基于机器学习的激光多普勒信号处理方法及系统技术方案

本发明专利技术提供一种基于机器学习的激光多普勒信号处理方法及系统，所述方法包括以下步骤：采集通过将激光照射被测物体后来自被测物体的散射光进行光电转换后得到的电信号，获得若干多普勒信号波形数据；从多普勒信号波形数据中提取多普勒信号频域代表性特征以及提取多普勒信号时域代表性特征和小波代表性特征中的至少一种，基于提取的代表性特征生成一组或多组数据集，各数据集中包括训练集和验证集；将从一组或多组数据集中选定的数据集的训练样本输入至机器学习算法模型来训练模型，利用验证集获得训练的模型的准确率，将基于准确率选定的模型部署于测量系统的信号预处理模块中。本发明专利技术实施例能够有效提升激光测速结果的准确度。的准确度。的准确度。

【技术实现步骤摘要】
基于机器学习的激光多普勒信号处理方法及系统


[0001]本专利技术属于光学精密测量领域，特别涉及一种基于机器学习的激光多普勒信号处理方法及系统，尤其涉及一种以激光多普勒效应为原理的激光测速方法及其信号处理系统。

技术介绍

[0002]基于多普勒原理的激光测速技术使用激光照射运动的物体，并通过测量散射光的多普勒频移进而求得物体的运动速度。该技术以其非接触、动态响应快等优点广泛应用于空气动力学和流体力学的测量场景中，例如风洞、水筒、射流元件等流场分布问题的相关物理量测量等。近年来，激光多普勒技术在音速级喷气流的速度测量，燃气轮机、锅炉、原子能反应堆等相关测量方面发挥了重要的作用。
[0003]在此类测速系统中重要的环节是对所采集多普勒信号的数字化处理技术，目前常用的技术手段主要有信号的时频分析，其中典型技术包括快速傅里叶变换、短时傅里叶变换和小波变换等。但是由于系统中光电探测器主要收集散射光的成分，转换得到的电信号通常具有强度弱、信噪比差的特点，直接处理较为困难。目前主要的改进方式是在频谱分析或时频分析前，配合高低通滤波、小波滤波或自适应滤波等方式对信号进行预处理以提高系统性能，但这些方式对测量结果准确性的改善程度有限。
[0004]如何提高测速结果准确度是一个亟待解决的问题。

