一种基于稀疏表示的承压界面超声信号分类识别方法技术

本发明专利技术公开了一种基于稀疏表示的承压界面超声信号识别方法，将相同采样长度下界面信号样本划分为训练样本与测试样本两组，其中训练样本用于构造多压力复合字典，测试样本用于验证方法可行性。分别提取测试样本和训练样本包含的匹配原子，作为测试样本匹配原子集与多压力类别训练样本匹配原子集，利用训练样本匹配原子集构建多压力类别复合字典。依次将测试样本结果中每一个匹配原子与复合字典每一压力类别下的全部原子进行比较，搜索并统计具有相同结构的原子信息。本发明专利技术提出了一种稀疏表示分类方法，利用同构原子作为识别参量，提高了分类识别效率。了分类识别效率。了分类识别效率。

【技术实现步骤摘要】
一种基于稀疏表示的承压界面超声信号分类识别方法


[0001]本专利技术属于超声无损检测领域，更具体地，涉及一种基于稀疏表示的承压界面超声信号分类识别方法。

技术介绍

[0002]因超声波对结构不连续的高敏感性，使得超声波技术成为检测界面接触状态的有效方法。随着外载压力的变化，界面的接触状态也会发生改变，其检测信号的波形特征也存在明显差异。超声检测技术可以即时获取有关界面状态的海量信号数据，通过对数据的统计分析即可对承压界面接触状态进行有效表征与分类。近年来常用的分类识别方法有神经网络、支持向量机等。Virupakshappa K等
[1]提出基于频谱特征的支持向量机分类方法，成功实现了钢中缺陷的分类识别。Sambath S等
[2]使用小波分解后的时域特征构建神经网络的输入层，建立不同缺陷(裂纹和孔隙)的分类模型，实现了对缺陷信号的分类识别。虽然以上方法取得了较好的分类效果，但是此类方法仍然基于统计理论，受样本数量和特征维数影响较大。
[0003]稀疏表示分类(Sparse representation for classification,SRC)方法是近年来兴起的一种模式识别方法，此方法借助稀疏表示理论实现分类问题，对特征选择的以来大大减小。稀疏表示分类在由训练样本构成的字典上将测试样本稀疏化，根据误差最小原则确认测试样本所属类别
[3]。任玉宝等
[4]利用管道声信号的小波系数构建字典并进行稀疏表示分类，实现了泄露声信号的识别。Lu B等
[5]将稀疏表示分类应用到超声影响识别中，实验结果表明该方法从图像中有效识别病灶，且识别准确率高于支持向量机识别方法。
[0004]当同类标签的训练样本足够多时，稀疏表示分类方法可以取得理想的识别效果。然而，其不足之处在于，随着训练样本数的减小，不同标签下误差区分度降低，分类效果受到很大影响。国内外学者试图将稀疏表示分类进行优化，在小样本情况下挖掘出更丰富信息。Liu S等
[6]引入训练样本近似值的概念，利用样本近似值建立了虚拟训练样本，与实际样本共同组成复合字典，实现了小样本下图像的有效分类。Deng等
[7]提出了扩展稀疏分类方法，将测试样本部分信息作为辅助分类特征，解决了训练样本不足时人脸识别精度较低的问题。Yang等
[8]提出了伪全空间(由测试样本与训练样本共同组成)表示方法，通过测试样本对训练样本进行补充。田晨曦
[9]等对稀疏表示分类方法进行改进，定义了一整套以原子贡献度作为指标的量化评价体系，实现了11种肿瘤的分类识别。万冬燕等
[10]将匹配原子波形用于导波缺陷信号识别中，有效区分了焊缝中裂纹/孔洞/无缺陷的信号。
[0005]针对传统分类识别方法对数据量及特征维数的过度依赖，本专利技术提出了一种新型稀疏表示分类识别方法，充分挖掘原子信息，主要体现在一种基于同构原子的稀疏表示分类识别方法。

