EEMD结合改进PCNN模型的气体泄漏信号降噪

针对气体泄漏声波信号降噪的问题,提出了一种集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)与改进脉冲耦合神经网络(Pulse Coupled Neural Network,PCNN)相结合的降噪方法,对采集到的气体泄漏声波信号进行降噪处理,同时与EEMD和变步长自适应滤波(Least Mean Square)降噪算法进行比较。算法首先对信号做EEMD的分解,将原信号分解为9个模态分量,然后对这些分量做相干性的计算,根据分量各自的含噪情况调整参数分别做PCNN降噪,最后将信号重构。原始信号由NI仪器的cDAQ采用声传感器测得。实验结果表明,上述方法能够有效地剔除气体泄漏信号中包含的各种噪声,降噪后信噪比为16.64,均方根误差为0.0209,为后续信号分析减少了干扰,上述方法为气体泄漏声波信号的特征提取与分析提供了新的思路。

基于反演卫星模型的改进量子遗传声源定位

为准确测定危化气体泄漏的位置,借助卫星四元定位法,根据传感器与声源“一发四收”的反演关系,不考虑卫星速度与收发钟差的影响,获得了声源位置的非线性超定方程组,并提出了结合量子遗传算法(QGA)和Fmincon约束条件的优化算法求解该方程组,有效解决了其他方法易陷入局部收敛的难题。实验结果显示,改进的量子遗传声源定位方法,相比于最小二乘法(LS)、粒子群算法(PSO)以及普通QGA算法,具有收敛性能好,定位效率高,定位精确度高等优点。在同一条件下,该方法在平均均方根误差(ARMSE)、相对定位误差(RPE)、贝塞尔均方误差(BMSE)等重要性能评价指标上均有明显提高。

雪深超声测量中TOF估计及其误差补偿研究

雪深超声测量中渡越时间(Time of Flight,TOF)的估计是一关键问题,对此将集成经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)方法和二阶差分法结合,提出一种用于雪深超声测量的TOF估计方法,并针对雪层特有上疏下密的结构引起的TOF估计误差进行补偿。该方法首先采用希尔伯特变换获得回波信号的包络,然后利用EEMD方法分解出回波信号包络的不同时间尺度变化分量,最后根据原信号的频率和幅值自适应设定阈值以获得最佳本征模函数,经二阶差分分析获得较为准确的TOF值。通过应用不同材料模拟积雪层进行多次测量,并对测量的结果进行统计分析,然后确定误差补偿值,进一步提高测量准确性。经过对比实验,该所提方法获得的测量平均绝对值误差仅为0.12%,平均相对误差为0.15%,实现了进一步提高雪深测量准确性。