姚叁[1]2003年在《小波变换与Kalman滤波在信号处理中的联合应用》文中提出通过测量或观测所获得信号或数据通常包含两个部分：其一是与所研究的对象存在直接或间接关系的有用部分，称为信息；另一部分是与所研究的对象无关的干挠部分，称为噪声。信号处理的目的就是最大限度去除或抑制与所研究对象无关的那部分干挠，突出或提取有用信息。 小波变换是一种用于信号处理的新方法，它的多分辨率特性使其在许多领域得到了应用。小波滤波就是利用信号和噪声在各尺度通下的小波变换系数有所不同的特点，来对它们进行分离，从而达到去噪的目的。通常含有噪声的信号经过小波变换，有用信息主要集中在低频部分，噪声则大部分包含在高频内，对这一部分采用适当的方法进行过滤，然后进行小波逆运算，重构信号，就可实现信号的降噪。 然而，小波变换很难信号实现的实时处理，Kalman滤波正好能弥补这一缺陷。当信号含有噪声时，Kalman滤波可以在最小均方误差条件下给出信号的最佳估计，而且是在时域中采用第推方式进行，因此速度快，便于实时处理。 由于风荷载是一种随机作用，结构在这种荷载的作用下，结构响应的统计参数不可能事先得到，而这种参数却是Kalman滤波的初始条件，也就不能实现真正的实时最佳估计。并且，在实际工程中，也不可能做到对每一个传来的数据进行实时处理，这期间有一个时间滞后的过程。根据这一特点，本文综合利用了两种信号处理方法的优点，提出了基于小波变换的Kalman滤波方法。该方法既具有小波变换的多分辨率特性，又继承了的Kalman滤波方法的实时性，复合为一种“伪”实时滤波估计。最后，对Kalman滤波的发散问题进行了分析，并给出了相应的改进办法。 仿真算例结果证明了该方法实施的可能性和有效性。最后，针对此方法的实用性条件进行讨论，展望了其应用前景。
吴富梅[2]2007年在《组合导航系统误差分析与补偿理论及方法研究》文中研究指明惯性导航系统与卫星导航系统相结合是提高导航精度和可靠性的重要途径之一。然而惯导系统的惯性元件误差是影响惯性导航以及组合导航精度的重要因素。本文引入了抗差谱分析、小波分析和自适应滤波等方法,主要对惯性导航系统误差模型建立、误差补偿和控制方法等进行了研究,并将结果应用于陀螺仪寻北、捷联惯导初始对准和组合导航中。论文的主要内容概括如下:1.针对陀螺信号中的低频有色噪声,对其进行拟合和预报,然后对信号进行抗差谱分析,以期将有用信号、有色噪声以及周期噪声相分离。利用模拟数据对该方法进行验证,发现该方法能够剔除信号中的周期噪声,并能够在很大程度上削弱有色噪声的影响。2.针对陀螺信号中相关噪声的实际情况,首先利用小波变换削弱周期噪声以及部分白噪声的影响,然后建立了高阶AR模型,并将其应用到组合导航中,实测算例证明,该方法有效地提高了组合导航的精度。3.在二位置寻北数据处理中,针对光纤陀螺信号中的趋势项,采用抗差估计拟合其系数再对其进行补偿;对信号中残留的噪声项以及干扰项,分别采用直接平均法、抗差估计法和小波滤波法进行处理,并对结果进行了分析和比较。4.针对捷联惯导初始对准过程中Kalman滤波模型存在误差或系统噪声不能反映实际噪声的情况,提出利用具有反馈能力的Elman神经网络训练系统噪声方差阵,解决系统以及噪声的不确定性问题。5.通过小波多分辨分析对陀螺仪和加速度计的输出信号进行消噪处理,然后由叁参数序贯抗差估计解算初始姿态角,利用静基座下模拟数据对该方法进行验证,结果表明该方法能够保证捷联惯导在较短的时间内获得较高的对准精度。6.在GPS/INS组合导航自适应滤波的基础之上,提出利用小波变换进行阈值消噪以提高组合导航精度。首先对惯性元件输出信号进行频谱分析,确定相应的多分辨分析尺度,以期对不同尺度下高频系数采取不同措施。然后对噪声占主要成分的尺度将其高频系数全部置零,对噪声和有用信号共同占有的尺度将其高频系数作阈值处理。利用实测数据进行验证,表明这种方法有效地削弱了惯性元件误差的影响,提高了GPS/INS组合导航系统的精度和可靠性。7.针对GPS/DR组合导航Kalman滤波的异常扰动影响问题,引入了自适应滤波算法。给出了由预测残差确定自适应因子的过程。利用实测数据进行验证,表明无论是单因子自适应滤波还是多因子自适应滤波都能够很好地控制状态异常对滤波估值的影响,滤波精度均优于标准Kalman滤波导航解。