技术实现思路

[0006]为了解决承压界面超声信号的量化识别问题，本
技术实现思路
在于提出一种基于稀疏
表示的分类识别方法。利用样本稀疏表示后的匹配原子构造多压力下复合字典，通过比较信号样本与复合字典中的同构原子信息，计算不同压力下原子贡献度，按照贡献度最大的原则对样本进行分类。
[0007]本专利技术提出的基于稀疏表示的超声信号分类识别方法，其基本原理在于：
[0008]界面反射信号随压力变化其波形特征发生改变，稀疏表示方法旨在通过超完备字典中的少量原子重构已知信号，获得信号波形的基本特征，实现有效信息的简洁表达。匹配原子描述了波形中局部细节，可以通过比较匹配原子的同构性对信号样本进行有效分类。在稀疏表示中，超完备字典的选择与稀疏模型的求解关乎到方法的有效性，本专利技术选择Chirplet函数构造超完备字典，其具有与宽频信号相似的波形特征；利用匹配追踪方法对模型进行求解。
[0009]Chirplet函数作为超完备字典的构造函数，其由五参数模型得到，通过对函数参数进行调节，可实现原子的伸缩、平移、频率及相位变化，图1给出了具体流程图。
[0010][0011]式中g(t)—高斯窗函数，即s为尺度因子，定义函数的能量分布；u为平移因子，确定波形具体位置；v为频率调制因子，确定函数主频；w为相位因子，c为调频因子，负责相位、变频的调节。
[0012]在实际操作中，需对时频参数γ进行离散化操作：
[0013]γ＝(a
j
,pa
j
Δu,ka
‑
j
Δv,iΔw，a
‑
j
Δc)
ꢀꢀꢀ
(2)
[0014]式中，离散化参数中j、k、p、w与信号采样点数N有关，其中0≤j≤log
2N
、0≤k≤2
j+1
、0≤i≤12、0<p≤2
‑
j+1
、a＝2、Δu＝1/2、Δu＝π、Δw＝π/6、Δc＝1。
[0015]匹配追踪算法作为经典的贪婪算法，其本质是原子的连续迭代与分解。该算法将原子与信号的内积作为衡量匹配度的依据，以内积最大时对应原子作为此次迭代下的最佳原子，此时内积为对应投影系数。信号的稀疏表示即为多次迭代下最佳原子与投影系数乘积累加值与原信号不断逼近的结果。
[0016]设置迭代次数为M，y为界面反射信号。令残差信号y
e
＝y，迭代次数m＝1，匹配原子集Φ和投影系数c均为空集。在单次迭代中首选寻找最佳匹配原子，原子匹配需满足原子与残差信号的内积最大原则
[0017]d(i)＝arg max<y
e
,D>
ꢀꢀꢀ
(3)
[0018]式中i—原子在字典中的序号。
[0019]提取对应内积值更新投影系数c，提取字典序号对应参数更新稀疏系数Φ
[0020]c
n
＝<y
e
,d(i)>
ꢀꢀꢀ
(4)
[0021]Φ
n
＝[d(i),i]ꢀꢀꢀ
(5)
[0022]更新残差信号并计算误差
[0023]y
e
＝y
e
‑
Φ
n
c
n
ꢀꢀꢀ
(6)
[0024][0025]根据迭代终止条件进行判断，若e大于e0，则将最佳原子从字典中剔除，继续下一次迭代；若e小于e0，则迭代结束。输出对应稀疏系数Φ、投影系数c。经稀疏表示后，信号y的
重构信号结果为
[0026][0027]本专利技术的分类方法基于两信号的同构原子信息，同构原子指那些形状结构相同的原子。由式(1)可知，若两原子为同构原子，则要求各自时频参数γ中s、v、w、c中4个参数相同。同时，定义距离阈值d，以约束同构原子选择条件。当两原子的平移因子u的差小于距离阈本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于稀疏表示的承压界面超声信号分类识别方法，其特征在于，通过以下步骤实现的，1)对多层结构进行承压检测实验，依次改变外载压力大小，得到K压力等级下的L组界面反射信号；将不同压力类别下信号样本划分为测试样本与训练样本，其中训练样本用于构造复合字典，共K
×
(L
‑
1)个；测试样本共K个；2)根据稀疏表示理论，选择Chirplet函数构造包含超声信号特征且与信号样本等长度的超完备字典；采用匹配追踪算法对信号样本进行稀疏表示，提取M次迭代下的匹配原子集Φ和投影系数c，并将二者组合得到匹配原子信息a；3)按照压力等级将训练样本的稀疏表示结果进行归类，得到单一压力类别下匹配原子信息A
k
＝[a1,..,a
L
‑1]；依此汇总每个压力下匹配原子信...

【专利技术属性】
技术研发人员：焦敬品，薛原，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：