A Modal Identification Algorithm Combining Blind Source Separation and State Space Realization

A modal identification algorithm is developed, combining techniques from Second Order Blind Source Separation (SOBSS) and State Space Realization (SSR) theory. In this hybrid algorithm, a set of correlation matrices is generated using time-shifted, analytic data and assembled into several Hankel matrices. Dissimilar left and right matrices are found, which diagonalize the set of nonhermetian Hankel matrices. The complex-valued modal matrix is obtained from this decomposition. The modal responses, modal auto-correlation functions and discrete-time plant matrix (in state space modal form) are subsequently identified. System eigenvalues are computed from the plant matrix to obtain the natural frequencies and modal fractions of critical damping. Joint Approximate Diagonalization (JAD) of the Hankel matrices enables the under determined (more modes than sensors) problem to be effectively treated without restrictions on the number of sensors required. Because the analytic signal is used, the redundant complex conjugate pairs are eliminated, reducing the system order (number of modes) to be identified half. This enables smaller Hankel matrix sizes and reduced computational effort. The modal auto-correlation functions provide an expedient means of screening out spurious computational modes or modes corresponding to noise sources, eliminating the need for a consistency diagram. In addition, the reduction in the number of modes enables the modal responses to be identified when there are at least as many sensors as independent (not including conjugate pairs) modes. A further benefit of the algorithm is that identification of dissimilar left and right diagonalizers preclude the need for windowing of the analytic data. The effectiveness of the new modal identification method is demonstrated using vibration data from a 6 DOF simulation, 4-story building simulation and the Heritage court tower building.

基于Inception-BiLSTM和迁移学习的结构损伤识别

针对传统卷积神经网络(convolutional neural network,CNN)方法在时空特征提取存在不足,提出了一种改进的Inception与双向长短期记忆(bi-directional long short-term memory,BiLSTM)联合模型,以全面学习振动信号中的空间和时序信息。首先,构建具有多尺度感受野的Inception模块,自适应地提取不同尺度下的空间特征;其次,BiLSTM序列化处理时间特征,以深度挖掘时间相关性;最后,通过全局平均池化和Softmax分类器来实现钢框架结构的损伤识别。为评估该模型对噪声的鲁棒性,引入高斯白噪声作为干扰。此外,采用迁移学习策略来评估模型在不同强度激励和小样本下的泛化能力,确保适用于不同的损伤识别任务。结果表明,与传统的CNN方法相比,该模型在无噪声条件下及信噪比超过25 dB时保持了100%的识别精度。该方法解决了土木工程应用中样本量不足和不同强度激励的实际挑战。通过微调预训练模型的参数,实现了在不同强度激励和小样本情况下的知识迁移与泛化,从而增强了模型的实际适用性。

Blind identification and DOA estimation for array sources in presence of scattering

A novel identification method for point source,coherently distributed（CD） source and incoherently distributed（ICD） source is proposed.The differences among the point source,CD source and ICD source are studied.According to the different characters of covariance matrix and general steering vector of the array received source,a second order blind identification method is used to separate the sources,the mixing matrix could be obtained.From the mixing matrix,the type of the source is identified by using an amplitude criterion.And the direction of arrival for the array received source is estimated by using the matching pursuit algorithm from the vectors of the mixing matrix.Computer simulations validate the efficiency of the method.

SUBSPACE METHOD FOR BLIND IDENTIFICATION OF CDMA TIME-VARYING CHANNELS

A new blind method is proposed for identification of CDMA Time-Varying (TV)channels in this paper. By representing the TV channel's impulse responses in the delay-Doppler spread domain, the discrete-time canonical model of CDMA-TV systems is developed and a subspace method to identify blindly the Time-Invariant (TI) coordinates is proposed. Unlike existing basis expansion methods, this new algorithm does not require .estimation of the base frequencies, neither need the assumption of linearly varying delays across symbols. The algorithm offers definite explanation of the expansion coordinates. Simulation demonstrates the effectiveness of the algorithm.