董银峰[3]2010年在《非平稳信号处理方法的改进及在地震工程中的应用研究》文中认为自上世纪八十年代以来,信号处理进入了前所未有的快速发展期,新兴的理论和方法不断涌现。作为普遍的基础理论和应用工具,信号处理同其他学科交叉融合的趋势日益明显,并在许多应用领域由不同的信号处理方法形成了传统的优势地位。但非平稳信号处理仍是目前所面临的重要问题之一,其难点在于如何协调好精度和分辨率这一对矛盾。在土木工程和地震工程中,振动信号处理是信号处理技术最典型的应用之一,其主要目的即是从信号中尽可能地提取完备的、具有实际物理意义的信息以满足科研和应用的需要。然而,现实中的信号大多是非线性、非平稳的,并且数据长度有限,这使得分析处理此类信号成为一项复杂的工作。特别地,地震动和结构响应是地震工程中两种常见的振动信号形式,由于两者及其对应的系统(结构)的特性存在一定的差异,使得与之密切相关的两方面应用——地震动输入研究和结构损伤识别又对信号处理提出了不同的要求。在地震动输入研究方面,人们已经认识到除传统叁要素外强度和频率非平稳特性同样是地震动的重要特性,而瞬时谱被认为是描述上述非平稳特性的有效的概念。虽然已有不少信号处理方法被用于地震动的瞬时谱估计,但一直未能解决好精度和分辨率的矛盾,而在此基础上的地震动瞬时谱的模型化研究则更是空白。因此,寻求有效的信号处理方法用于地震动瞬时谱的模型化研究,是结构抗震设计和分析对地震动输入研究提出的迫切需求。在结构损伤识别方面,基于振动的损伤识别在过去十年里一直是研究热点,针对已有方法的不足,研究者在相继提出一些改进措施的同时,近年来也逐渐将注意力集中到通过结构振动信号完备信息的提取来实现结构损伤识别,这些研究为基于振动的结构损伤识别提供了一个新思路。显然,要实现这一思路就要求信号处理方法能够高效、实时地从结构振动(反应)信号中提取完备信息,并能据此对结构的性能(状态)做出准确的评判和推断。为此,本文对非平稳信号处理方法及其在地震动非平稳特性和结构损伤识别中的应用展开了研究,主要工作和取得的创新成果可归纳为以下叁个方面: 1.非平稳信号处理方法首先,提出了叁种改进的参数化方法,不仅解决了现有方法难以协调好精度和分辨率这一对矛盾的难题,而且也为地震动瞬时谱的模型化研究奠定了基础;其次,提出了基于EMD和VARMA模型的改进方法,由该方法所得Hilbert谱不仅更具物理意义而且分辨率和可读性更好。2.地震动的非平稳特性及仿真方法采用两种强度包线模型研究了地震动强度非平稳特性,基于所收集的翔实的(5700余条)强震记录分析了强度包线参数的多维相关性及衰减规律,并给出了强度包线参数的设计取值建议;提出了指数衰减曲线形式的地震动瞬时频率模型,分析了瞬时频率参数的多维相关性及衰减规律,并给出了设计取值建议;提出了时频域彼此独立的函数乘积形式的地震动瞬时谱模型,为结构抗震设计和分析用地震动输入的选择提供了一个重要的参考指标,为同时考虑强度和频率非平稳特性的地震动仿真与合成奠定了基础;提出了基于改进信号处理方法及模型化瞬时谱的地震动合成与仿真方法,为结构抗震设计和分析提供了更合理的地震动输入。3.结构损伤识别基于振动信号完备信息提取的思路,提出了叁种改进的结构损伤识别方法,由于改进方法采用了具有时变特性的损伤指标,因此不仅具有较好的适用性、敏感性和抗噪性,而且解决了现有常规方法无法对结构损伤(包括多处损伤)的发生时间、先后次序、严重程度及累积发展过程等细节进行描述的难题。论文以信号处理为纽带,将地震动输入和结构损伤识别这两个地震工程中看似不相关的重要内容联系起来,研究成果不仅有利于地震动特性的全面认识,从而为结构抗震设计和分析提供更合理的输入,而且也为结构损伤识别提供了一条新途径。最后,论文分析了目前研究的不足,并对今后的研究方向进行了展望。
