专利名称：基于无用分量投影分析的供水管道安全监控方法
技术领域：
本发明涉及声学信号处理、模式识别领域，具体来说，是一种基于无用分量投影分析的，对破坏供水管道活动进行检测的方法。
背景技术：
为保证城市供水管道安全，需要对破坏供水管道行为及时预警，以防供水管道泄漏。造成管道泄漏的主要因素有管道腐蚀、非主观的人为损坏、主观的人为破坏和不可抗拒的自然力等。一般而言，管网腐蚀是缓慢的物理、化学过程，主要通过定期的管道维护和管道更新解决该问题。非主观的人为损坏包含的内容很广泛，例如，重型机械作业时，不清楚作业区域中管道的具体位置，无意识破坏管道；对管道进行操作时，由于操作失误造成管道压力过高，使得管道爆裂。这些因素会导致管道内某些物理参数的突变，管道监测系统可以根据监控量的变化，向监控人员汇报，进而通过及时有效的行动，预防严重后果的发生。主 观的人为破坏指不法分子通过对管道的恶意破坏，达到某种不可告人的目的。最常见的破坏方式是通过铁制器械，对管道的硬性损害。我们将非主观的人为损坏和主观的人为破坏统称为破坏供水管道活动。对供水管道的泄漏以及破坏供水管道活动的检测有多种手段，传统的方法包括人工法、数字图像检测法、负压力波法、流量平衡法、光纤法和声学信号处理法。所谓人工法是指通过专业人员的巡视，发现管道破坏行为；数字图像检测法是指在重点区域或者合适地点安装数字图像传感器，通过图片进行判断，减轻人工巡视的负担；负压力波法是指对管道内的压力进行检测，根据压力变化的情况判断是否发生泄漏现象；流量平衡法是对管道入水流量和出水流量进行检测，根据两者差值判断管网状态；光纤法是通过在管网周围铺设光纤，进而达到对周围管线的监控作用。高斯混合模型(Gaussian mixture models):是单一高斯概率密度函数的延伸，能够平滑地近似任意形状的密度分布。通常，高斯混合模型是通过EM算法(EM algorithm)估计而得的。EM算法是进行极大似然估计的一种有效方法，它主要应用于下面两种非完全数据参数估计①观测数据不完全，这是由于观测过程的局限性所导致似然函数不是解析的，或者似然函数的表达式过于复杂从而导致极大似然函数的传统估计方法失效。第二种情况在模式识别中经常遇到。采用高斯混合模型时，由于模型的自由度较大，故而难以达到稳健的估计。无用分量投影通过移除变量中对识别不利的要素，使估计的参数更为稳健。通过无用分量投影技术，我们得到稳健的高斯混合模型。随后，我们采用支持向量机，对模型加以区分。支持向量机将输入元素映射到一个高维的空间，并在这个空间求解最大间隔超平面，可以求解非线性问题。
发明内容
本发明的目标是研制一种通过先期声学数据建模，使用检测到的声学数据输入模型并得出对被检测的管道的状态变化情况的判断，进而实现管道系统安全事件报警系统。
本发明采用EM算法和无用分量求解算法分别得出通用背景高斯混合模型和投影模型，以自适应技术和无用分量投影得出投影向量，然后采用SVM训练算法得出训练模型，最后以检测数据得到的投影向量代入训练模型并得出相应的检测结果。其具体步骤如下(I)将原始声学数据通过同态信号处理得出时间序列(2)采用EM算法得出通用背景高斯混合模型将EM算法应用到混合分布的情形。下面我们以一个二维混合正态分布为例在MatLab中做模拟实验。本实验中，混合分布样本数据的产生方法如下设X是属于给定的混合密度参数族P的一个随机变量，它具有形如式(I)的概率密度函数。设X是对X的一个观察值，Z是X的分类随机变量，其取值Z = i (i= 1,2, "^m);那么在给定Z = ·i的条件下,X = X的条件概率为PiUl 0 D (i = 1,2,…，m)，而其无条件概率为p (X I 0)。X的一个观察样本产生过程如下①按分布P(Z = i) = X i Q = 1，2，…，m)产生Z的一个观察值首先产生一个