技术实现思路

[0005]针对现有技术在多普勒信号预处理上存在的不足，本专利技术提供了一种基于机器学习的激光多普勒信号处理方法、装置及系统，通过从多普勒信号中提取多普勒信号频域代表性特征，以及时域代表性特征和/或小波代表性特征，能够有效反映物体运动的多普勒信号特征与不能有效表征物体运动信息的无效信号进行区分，通过利用有效的多普勒信号特征并基于机器学习，可以有效提升测速结果的准确度。
[0006]本专利技术的技术方案如下：
[0007]本专利技术的一方面，提供一种基于机器学习方法的激光多普勒信号处理方法，该方法包括以下步骤：
[0008]数据获取步骤：采集通过将激光照射被测物体后来自被测物体的散射光进行光电转换后得到的电信号，获得若干多普勒信号波形数据；
[0009]特征提取步骤：从所述多普勒信号波形数据中提取多普勒信号频域代表性特征以及提取多普勒信号时域代表性特征和小波代表性特征中的至少一类，基于提取的代表性特征生成一组或多组数据集，各数据集中包括验证集以及训练集，所述训练集中的样本带有激光多普勒信号波形数据的分类标记，所述训练集用于对机器学习算法模型进行训练，所述验证集用于获得训练的各机器学习算法模型的准确率，以基于准确率选定训练好的机器学习算法模型；以及
[0010]部署及测试步骤：将选定的机器学习算法模型部署到激光多普勒信号处理系统的信号采集和预处理子系统，以将实时采集的测试样本并输入至训练好的机器学习算法模型，获得多普勒信号波形的分类结果。
[0011]在本专利技术一些实施例中，所述方法还包括：训练步骤：将所述一组或多组数据集中的训练样本分别输入至预定的一种或多种机器学习算法模型，对所述预定的一种或多种机器学习算法模型进行训练；以及验证步骤：获得训练的各机器学习算法模型的准确率，基于训练的各机器学习算法模型的准确率选定测试阶段采用的数据集以及机器学习算法模型。
[0012]在本专利技术一些实施例中，所述基于提取的代表性特征生成一组或多组数据集包括：对提取的代表性特征进行分组，基于分组后的代表性特征生成多组数据集。
[0013]在本专利技术一些实施例中，所述基于训练的机器学习算法模型的准确率选定测试阶段采用的数据集以及机器学习算法模型，包括：将每个数据集随机分为均等但不相交的多个子集，将多个子集中的一个子集作为验证集，将其余子集合并后作为训练集，采用交叉检验的方法对当前机器学习算法模型的准确率进行检验，以此评价当前机器学习算法模型达到的准确率；基于各个数据集对应的一种或多种机器学习算法模型的准确率，选定测试阶段采用的数据集以及机器学习算法模型。
[0014]在本专利技术一些实施例中，所述频域代表性特征包括以下特征中的部分或全部特征：幅度均值、幅度最大值、幅度峰位置、功率谱平均值和功率谱占用带宽；所述时域代表性特征包括以下特征中的部分或全部特征：电信号强度均值、电信号强度中值、电信号强度标准差、电信号强度整流均值、电信号强度25％位点、电信号强度75％位点、电信号强度四分位间距、电信号强度偏态系数、电信号强度峰态系数和电信号强度均方根；所述小波代表性特征包括以下特征中的部分或全部特征：db型小波1～5层低频系数均值、db型小波重构1～5层近似函数系数的标准差；Haar型小波重构函数系数的标准差；Sym8型小波信号均值、中值、标准差、整流均值、25％位点、75％位点、四分位间距、偏态系数、峰态系数、均方根、频域的尖峰频率、频域均值、频域最值、平均功率和占用带宽。
[0015]在本专利技术一些实施例中，所述一种或多种机器学习算法模型包括以下机器学习算法模型中的一种或多种：决策树模型、支持向量机模型、最近邻算法模型和集成学习算法模型。
[0016]在本专利技术一些实施例中，所述方法还包括：针对分类结果为正常的多普勒信号波形，进一步获得多普勒信号的频谱信息，基于获得的频谱信息得到被测物体的测速结果。
[0017]本专利技术的另一方面，还提供一种基于机器学习的激光多普勒信号处理系统，该系统包括：
[0018]光学照明和收集子系统，其包括光学照明子系统和收集子系统，所述光学照明子系统用于发射激光束到被测物体上，所述收集子系统用于收集来自被测物体的散射光；
[0019]光电转换子系统，其利用光电探测器探测所述散射光并进行光电转换以基于散射光产生电信号，并对产生的电信号进行放大；
[0020]信号采集和预处理子系统，用于采集所述电信号并进行数字化处理，并将数字化处理后的电信号输入至部署在所述信号采集和预处理子系统中的、训练好的机器学习算法模型，获得多普勒信号波形的分类结果；
[0021]频谱和时域分析子系统，用于针对分类结果为正常的多普勒信号波形，进一步获
得多普勒信号的频谱信息，以基于获得的频谱信息得到被测物体的测速结果；
[0022]其中，所述训练好的机器学习算法模型是基于如下步骤得到的：
[0023]采集通过将激光照射被测物体后来自被测物体的散射光进行光电转换后得到的电信号，获得若干多普勒信号波形数据；
[0024]从所述多普勒信号波形数据中提取多普勒信号频域代表性特征以及提取多普勒信号时域代表性特征和小波代表性特征中的至少一种，基于提取的代表性特征生成一组或多组数据集，各数据集中包括验证集以及训练集，所述训练集中的样本带有激光多普勒信号波形数据的分类标记，所述训练集用于对一种或多种机器学习算法模型进行训练，所述验证集用于获得训练的各机器学习算法模型的准确率，以基于准确率选定训练好的机器学习算法模型。
[0025]本专利技术实施例的基于机器学习的激光多普勒信号处理方法及系统，通过进行有效特征的提取，并运用机器学习算法模型对提取的多普勒本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习的激光多普勒信号处理方法，其特征在于，该方法包括以下步骤：数据获取步骤：采集通过将激光照射被测物体后来自被测物体的散射光进行光电转换后得到的电信号，获得若干多普勒信号波形数据；特征提取步骤：从所述多普勒信号波形数据中提取多普勒信号频域代表性特征以及提取多普勒信号时域代表性特征和小波代表性特征中的至少一种，基于提取的代表性特征生成一组或多组数据集，各数据集中包括验证集以及训练集，所述训练集中的样本带有激光多普勒信号波形数据的分类标记，所述训练集用于对机器学习算法模型进行训练，所述验证集用于获得训练的各机器学习算法模型的准确率，以基于准确率选定训练好的机器学习算法模型；以及部署及测试步骤：将选定的机器学习算法模型部署到激光多普勒信号处理系统的信号采集和预处理子系统，以将实时采集的测试样本并输入至训练好的机器学习算法模型，获得多普勒信号波形的分类结果。2.根据权利要求1所述的方法，其特征在于，所述方法还包括：训练步骤：将所述一组或多组数据集中的训练样本分别输入至预定的一种或多种机器学习算法模型，对所述预定的一种或多种机器学习算法模型进行训练；以及验证步骤：获得训练的各机器学习算法模型的准确率，基于训练的各机器学习算法模型的准确率选定测试阶段采用的数据集以及机器学习算法模型。3.根据权利要求2所述的方法，其特征在于，所述基于提取的代表性特征生成一组或多组数据集包括：对提取的代表性特征进行分组，基于分组后的代表性特征生成多组数据集。4.根据权利要求2所述的方法，其特征在于，所述基于训练的机器学习算法模型的准确率选定测试阶段采用的数据集以及机器学习算法模型，包括：将每个数据集随机分为均等但不相交的多个子集，将多个子集中的一个子集作为验证集，将其余子集合并后作为训练集，采用交叉检验的方法对当前机器学习算法模型的准确率进行检验，以此评价当前机器学习算法模型达到的准确率；基于各个数据集对应的一种或多种机器学习算法模型的准确率，选定测试阶段采用的数据集以及机器学习算法模型。5.根据权利要求1所述的方法，其特征在于，所述频域代表性特征包括以下特征中的部分或全部特征：幅度均值、幅度最大值、幅度峰位置、功率谱平均值和功率谱占用带宽；所述时域代表性特征包括以下特征中的部分或全部特征：电信号强度均值、电信号强度中值、电信号强度标准差、电信号强度整流均值、电信号强度25％位点、电信号强度75％位点、电信号强度四分位间距、电信号强度偏态系数、电信号强度峰态系数和电信号强度均方根；所述小波代表性特征包括以下特征中的部分或全部特征：db型小波1～5层低频系数均值、db型小波重构1～5层近似函数系数的标准差；Haar型小波重构函数系数的标准差；Sym8型小波信号均值、中值、标准差、整流均值、25％位点、75％位点、四分位间距、偏态系数、峰态系数、均方根、频域的尖峰频率、频域均值、频域最值、平均功率和占用带宽。6.根据权利要求2所述...

【专利技术属性】
技术研发人员：蔡微，毛梦辉，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：