胡静[4]2007年在《基于Kalman滤波的大坝监控统计模型研究》文中进行了进一步梳理为满足大坝安全监测的需要，本文在总结归纳前人在统计模型研究成果的基础上，针对最小二乘回归方法需要大量观测资料、模型精度不高、不能实时观测等缺点，以Kalman滤波技术、小波分析、BP神经网络理论为依据，提出小波多尺度Kalman滤波回归统计模型和基于高阶非线性Kalman滤波的BP神经网络在线训练方法，并通过工程实测资料的分析验证了模型的正确性和可行性。论文主要研究内容及成果如下：(1)回顾了前人在统计模型方面的研究成果及常用的几种统计建模方法，将这些方法一一对比，找出其各自优缺点及适用范围。(2)以Kalman滤波技术为理论基础，建立Kalman滤波回归统计模型，由统计模型构造状态方程和观测方程，使最小二乘估计问题转换成Kalman滤波状态估计问题。研究表明，该模型利用Kalman滤波为估计问题提供的递推形式解，可将建模过程简化为只要根据上一时段状态值和当前的观测值就能方便的在线更新状态，因而它是一种高效在线建模的新方法。工程实例分析表明，当Kalman滤波的模型参数计算方法选择合理，滤波结果很快就会稳定，而且滤波状态向量(回归系数)的变化也可以评价大坝的安全状态。(3)由于仪器故障和其他方面的复杂因素，大坝实测数据往往会出现奇异值和很大的噪声，有时真实的信息甚至会被噪声淹没。鉴于此，本文提出将Kalman滤波与小波多尺度理论结合起来，建立小波多尺度Kalman滤波回归统计模型。两者在消除大坝原型观测数据的噪声干扰上存在互补性，使模型可以应用于噪声含量较高的情况，扩展了Kalman滤波的应用范围，也提高了模型的预报精度。(4)由于Kalman滤波回归统计模型属于线性模型，而大坝是一个复杂的非线性系统，因此，针对这一特点本文将Kalman滤波为估计问题提供递推形式解和BP神经网络模型优异的非线性映射能力两种方法的特点相结合，建立BP神经网络与高阶非线性Kalman滤波的大坝监控模型。由于它克服了BP算法训练时间长、收敛速度慢、需要反复迭代的缺点，而且监控模型非线性程度高，因而是一种高效率的在线训练方法。
王文静[5]2013年在《高动态环境下卫星导航信号跟踪技术研究》文中研究说明锁相环(Phase-Locked Loop, PLL)在全球定位系统(Global Positioning System, GPS)接收机中用来实现对输入信号的跟踪并给出精确的载波相位测量值。PLL的环路性能包括噪声性能（对噪声的滤除能力）、动态性能（对动态的跟踪能力）以及跟踪性能(跟踪精度)。这几种性能之间相互联系又充满了矛盾。跟踪性能和噪声性能有关，表现为静态误差。噪声性能越好，静态误差越小，跟踪精度越高。跟踪性能在一定的时候和动态性能也有关，当环路不能无误差地跟踪信号动态时，跟踪精度将会受到影响，表现为动态误差。静态误差和动态误差对环路带宽的要求相互矛盾。减小环路带宽，一方面可以减小静态误差，另一方面也增大了动态误差。在高动态环境下，传统的锁相环方法通常会牺牲PLL的跟踪性能以满足其动态性能，通过采取这种折衷的办法以实现PLL对高动态信号的跟踪能力。因此，本文围绕PLL的静态误差和动态误差对环路带宽的要求相互矛盾的问题，旨在研究如何在不损失PLL跟踪性能的前提下满足其对高动态信号的跟踪能力，以实现提高PLL在高动态环境下环路性能的目的。