下载文档原格式
利用短周期P 波确定小震震源参数的新方法D1 Hel m be r ge rY i ng Ta n摘要提出了一种通过短周期( 01 5 ～2 Hz) P 波反演来确定小震震源机制和地震矩的新方法, 其中用已知震源机制的4 级地震来校正没有给定模型的速度结构的影响。
校正基于震群波形的分析, 其结果显示震群中不同大小的地震事件, 例如4 级和2 级, 在短周期频带上显示出相似的信号, 表明了传播过程的稳定。
由于4 级和2 级地震事件的拐角频率都高于2 Hz , 因此可以认为是点源, 并且没有给定模型的结构对短周期P 波的影响可以由已知震源机制的4 级地震推导出。
同样, 已经很好确定了参数的2 级小震也能够为在更高频率, 例如2～8 Hz 上研究更小的地震事件提供校正。
尤其是我们发现, 未给定模型的结构对短周期P 波的影响主要是数据和一维合成之间的振幅的差异。
我们定义“振幅放大因子”( A A F) 为数据和一维合成之间的振幅比, 不同的震群事件得到的A A F 基本一致, 有很好的稳定性且与震源机制无关, 因此, 它的简单函数为研究小震提供了有用的校正。
我们用校正过的数据和短周期P 波的合成来确定震源机制, 并且采用网格搜索的方法来使拟合的误差最小化。
确认检验显示了在重现可靠结果中A A F 因子校正的重要性和有用性。
我们以2003 年的大贝尔震群为例对这一方法进行了说明。
但该方法对南加州其他震源区的应用结果也同样很好, 因为我们已经说明10 k m ×10 k m 的震源区A A F 因子的稳定性和与震源机制的无关性。
根据定义, A A F 因子包含台站场地效应、路经效应和地壳散射效应。
尽管想要分离出这些效应已经证明是很困难的, 但A A F 的稳定性和与震源机制无关性说明它们主要受接收台站附近场地结构的影响。
另外, 不同地区不同地震事件的垂向分量和径向分量A A F 的比值看起来一致,说明这些A A F ( v) / A A F ( r) 比值可能是场地条件的简单函数。
基于盲源分离的多源信号分离技术研究现代科技的发展，使得我们越来越依赖各种信号以实现生产和生活的日常运行。
比如，我们所面临的各种噪声、单频干扰、混叠干扰等，都会对我们的通信系统、雷达成像、音频和视频信号处理等造成巨大影响，导致信息传输质量的下降，限制了各种应用的推广和应用。
解决这些问题的方法之一是信号分离。
信号分离技术被广泛应用于多源信号的解析和处理中，它可以将源信号从复杂的混合信号中提取出来，以便于独立分析和处理。
目前常用的信号分离方法包括盲源分离（BSS）、独立分量分析（ICA）和主成分分析（PCA）等。
其中，盲源分离技术是基于统计独立性原理，通过盲学习和转换方法，将混合的多源信号分离出来，具有很强的实用性和广泛的应用前景，是信号处理领域的重要分析技术之一。
那么，接下来我们来详细探讨一下盲源分离技术在多源信号分离中的应用。
一、盲源分离技术的基本原理盲源分离技术是一种无需外部任何先验知识或训练数据的盲信号分离方法。
在具体实现时，也不需要对待分离信号所在的复杂混合系统作出严格的假设。
盲源分离技术的基本原理是利用统计独立性原理，将多个源信号通过未知混合系数叠加成一个混合信号，然后再采用盲学习和转换方法，将混合信号分离成原始源信号，实现多源信号分离的目的。
由于信号源的数量和混合系数的未知性，混合信号的解索具有一定的难度，需要采用适当的数学工具进行求解。
二、盲源分离技术的主要应用场景1. 音频和视频信号分离盲源分离技术在音频和视频信号的处理中广泛应用，例如在语音交流中，麦克风捕获的目标语音信号和背景噪声等声音可能会混合在一起，采用盲源分离技术，可以迅速分离出来，提高语音传输质量，实现多人语音交流。
同样的，视频信号处理中也常常遇到多个视频源混合的问题，例如视频监控、多摄像头跟踪等，都可以采用盲源分离技术，对视频信号进行解析和处理。
2. 信号源定位和跟踪盲源分离技术不仅可以用于分离混合信号中的信号源，也可以进一步实现信号源的定位和跟踪。
独立分量分析技术在设备故障诊断中的应用张会兴(中石化东北油气分公司,吉林长春 130062) 摘 要:针对设备振动信号复杂难以分离的特点,提出采用独立分量分析技术对多源振动混合信号进行分离降噪和特征提取。
实验结果表明,利用该方法可有效对多源信号进行分离降噪,提取特征信号,从而达到提高故障诊断准确率的目的。
关键词:动设备;独立分量分析;分离降噪;故障诊断 中图分类号:T E509 文献标识码:A 文章编号:1006—7981(2012)16—0107—02 利用振动信号对设备进行故障诊断是目前较常用的方法之一[1],然而,由于设备结构复杂,激励源众多,或者因工作环境恶劣等因素致使背景噪声较强,大多情况下采集的振动信号一般是多源振动的混合信号,或者信号中还往往混有大量的噪声信号,如不对原始混合信号进行有效的预处理,势必影响诊断的准确性和精确性。
因此,诊断前必须对直接采集的振动信号进行降噪和特征提取等预处理工作,以提高故障诊断信息的质量,为后续准确诊断提供有力保障。
本文探讨了独立分量分析(Independent Component Analysis ,ICA )降噪方法在石化动设备振动信号预处理中的应用,通过ICA 方法对强背景噪声下振动信号进行分离降噪处理,提取故障特征信号,以提高诊断的准确性。
1 独立分量分析原理与算法1.1 ICA 基本原理独立分量分析理论和方法是20世纪80年代由Jutten 等人[2]提出,自该方法问世以来,已经在生物医学信号处理、混合语音信号分离、盲源分离等方面得到了较好应用。
由于其在盲源分离方面表现出来的优势,近年来它的应用领域逐步扩大。
ICA 处理的对象是一组相互独立统计的信源经线性组合而产生的混合信号,最终从混合信号中提取出各独立的信号分量[3]。
独立分量分析是一种较新的统计信号处理方法,ICA 处理的基本目标是要找到一个线性变换,使变换后的各信号之间尽可能统计独立。
摘要：介绍了遥感影像三种常用的图像融合方式。
进行实验，对一幅具有高分辨率的SPOT全色黑白图像与一幅具有多光谱信息的SPOT图像进行融合处理，生成一幅既有高分辨率又有多光谱信息的图像，简要分析比较三种图像融合方式的各自特点，择出本次实验的最佳融合方式。
关键字：遥感影像；图像融合；主成分变换；乘积变换；比值变换；ERDAS IMAGINE1. 引言由于技术条件的限制和工作原理的不同，任何来自单一传感器的信息都只能反映目标的某一个或几个方面的特征，而不能反应出全部特征。
因此，与单源遥感影像数据相比，多源遥感影像数据既具有重要的互补性，也存在冗余性。
为了能更准确地识别目标，必须把各具特色的多源遥感数据相互结合起来，利用融合技术，针对性地去除无用信息，消除冗余，大幅度减少数据处理量，提高数据处理效率；同时，必须将海量多源数据中的有用信息集中起来，融合在一起，从多源数据中提取比单源数据更丰富、更可靠、更有用的信息，进行各种信息特征的互补，发挥各自的优势，充分发挥遥感技术的作用。
[1]在多源遥感图像融合中，针对同一对象不同的融合方法可以得到不同的融合结果，即可以得到不同的融合图像。
高空间分辨率遥感影像和高光谱遥感影像的融合旨在生成具有高空间分辨率和高光谱分辨率特性的遥感影像，融合方法的选择取决于融合影像的应用，但迄今还没有普适的融合算法能够满足所有的应用目的，这也意味着融合影像质量评价应该与具体应用相联系。
[2]此次融合操作实验是用三种不同的融合方式（主成分变换融合，乘积变换融合，比值变换融合），对一幅具有高分辨率的SPOT全色黑白图像与一幅具有多光谱信息的SPOT图像进行融合处理，生成一幅既有高分辨率又有多光谱信息的图像。
2. 源文件1 、 imagerycolor.tif ，SPOT图像，分辨率10米，有红、绿、两个红外共四个波段。
2 、imagery-5m.tif ，SPOT图像，分辨率5米。
3. 软件选择在常用的四种遥感图像处理软件中，PCI适合用于影像制图，ENVI在针对像元处理的信息提取中功能最强大，ER Mapper对于处理高分辨率影像效果较好，而ERDAS IMAGINE的数据融合效果最好。
![一种冲击定位识别装置及方法[发明专利]](https://img.taocdn.com/s1/m/85a95dcaaaea998fcd220e58.png)
专利名称：一种冲击定位识别装置及方法
专利类型：发明专利
发明人：姜明顺,邹本健,张法业,张雷,隋青美,贾磊申请号：CN202010573209.2
申请日：20200622
公开号：CN111721450A
公开日：
20200929
专利内容由知识产权出版社提供
摘要：本公开提供一种冲击定位识别装置及方法，涉及冲击定位识别领域，包括，冲击输出机构，用于向测试结构数据采集区域施加冲击；压电传感器，安装在测试结构上采集测试结构应变数据发送至控制器；控制器，获取应变数据并基于卷积神经网络模型实现冲击定位识别；其中，卷积神经网络模型基于冲击定位识别数据集利用深度学习框架训练构建；使用深度学习的方法，构建卷积神经网络模型，实现冲击定位识别的任务，解决加筋轻量化结构的不规则的加强筋使得冲击响应过于复杂、难以分析的问题，使用深度学习方法不需要确定当前的波速，适用于复杂结构的冲击定位识别。
申请人：山东大学
地址：250061 山东省济南市历下区经十路17923号
国籍：CN
代理机构：济南圣达知识产权代理有限公司
代理人：赵敏玲
更多信息请下载全文后查看。
音频传输中的声源定位与分离技术研究近年来，随着虚拟现实、增强现实和智能音箱等技术的快速发展，音频传输中的声源定位与分离技术变得愈发重要。
声源定位与分离技术可以帮助系统确定音频信号来源的位置，并将其与其他干扰信号分开，从而提高音频传输的质量和用户体验。
声源定位是指通过分析音频信号的时延、幅度和相位等特性，确定声音传播过程中的方向和距离。
使用声源定位技术，可以将多个声源在空间中定位，进而提供更真实的音频场景。
声源定位技术主要分为基于单麦克风和多麦克风的定位方法。
基于单麦克风的声源定位方法依靠麦克风捕获到的音频信号的时延差、能量差和声纹特性等来估计声源的位置。
其中，时延差方法是最常见的一种，通过计算声音从发射点到达各个麦克风的时间差，然后利用声速和麦克风之间的距离计算声源位置。
然而，基于单麦克风的方法通常受到环境噪声、多径效应和混响等因素的影响，导致定位准确度较低。
相比之下，基于多麦克风的声源定位方法可以通过利用不同位置的麦克风阵列捕获的多路音频信号，进一步提高声源定位的准确度。
基于多麦克风的定位方法多样，包括协方差域方法、互相关法和子空间方法等。
这些方法通过对不同麦克风之间的相关统计分析和空间滤波，可以更准确地估计声源位置。
除了声源定位技术，声源分离技术也是音频传输中的重要问题之一。
声源分离技术可以将特定音频信号从混合信号中分离出来，提高音频信号的清晰度和可理解性。
常见的声源分离技术包括基于频谱和基于时域的方法。
基于频谱的声源分离方法主要利用频谱特性的不同，将混合信号中不同声源的频谱分离出来。
典型的算法包括短时傅里叶变换（STFT）、盲源分离和非负矩阵分解等。
这些方法可以根据音频信号在频域中的特性，将声音分离为不同的频谱分量，从而实现声源分离。
而基于时域的声源分离方法则利用了不同声源在时间轴上具有不同的时序特性。
时间域方法可以分析音频信号的时序、振幅和频率等特性，通过处理时域信号的波形和能量分布，将不同声音分离出来。
振 动 与 冲 击第28卷第8期JOURNAL OF V I B RATI O N AND SHOCKVol .28No .82009 基于独立分量分析的多源冲击定位方法基金项目:国家高技术研究发展计划(863计划)(2007AA03Z117);国家自然科学基金项目(60772072)收稿日期:2008-07-28 修改稿收到日期:2008-08-06第一作者苏永振男,博士生,1980年生通讯作者袁慎芳女,博士,博士,1968年生苏永振,袁慎芳(南京航空航天大学智能材料与结构航空科技重点实验室,南京 210016) 摘 要:结构健康监测中常用声发射信号进行声发射源的定位及特征描述。
多个冲击事件发生时,声发射信号是多个信号的混叠,而且混合方式未知,这使利用声发射信号对冲击源进行定位变得非常困难。
而近年来兴起的基于独立分量分析的盲源分离技术为解决这一难题提供了可能。
采用基于信息极大化原理的反馈网络结构对同时作用在铝梁上的两个冲击事件产生的声发射混合信号进行分离,估计出各个源信号到达传感器的时延后,运用两点直线定位公式对两个冲击源进行定位。
混合仿真实验验证了基于信息极大化原理的独立分量分析方法估计时延的有效性,铝梁上的两源冲击实验,进一步表明运用独立分量分析方法能较好的解决多冲击源定位问题。
关键词:盲源分离;独立分量分析;时延;冲击定位中图分类号:T B52;TG115.28 文献标识码:A 航空材料结构在服役过程中不可避免的要承受具有不同能量的各种物体的冲击,由冲击所诱导的损伤,使结构承载能力大大降低、结构强度及稳定性严重退化[1]。
因此,很有必要利用结构健康监测技术[2]对冲击事件进行实时监测。
目前对冲击定位的研究多是以单个冲击源为研究对象,常通过求解由冲击产生的声发射信号到达不同传感器的时延进行定位。
