中国工程论文网
代写工程论文
当前位置:工程论文网 > 通信工程论文 > 地灾次声信号的通信工程分类识别

地灾次声信号的通信工程分类识别

时间:2018-12-08 22:15来源:www.e-lunwen.com 作者:lgg 点击:
本文是一篇通信工程论文,信号处理是通信工程中一个重要环节,其包括过滤,编码和解码等。毕业后可从事无线通信、电视、大规模集成电路、智能仪器及应用电子技术领域的研究,
本文是一篇通信工程论文,信号处理是通信工程中一个重要环节,其包括过滤,编码和解码等。毕业后可从事无线通信、电视、大规模集成电路、智能仪器及应用电子技术领域的研究,设计和通信工程的研究、设计、技术引进和技术开发工作。(以上内容来自百度百科)今天为大家推荐一篇通信工程论文,供大家参考。
 
1. 绪论
 
1.1 研究背景及意义
我国疆域辽阔,拥有丰富的地形地貌,高原、山岭、平原、丘陵、盆地这五种基本地形均有分布,在陆地面积中,平原约为 12%,高原、山岭、丘陵、盆地约为 88%,可见我国的地质环境复杂多样。此外,我国地处环太平洋地震带、欧亚地震带之间,受板块运动挤压的影响,地震断带非常活跃,这也是造成我国多种地质灾害的根本原因(孙英兰,2008)。图 1-1 是中国自然致灾因子多度图,图中颜色越深的地方,表示地质灾害发生的越严重,可以看出由西向东、由北向南、由内陆到沿海多度图上的颜色越来越深,表明地质灾害发生的越来越严重,而地质灾害的破坏性很强,具有突发性,若发生在人口稠密,企业密集的地区,将严重威胁着人民的生命财产安全。所以,如何有效的预测地质灾害是非常重要的研究内容。根据 2016 年中国国土资源公报显示,2016 年我国共发生地质灾害 9710起,造成 370 人死亡、35 人失踪,直接经济损失 31.7 亿元,地质灾害发生数量、造成死亡失踪人数和直接经济损失同比分别增长 18.1%、41.1%和 27.4%。如图 1-2 所示为 2012~2016 年地质灾害造成的死亡失踪人数和直接经济损失情况。2016 年,中央本级地质灾害防治资金投入 55 亿元,全国共成功预报地质灾害 676 起,避免人员伤亡 23956 人,避免直接经济损失 7.14 亿元,如图 1-3所示为 2012~2016 年成功预报地质灾害起数和避免人员伤亡情况。可以看出,成功预测地质灾害有很大的现实意义。
.........
 
1.2 次声信号分类的国内外研究现状
要实现对次声信号的分类,就要提取出各个次声事件的有效特征以实现相互区分,这就需要对采集到的次声信号选择合适的信号处理方法与分类算法,在该领域中,国内外的大量研究人员都进行了研究(Assink,2008;Johnson,2011;任际周,2012),并根据各个次声事件产生机理的不同,来实现次声的分类(刘俊民,2010;Tsybul'skaya,2012)。1990 年,日本根据泥石流发生的当日雨量与发生前 1 小时的雨量提出了泥石流预警模型,具有代表性的两种模型为直线回归函数形式和指数函数形式。石川芳治提出了直线回归形式的临界雨量线,其表达式为:y = ax + b,主要是研制了雨量遥测装置与雨量警报装置,通过对雨量数据进行实施收集、计算和判断后,自动的发出警报信息(石川芳治,1990)。指数函数形式由棚桥由彦提出,其根据当日的降雨量与 1 小时降雨强度提出的组合判别式:bmR ar = ,式中 R 为泥石流暴发当日的降雨量;mr 为泥石流暴发前的 1 小时的降雨量; a 、b 为地区或泥石流沟的相关常数(棚桥由彦,1989)。2005 年,Chilo 等人用小波神经网络处理具有频率突变特性的地震信号有不错的分类效果(Chilo,2005)。Thüring 等人用支持向量机对阿尔卑斯山的雪崩观测试验场 Lavin 的次声数据进行分类识别,将虚假检测从 65%减少到 10%,分类效果显著提高,为自动检测雪崩次声系统的建立提供了可靠的帮助(Thüring,2015)。Park 等人用偏最小二乘校正模型、RBF神经网络、多层感知器训练的 BP 神经网络这三种经典的神经网络,与其分别组成的并行神经网络(PNNCB)对比分类结果,可看出三个 PNNCB 分类性能优于经典的神经网络,结果均达到 83%以上,且基于 RBF 的 PNNCB 结构的分类精确度达到了 89%(Park,2005)。同年,Ham 等人用 RBF 神经网络为子网络的PNNCB 网络对六种不同的次声事件进行分类,其分类精度能达到 93%以上(Ham,2005;Ham,2008)。在直接用分类算法对地灾次声信号进行分类之前,还有人用特征提取的方法对次声信号进行处理,以达到更好的分类效果。刘学勇分别采用谱熵、小波变换和希尔伯特-黄变换三种特征提取技术对四类次声信号进行特征向量的提取(刘学勇,2015),提取得到的特征向量分别由 BP 网络与支持向量机进行分类,对比分类结果,可以看出在用同一种特征提取技术提取特征向量时,BP 网络和支持向量机的分类准确率基本相近,但是支持向量机的效果要更好一些。在三种特征提取技术中,分类效果最好的是希尔伯特-黄变换,与支持向量机分类器结合能较好的反映事件类型的次声特性(Liu XY,2014),而谱熵的分类准确率不高,但是与支持向量机结合时分类速度较快,适合应用于次声的监测中(LiM,2016)。
..........
 
