一种结构健康监测数据压缩与重构方法技术

本发明专利技术公开了一种结构健康监测数据压缩与重构方法，包括以下步骤：输入原始监测信号x，稀疏度K的取值范围[lb,ub]；指定改进灰狼优化算法的种群个数N，最大迭代次数t

【技术实现步骤摘要】
一种结构健康监测数据压缩与重构方法


[0001]本专利技术属于结构健康监测和信号处理
，具体涉及一种结构健康监测数据压缩与重构方法。

技术介绍

[0002]结构健康监测系统对保障结构安全具有重要意义，被广泛应用于各种基础设置中。为了全面监测结构的安全状态，通常需要在结构表面或内部安装数十个甚至上百个传感器。考虑到结构健康监测是一项长期的任务，并且某些传感器的采样频率很高，在长期的健康监测过程中产生海量的监测数据，这就会大大提高监测数据储存和运输的成本。
[0003]正交匹配追踪算法是一种经典的信号压缩于重构算法，该算法在执行时需要已知信号的稀疏度K。然而在实际工程中，监测信号的稀疏度K通常是未知的，而K的取值又会影响重构信号的精度。因此，选择合适的K值并使正交匹配追踪算法的信号重构精度达到最小是一项待解决的问题。

技术实现思路

[0004]有鉴于此，本专利技术的目的在于提供一种结构健康监测数据压缩与重构方法，用于选择合适的K值以提高正交匹配追踪算法的信号重构精度。
[0005]为达到上述目的，本专利技术提供如下技术方案：
[0006]本专利技术提供一种结构健康监测数据压缩与重构方法，包括以下步骤：
[0007]S1：输入原始监测信号x，稀疏度K的取值范围[lb,ub]；
[0008]S2：指定改进灰狼优化算法的种群个数N，最大迭代次数t
max
，并构造自适应度函数f(k)；
[0009]S3：利用改进灰狼优化算法计算最优的稀疏度K
best
以及对应的自适应度f(K
best
)；
[0010]S4：由正交匹配追踪算法得到稀疏度为K
best
时的重构信号
[0011]S5：输出K
best
，f(K
best
)以及
[0012]进一步，所述步骤S2中的自适应度函数f(k)用原始信号和重构信号之间的互相关偏差指数表示：
[0013][0014]式中，CCD表示互相关偏差指数，cov表示求协方差的运算，x和分别代表原始信号和重构信号，σ
x
和分别代表原始信号和重构信号的标准差。
[0015]进一步，步骤S3中，改进灰狼优化算法具体步骤包括：
[0016]A1：通过以下公式计算初始化系数向量A,C和a：
[0017]A＝2a(t)
×
r1‑
a(t)
[0018]C＝2
×
r2[0019]a(t)＝2
‑
(2
×
t)/t
max
[0020]式中，t和t
max
分别表示当前迭代数和最大迭代数，r1和r2为[0,1]之间的随机数；
[0021]A2：计算种群N中所有个体的自适应度，并按照自适应度从小到大的顺序对个体进行排序，将排名前三的个体命名为α，β和δ；
[0022]A3：计算种群N中每个个体的潜在更新位置X
position
‑1和X
position
‑2；
[0023]A4：通过下式计算下一次迭代中每个个体的位置；
[0024][0025]A5：更新系数向量A,C和a；更新每个个体的自适应度，更新α，β和δ；
[0026]A6：判断当前迭代数是否等于最大迭代数，若否，返回步骤A3继续迭代，若是，输出个体α的位置即对应的自适应度，并将其定义为K
best
和f(K
best
)。
[0027]进一步，步骤A3中，通过以下公式计算种群N中每个个体的潜在更新位置X
position
‑1：
[0028][0029]其中，X
i1
(t)＝X
α
(t)
‑
A
i1
×
D
α
(t)，
[0030]X
i2
(t)＝X
β
(t)
‑
A
i2
×
D
β
(t)，
[0031]X
i3
(t)＝X
δ
(t)
‑
A
i3
×
D
δ
(t)，
[0032]式中，D
α
，D
β
，D
δ
分别表示α，β和δ与其他个体的距离，可由下式计算：
[0033]D
α
＝|C1×
X
α
‑
X(t)|；
[0034]D
β
＝|C2×
X
β
‑
X(t)|；
