一种基于欠收敛神经网络的加速度计冲击信号降噪方法

文档序号:35664280发布日期:2023-10-06 19:35阅读:28来源:国知局
一种基于欠收敛神经网络的加速度计冲击信号降噪方法

本发明涉及一种基于欠收敛神经网络的加速度计冲击信号降噪方法,尤其涉及一种基于cnn-lstm和ceemd的加速度计冲击信号降噪方法,属于加速度计冲击信号处理领域。


背景技术:

1、高g值加速度计被广泛应用于各种高冲击的测量,但高g值的加速度计需要进行冲击测试校准来提高测量精度。为了激发高g值加速度计的性能需要一个高能量的冲击来进行测试校准,但高能量的冲击会导致加速度计冲击信号中存在大量的噪声。噪声严重干扰着冲击测试的精度,因此开发一种能够准确有效地降低加速度计冲击信号中的噪声的方法是很有必要的。

2、神经网络具有自动提取特征的能力而被广泛应用于多种信号的降噪,表现出优秀的降噪能力。但是它存在着两个缺点,一个是需要纯净的无噪声的信号来进行训练,另一个是需要大量的训练数据和训练时间来保证收敛速度。对于加速度计冲击信号而言,无法得到纯净的无噪声的信号,且很难实现大的数据量。


技术实现思路

1、现有的加速度计冲击信号降噪方法精度不足,过多的噪声会严重影响加速度计动态特性如频率响应的校准,而过度去噪会严重影响加速度计静态特性如灵敏度的校准,神经网络是优秀的降噪方法,但是它需要纯净的无噪声的信号和大量的训练数据和训练时间,难以被应用于加速度计冲击信号降噪,针对以上问题,本发明的主要目的是提供一种基于欠收敛神经网络的加速度计冲击信号降噪方法,将神经网络应用于加速度计冲击信号降噪,实现对加速度计冲击信号的高效精准降噪,进而提高冲击测试的精度,提高对加速度计的灵敏度等参数的校准精度。

2、本发明的目的是通过以下技术方案实现的。

3、本发明公开的一种基于欠收敛神经网络的加速度计冲击信号降噪方法,使用ceemd(互补集合经验模态分解)处理原始加速度计冲击信号得到imf(本征模态函数)分量和残差,求得各imf分量的主成分频率,根据采样率、imf1的主成分频率和imf2的主成分频率计算出超频系数,使用imf1的主成分频率乘以超频系数获得超频频率,将主成分频率小于超频频率的imf分量和残差相加获得过度去噪的加速度计信号;搭建cnn-lstm(卷积神经网络-长短期记忆网络)神经网络,将小数量的获得的过度去噪的加速度计信号作为输出、与之对应的原始加速度计冲击信号作为输入,使用较低的训练轮数、训练步长和学习率来训练出欠收敛的神经网络,得到权重参数;使用获得的欠收敛神经网络的权重参数对待处理的加速度计冲击信号进行降噪处理,利用收敛速度有限的cnn-lstm神经网络将降噪结果保持在原始加速度计冲击信号和使用ceemd处理得到的过度去噪的加速度计信号之间,得到更接近纯净的无噪声的加速度计冲击信号的降噪结果信号,实现对加速度计冲击信号的高效精准降噪处理,进而提高冲击测试的精度。cnn-lstm相对于传统降噪方法可以更加精准有效地降低加速度计冲击信号中的噪声,但需要纯净的无噪声的信号来进行训练,并需要大量的训练数据和训练时间来保证收敛速度。本发明使用ceemd处理原始加速度计冲击信号得到过度去噪的加速度计信号,将过度去噪的加速度计信号作为cnn-lstm的输入进行训练,可以解决无法获得纯净的无噪声的信号的问题。在使用小数量的训练数据条件下,使用较低的训练轮数、训练步长和学习率来控制cnn-lstm神经网络的收敛速度,通过设置过度去噪的信号作为输入来训练出停止于收敛过程中的神经网络,进而应用于去噪获得理想的降噪结果。

4、本发明公开的一种基于欠收敛神经网络的加速度计冲击信号降噪方法,包括如下步骤:

5、s1,使用ceemd处理原始加速度计冲击信号得到imf分量和残差,求得各imf分量的主成分频率,根据采样率、imf1的主成分频率和imf2的主成分频率计算出超频系数,使用imf1的主成分频率乘以超频系数获得超频频率,将主成分频率小于超频频率的imf分量和残差相加获得过度去噪的加速度计信号。

6、s11,将采集到的小数量的原始加速度计冲击信号加入幅值相反的高斯白噪声得到加噪信号,求得加噪信号的包络线,通过判断原始加速度计冲击信号与上下包络线的平均值的差值是否符合条件来确定出多组imf分量,将求得的多组imf分量按分解顺序求平均值得到最终的各imf分量,使用原始加速度计冲击信号减去所有所得各imf分量之和得到残差;