为了改善高动态环境下PLL的环路性能，本文分别针对环路滤波器、环路噪声和环路带宽叁个影响PLL环路性能的主要因素，提出了叁种解决方法：基于UKF的PLL跟踪算法、基于小波降噪技术的PLL跟踪算法以及基于自适应带宽方法的PLL跟踪算法。其中，针对环路滤波器对PLL环路性能的影响，基于UKF的PLL跟踪算法利用卡尔曼滤波器代替传统锁相环中的环路滤波器，从根本上解决了PLL的静态误差和动态误差对环路带宽的要求相互矛盾的问题。而针对环路噪声对PLL环路性能的影响，小波降噪技术则通过对环路噪声进行降噪处理，使得在允许扩展PLL环路带宽的前提下，能够有效地降低环路滤波器带宽内的噪声功率，以达到跟踪高动态信号的目的。针对环路带宽对PLL环路性能的影响，基于自适应带宽方法的PLL跟踪算法根据对输入信号动态特性的估计，利用接收信号的载噪比信息通过迭代的方法计算得到最优带宽值，使得环路带宽能够随着输入信号动态的变化而进行实时调整，从而改善了高动态环境下PLL的环路性能。为了分析本文所提出的叁种算法对PLL环路性能的改善效果，在Matlab平台下利用GPS信号在不同动态模型和不同仿真参数(不同载噪比和不同环路带宽)的条件下对本文所提出的算法进行了仿真实验。仿真结果表明，在高动态环境下，本文所提出叁种算法的噪声性能、动态性能以及跟踪性能均优于传统PLL的环路性能。基于UKF的PLL跟踪算法在具有优异跟踪精度同时也具有良好的噪声滤除能力和动态跟踪能力，但是由于该算法利用卡尔曼滤波器代替了传统锁相环中的环路滤波器，所以算法复杂度的提升较为明显，在硬件接收机中实现该算法存在一定的困难，在软件接收机中实现该算法所需的计算量明显高于本文所提出的另外两种算法。因此，对于实时性要求较高以及系统复杂度要求较低的高动态卫星导航信号跟踪的情况而言，基于小波降噪技术的PLL跟踪算法和基于自适应带宽方法的PLL跟踪算法显然更为适用。其中，基于小波降噪技术的PLL跟踪算法适用于信号动态以及输入载噪比未知的情况，而基于自适应带宽方法的PLL跟踪算法则适用于信号动态以及输入载噪比已知的情况，并且这两种算法的环路动态性能均能够满足高动态环境的要求。
时伟[6]2005年在《小波分析在车载激光陀螺定位定向系统中的应用研究》文中研究表明本文主要研究了小波变换在自主驾驶车(Autonomous Land Vehicle,ALV)定位定向系统中的应用,将小波变换方法与前向线性预测、Kalman滤波相结合,对机抖激光陀螺和加速度计输出信号进行滤波预处理,并应用于捷联惯导系统初始对准和DGPS/DR(Differencial Global Positioning System/Dead Reckoning)组合导航中。本文主要在以下几个方面做了研究:(1)研究了信号多尺度去噪和动态系统多尺度估计问题:在现有算法的基础上,提出了一种改进的小波递归阈值去噪算法;根据小波多尺度分析理论,提出了一种基于卷积型小波变换的多尺度前向线性预测算法;根据动态系统多尺度Kalman估计理论,设计了一个具有实时分解和估计的多尺度Kalman滤波框架,同时,提出了一种基于小波变换的测量噪声预处理方法。(2)针对不同环境下的机抖激光陀螺信号,研究了小波基函数选取及其最佳分解尺度问题。(3)根据噪声和信号的小波系数随尺度变化而表现出的不同特性,提出了一种基于多尺度小波系数乘积的检测算法。同时,将研究得到的结论应用于ALV捷联惯导系统初始对准和DGPS/DR组合导航系统中,并在以下方面做了工作。(1)将小波检测算法应用于捷联惯导系统寻北过程中,ALV车载试验表明小波检测能很好地检测到外界的干扰;将多尺度前向线性预测和多尺度Kalman滤波应用于机抖激光陀螺信号预处理中,叁轴转台和车载试验表明:两种算法都起到了较好的滤波作用;将多尺度Kalman滤波应用于初始精对准中,ALV车载试验表明:多尺度Kalman滤波可以进一步提高系统对方位角的估计性能。