隧道爆破振动信号畸变校正与混沌多重分形特征研究

受测试环境影响,隧道爆破监测信号中普遍包含噪声和趋势项干扰。针对爆破信号干扰项消除难题,选取典型地铁隧道工程监测到的畸变爆破信号为分析对象,采用稀疏化基线估计与去噪(baseline estimation and denoising with sparsity,BEADS)算法实现了噪声和趋势项成分的提取,得到反映真实爆破信息的校正信号。利用多重分形去趋势波动分析(multi-fractal detrended fluctuation analyses,MF-DFA)捕捉到三个分量信号的混沌分形特征,并根据小波相关性凝聚谱对三个分量信号与原始信号的时频域相关性进行了精确表征。结果表明:隧道爆破信号高频噪声、低频趋势项和校正信号三者的混沌分形特征具有显著差异。校正信号吸引子轨迹形态为反复周期性有序波动且具有持续性和反持续性分形谱特征,其递归图具有周期模式;低频趋势项吸引子形态表现为近似直线且具有持续性分形谱特征,其递归图具有对角线分布突变模式;高频噪声吸引子形态为杂乱无章的随机波动且具有反持续性分形谱特征,其递归图具有漂移模式。在置信度为95%的小波影响锥范围内,校正信号、趋势项和噪声分量与原始信号分别具有持续正相关、局部负相关和无相关性特征。三类信号的有效分离和混沌分形特征提取为爆破信号成分的准确辨识和归类提供了客观表征和量化指标。

基于马氏距离和稀疏矩阵技术的激光诱导击穿光谱(LIBS)煤质灰分分析

为了提高激光诱导击穿光谱(LIBS)定量测定煤质的精度,先对原始数据进行预处理,包括异常值剔除、基线校正、谱线筛选,再将LIBS与偏最小二乘回归法(PLSR)结合建立定量模型以应用于煤质灰分的分析。结果表明,经过预处理后训练样品的拟合度(R^(2))从0.9740提高到0.9841,均方根误差(RMSE)从0.9613降低到了0.7527,预测均方根误差(RMSEP)从2.2731降到2.0017,同时平均绝对误差(MAE)和平均相对误差分别从1.9747、0.1094降低到1.5572、0.0757。研究表明,基于马氏距离(MD)的异常数据剔除算法结合基于稀疏矩阵技术的基线估计与降噪算法(BEADS),在一定程度上能够改善数据的稳定性和光谱信噪比,有利于提高数据建模的预测精度。