2. 次声信号分类的整体框架
 
地灾次声信号的分类识别,属于人工智能领域的模式识别(PatternRecognition)系统,即根据研究对象的特征将其划分到某一类别中,其中模式代表研究对象间存现的某种规律性关系,识别表示将研究对象识别为各个类别(张学工,2010)。其实,模式识别来源于人类的智慧,因为人类智慧的一个重要方面就是其认识外界事物的能力,人们看到一张照片就会知道这是风景照、人物照还是动物照,看到车辆就能判断这是轿车、越野车、货车还是客车等等,这些判断是人们在生活中不断学习、总结出来的,可以说,人们对外界对象的认识几乎都是对类别的认识。在更高级的智能活动中,模式识别也有众多的应用,比如信用卡公司可以根据消费者的年龄、受教育程度、消费行为等对用户进行分类,这样既可以对用户提供更好的信用服务,也可以通过异常的消费模式判断是否存在账户被盗等情况。
 
2.1 次声信号的获取与预处理
本论文中的次声信号数据来源于全面禁止核试验条约北京国家数据中心,由次声传感器采集到的,因为次声信号是一种低频信号,所以次声传感器的下限频率要尽可能的低,当前有多种类型的次声传感器,如电容式、波纹管膜盒型、光纤等(李大赵,2006)。连续的次声信号进入次声传感器后,经过采样、滤波、模数转换等信号处理过程存储为离散的时间序列,通常,次声信号的采用频率为20HZ。采集到的次声中可能存在一些不完整、有异常的数据,会影响到后续信号处理及分类识别的执行效率,甚至会影响最终的结果,所以对原始信号进行数据预处理非常重要,可使用滤波、去噪、增强等方式提高信号的质量。在试验过程中,由于各次声站获取的次声信号的时间长度不同,即数据的维度不同,这会使得程序无法正确运行,所以要对所有的次声信号进行截断使其维度相同,以确保后续试验的进行。
.........
 
2.2 次声信号的独立分量分析
在信号处理阶段,采用独立分量分析方法处理信号,该方法为解决盲源分离问题提供了新的思路,根据高阶统计量找出混合信号中相互独立的部分,保留信号的随机统计特征,抑制其中存在的高斯噪声。本论文所用的次声信号由次声站中的次声传感器采集,其采集到的信号往往混杂有多种类型的次声信号,所以需要在众多的混合次声信号中,找出需要的次声信号,即盲源分离问题中的源信号,确保在后续的特征提取中能得到所需次声信号的有效特征,从而提高最终的分类准确率。
.........
 
