训练样本训练BP网络。
步骤8、设定的误差为3×10-7，如图4，经过67次迭代后，网络误差达到设定的条件。每迭代一次就使得上一次计算的权值矩阵分别加上权值的改变量。这样就是权值矩阵不断修正，逐渐趋向于目标结果。
步骤9、使用得到的网络模型，识别信号中的破片过靶信号，将破片信号保留并将破片信号以外的噪声信号全部置零。对多组信号进行处理，得到噪声及破片信号特征的原始波形与神经网络滤波的对比结果，图5为噪声及破片信号特征的原始波形、峰值及神经网络滤波后的波形。
步骤10、使用已训练好的网络模型计算新的样本，通过计算得到输出结果，通过结果的范围对结果进行分类，判定新的样本的分类归属。
步骤11、计算精度。使用神经网络对破片测速信号进行识别，识别率达100％，误识别率为5.3％。
综上所述，以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种基于神经网络的破片信号自动识别方法，其特征在于，包括如下步骤：
步骤1、采集破片速度测试过程的原始数据，并选用若干组典型破片过靶信号和若干组带有明显峰值的噪声信号作为样本数据；
步骤2、对步骤1的到的样本数据进行去除干扰处理，得到用于神经网络训练和测试的样本数据；
步骤3、对步骤2获得的样本数据进行微分处理，然后分别获取与峰值间隔为-6个采样点处，-3个采样点处，0个采样点处，3个采样点处以及6个采样点处共5处的信号斜率，同时求取峰值处的信号脉宽，由此得到破片过靶信号的6个特征参数值；
步骤4、对步骤2获得的样本数据进行分类标记；
步骤5、构建包括一个输入层、两个隐层和一个输出层的BP神经网络；
步骤6、将步骤4完成分类标记的样本数据的特征值输入到步骤5建立的BP神经网络，对其进行训练；网络误差达到设定的条件后得到训练好的BP神经网络模型；
步骤7、对于输入的破片信号，采用步骤3的处理方法，获得6个特征值，然后输入到步骤6训练好的BP神经网络模型中，进行识别。
2.如权利要求1所述的一种基于神经网络的破片信号自动识别方法，其特征在于，所述BP神经网络的权重取[-1,1]之间的一个随机数，偏置取[0,1]间的一个随机数。
3.如权利要求2所述的一种基于神经网络的破片信号自动识别方法，其特征在于，采用调整负梯度下降的原则调整所述BP神经网络权值。
4.如权利要求2所述的一种基于神经网络的破片信号自动识别方法，其特征在于，所述设定误差为3×10-7。
CN201810228814.9A 2018-03-20 2018-03-20 一种基于神经网络的破片信号自动识别方法 Active CN108564000B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810228814.9A CN108564000B (zh) 2018-03-20 2018-03-20 一种基于神经网络的破片信号自动识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810228814.9A CN108564000B (zh) 2018-03-20 2018-03-20 一种基于神经网络的破片信号自动识别方法

Publications (2)

Publication Number Publication Date
CN108564000A true CN108564000A (zh) 2018-09-21
CN108564000B CN108564000B (zh) 2021-09-28

Family

ID=63531819

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810228814.9A Active CN108564000B (zh) 2018-03-20 2018-03-20 一种基于神经网络的破片信号自动识别方法

Country Status (1)

Country Link
CN (1) CN108564000B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102592171A (zh) * 2011-12-30 2012-07-18 南京邮电大学 基于bp神经网络的认知网络性能预测方法及装置
WO2014200155A1 (ko) * 2013-06-13 2014-12-18 전북대학교산학협력단 스펙트럼내 중첩 피크 분리 장치 및 이를 이용하는 x선 형광 분석 장치
CN106405640A (zh) * 2016-08-26 2017-02-15 中国矿业大学(北京) 基于深度信念神经网络的微震信号到时自动拾取方法
CN107576237A (zh) * 2017-10-30 2018-01-12 广西大学 非电导爆管起爆孔外延时分区拆除爆破网路装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102592171A (zh) * 2011-12-30 2012-07-18 南京邮电大学 基于bp神经网络的认知网络性能预测方法及装置
WO2014200155A1 (ko) * 2013-06-13 2014-12-18 전북대학교산학협력단 스펙트럼내 중첩 피크 분리 장치 및 이를 이용하는 x선 형광 분석 장치
CN106405640A (zh) * 2016-08-26 2017-02-15 中国矿业大学(北京) 基于深度信念神经网络的微震信号到时自动拾取方法
CN107576237A (zh) * 2017-10-30 2018-01-12 广西大学 非电导爆管起爆孔外延时分区拆除爆破网路装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张斌: "《基于小波滤波及相关分析的激光光幕破片测速信号数据处理》", 《兵工学报》 *

Also Published As

Publication number Publication date
CN108564000B (zh) 2021-09-28

Similar Documents

Publication Publication Date Title
CN110987434A (zh) 一种基于去噪技术的滚动轴承早期故障诊断方法
CN105004498A (zh) 一种水电机组的振动故障诊断方法
CN107290741B (zh) 基于加权联合距离时频变换的室内人体姿态识别方法
CN109100627A (zh) 一种基于端到端模式的电力设备局部放电故障诊断方法
CN112603334B (zh) 基于时序特征和堆叠Bi-LSTM网络的棘波检测方法
CN103941254A (zh) 一种基于地质雷达的土壤物性类别识别方法和装置
CN104706337A (zh) 脉搏波波峰波谷自动检测方法
CN104268883A (zh) 一种基于边缘检测的时频谱曲线提取方法
CN106487359A (zh) 基于自适应多尺度AVG‑Hat变换的形态学滤波器的构造方法
CN111368653B (zh) 一种基于r-d图与深度神经网络的低空小目标检测方法
CN110458219B (zh) 一种基于stft-cnn-rvfl的φ-otdr振动信号识别算法
CN108596027A (zh) 基于监督学习分类模型的未知类别信号的检测方法
CN107609477A (zh) 一种基于深度学习与智能手环相结合的摔倒检测方法
CN109409216B (zh) 基于子载波动态选择的速度自适应室内人体检测方法
CN102346948B (zh) 一种周界入侵检测方法和系统
CN108171119A (zh) 基于残差网络的sar图像变化检测方法
CN118468093B (zh) 基于Morse的欠定时不变工作模态参数识别方法及装置
CN111600878A (zh) 一种基于maf-adm的低速率拒绝服务攻击检测方法
CN107576380A (zh) 一种面向φ‑otdr技术的三维振动信号分类方法
CN106500991A (zh) 基于自适应多尺度avgh变换的轴承故障信号特征提取方法
CN110472540B (zh) 一种基于lmd-ica-pnn的φ-otdr振动信号分类算法
CN116305588A (zh) 一种风洞试验数据异常检测方法、电子设备及存储介质
CN118883068A (zh) 一种轴承故障诊断方法及系统
CN110192864A (zh) 一种跨域心电图生物特征身份识别方法
CN104111109B (zh) 一种基于不同阶次统计量及支持向量机的机械振动状态识别方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant