声学所提出一种利用变化指数的故障检测电路,

来源:http://www.020tL.com 作者:云顶集团简介 人气:87 发布时间:2019-09-21
摘要:中国科学院声学研究所水下航行器信息技术重点实验室助理研究员王雷欧及其同事提出了一种利用坐标旋转数字算法的基于特征空间的信号合成方法,该方法能够有效减少信号合成过程

中国科学院声学研究所水下航行器信息技术重点实验室助理研究员王雷欧及其同事提出了一种利用坐标旋转数字算法的基于特征空间的信号合成方法,该方法能够有效减少信号合成过程中的计算量。相关研究成果发表于第26届欧洲信号处理会议2018 26th European Signal Processing Conference (EUSIPCO 2018)。

中国科学院声学研究所水下航行器信息技术重点实验室助理研究员王雷欧及其同事提出了一种基于特征空间的符号极化信号合成快速算法,该算法能够有效减少计算量。相关研究成果近期已在线发表于国际学术期刊IEEE Transactions on Aerospace and Electronic Systems

近日,中国科学院声学研究所水下航行器信息技术院重点实验室助理研究员王雷欧等提出了一种利用变化指数的故障检测电路,可有效检测传感器阵列有无故障。

声波是已知的唯一可以在水下进行远程信息传输的能量载体,因此水声探测技术被广泛应用于人类的海洋活动中。

传感器阵列在许多场合都具有重要应用价值。与采用单个传感器接收信号不同,利用多个传感器组成的阵列可以在低信噪比环境下提高信号的接收能力。信号合成是一种有效的信号处理技术,它通过计算最优合成权值来实现接收信号的信噪比最大化。

大型天线阵列在许多场合都具有重要的应用价值。与采用单个大型天线相比,多个小型天线组成的阵列可以提高低信噪比环境下的信号接收能力。信号合成是一种有效的信号处理技术,通过计算最优合成权值来实现接收信号的信噪比最大化。

传感器阵列以某种几何结构分布,是发射、接收信号的传感器集合体,主要作用是在低信噪比环境下提高信号的接收能力,即在抑制噪声的同时,提高输出信号的质量。信号合成技术通过计算理想的合成权值,可以显著提高输出信号的信噪比。目前,信号合成方法主要包括两类。一类是基于特征空间的方法,建立特定的目标函数求出合成权值,该方法存在的主要问题是计算量较大。另一类是基于迭代的信号合成方法,其代表是SUMPLE算法,具有良好的合成性能,同时计算复杂度较低。当阵列中的某个传感器出现故障时,SUMPLE算法的合成性能会下降。针对这一问题,相关学者曾提出一种基于修改系数的α-SUMPLE算法,该算法能够减少故障传感器所导致的合成损失,但当阵列中没有故障传感器时,会带来额外的合成损失。

在中国科学院声学研究所声场声信息国家重点实验室研究员王海斌的带领下,我国研究人员与法国勃艮第大学Le2I实验室共同提出了一种基于图像模式识别技术的新型水声目标特征分析方法。相关研究成果被第十四届IEEE信号处理国际会议(the 14th IEEE International Conference on Signal Processing, ICSP 2018)收录,副研究员李超代表研究团队向大会作了报告。

传统的基于特征空间的信号合成方法稳定高效,例如Cheung,Lee,和Luo等人分别以合成信号的信噪比(Signal-to-Noise Ratio,SNR)、合成输出功率(Combined Output Power,COP)以及自相关系数(Autocorrelation Coefficient,AC)作为目标函数,提出SNR EIGEN (TDA PROG REP,1996),COP EIGEN (IPN PROG REP,2002),和AC EIGEN(IET COMMUN,2012)算法,但主要问题是计算量较大,特别是计算信号或噪声的相关矩阵,随着阵列的传感器数量以及参与合成计算的采样数据长度的增加,其计算量急剧增大。

传统的基于迭代的信号合成方法,由于相位漂移在低信噪比环境下并不稳定。而另一类基于特征空间的信号合成方法,则表现稳定高效。国内外的研究人员曾分别以合成信号的信噪比(Signal-to-Noise Ratio,简称SNR)、合成输出功率(Combined Output Power,简称COP),以及自相关系数(Autocorrelation Coefficient,简称AC)作为目标函数,提出SNR EIGEN、COP EIGEN和AC EIGEN算法。

针对α-SUMPLE算法存在的问题,王雷欧等人基于数学模型与性能分析,利用二阶统计量中的变化指数(Variability Index,VI)作为检测判据,结合假设检验得到故障检测阈值,最终提出计算成本低的故障检测电路。实验结果表明,该新故障检测电路可有效判断传感器阵列有无故障。当传感器阵列中出现故障时,该电路能够减少合成损失;当传感器阵列中没有故障时,该电路也不会产生额外的合成损失。

人工水声目标在工作的过程中会产生一定的辐射噪声,海洋生物也会发出各种叫声。这些噪声产生的机理不尽相同,往往具有独立、稳定的声学特性,可以用于被动目标探测与识别。水声目标探测受到复杂海洋环境的影响,需要对目标噪声进行特征提取以增强识别结果的可靠性。目前常用的可识别特征有频谱、调制、相位等特征。这些特征提取方法是在时间、频率或者相位等某一特定维度上进行,只能提供同质的单模态信息,限制了相关技术性能的提升。