3. 独立分量分析 ........ 10
3.1 独立分量分析原理 .... 10
3.2 快速独立分量分析 .... 12
3.3 相空间重构的单通道独立分量分析 ...... 14
3.4 本章小结 .......... 15
4. 特征提取 ...... 16
4.1 快速傅里叶变换 ........ 16
4.1.1 FFT 的基本原理 ............ 16
4.1.2 基于 FFT 的地灾次声信号特征提取 ........ 17
4.2 小波变换 .......... 19
4.3 希尔伯特-黄变换....... 23
4.3.1 HHT 的基本原理........... 23
4.3.2 基于 HHT 的地灾次声信号特征提取 ....... 26
4.4 本章小结 .......... 28
5. 分类算法的研究与实现 ............ 29
5.1 分类算法简述 ............ 29
5.2 人工神经网络 ............ 30
5.3 支持向量机 ...... 40
5.4 本章小结 .......... 48
 
5. 分类算法的研究与实现
 
分类算法就是将试验数据划分到一个合适的分类中,该算法需要知道目标变量的分类信息,是一种有监督的学习算法,常用的分类算法有神经网络、支持向量机、K-近邻法、朴素贝叶斯算法、决策树等。分类算法需要根据实际情况选择,一般并不存在最好的算法,但是可以找出有最好结果的算法,所以在选择分类算法时考虑使用分类算法的目的是什么,想实现什么样的目标,使用的样本数据有什么特征等,这些可以缩小算法的选择范围,然后通过对比算法的执行结果选择出合适的分类算法。
 
5.1 分类算法简述
K-近邻法(K-NearestNeighbour,KNN)根据不同特征值之间距离的不同进行划分,如与某一特征值距离最近的实例有 K 个,若这 K 个实例中的绝大部分属于 A 类,则该特征值也属于 A 类,其中 K 值是人为选择的,K 值不同,最终的分类结果可能不同,当无法判断待分类样本属于哪一类别时,就根据统计学理论计算它与周围已知类别样本点距离,将其归为与该样本点距离最小的实例的类别。KNN 的分类精度高,对异常值不敏感,不需要假定输入样本的类别,但是计算复杂度高,对样本不均衡的数据容易误分(张全工,2010)。朴素贝叶斯算法(NaiveBayes)的基础理论就是统计学中的贝叶斯原理,使用该算法前有一个假设条件:给定的样本数据各属性间相互独立,在此基础上,根据式(5-1)可以计算出所给样本属于某一类别的概率,其中, A表示样本属性,B 表示样本类别,虽然这个简单的假设条件并不正确,但其仍然是一种有效的分类算法(张全工,2010)。
..........
 
结论
 
本论文的主要研究内容是通过独立分量分析与特征提取共同处理次声信号,然后用分类算法对其进行分类。论文参考模式识别的主要过程,在前人对次声信号研究的基础上,找出新的信号处理方法与分类算法,将其应用到地质灾害预警领域。论文首先总结了次声信号分类识别的国内外现状,以文献综述的形式进行简要概括,然后采用四种独立分量分析算法、三种特征提取算法、两种分类算法对地震、海啸、火山三种地灾次声事件进行分类识别,对比最终的分类结果,找到了比较理想的分类识别方法,为该领域的研究提供了一些参考。试验的主要结论如下:
1) 在进行同一种特征提取方法之前,用 ICA 处理次声信号得到的结果最好,可见 ICA 在混合的次声信号中能有效的分离出源信号,抑制噪声干扰,有利于得到有效的特征向量;用 FastICA 处理的分类结果次之,但是其处理信号的速度要比 ICA 快数百倍,为实现次声分类识别的实时监测提供可能;用 PSR_ICA、PSR_FastICA 处理的分类结果最差,虽然这两种方法可以降低成本,但分类结果太低,无法进行实际应用。
2) 在使用同一种独立分量分析方法处理后,再使用 FFT 的分类结果最好,可见该方法可以提取有效的特征向量,DWT 的效果次之,HHT 的结果最低。
3) 使用 SVM 的分类效果优于 BP 网络的,运算速度快,可以重复试验,而BP 网络在构造网络的过程中随机变量太多,无法重复进行试验,而且最终的分类结果也时好时坏,所以SVM比BP网络更适合作为地灾次声信号的分类算法。
..........
参考文献(略)
(责任编辑:gufeng)
顶一下
(0)
0%
踩一下
(0)
0%
------分隔线----------------------------
发表评论
请自觉遵守互联网相关的政策法规,严禁发布色情、暴力、反动的言论。
评价:
栏目列表
点击提交代写需求
点击提交代写需求
点击提交代写需求
推荐内容