【技术实现步骤摘要】
本专利技术涉及土木、桥梁结构健康监测和数据处理，尤其是基于盲源分离的桥梁多源混合信号分离方法。
技术介绍
1、实际桥梁结构监测中，大多既有信息的获取主要通过不同类型的传感器进行采集，并对这些采集数据或信号加以处理以获取有用的特征信息。然而，现实中传感器所采集的信号往往是包含多种成分的混合信号(如环境噪音、干扰信号等)且大多是信号未知。因此，若想通过传感器所采集的信号直接获取桥梁自身的特性信息往往是难以实现的。
2、多年以来，研究者们一直致力于从传感器技术和信号处理两个方面来解决真实信号难以获取的问题。在传感器技术方面，主要通过不断更新技术以提高测试精度。此外，在测试过程中尽可能将传感器布置于信号源附近，并采用多类型传感器相互组合使用等方式。但在实际工程中，大多数源信号是未知的，且部分被检测对象不便于布置传感器，这大大增加了真实信号获取的难度；在信号处理方面，主要通过采用不同的信号处理方法对测试信号加以处理以获取特征信息，如各种滤波技术、小波处理、神经网络信号处理等，但均存在不同方面的问题，如模态混叠、端点效应等。
3、桥梁动态响应信号是一种特殊的非线性非平稳信号，对桥梁动态响应数据的有效分析与处理将有助于更好的挖掘桥梁结构模态参数等信息，尤其对于桥梁健康状态的诊断可提供巨大的帮助。
4、综上，目前亟需一种用于桥梁监测数据/信号分离的方法，用于解决上述现有技术存在的问题。
技术实现思路
1、鉴于当前桥梁健康监测传感器所采集的信号通常是包含多源信号混
2、本专利技术的技术方案如下：
3、基于盲源分离的桥梁多源混合信号分离方法，包括以下步骤：
4、步骤1、利用传感器采集桥梁动态响应信号；
5、步骤2、对桥梁动态响应信号数据进行中心化处理；
6、步骤3、基于中心化处理后的数据，对桥梁动态响应信号数据进行白化处理；
7、步骤4、基于盲源分离算法，对盲源分离目标函数进行优化，实现对白化处理后桥梁动态响应信号数据的分离；
8、步骤5、分离效果评价。
9、进一步的，所述步骤1中的动态响应信号为安装在桥梁上的传感器系统所采集加速度响应信号；
10、进一步的，所述步骤2对桥梁动态响应信号数据进行中心化处理，具体如下：
11、假设随机变量x(t)的数学期望为e[x(t)]，则中心化处理表示为：
12、
13、传感器采集的混合观测信号长度n是有限的，因此用样本数据的平均值代替该数据的数学期望，即：
14、
15、该过程是为了在进行数据信号分离前确保各动态信号随机变量之间服从非高斯分布，为动态响应信号的有效分离进行数据的预处理。
16、进一步的，所述步骤3对桥梁态响应信号数据进行白化处理，采用主成分分析pca方法、自适应方法或稳健的白化方法，具体如下：
17、主成分分析pca方法中，设cx是去均值信号的协方差矩阵，即对其进行特征值分解，得：
18、cx＝fdft (4)
19、则白化矩阵表示为：
20、p＝d(-1/2)ft (5)
21、式中：f为特征矢量矩阵；d为对角线上为特征值的对角矩阵；
22、自适应方法用以下方式进行表达：
23、p(t+1)＝p(t)+μ(t)[i-p(t)pt(t)]p(t) (5)
24、式中：p(t)为白化矩阵；μ(t)为步长因子；
25、稳健的白化方法实现步骤如下：
26、3.1)计算采集数据在不同时延τj下的协方差矩阵cx(τj)，并调整为：
27、
28、式中：j＝1，2，...，j，j为时延个数，将mx(τj)构造为一个矩阵，并进行奇异值分解，即：
29、m＝[mx(τ1)，...，mx(τj)] (7)
30、m＝u∑vt (8)
31、式中：u为m×m阶的正交矩阵；∑为由奇异值所组成的对角矩阵；v为mj×mj阶的正交矩阵；
32、3.2)随机选取参数矩阵α＝[α1，...，αj]，对于每个时延τj，计算：
33、fj＝utmx(τj)u (9)