为了解决这一问题,王雷欧等人曾提出一种基于特征空间的符号极化模型,并结合切比雪夫多项式得到互相关函数和信号相关矩阵的估计,可降低计算复杂度(IEEE TAES,2018)。

基于特征空间的信号合成方法,存在的主要问题是计算量大,需要计算信号相关矩阵,以及求解矩阵的特征向量。美国的学者曾利用幂法(Power Method,简称PM)和MF(Matrix-Free)算法优化计算量,但PM只能减少特征向量部分的计算量,当各路接收信号噪声方差不一致时,由MF算法得到的合成权值将是有偏的。因此,随着阵列的天线数目以及参与合成计算的采样数据长度的增加,计算量会急剧增加。

相关研究成果发表在IEICE Transactions on Electronics上。

时频分析是一种有效的水声信号分析方法。其原理基于短时傅里叶变换(Short-Time Fourier Transform, STFT),即按照一定的时间间隔截取长度相等的接收信号,然后对每段信号进行傅里叶变换,得到不同时刻的信号功率谱。将这些功率谱沿时间轴进行排列,就形成了时频分析图。这种分析结果同时含有时间、频率和调制三种特征信息,是一种典型的多模态融合特征,具有更高的可区分度,有助于提升水声目标识别技术的性能。

通过切比雪夫多项式得到上述的估计会引入额外的计算开销,因此王雷欧等人在已有研究成果的基础上,提出了一种利用坐标旋转数字算法(Coordinate Rotation Digital Computer, CORDIC)的信号合成方法,进一步减少计算量。

为了解决这一问题,王雷欧等人提出一种新的基于特征空间的符号极化信号合成快速算法。通过建立符号极化模型,将接收信号互相关函数中的乘法运算转化为简单的加1或减1运算。同时,利用Collatz–Wielandt迭代法计算矩阵的特征向量。

论文链接

在此基础上,声学所研究人员引入图像模式识别技术,提出了一种新的水声目标特征分析方法。该方法发挥了时频分析图的多模态优势,利用目标噪声频谱的时间相关性,通过特征分解,将目标噪声与背景噪声分离开,达到低信噪比下提升系统可靠性的目的。仿真与海试数据验证结果表明,该方法可以在低信噪比下对人工目标的谱线进行有效的检测与追踪,具有很好的实用价值。

CORDIC是计算三角函数和指数函数的经典算法之一,其特点在于将复杂的运算分解成一系列加减和移位运算。王雷欧等人首先通过符号极化模型得到极化互相关函数的估计,再利用CORDIC计算互相关函数和信号相关矩阵的估计。该研究对估计精度和算法迭代次数也进行了详细的讨论。

一方面,研究人员基于互相关函数与极化互相关函数的关系,提出符号极化的数学模型,并得到极化互相关函数的估计值。为了减少计算量,通过切比雪夫多项式,根据上述计算结果得到互相关函数的估计值。另一方面,当天线阵列较大时,CW迭代法在求解矩阵特征向量过程中具有比PM更快的收敛速度,能够进一步减少计算量。

图片 1

论文信息:ZHANG Hairu, LI Chao, WANG Haibin, WANG Jun, YANG Fan. Frequency Line Extraction on Low SNR Lofargram Using Principal Component Analysis. 2018 IEEE 14th International Conference on Signal Processing (August, 2018).

实验结果证明,这种新的信号合成方法能够灵活应用于COP EIGEN和AC EIGEN方法,在保证信号合成性能的同时进一步降低计算成本。

实验结果证明,这种新的基于特征空间的符号极化信号合成快速算法能够灵活应用于COP EIGEN和AC EIGEN方法,在显著减少计算量的同时还能够保证信号合成性能。

声学所提出一种利用变化指数的故障检测电路

图片 2

该研究得到国家自然科学基金(No.61801469, No.61571434)和声学所青年英才计划项目(QNYC201622) 资助。

论文信息:WANG Leiou, WANG Donghui, HAO Chengpeng. A Signum Polarization Fast Eigen-Based Signal Combining Algorithm. IEEE Transactions on Aerospace and Electronic Systems (Early Access 2018). DOI: 10.1109/TAES.2018.2801379.

时频分析原理图

参考文献:WANG Leiou, WANG Donghui, HAO Chengpeng. A Fast Eigen-based Signal Combining Algorithm by Using CORDIC. 2018 26th European Signal Processing Conference (September 2018).

论文链接

图片 3

论文链接

图片 4

人工水声目标辐射噪声与鲸鱼叫声时频分析结果(左图/陈敬军等,一种提取LOFAR图中谱线的方法,声学与电子工程,2018年第2期;右图/ Douglas Gillespie, Detection and classification of right whale calls using an 'edge' detector operating on a smoothed spectrogram, Canadian Acoustics , 2004)

声学所提出一种基于特征空间的符号极化信号合成快速算法

图片 5

某人工水声目标噪声时频分析图与其时-频二维特征

图片 6

基于时-频二维特征的人工目标线谱实时追踪结果

本文由云顶集团网站发布于云顶集团简介,转载请注明出处:声学所提出一种利用变化指数的故障检测电路,

关键词:

最火资讯