结合出行方式的Trans-BiLSTM移动目标位置预测方法

当前位置预测算法往往忽略用户出行方式的关键作用,并在处理长时间序列依赖问题中效果较差.针对这两个问题,提出了一种结合出行方式的Trans-BiLSTM目标位置预测模型.该模型首先提取轨迹段的运动学特征,然后构建基于XGBoost的出行方式识别算法,筛选影响出行方式的主要特征,和轨迹共同作为预测模型输入.最后为了增强轨迹特征的表征能力,引入Transformer编码器,并结合BiLSTM深度挖掘轨迹的上下文关系.在真实GPS轨迹数据集上进行的位置预测对比实验表明,Trans-BiLSTM模型与常用的LSTM和BiLSTM模型相比,目标位置预测的结果RMSE指标分别提升67.4%和17.7%.

BLIND IDENTIFICATION OF A CLASS OF NONLINEAR SYSTEMS WITH CYCLOSTATIONARY INPUT

This letter deals with blind identification of nonlinear discrete Hammerstein system under the input signal that is cyclostationary. The first-order moment of the specific input as well as the inverse nonlinear mapping of the Hammerstein model are combined to establish a relationship between the system output and the system parameters, which implies an approach to identifying the system blindly. Simulation results demonstrate the effectiveness of this approach to blind identification of a class of nonlinear systems.

基于Bi-LSTM的金属疲劳裂纹涡流脉冲热像技术检测与识别

涡流脉冲热像(Eddy current pulsed thermography,ECPT)技术是一种新型的无损检测方法,广泛应用于金属材料结构的检测,但该技术常依赖人工经验提取特征进行裂纹检测与识别,自动化和智能性化程度不足。结合涡流脉冲热像技术以及循环神经网络(Recurrent Neural Network,RNN)的特性,提出一种基于双向长短期记忆网络(Bidirectional Long Short-Term Memory Network,Bi-LSTM)金属疲劳裂纹涡流脉冲热像分类识别方法。实验通过涡流加热装置对被测金属试件进行感应加热,使用红外热像采集装置对金属平板试件进行实时的数据采集,获得图像序列并制作数据集。运用设计的Bi-LSTM模型增强特征向量中的时序信息,对不同尺寸裂纹的热图像进行训练并测试。实验分析表明,Bi-LSTM网络可有效应用于金属疲劳裂纹检测与识别,针对现有裂纹检测准确率可达到100%,优于传统神经网络和其他深度学习的模型,具有更高的识别精度。

Time-shared channel identification for adaptive noise cancellation in breath sound extraction

Noise artifacts are one of the key obstacles in applying continuous monitoring and computer-assisted analysis of lung sounds. Traditional adaptive noise cancellation (ANC) methodologies work reasonably well when signal and noise are stationary and independent. Clinical lung sound auscultation encounters an acoustic environment in which breath sounds are not stationary and often correlate with noise. Consequendy, capability of ANC becomes significantly compromised. This paper introduces a new methodology for extracting authentic lung sounds from noise-corrupted measurements. Unlike traditional noise cancellation methods that rely on either frequency band separation or signal/noise independence to achieve noise reduction, this methodology combines the traditional noise canceling methods with the unique feature of time-split stages in breathing sounds. By employing a multi-sensor system, the method first employs a high-pass filter to eliminate the off-band noise, and then performs time-shared blind identification and noise cancellation with recursion from breathing cycle to cycle. Since no frequency separation or signal/noise independence is required, this method potentially has a robust and reliable capability of noise reduction, complementing the traditional methods.

基于贝叶斯优化BiLSTM模型的输电塔损伤识别

结构的加速度响应可以反映结构的状态信息,蕴含结构的损伤特征。针对目前输电塔健康监测系统产生大量数据而无法有效分析和诊断输电塔损伤的问题,利用结构输出加速度响应数据的时序关系,提出了基于双向长短时记忆网络(bi-directional long and short-term memory,BiLSTM)的损伤识别方法,并采用概率寻优方法贝叶斯优化(Bayesian optimization,BO)确定网络模型超参数。首先描述了BiLSTM的基本原理,给出基于贝叶斯优化的超参数选取策略,从而提出了基于BO-BiLSTM模型的损伤识别方法。然后使用该方法对输电塔有限元模型进行了损伤定位与模式识别,测试集的整体识别准确率达到94.2%。为了验证该方法对实际结构的损伤识别效果,提出基于异源数据的损伤识别方式:将输电塔有限元模型数据作为模型训练的样本训练BO-BiLSTM模型,使用试验数据用作验证集检验损伤识别效果。识别结果表明BO-BiLSTM可以较为准确的识别真实结构的损伤情况,识别效果较BiLSTM以及BO-LSTM更稳定。