(2)将多尺度Kalman滤波应用于DR自主导航和DGPS/DR组合导航中,设计了基于多尺度Kalman滤波的自主导航和组合导航航位估计算法,半实物仿真和车载试验表明:多尺度Kalman滤波可以进一步提高航位估计精度。(3)提出基于小波多尺度分析的DR误差估计算法,车载试验表明使用小波多尺度分析的误差估计算法可以有效地提高DGPS/DR组合导航的精度。
牛沿笼[7]2007年在《抗差稳健状态信息融合研究》文中进行了进一步梳理信息融合(Information Fusion)是上世纪80年代兴起的一门信息处理技术,亦称为多传感器信息融合技术,是通过对来自多种传感器的数据进行多级别,多方面,多层次的处理与综合,以期获得比单传感器更丰富、更精确、更可靠的信息。经过二十多年的发展,随着传感器技术的迅速发展和多传感器系统的大量涌现,多传感器信息融合技术已经获得了广泛的研究和发展。目前,信息融合,特别是状态信息融合已广泛应用于空中交通管制、国防、海港监控、机器人视觉、遥感、气象预报和智能交通等领域。稳健性是对信息融合的重要要求之一。然而现有的信息融合算法主要针对理想的环境,很少考虑到现实的恶劣环境。而在实际环境下系统将会受到粗差、干扰等的影响,这些将严重影响信息融合的精确度,甚至在某种情况下该影响将导致系统发散和崩溃。另外,随着科技的发展,系统对复杂背景条件下信息融合精度的要求越来越高,因此为了解决传统的信息融合算法在稳健性上的局限,获取目标状态的精确估计,就迫切需要应用新的理论和工具。本研究即是在此基础上,从抗差估计理论出发,针对当前工程应用中的实际问题,对多传感器状态信息融合的稳健性能进行了深入的研究。本文的主要工作成果包括以下叁个方面:(1)对卡尔曼抗差滤波估计的原理进行了分析,并且针对抗差理论中基于M估计的叁种权函数,即Huber法,丹麦法和IGG法,从现实中观测数据的分布情况、能否应用和效率叁个方面进行了分析。(2)在时域的卡尔曼抗差滤波估计中,由于等价权是置于等价方差的分母上,因此当残差比较大时就很可能出现等价权为零的情况,从而造成滤波的发散,因此IGG方案不适宜卡尔曼滤波稳健估计。本文在时域对IGG方案进行改进并应用于卡尔曼抗差滤波估计当中。仿真实验表明这种自适应的卡尔曼抗差滤波能够抵抗粗差并获得精确的滤波估计性能。(3)首次将IGG抗差方案引入频域,将观测信号中丰富的多速率信
吴富梅[8]2010年在《GNSS/INS组合导航误差补偿与自适应滤波理论的拓展》文中提出本文对GNSS/INS组合导航误差补偿与自适应滤波理论进行了系统而深入的研究。内容涵盖GNSS/INS组合导航基本原理、INS惯性元件随机误差分析和建模、GNSS/INS组合导航姿态角对准、GNSS/INS组合导航函数模型和随机模型误差补偿、GNSS/INS组合导航自适应滤波算法以及GNSS失锁时INS导航算法研究等。主要工作和创新点概括如下：1.总结了GNSS/INS组合导航数据处理的基本原理,介绍了INS导航、GNSS导航的基本原理以及GNSS/INS组合导航的滤波模型,分析了INS误差闭环校正和开环校正的优缺点。2.对INS随机误差进行了系统的分析和处理；分析和比较了陀螺信号中几种性质不同的随机误差在功率谱密度和Allan方差上不同的特性和表现形式；对叁种陀螺实测信号中的随机误差进行了分析,给出这些陀螺信号中存在的主要噪声类型及其相应的系数；通过对分解后高频系数进行检验,给出了一种自动判别小波多分辨分析尺度的方法；建立了叁种陀螺随机误差的ARMA模型,确定了相应的ARMA模型阶数和模型参数。3.