在对多个冲击源进行定位时,一些常规的求解时延方法[3]如互相关函数法,能量法、阈值法等不再有效。
因为在多个冲击源的情况下,声发射信号是多个源信号的混叠,上述方法只能求解出一个时延,因此无法实现多个冲击源的定位。
近年来兴起的基于独立分量分析(I CA )的盲源分离(BSS )技术为这一问题的解决提供了有效途径。
盲源信号分离是指在不知道源信号和混合参数的情况下,仅根据源信号的一些统计特性和有限的观测数据恢复出源信号。
盲源信号分离技术在通信、生物医学信号处理、语音信号处理、阵列信号处理等获得了广泛的应用。
BSS 根据混合方式可分为瞬时混合和卷积混合,瞬时混合模型常假定信号源是同时混合的,不能容忍时延,而实际上混合源中有到达时间的区别。
传感器测得的由冲击产生的声发射信号是结构的脉冲响应函数与源信号的卷积,而且由于传播介质的影响(时延和反射等),信号是多路径到达的,因此本文采用卷积混合模型模拟两个冲击源信号的混合过程。
BSS 的卷积混合模型为:x =A 3s,其中“3”代表卷积,x 为t 时刻M 维的观测信号向量,s 为t 时刻的N 维源信号向量,A为M ×N 维的F I R 混合滤波器矩阵。
解混目标是寻找一逆F I R 滤波器矩阵W 使得解卷积后的输出y =W 3s 是源信号s 的估计。
本文以同时作用在铝梁上的两个冲击源的定位问题为例,研究基于BSS 技术的多源冲击定位问题。
根据BSS 的卷积混合模型,采用基于信息最大化原理的反馈分离网络结构,对两个冲击源的混叠信号进行分离,求出各个冲击源到达传感器的时延,再根据波速,利用两点直线法实现两个冲击源的定位。
1 I nfomax 方法 1988年L inskers [‘4]提出了可用非线性单元来处理任意分布的输入信号的信息最大化(I nfomax )原理,它可描述为:网络的输入端和输出端的互信息达到最大时,等价于输出端各分量间的相关性最小。
1995年,A.J.Bell 和T .J.Sejnowski [5]提出了基于信息最大化(I nf omax )原理的盲源分离算法。
I nfomax 算法的独立性判据为信息极大传输准则,即通过对分离矩阵的调整,使非线性输出y 和网络输入x 之间的互信息I (y,x )极大。
由信息论可知:I (y,x )=H (y )-H (y |x )(1)由于H (y |x )不依赖于分离矩阵W ,可以看出,通过最大化输出信号的联合熵,就可实现输入输出之间的互信息最大。
输出信号的联合熵为:H (y )=-E [log (f y (y ))](2)f y (y )为非线性输出y 的概率密度函数,设输入经过非线性函数g (x )得到y,当g (x )为单调上升或下降时,输出输入概率密度函数之间的关系则可以写为:f y (y )=f x (x )/det (J )(3)det (J )为网络的雅克比行列式,f x (x )为输入信号的概率密度函数。
将式(3)带入式(2)可得:H (y )=E [lndet (J )]-E [ln f x (x )](4)由上式可知权值仅影响上式右边的第一项。
因此,最大化输出信息熵就等价于最大化E [lndet (J )]。
采用S 型函数g (y )=11+e-y 近似输出概率密度函数,就可以得到下面的随机梯度迭代算法:ΔW ∝(1-2y (t ))x (t )T +[W T ]-1(5)2 分离卷积混合的网络结构本文以两个源信号的混合为例说明基于信息最大化原理的分离网络结构,根据其结构原理很容易推广到多个源信号的情况。
无噪声(在实际中噪声可假设为一个冲击源)的卷积混合模型在z变换域可写为:X 1(z )X 2(z )=A 11A 12A 21A 22S 1(z )S 2(z )(6)211 前向分离网络结构根据混合模型(6)直接求解源S 可得:S 1(z )=(A 22(Z )X 1(z )-A 12(Z )X 2(z ))/G (z )S 2(z )=(-A 21(Z )X 1(z )+ A 11(Z )X 2(z ))/G (z )(7)其中:G (z )=A 11(z )A 22(z )-A 12(z )A 21(z)可以看出这表示一个用于分离的前向结构,如图1所示,能理想实现时的解混滤波器为:W 11(z )=A 22(z )/G(z ),W 12(z )=-A 12(z )/G (z )W 22(z )=A 11(z )/G (z ),W 21(z )=-A 21(z )/G (z )(8)式(8)分离解法的要求是G (z )≠0和G (z )存在稳定的逆滤波器,在实际情况下,对于某些滤波器并不能实现分离,可采用反馈分离网络结构实现分离。