34、进行线性组合有：
35、
36、其中fj表示一个正交矩阵，起过渡作用，没有具体含义；
37、判断矩阵f是否满足正定性，如果矩阵f是正定的，则转到3.4)，否则转到3.3)；
38、3.3)根据公式(10)矩阵f的最小特征值所对应的特征矢量u来调整参数α，即：
39、
40、然后转至(2)，直到矩阵f满足正定性；
41、3.4)计算目标矩阵，并对其作特征值分解，即：
42、
43、c＝udut (12)
44、式中：d为特征值矩阵；u为特征矢量矩阵；
45、3.5)求得白化矩阵q＝d-1/2ut，白化信号为z(t)＝qx(t)；
46、该过程是将去均值化后的动态信号进行线性变换，动态响应信号经过预白化处理后，其收敛速度更快，并且能够获得更加稳定的性能。
47、进一步的，所述步骤4进行盲源分离目标函数的优化，采用基于极大似然估计目标函数、基于互信息最小化目标函数或基于非高斯最大化目标函数；具体如下：
48、基于极大似然估计的目标函数中，盲源分离的应用中，寻找分离矩阵w＝a-1，待恢复的信号为y(t)＝wx(t)，寻找矩阵a使得logp(x|a)，达到最大即称为极大似然估计，其期望值为：
49、e{log(x|a)}＝∫p(x)logp(x|a)dx＝l(a) (13)
50、最大似然估计的含义就是选择a使l(a)极大；
51、一次观测的对数似然函数为：
52、
53、式中：n为独立同分布观测样本数对于一批次观测，对数似然函数表示为：
54、
55、其中：detw为分离矩阵w的行列式；wij为分离矩阵w的第i行第j列个元素；xj(t)为t时刻的观测数据；hi为熵函数；yi为恢复的数据信号；
56、极大化似然函数获得分离矩阵w的最优估计；
57、基于互信息最小化的目标函数中，极大似然分离矩阵等效于由最大独立恢复信源所得到的分离矩阵；恢复信本文档来自技高网...
【技术保护点】
1.基于盲源分离的桥梁多源混合信号分离方法，其特征在于，包括以下步骤：
2.如权利要求1所述的基于盲源分离的桥梁多源混合信号分离方法，其特征在于，所述步骤1中的动态响应信号为安装在桥梁上的传感器系统所采集加速度响应信号。
3.如权利要求1所述的基于盲源分离的桥梁多源混合信号分离方法，其特征在于，所述步骤2对桥梁动态响应信号数据进行中心化处理，具体如下：
4.如权利要求1所述的基于盲源分离的桥梁多源混合信号分离方法，其特征在于，所述步骤3对桥梁态响应信号数据进行白化处理，采用主成分分析PCA方法、自适应方法或稳健的白化方法，具体如下：
5.如权利要求1所述的基于盲源分离的桥梁多源混合信号分离方法，其特征在于，所述步骤4进行盲源分离目标函数的优化，采用基于极大似然估计目标函数、基于互信息最小化目标函数或基于非高斯最大化目标函数；具体如下：
6.如权利要求1所述的基于盲源分离的桥梁多源混合信号分离方法，其特征在于，所述步骤5分离效果评价，以分离的输出信号yi与源信号sj的相关系数作为盲源分离算法的评价标准；定义如下：
【技术特征摘要】
1.基于盲源分离的桥梁多源混合信号分离方法，其特征在于，包括以下步骤：
2.如权利要求1所述的基于盲源分离的桥梁多源混合信号分离方法，其特征在于，所述步骤1中的动态响应信号为安装在桥梁上的传感器系统所采集加速度响应信号。
3.如权利要求1所述的基于盲源分离的桥梁多源混合信号分离方法，其特征在于，所述步骤2对桥梁动态响应信号数据进行中心化处理，具体如下：
4.如权利要求1所述的基于盲源分离的桥梁多源混合信号分离方法，其特征在于，所述步骤3对桥梁态响应信号...
【专利技术属性】
技术研发人员：李登国，陈扬瑞，郭瑞琦，金玉，李慧，
申请(专利权)人：嘉兴学院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。