基于EEMD-SOBI的水电机组多源信息分离处理

水电机组振动观测信号包括相互耦合的水-机-电振源及各类噪声成分,本文提出采用集合经验模态分解-二阶盲辨识(ensemble empirical mode decomposition-second order blind source separation, EEMD-SOBI)的方法对多源观测信号进行识别。对观测信号进行解相关等初步处理后,白化计算各信号二阶统计量,计算观测信号协方差对角矩阵,最终计算振源的最优估计,对振源成分进行识别。仿真计算和模拟计算的结果均表明,仅利用观测信号均可分离出源信息且对噪声不敏感,基本能够识别出源信息,针对某电站实测单信号和多信号分析时,可有效识别出信号源成分,为水电机组的振源识别提供支撑。

基于Multivariate BiLSTM-FCNs的机动实时识别方法

机动的实时、准确识别对飞行员意图识别、空战态势感知具有重要意义。提出了将完整机动划分为若干机动单元,采用基于Multivariate BiLSTM-FCNs的方法自动提取并分析机动单元数据内部的时序特征和依赖关系,实现对机动单元的精确识别。然后通过机动单元窗口过滤噪声机动单元,实时监测机动是否执行或发生变化,实现机动单元到完整机动的实时识别。通过仿真实验识别了筋斗、盘旋、俯冲、爬升和破S机动。实验结果表明,在平均识别延迟率仅为26.19%的情况下,机动识别准确率高达96.67%。

基于集群辨识和卷积神经网络-双向长短期记忆-时序模式注意力机制的区域级短期负荷预测

为了解决区域级短期电力负荷预测时输入特征过多和负荷时序性较强的问题,提出一种基于集群辨识和卷积神经网络(convolutional neural networks,CNN)-双向长短期记忆网络(bi-directional long short-term memory,BiLSTM)-时序模式注意力机制(temporal pattern attention,TPA)的预测方法。首先,将用电模式和天气作为影响因素,基于二阶聚类算法对区域内的负荷节点进行集群辨识,再从每个集群中挑选代表特征作为深度学习模型的输入,这样既能减少输入特征维度,降低计算复杂度,又能综合考虑预测区域的整体特征,提升预测精度。然后,针对区域电力负荷时序性的特点,用CNN-BiLSTM-TPA模型完成训练和预测,该模型能提取输入数据的双向信息生成隐状态矩阵,并对隐状态矩阵的重要特征加权,从多时间步上捕获双向时序信息用于预测。最后,在美国加利福尼亚州实例上分析验证了所提方法的有效性。

基于盲源分离的工业谐波源负荷分类识别方法

针对传统谐波源辨识方法无法实现工业用户谐波源具体类型的非侵入式识别的问题,该文提出一种基于盲源分离的工业谐波源负荷分类识别方法。该方法仅依据工业用户进线处电压、电流数据即可实现谐波源负荷具体类型的非侵入式识别。首先,从负荷等值阻抗模型入手,建立工业用户多负荷等值阻抗并联电路模型;其次,采用集合经验模态分解与奇异值分解相结合的方法确定构成用户进线处监测点综合等值阻抗信号的源阻抗信号数目;然后,采用快速独立分量分析实现将谐波源负荷等值阻抗信号从综合负荷等值阻抗信号中分离;最后,将分离出谐波源负荷等值阻抗信号频率特征与典型谐波源负荷进行匹配,进而实现分类识别。仿真与实测实验结果均表明,所提方法能够准确识别工业用户所含多种谐波源负荷的具体类型,具有较好的可行性和实用性。

羊肚菌菌株杂交条件初探

为了确定获得羊肚菌杂交双基因型菌株的时间,选择了6个七妹羊肚菌单基因型菌株和4个六妹羊肚菌单基因型菌株,分别在不同温度和不同状态下杂交,利用PCR技术在第1、3、5和7 d检测杂交菌株的基因型。结果表明,七妹羊肚菌杂交成功率更高,不同条件下3 d基本能获得双基因型菌株;六妹羊肚菌杂交不太稳定,杂交5 d成功率较高。