图1 前向分离网络结构212 反馈分离网络结构反馈分离网络结构的原理如图2所示,其经过非线性之前的输出-输入在z 变换域的关系式为:U 1(z )=W 11(z )X 1(z )+W 12(z )U 2(z )U 2(z )=W 22(z )X 2(z )+W 21(z )U 1(z )(9)图2 反馈分离网络结构经整理可写为下式的矩阵形式:X 1(z )X 2(z )=W 11(z )-1W 12(z )W 11(z )-1-W 21(z )W 22(z )-1W 22(z )-1・U 1(z )U 2(z )(10)由式(6)和式(10)可以得到理想的分离结果:W 11(z )=A 11(z )-1W 12(z )=-A 12(z )A 11(z )-1W 22(z )=A 22(z )-1W 21(z )=-A 21(z )A 22(z )-1(11)最大化信息熵时,W 11和W 22对混合信号进行分离的同时,在时域内对源信号还有白化作用,可通过令W 11(z )=1和W 22(z )=1避免白化的影响。
则由式(9)可得:X 1(Z )X 2(Z )=1-W 12-W 211U 1(Z )U 2(Z )(12)由式(5)经变换可得到下式:X 1(Z )X 2(Z )=1A 12(Z )A 22(Z )-1A 21(Z )A 11(Z )-11・A 11(Z )S 1(Z )A 22(Z )S 2(Z )(13)比较式(12)和式(13)可得到:W 12(z )=-A 12(z )A 22(z )-1W 21(z )=-A 21(z )A 11(z )-1(14)此时的分离结果为:U 1(z )=A 11(z )S 1(z ), U 2(z )=A 22(z )S 2(z )3 基于随机梯度的反馈分离网络结构迭代算法 由上述分析可知,采用基于信息最大化原理的反馈分离网络结构可实现卷积混合信号的分离。
下面推导其时域内基于随机梯度的迭代算法,由反馈分离网络结构的原理图2可以得到下式:u 1(t )=∑L 11k =0w1k 1x 1(t -k )+∑L 12k =0w1k 2u 2(t -k )u 2(t )=∑L 22k =0w2k 2x 2(t -k )+ 531第8期 苏永振等:基于独立分量分析的多源冲击定位方法∑L 21k =0w2k 1u 1(t -k )(15)取非线性函数g (u )=11+e-u ,则可得到整个网络的雅可比行列式:det (J )=9y 19x 19y 29x 2-9y 19x 29y 29x 1=y ′1y ′2D(16)则:ln det (J )=ln (y ′1)+ln (y ′2)+ln D(17)其中:y ′1=9y 19u 1, y ′2=9y 29u 2, D =w 101w 202解混滤波器的系数可分为直接滤波器的零延迟系数w i 0i 、直接滤波器的其它系数w ik i 及正交滤波器系数w ik j 。
下面以w 101为例推导其随机梯度迭代算法。
Δw ∝9lndet (J )9w 101=1y ′19y ′19w 101+1y ′29y ′29w 101+1D 9D9w 101(18)9y ′19w 101=9y ′19y 19y 19u 19u 19w 101=(1-2y 1)y ′1x 19y ′29w 101=9y ′29y 29y 29u 29u 29w 101=09D9w 101=w 202(19)将式(18)带入式(17)可得:Δw 101∝(1-2y 1)x 1+1w 101(20)经过类似推导可得到各滤波器权重的迭代公式:Δw i 0i ∝(1-2y i )x i +1/w i 0iΔw ik i ∝(1-2y i )x i (t -k )Δw ik j ∝(1-2y i )u j (t -k )(21)对滤波器系数w ik j ,i 代表传感器序号,k 代表时刻,j 代表源序号(后面书写中省略了k,缩写为w ij ).对于时域混合矩阵A,其每个元素都是一组F I R 滤波器,a 11和a 22为直接滤波器,a 12和a 21为正交滤波器,其第一个下标表示传感器序号,第二个下标表示源信号序号,可以看出一个信号源到达两个传感器的时延就是其直接滤波器和正交滤波器幅值最大处对应的时延。