在INS力学编排基础上从误差分析角度提出一种基于累积误差极小值的精对准方法,有效缩短了初始对准时间；实测算例表明这种方法不受初始对准时间的约束,在较短时间内可以获得较高的对准精度。4.针对车载系统,提出一种顾及姿态角更新的低成本车载GNSS/INS组合导航算法,推导了利用GNSS测速确定航向角的原理,并且对低成本车载INS系统的俯仰角和翻滚角进行了分析；利用实测算例确定了不同速度下的航向角精度,并且验证了新算法的有效性。5.给出了叁种确定INS白噪声谱密度的方法：直接估计法、基于小波变换的谱密度估计法和Allan方差法。利用实测数据对这叁种方法进行了比较和分析,结果表明直接估计法和基于小波变换的谱密度估计所估计的噪声谱密度不仅仅是白噪声,还包含其它各种噪声在内的高频噪声,而Allan方差能够很好地分辨出信号中主要干扰噪声,但是一旦白噪声不占主导,就很容易淹没在别的高频噪声中；GNSS/INS组合导航结果也表明基于Allan方差所确定的白噪声谱密度能够更好地反映惯性元件中的白噪声统计特性。6.INS信号自相关和偏相关系数表明AR模型尤其是ARMA模型能够更好地反映信号的低频噪声；分别基于AR模型和基于ARMA模型,推导了GNSS/INS组合导航动力学模型方程和随机误差模型。实测算例表明,基于AR模型和ARMA模型的Kalman滤波精度都要高于根据经验设定参数的标准Kalman滤波,其中ARMA模型能够更好地反映低频信号的特性。7.推导了基于载波相位平滑伪距的实时GNSS/INS组合导航的公式,并且进行了误差分析。利用实测算例对算法进行验证,结果表明如果GPS周跳较少或者不发生周跳,基于载波相位平滑伪距技术的GPS/INS组合导航的精度较伪距紧组合导航有较大的提高,但是当GPS周跳较多时,精度提高不显着。8.提出伪距差分求解速度的方法,给出了相邻历元和历元间伪距差分测速的公式,并且对其精度进行了分析。利用实测算例对伪距差分测速的精度进行了比较和分析,指出在外界环境恶劣的情况下伪距差分可以保证较高的可靠性。9.在GNSS/INS松组合和紧组合导航中,为避免单一自适应因子对可靠参数的作用,基于预测残差和选权滤波构造出分类自适应因子,该自适应滤波能够将位置、速度、姿态角误差、陀螺仪和加速度计误差分别赋予不同的自适应因子,避免精度损耗。实测算例表明相比于标准Kalman滤波和单因子自适应滤波,分类因子自适应滤波精度有所提高。10.针对紧组合导航中观测值存在粗差的问题,提出通过部分状态不符值来构造自适应因子的方法,给出部分状态不符值构造自适应因子的过程,并与单因子自适应滤波和分类因子自适应滤波进行了分析和比较。实测算例结果表明,当观测无异常时,叁种自适应因子都能够较好地抑制动态模型误差的影响；但是当观测存在异常时,由预测残差构造的自适应因子不能分辨模型误差和观测误差,而由部分状态不符值构造的自适应因子能够抵制观测异常的影响,滤波结果优于由预测残差构造的自适应因子滤波结果。11.从参数可观测性角度提出一种两步自适应Kalman滤波算法,推导了两步自适应抗差滤波的公式和具体步骤,并且进行了分析和比较；实测算例结果表明,相比于标准Kalman滤波,两步自适应抗差滤波的导航精度受组合周期的长短、INS惯性元件误差的大小影响较小,并且能够控制动态扰动异常和观测异常的影响。12.针对由GNSS观测条件不佳或观测不足引起的误差,在一般自适应滤波的基础之上,对其进行扩展,自适应地调节状态预测向量的协方差阵,使其既能控制动态模型误差又能抑制由GNSS观测条件不佳引起的误差的影响。实际计算结果表明,相比于一般自适应滤波,扩展自适应滤波能够很好地控制这两种误差的影响。13.在GNSS信号失锁时,提出一种速度先验信息和Odometer观测信息辅助车载INS导航的方法,并且对位置修正法进行了改进。实测计算结果表明,与INS单独导航相比较,新算法可以大幅度提高载体位置和速度精度。14.给出了一种对INS单独导航累积误差建立模型的方法,并且用实测算例对所建立的模型进行验证,结果表明通过所建立的模型对INS累积误差进行修正,可以大幅度地削弱INS误差。
