本發(fā)明屬于信號處理領域，涉及一種基于超限學習機及到達距離的周期振動信號定位方法。
背景技術：
傳統(tǒng)的高精度非線性回歸估計算法如支持向量機(SVM)、誤差反向傳播(BP)神經(jīng)網(wǎng)絡以及現(xiàn)下流行的深度學習算法，存在模型訓練和實時估計速度較慢、不適合現(xiàn)場應用環(huán)境的應用問題。
傳統(tǒng)的振源定位則是基于多傳感器陣列節(jié)點實現(xiàn)的基于到達時延的方向角定位方案，然而應用于地表周期振動到達距離檢測時存在以下2個問題：
1.傳統(tǒng)定位方案到達時延的計算必須依賴于較精確的波速，然而振動波在不同介質地表中傳播時波速具有一定的差異，對依賴于精確的時延差的陣列定位法會造成極大的誤差，影響精度；
2.多傳感器陣列節(jié)點對傳感器及配套電路要求較高，成本較大，不具有大面積推廣的條件；
3.單個多傳感器陣列節(jié)點僅能實現(xiàn)振動源到達方向角的估計，需要2個及以上多傳感器陣列節(jié)點實現(xiàn)方向交叉才能確定振動源的平面坐標，因此大大增加了傳感器的布設成本，性價比較低。
本發(fā)明基于超限學習機智能算法和到達距離定位方法，提出一種針對地表周期振源坐標定位的方法。此方法基于超限學習機(Extreme Learning Machine，ELM)進行距離估計可以實現(xiàn)單節(jié)點下高精度的距離估計且具有極快的訓練和實時估計的速度。此外基于到達距離的定位方案中單傳感器節(jié)點僅需要1個振動傳感器實現(xiàn)到達距離的估計，而非傳統(tǒng)定位方案中陣列節(jié)點中需要多個振動傳感器實現(xiàn)到達方向的估計，降低了傳感器網(wǎng)絡布設的成本，降低了本方法推廣的難度。
技術實現(xiàn)要素：
本發(fā)明的目的是針對現(xiàn)有技術的不足，提供一種基于超限學習機及到達距離的周期振動信號定位方法。
本發(fā)明解決其技術問題所采用的技術方案包括如下步驟：
步驟1、獲取訓練距離預測模型
1.1、基于已知準確基頻和到達距離，針對任意一段數(shù)據(jù)長度為Lf的已知基頻和到達距離的周期振動信號，基于已知的準確基頻進行FBED(FrequencyBandEnergyDistribution)特征向量的提??；
1.2、采集不同距離下周期振動信號并構建相應的標準FBED特征向量庫；
1.3、基于標定到達距離的FBED特征向量采用超限學習機(ELM)算法訓練距離預測模型。
步驟2、分別獲取同一時間段內3個及以上的節(jié)點Pi(i＝1,2,3,...)處采集得到的未知基頻與到達距離的周期振動信號Si(n),n＝1,2,...,Lf，數(shù)據(jù)長度皆為Lf、采樣頻率為Fs；
步驟3、針對任一節(jié)點Pi(i＝1,2,3,...)處的周期振動信號Si(n)，進行準確基頻fi的提取，并基于得到的準確基頻fi進行FBED特征向量的提??；
3.1、基于常用的基頻提取算法，如自相關序列法、平均幅度差法或倒譜法進行基頻提取獲得基頻估計值并匹配最接近的準確基頻fi；
3.2、基于準確基頻從周期振動信號Si(n)上提取得到FBED特征向量W。
步驟4、對任一節(jié)點Pi處周期振動信號Si(n)，提取得到FBED特征向量W，利用訓練好的ELM預測模型對特征向量W進行距離估計，得到對應的距離估計值di；
步驟5、計算振動源的估計坐標，具體如下：基于任意3個節(jié)點處周期振動信號Si(n)，通過ELM預測模型分別得到的距離估計值，然后基于到達距離的定位法計算得到該振動源的估計坐標；
振動源估計坐標的計算如下：
設定任意3個節(jié)點分別為P1(x1,y1)、P2(x2,y2)、P3(x3,y3),且振動源的估計坐標為(x,y)，則基于到達距離的定位法的公式如下：
其中
其中，d1、d2、d3分別指代節(jié)點P1(x1,y1)、P2(x2,y2)、P3(x3,y3)處得到的距離估計值，而γ1、γ2為計算時的中間變量；
所述的步驟1.1和步驟3.2中的FBED特征向量提取過程是相同的，其處理過程是基于某基頻ffd，提取Nb維FBED特征向量具體計算公式組如下：
1)維數(shù)Nb決定公式：
2)第i個頻帶上下限范圍[fL(i),fR(i)]計算公式：
此外由于頻帶范圍與PSD(f)的半譜范圍可能有沖突，所以對fR(Nb)有一個修正的操作：
fR(Nb)＝min[Fs/2,fR(Nb)]；
3)歸一化前特征向量的計算公式：
此處PSD(f)為此段信號的功率譜密度(Power Spectral Density)序列,其作為一種常用的數(shù)字信號處理頻域分析對象，具有許多通用的計算方法，此處不再贅述；
4)FBED特征向量的計算公式如下：
所述的FBED特征向量為現(xiàn)有的較穩(wěn)定的FBED(FrequencyBandEnergyDistribution)特征向量，也可以采用其他包含到達距離信息的距離特征，并不影響后續(xù)方法的有效性。