7、s12,求得步骤s11所得各imf分量的频谱,判断出各imf分量的主成分频率;

8、s13,根据采样率、imf1的主成分频率和imf2的主成分频率计算出超频系数,超频系数如表达式(1)所示:

9、

10、其中:cp是超频系数,f1是imf1的主成分频率,f2是imf2的主成分频率,fs是采样率;

11、s14,使用imf1的主成分频率乘以步骤s13所得超频系数获得超频频率,将主成分频率大于超频频率的imf分量都去除掉,将其余imf分量和残差相加获得过度去噪的加速度计信号。

12、s2,搭建cnn-lstm神经网络,将小数量的获得的过度去噪的加速度计信号作为输出、与之对应的原始加速度计冲击信号作为输入,使用相对正常训练神经网络较低的训练轮数、训练步长和学习率来训练出欠收敛的神经网络,得到权重参数。

13、s21,使用2个卷积层、2个池化层、2个lstm层和1个全连接层搭建cnn-lstm神经网络;

14、s22,将小数量的步骤s14所得的过度去噪的加速度计信号作为输出,将与之对应的原始加速度计冲击信号作为输入,使用较低的训练轮数、训练步长和学习率进行步骤s21所搭建的cnn-lstm神经网络的训练,得到欠收敛神经网络的权重参数;

15、s3,使用获得的欠收敛神经网络的权重参数对待处理的加速度计冲击信号进行降噪处理,利用收敛速度有限的cnn-lstm神经网络将降噪结果保持在原始加速度计冲击信号和使用ceemd处理得到的过度去噪的加速度计信号之间,得到更接近纯净的无噪声的加速度计冲击信号的降噪结果信号,实现对加速度计冲击信号的高效精准降噪处理,进而提高冲击测试的精度。

16、s31,使用步骤s22所得的欠收敛神经网络的权重参数对待处理的加速度计冲击信号进行降噪处理,得到加速度计冲击信号的降噪结果信号;

17、s32,利用收敛速度有限的cnn-lstm神经网络将降噪结果保持在原始加速度计冲击信号和使用ceemd处理得到的过度去噪的加速度计信号之间,得到更接近纯净的无噪声的加速度计冲击信号的降噪结果信号,实现对加速度计冲击信号的高效精准降噪处理,降噪后的加速度计冲击信号能够为冲击测试提供更高精度的测量值,进而提高冲击测试的精度。

18、有益效果:

19、1、针对现有的加速度计冲击信号降噪方法精度不足严重影响加速度计校准的精度问题,本发明公开的一种基于欠收敛神经网络的加速度计冲击信号降噪方法,使用ceemd处理原始加速度计冲击信号得到imf分量和残差,求得各imf分量的主成分频率,根据采样率、imf1的主成分频率和imf2的主成分频率计算出超频系数,使用imf1的主成分频率乘以超频系数获得超频频率,将主成分频率小于超频频率的imf分量和残差相加获得过度去噪的加速度计信号;搭建cnn-lstm神经网络,将小数量的获得的过度去噪的加速度计信号作为输出、与之对应的原始加速度计冲击信号作为输入,使用较低的训练轮数、训练步长和学习率来训练出欠收敛的神经网络,得到权重参数;使用获得的欠收敛神经网络的权重参数对待处理的加速度计冲击信号进行降噪处理,利用收敛速度有限的cnn-lstm神经网络将降噪结果保持在原始加速度计冲击信号和使用ceemd处理得到的过度去噪的加速度计信号之间,得到更接近纯净的无噪声的加速度计冲击信号的降噪结果信号,实现对加速度计冲击信号的高效精准降噪处理,提高冲击测试的精度。

20、2、本发明公开的一种基于欠收敛神经网络的加速度计冲击信号降噪方法,所处理的加速度计冲击信号较为复杂,无法获得纯净的无噪声的信号且很难通过仿真来构建,另外流程复杂的加速度计冲击测试导致获得大数量的加速度计冲击信号数据难以实现。使用的cnn-lstm神经网络相对于传统降噪方法可以更加精准有效地降低加速度计冲击信号中的噪声,进而可以进行更精确的加速度计灵敏度等参数的校准,但需要纯净的无噪声的信号来进行训练,并需要大量的训练数据来保证收敛速度。利用ceemd的特性获得过度去噪的加速度计信号,结合收敛速度有限的cnn-lstm神经网络获得理想的降噪结果,即ceemd和cnn-lstm结合可以弥补无法获得纯净的无噪声的信号进行神经网络训练的缺点,且可以在小数量的训练数据条件下获得精确有效的降噪结果,将降噪性能强的神经网络成功应用于加速度计冲击信号的降噪中,提高冲击测试的精度,即提高对加速度计的灵敏度等参数的校准精度。

当前第1页1 2 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1