张宇[9]2009年在《输油管道泄漏检测新方法与关键技术研究》文中进行了进一步梳理管道泄漏检测技术是保障管道安全生产的重要手段。近些年来,管道安全生产中提出了提高定位精度、检测小泄漏信号和降低误报警率等新的要求。基于瞬变流的实时模型法是近年来国际上着力研究的一种管道泄漏检测方法,因为在瞬变条件下即使发生微小的泄漏,在管道泄漏发生前后的压力波形都会存在一定的差别,与其他方法比较,这一方法可以更好地确定泄漏发生的位置。在长输管道泄漏检测领域,由于负压波法不需要建立复杂的数学模型,具有施工量小、成本低、维护方便等优点,得到了广泛的应用。我国已经在超过1万公里的原油管道上安装了基于负压波法的管道泄漏监测系统,对管道的安全运行作用显着。但负压波法在减少误报警率和提高定位精度方面还存在不足。本文针对现有输油管道泄漏检测技术存在的问题,在课题组前期研究基础上,提出了一种附加动态微压激励检测管道泄漏的新方法,并深入研究了输油管道泄漏检测中的若干关键技术。本文主要进行了以下几方面的研究工作:1、提出了一种附加动态微压激励检测管道泄漏的新方法,特别适合于小泄漏的检测,仿真结果表明其最小可检测量达到总流量的0.1%。2、采用了一种高灵敏度的动态压力变送器,捕捉泄漏引起的压力瞬变信号,通过现场实验对变送器的性能进行了验证。3、提出将基于小波包熵的检测信号特征提取方法、基于混沌特性的检测信号特征提取方法用于对管道动态压力信号的特征提取。4、针对负压波法的泄漏检测,将基于高阶统计分析的信号处理方法和基于Unscented卡尔曼滤波器(Unscented Kalman Filter,UKF)的信号处理方法用于管道泄漏信号处理,提高了泄漏定位的精度。5、研究了管道泄漏监测系统与SCADA系统结合的若干技术问题,设计了一套基于SCADA系统的管道泄漏监测系统。通过现场实验和实际应用,验证了系统的可靠性和准确性。
苏理云[10]2007年在《软计算理论及其在信号处理中的应用》文中认为随着通信、计算机、电子学科的不断发展,其工程应用日趋广泛和深入,所采用的数学方法也随之不断地丰富,在大量的工程应用中由于信息处理的需求,软计算理论和方法得到大量的应用,其自身理论也在不断的发展,软计算与其它方法的结合应用也在不断出现,使之在信息处理应用中显现出极大的重要性,本文主要对软计算方法(包括:小波理论、人工神经网络、分形理论、混沌理论、模糊数学等)在信息处理中的应用进行了深入的研究,探讨了软计算理论及其它相关数学理论的融合进行信息处理的方法,并进行计算机仿真实验,仿真实验结果表明,该文提出的几种方法是有效的。本文详细而具体地讨论和研究了小波理论、人工神经网络、分形理论、混沌理论、模糊数学在超宽带通信和微弱信号检测的应用研究。综合运用这些技术以构建全新的超宽带多用户检测、微弱谐波信号检测方法和多传感器多目标跟踪系统。首先,在通信信号处理领域,对超宽带通信中的多用户检测问题进行了深入分析,提出了两种多用户检测算法。在超宽带通信领域,提出了基于隐马尔可夫模型和Kalman滤波的多用户检测算法。算法1:该算法将跳时二进制相移键控超宽带通信系统建模为隐马尔可夫系统模型。考虑到发射序列状态之间可能存在时序的非继承性,而搜索与前向序列对应的具有最大转移概率的后续序列,提出了最大后验概率(MAP)多用户检测算法,模拟结果表明了该算法的有效性。算法2:该算法将跳时二进制相移键控超宽带通信系统建模为动态系统模型,然后利用Kalman滤波算法,设计了一种新的超宽带盲自适应多用户检测算法。数值模拟结果表明,该方法比传统的检测器有更低的误码率,说明该算法是一种有效的检测算法。