所述的步驟3.1中由于采用的是已有的通用基頻提取算法和基頻匹配方法，所以此處可以根據(jù)需求選擇具體的方案，并不影響后續(xù)方法的有效性。
本發(fā)明有益效果如下：
此方法基于超限學習機(Extreme Learning Machine，ELM)進行距離估計可以實現(xiàn)單節(jié)點下高精度的距離估計且具有極快的訓練和實時估計的速度。
此外基于到達距離的定位方案中單傳感器節(jié)點僅需要1個振動傳感器實現(xiàn)到達距離的估計，而非傳統(tǒng)定位方案中陣列節(jié)點中需要多個振動傳感器實現(xiàn)到達方向的估計，降低了傳感器網(wǎng)絡布設的成本，即降低了本方法推廣的難度。
附圖說明
圖1到達距離估計及定位方法流程示意圖
具體實施方式
下面結合附圖和具體實施方式對本發(fā)明作詳細說明。
如圖1所示，一種基于超限學習機及到達距離的周期振動信號定位方法，具體包括如下步驟：
步驟1、獲取訓練距離預測模型
1.1、基于已知準確基頻和到達距離，針對任意一段數(shù)據(jù)長度為Lf的已知基頻和到達距離的周期振動信號，基于已知的準確基頻進行FBED(FrequencyBandEnergyDistribution)特征向量的提?。?/p>
1.2、采集不同距離下周期振動信號并構建相應的標準FBED特征向量庫；
1.3、基于標定到達距離的FBED特征向量采用超限學習機(ELM)算法訓練距離預測模型。
步驟2、分別獲取同一時間段內3個及以上的節(jié)點Pi(i＝1,2,3,...)處采集得到的未知基頻與到達距離的周期振動信號Si(n),n＝1,2,...,Lf，數(shù)據(jù)長度皆為Lf、采樣頻率為Fs；
步驟3、針對任一節(jié)點Pi(i＝1,2,3,...)處的周期振動信號Si(n)，進行準確基頻fi的提取，并基于得到的準確基頻fi進行FBED特征向量的提?。?/p>
3.1、基于常用的基頻提取算法，如自相關序列法、平均幅度差法或倒譜法進行基頻提取獲得基頻估計值并匹配最接近的準確基頻fi；
3.2、基于準確基頻從周期振動信號Si(n)上提取得到FBED特征向量W。
步驟4、對任一節(jié)點Pi處周期振動信號Si(n)，提取得到FBED特征向量W，利用訓練好的ELM預測模型對特征向量W進行距離估計，得到對應的距離估計值di；
步驟5、計算振動源的估計坐標，具體如下：基于任意3個節(jié)點處周期振動信號Si(n)，通過ELM預測模型分別得到的距離估計值，然后基于到達距離的定位法計算得到該振動源的估計坐標；
振動源估計坐標的計算如下：
設定任意3個節(jié)點分別為P1(x1,y1)、P2(x2,y2)、P3(x3,y3),且振動源的估計坐標為(x,y)，則基于到達距離的定位法的公式如下：
其中
其中，d1、d2、d3分別指代節(jié)點P1(x1,y1)、P2(x2,y2)、P3(x3,y3)處得到的距離估計值，而γ1、γ2為計算時的中間變量；
所述的步驟1.1和步驟3.2中的FBED特征向量提取過程是相同的，其處理過程是基于某基頻ffd，提取Nb維FBED特征向量具體計算公式組如下：
1)維數(shù)Nb決定公式：
2)第i個頻帶上下限范圍[fL(i),fR(i)]計算公式：
此外由于頻帶范圍與PSD(f)的半譜范圍可能有沖突，所以對fR(Nb)有一個修正的操作：
fR(Nb)＝min[Fs/2,fR(Nb)]；
3)歸一化前特征向量的計算公式：
此處PSD(f)為此段信號的功率譜密度(Power Spectral Density)序列,其作為一種常用的數(shù)字信號處理頻域分析對象，具有許多通用的計算方法，此處不再贅述；
4)FBED特征向量計算公式：
所述的FBED特征向量為現(xiàn)有的較穩(wěn)定的FBED(FrequencyBandEnergyDistribution)特征向量，也可以采用其他包含到達距離信息的距離特征，并不影響后續(xù)方法的有效性。
在步驟3.1中，常用的基頻提取算法通常需要步驟2中獲得的數(shù)據(jù)長度Lf至少包含2個及以上的實際基頻周期，以保證可以提取得到其中的基頻信息。
在步驟1.1和3.2中需要理解FBED距離特征向量的本質是周期振動信號功率譜密度的壓縮表示形式。其作為距離特征的2個基本依據(jù)是(a)基于周期振動信號中能量集中于基頻整數(shù)倍附近；(b)隨傳播距離(到達距離)的變化，周期振動信號的不同頻率成分的衰減程度不一樣。本發(fā)明注1中的公式中采用的是各基頻整數(shù)倍為頻帶范圍中心、覆蓋寬度為基頻大小的頻帶范圍。事實上可以根據(jù)需求選擇各頻帶頻帶寬以達到不同的抗寬頻噪聲與基頻估計誤差的效果。
步驟5中的定位可以根據(jù)需要對所有3節(jié)點組合得到的各振動源估計坐標做進一步整合，以達到更佳的定位效果。本發(fā)明以最少的3節(jié)點為例展示基于到達距離的定位方法，所以不再就此贅述。此外，3節(jié)點定位中3個振動傳感器需要不在一條直線上，且最好在地表呈銳角三角形分布并保證合理的間距，以保證距離估計誤差較小且對各方向的振動源定位效果接近。