[0035]D
δ
＝|C3×
X
δ
‑
X(t)|。
[0036]进一步，步骤A3中，通过以下公式计算种群N中每个个体的潜在更新位置X
position
‑2：
[0037]X
position
‑2(t+1)＝X
i
(t)+rand
×
(X
n
(t)
‑
X
r
(t))
[0038]式中，rand为0
‑
1之间的随机数，X
r
(t)为种群N中任意一个个体的位置，X
n
(t)为以X
i
(t)为中心构造的邻域中的任意个体的位置，该邻域可以表示为：R
i
(t)＝‖X
i
(t)
‑
X
position
‑1(t+1)‖。
[0039]进一步，步骤S4中，通过正交匹配追踪算法计算稀疏度为K
best
时的重构信号的具体步骤包括：
[0040]B1：输入压缩后的信号y∈R
m
×1，感知矩阵Θ＝Φψ，Θ∈R
m
×
n
，稀疏度K
best
，其中Φ∈R
m
×
n
为测量矩阵，ψ∈R
m
×
n
为稀疏变换基矩阵；
[0041]B2：初始化残差向量r＝y，待重构稀疏信号原子索引集重建原子集重建原子集迭代次数t＝1；
[0042]B3：找出残差r和Θ内积绝对值最大值对应的索引λ
t
，即λ
t
＝arg max
i＝1,...,N
|<r
t
‑1,a
i
>|；
[0043]B4：更新索引集Λ
t
＝Λ
t
‑1∪{λ
t本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种结构健康监测数据压缩与重构方法，其特征在于：包括以下步骤：S1：输入原始监测信号x，稀疏度K的取值范围[lb,ub]；S2：指定改进灰狼优化算法的种群个数N，最大迭代次数t
max
，并构造自适应度函数f(k)；S3：利用改进灰狼优化算法计算最优的稀疏度K
best
以及对应的自适应度f(K
best
)；S4：由正交匹配追踪算法得到稀疏度为K
best
时的重构信号S5：输出K
best
，f(K
best
)以及2.根据权利要求1所述的结构健康监测数据压缩与重构方法，其特征在于：所述步骤S2中的自适应度函数f(k)用原始信号和重构信号之间的互相关偏差指数表示：式中，CCD表示互相关偏差指数，cov表示求协方差的运算，x和分别代表原始信号和重构信号，σ
x
和分别代表原始信号和重构信号的标准差。3.根据权利要求1所述的结构健康监测数据压缩与重构方法，其特征在于：步骤S3中，改进灰狼优化算法具体步骤包括：A1：通过以下公式计算初始化系数向量A,C和a：A＝2a(t)
×
r1‑
a(t)C＝2
×
r2a(t)＝2
‑
(2
×
t)/t
max
式中，t和t
max
分别表示当前迭代数和最大迭代数，r1和r2为[0,1]之间的随机数；A2：计算种群N中所有个体的自适应度，并按照自适应度从小到大的顺序对个体进行排序，将排名前三的个体命名为α，β和δ；A3：计算种群N中每个个体的潜在更新位置X
position
‑1和X
position
‑2；A4：通过下式计算下一次迭代中每个个体的位置；A5：更新系数向量A,C和a；更新每个个体的自适应度，更新α，β和δ；A6：判断当前迭代数是否等于最大迭代数，若否，返回步骤A3继续迭代，若是，输出个体α的位置即对应的自适应度，并将其定义为K
best
和f(K
best
)。4.根据权利要求3所述的结构健康监测数据压缩与重构方法，其特征在于：步骤A3中，通过以下公式计算种群N中每个个体的潜在更新位置X
position
‑1：其中，X
i1
(t)＝X
α
(t)
‑
A
i1
×
D
α
(t)，X
i2
(t)＝X
β
(t)
‑
A
i2
×
D
β
(t)，X
i3
(t)＝X
δ
(t)
‑
A
i3
×
D
δ
(t)，式中，D
α
，D
β
，D
δ
分别表示α，β和δ与其他个体的距离，可由下式计算：
D
α
＝|C1×
X
α
...

【专利技术属性】
技术研发人员：贾俊峰，张龙冠，陈曦泽，白玉磊，顾冉星，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：