基于R-SOBI的结构模态参数辨识方法

提出了一种基于稳健SOBI算法提取结构/系统的频率、阻尼比及模态振型的方法。运用该法提取系统/结构模态参数的步骤为:首先利用稳健SOBI的盲源分离方法采集的信号进行分离,然后将分离矩阵作为结构/系统的模态振型矩阵,最后再对各个分离后的单自由度信号提取频率、阻尼比参数。研究结果表明,提出的方法可以准确提取出结构/系统的模态参数,尤其是即使噪声环境下仍然能准确提取出系统的模态振型矩阵。

基于解析二阶盲辨识的结构工作模态分析及真假模态区分

自动获取运行中的模态参数对于大型土木结构的健康状态实时在线监测具有重要意义。针对现有方法模态分辨困难的问题,提出了一种基于解析二阶盲辨识的工作模态分析方法,并相应提出了真假模态区分方法以实现模态参数自动识别。与传统方法不同,该方法无需引入稳定图,可直接从结构振动响应中有效分离出各阶模态响应。通过构造模态特征指标和K均值聚类实现真假模态自动区分,并采用频域参数拟合法估计模态参数。通过8自由度数值算例和混凝土重力拱坝工程实例对该文方法效果进行了验证。结果表明:该方法具有较好的模态自动分离和筛选能力,对固有频率、阻尼比和振型的识别精度均较高,尤其对于密集模态的识别具有显著优势。

基于Bi-RNN的风电机组主轴承温度预警方法研究

主轴承是风电机组能量传递的关键设备,本文以双馈风力发电机组主轴承为研究对象,首先采用高斯混合模型(gaussian mixture model,GMM)对机组工况进行辨识;其次在各个子工况空间内建立基于双向循环神经网络(bi-directional recurrent neural network,Bi-RNN)的风电机组主轴承温度模型;然后,采用随机森林算法对主轴承温度模型残差进行建模与预测,从而实现机组主轴承故障预警;最后以某大型风电场机组为对象建模并开展仿真研究.结果表明,基于工况辨识的Bi-RNN神经网络算法结合随机森林算法对主轴承故障预警具有较强的实用性和较高的准确率.

基于四阶相关的时分多址调制数据独特码盲识别

针对非合作通信中时分多址(TDMA)信号的独特码(UW)盲识别问题,该文首次提出分布式独特码的盲识别算法。区别于比特层的独特码识别算法,该文分别针对集中式独特码和分布式独特码,提出面向调制数据不同窗口之间相关性的波形层独特码识别算法。算法利用独特码的一致性与相关性,分两步进行,首先通过差分累积消除不同突发信号间频偏与相偏的影响,来纵向对齐各个突发信号的独特码,然后通过多层差分共轭4阶相关算法识别出独特码的位置和长度。仿真分析了不同突发个数、信噪比和有无频偏相偏情况下算法的性能,验证了波形层识别独特码的有效性,针对集中式独特码和分布式独特码,所提算法在信噪比为5 dB时均达到了95%以上的识别率,具有一定的工程应用价值。

基于深层神经网络的信道编码类型盲识别

为了解决当前识别算法只能识别一种或者两种码字类型以及人工提取特征复杂的问题,提出了两种基于深层神经网络模型的信道编码类型识别器,即卷积神经网络(convolutional neural network,CNN)识别器和递归CNN(recursive CNN,RCNN)识别器,用于识别接收数据中不同类型的信道码字。将待识别的软解调序列作为自然语言处理中文本分类问题的句子向量进行处理,输入到预先训练好的深层神经网络识别器中进行识别,并分析了字长度对识别准确率的影响,得出了最合适的字长度。实验结果表明,两种识别器都能够有效识别接收数据中多种类型的信道编码,且在信噪比为3 dB时CNN识别器的识别准确率能够达到99%以上,而RCNN识别器在1 dB时就能够达到99%以上的识别准确率。

基于Bi-Laplacian润饰图像的盲鉴别算法

为了对润饰的图像实施盲检测,提出了一种图像盲鉴别算法。该算法首先查找图像中每个分块并把其插入到KD树中,搜索到值相同或最近的粗略匹配块,然后使用位置向量的分层聚类法群集块对消除杂散配对,最后应用7-tap拉普拉斯过滤器并统计可疑块的零连通分量来消除误报,从而定位出精确的润饰篡改区域。实验表明,该方法能有效精确地识别出修复刷对非压缩图像和高品质压缩图像等一类图像的润饰篡改技术的使用。当应用到压缩级别较高的图像时,如果润饰的区域足够大,依然会获得准确的结果。