区间的随机变量 r，若
权利要求
1.一种通过先期声学数据建模，使用检测到的声学数据输入模型并得出对被检测的管道的状态变化情况的判断，进而实现管道系统安全事件报警系统； 本发明采用EM算法和无用分量求解算法分别得出通用背景高斯混合模型和投影模型，以自适应技术和无用分量投影得出投影向量，然后采用SVM训练算法得出训练模型，最后以检测数据得到的投影向量代入训练模型并得出相应的检测结果。
2.其具体步骤如下 (1)将原始声学数据通过同态信号处理得出时间序列； (2)采用EM算法得出通用背景高斯混合模型将EM算法应用到混合分布的情形；下面我们以一个二维混合正态分布为例在MatLab中做模拟实验，本实验中，混合分布样本数据的产生方法如下设X是属于给定的混合密度参数族P的一个随机变量，它具有形如式(I)的概率密度函数；设X是对X的一个观察值，Z是X的分类随机变量，其取值Z = i (i = 1，2, ，m);那么在给定Z = i的条件下，X = X的条件概率为PiUl 0 J (i = 1,2, m),而其无条件概率为P (x I 9); X的一个观察样本产生过程如下 ①按分布P(Z= i) = A i (i = 1,2,…，m)产生Z的一个观察值首先产生一个
区间的随机变量rSS=A-MZ = i； ②若Z= i,则按X的第i分支对应的分布产生一个观察值X, i = 1,2,…，m ;重复(I)、(2)这一过程n次，可得到关于X的一组容量为n的简单随机样本观测值； 实验步骤如下 ①利用上述方法产生一个二维混合正态分布的2000个样本点； ②确定算法需要的参数初始值混合比例a采用平均分配策略，各分支的期望的元素是介于各样本元素的最大值和最小值之间随机产生，各分支的协方差矩阵采用对称矩阵，产生参数初始值； 在本实验中EM算法迭代终止条件为连续两次所得参数估计值满足 iOSP(X|tgp(xlg0i)(X|9tTl)l - 0.00001时迭代停止，本次试验经过81次迭代后程序终止；再取一组远离参数真实值的初值进行迭代，经过140次迭代后程序终止； 从所做的大量数值计算来看，用EM算法对混合正态模型进行密度参数估计，能收敛到各参数的极大似然估计量，并且样本越大，估计结果越接近参数真值； (3)通过自适应技术映射时间序列得到高维矢量； (4)使用无用分量求解算法，将高维向量生成投影模型； (5)训练数据通过上述步骤得到高维矢量后，通过无用分量投影得到其投影向量，并通过支持向量机得到训练模型； (6)在实际检测中得到的声学数据同样通过此系列步骤，在映射高维矢量和投影向量时代入步骤2和4得出的模型，以此得到的投影向量结合步骤5得出的训练模型生成对检测到数据的最终判断。
全文摘要
一种通过先期声学数据建模，使用检测到的声学数据输入模型并得出对被检测的管道的状态变化情况的判断，进而实现管道系统安全事件报警系统；本发明采用EM算法和无用分量求解算法分别得出通用背景高斯混合模型和投影模型，以自适应技术和无用分量投影得出投影向量，然后采用SVM训练算法得出训练模型，最后以检测数据得到的投影向量代入训练模型并得出相应的检测结果。其优点是EM算法和无用分量投影分析可以大幅减少通用背景高斯混合模型对建模和测试的数据量需求，可明显缩短系统对各应用环境的适应时间，减少从首次接收异常信号到做出判断结论的时间。
文档编号G05B13/04GK102749848SQ201210216648
公开日2012年10月24日 申请日期2012年6月28日 优先权日2012年6月28日
发明者巴福生, 贾雪霏 申请人:北京安慧音通科技有限责任公司