采用BP神经网络优化的振动信号压缩感知方法

无线传感网络逐渐应用于结构健康监测,但是因能耗问题难以实现长期、高频的数据采集工作。压缩感知技术可利用少量的采样点重构原始信号,有望降低无线传感网络的能耗。实测振动信号因受到噪声干扰而导致稀疏性有限,常用于压缩感知的LASSO算法难以精确求解稀疏系数,进而影响振动信号重构效果。引入BP神经网络优化LASSO算法解得的稀疏系数,BP神经网络经ADAM优化算法训练后,可有效提升振动信号重构精度。用三层框架结构的模拟加速度数据和广州塔的监测加速度数据验证方法的有效性,并探讨了正则化参数和优化迭代次数的影响。结果表明,基于BP神经网络优化的压缩感知方法的信号重构效果在不同压缩率下均优于非优化的压缩感知方法。

基于小波字典的风速数据重构的压缩感知方法

由于风速具有明显的非平稳性,常用字典的压缩感知(compressed sensing,简称CS)方法对于风速信号重构效果不佳,故引入基于小波字典的压缩感知方法,用于重构风速缺失数据,有效提升了风速信号的重构精度。通过风速仿真数据和广州塔的监测风速数据验证了本研究方法的有效性,并研究了数据缺失工况、正则化参数、小波字典层数和小波类型对风速信号重构效果的影响。结果表明,基于小波字典的压缩感知方法可有效重构缺失的风速信号。