其次,对微弱谐波信号难于检测的问题,针对强混沌背景和强分形噪声背景干扰下的微弱谐波信号检测问题,提出了相应的解决方案。对强混沌背景噪声干扰下的微弱谐波信号检测问题。利用RBF神经网络预测混沌时间序列的能力建立预测模型,用模糊聚类算法来获得RBF神经网络的径向中心,将观测信号减去预测出的混沌信号,得到误差信号,而误差信号中可能含有有用微弱信号及普通的白噪声。然后把误差信号送入Duffing混沌振子,充分利用Duffing混沌振子对噪声的免疫性,来检测是否含有微弱信号。该方法充分利用了模糊聚类,神经网络,混沌时间序列的短期可预测性,从而大大提高检测微弱信号的性能。仿真实验结果表明:该方法能够在信噪比-120dB时检测出微弱谐波信号。而对强分形噪声干扰下的微弱谐波信号检测问题。本文提出了小波域多尺度模糊自适应Kalman滤波和Duffing混沌振子相结合的方法来解决强分形背景干扰下的谐波信号检测问题。先对淹没在强分形随机背景干扰中的观测信号进行多尺度小波变换,根据分形随机信号小波系数的平稳性,建立状态方程和观测方程,利用Kalman滤波,对每一尺度进行进行滤波最后估计出分形随机信号,并对噪声方差未知时,利用模糊推理系统来动态逼近,然后将估计信号与观测信号作差得到误差信号,把误差信号送入Duffing混沌振子,充分利用Duffing混沌振子对噪声的免疫性,来检测是否含有微弱信号。仿真实验结果表明:该方法能在低信噪比和低信干比下有效地检测出淹没在强分形噪声中的微弱谐波信号。同时,文中也给出了Duffing混沌振子的免疫性一种新的统计解释。最后,对多传感器多目标跟踪问题提出了基于模糊聚类和JPDA的多传感器多目标跟踪算法。传统的联合概率数据关联算法(JPDA)是适合于密集杂波条件下的一种良好的多目标跟踪算法,但它是针对单传感器对多目标跟踪的情况下使用的,不能直接用于多传感器多目标的跟踪,并且随着目标数和回波数的增加,其运算量出现了组合爆炸现象,为此提出了一种新简化的JPDA算法,该算法适用于多传感器多目标跟踪的情况。该算法首先利用极大似然估计对多传感器的测量集合进行同源划分,然后对来自同一目标的测量进行融合,然后采用改进的模糊C-均值(FCM)聚类算法计算关联概率,采用JPDA算法的类似结构对目标航迹进行更新和修正。仿真实验结果说明了该方法能有效地进行多传感器多目标的跟踪,并且算法简单、跟踪精度高、计算量小、易于工程实现。
参考文献：
[1]. 小波变换与Kalman滤波在信号处理中的联合应用[D]. 姚叁. 武汉理工大学. 2003
[2]. 组合导航系统误差分析与补偿理论及方法研究[D]. 吴富梅. 解放军信息工程大学. 2007
[3]. 非平稳信号处理方法的改进及在地震工程中的应用研究[D]. 董银峰. 重庆大学. 2010
[4]. 基于Kalman滤波的大坝监控统计模型研究[D]. 胡静. 西安理工大学. 2007
[5]. 高动态环境下卫星导航信号跟踪技术研究[D]. 王文静. 哈尔滨工业大学. 2013
[6]. 小波分析在车载激光陀螺定位定向系统中的应用研究[D]. 时伟. 国防科学技术大学. 2005
[7]. 抗差稳健状态信息融合研究[D]. 牛沿笼. 上海交通大学. 2007
[8]. GNSS/INS组合导航误差补偿与自适应滤波理论的拓展[D]. 吴富梅. 解放军信息工程大学. 2010
[9]. 输油管道泄漏检测新方法与关键技术研究[D]. 张宇. 天津大学. 2009
[10]. 软计算理论及其在信号处理中的应用[D]. 苏理云. 四川大学. 2007
标签：电信技术论文; 小波变换论文; 自适应滤波论文; 信号处理论文; 误差分析论文; 数据滤波论文; 平滑滤波论文; 卡尔曼滤波论文; 人工智能论文; pll论文;