欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2021113831624
申请人: 江苏大学
专利类型:发明专利
专利状态:已下证
专利领域: 测量;测试
更新日期:2025-09-19
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.基于自适应小波包降噪的植保无人机飞行姿态监测方法,其特征在于,包括以下步骤:

步骤1、植保无人机飞行姿态的带噪声信号采集;

步骤2、采用自适应WPD算法对数据进行去噪,以去除数据中包含的噪声污染和DC分量;

步骤3、使用Welch’s方法估计每个采集信号块的声学特性,以帮助减少频谱泄漏,其中Welch’s方法为:

在公式中,PSD[f](W/Hz)表示第n点频率为f(Hz)处的功率谱密度估计值,N表示离散信号的长度,n表示信号进行傅里叶变换的离散点,Δt表示采样周期,f表示采样频率,h[n]表是一个窗函数,x[n](Pa)表是采集的时域信号;

步骤4、在步骤3中计算出来的功率谱密度估计值的基础上选取(0‑f)kHz,平均分成m个频段,这m个频段包含信号90%以上的能量,计算出m个频段上的功率,目的是减少用于检测非平稳飞行姿态数据量和各条谱线之间的可变性:在公式中,b[k](w)表示是由频率fa和fb定义的k频段的平均功率,k=m(下同),fa和fb表示所计算的m个频段的任意一个频段的起始频率和终止频率,Δf(Hz)是频率分辨率;

步骤5、为了量化非平稳飞行姿态引起的声传递率差异,用包含信号主要能量的频带功率估计值减去平均基线,该平均基线对应于在相同测试情况下(平稳飞行姿态)由麦克风测量的平稳飞行姿态数据子集的平均频带功率:在公式中,Δbd[k](单位W)是不同飞行姿态角度d的频带功率差,bd[k]是不同飞行姿态角度频带功率估计值, 是平稳飞行姿态的数据子集平均频带功率估计;

步骤6、频带功率差异被卷成一个单一的度量标准,用于检测和区分飞行姿态角度,即绝对差异之和,简单地计算为每个数据块的频带功率差异的绝对值之和(SAD):在公式中,SADd是不同飞行姿态角度数据的绝对差值之和;

步骤7、对SAD值进行异常值分析,在整个数据集中,对小于或大于3倍的中值绝对偏差的数据点进行去除,来达到去除异常值的目的;

步骤8、存储最终的一组经处理且无异常值的SAD值,用于随后与试验的SAD数据子集进行比较,以检测和区分飞机飞行平稳与非平稳姿态,建立了一个飞行姿态检测阈值,该阈值等于平稳飞行姿态数据子集平均值以上的三个标准偏差,用于将超过该阈值的SAD值分类为非平稳飞行姿态。

2.根据权利要求1所述的基于自适应小波包降噪的植保无人机飞行姿态监测方法,其特征在于,所述步骤2中,采用自适应WPD算法对数据进行去噪,以去除数据中包含的噪声污染和DC分量的技术方案如下:

步骤2.1、对所采集的N点时域信号x[n](在这里n=1、2、3…)通过低通缩放滤波器G和高通小波滤波器H分别滤波信号,N点时域信号被分解成小波包(节点)的第一级(j=1),随后用2倍进行下采样;结果得到N/2点小波包节点W1;0和W1;1对应于频率范围分别为[0,fs/4]和[fs/4,fs/2];通过对前一阶段的小波包系数(W1;0和W1;1)应用相同的滤波和下采样操作,获得频域中更精细的分辨率;结果是对应于原始信号的时间信息的四个N/4点小波包被分成四个等宽频带,重复该过程,直到能够较好的区分出噪声信号和感兴趣的信号;

步骤2.2、为每个终端节点计算信噪比SNRk,并且信噪比是相对于频率来估计的:SNRk是小波包节点WL,k频率子带对应的信噪比,WL,k表示小波包分解的终端节点系数,L表示分解的层数,k表示第L层的第k个节点;WL,k,n是对应于小波包节点WL,k的纯噪声区间的系数,n表示纯噪声节点;

步骤2.3、仅考虑纯噪声区间的系数,为每个终端节点计算噪声标准偏差:σL,k是在最大分解级别L的第k个节点的噪声标准偏差,WL,k表示小波包分解的终端节点系数,L表示分解的层数,k表示第L层的第k个节点;

步骤2.4、基于测量的时间响应的信噪比调整所选阈值的风险,风险的阈值是依赖于使用Birge和Massart’s的自适应密度估计策略计算的,该策略从风险函数的最小值确定未知密度的最佳投影,该策略易于关联并应用于小波阈值,其中确定未知信号小波系数投影的最佳近似值,通过计算,确定产生对应于最佳近似的小波系数的阈值:Ws(k)是按降序排序的所有小波系数绝对值,α是稀疏性惩罚项,N是小波系数总数,t是当前索引,即当前子集中的系数;可以观察到,风险函数代表小波系数子集和处罚函数之间的折衷,处罚函数取决于样本空间的大小和稀疏性参数;

步骤2.5、由步骤(4)可知,增加或减少稀疏性参数α(风险)将分别增加或减少阈值化后小波系数的稀疏性,对应于风险函数最小值的tmin与产生小波系数最佳投影的阈值有关:TBM(α)=WS(tmin)

TBM(α)是对于给定的惩罚系数α从Birgé‑Massart策略中得到的阈值;

步骤2.6、对于每个终端节点,对应于纯噪声区间的系数被设置为0,并且剩余的系数(信号和噪声)被在步骤(2.4)和(2.5)中计算的相应阈值来抑制;

步骤2.7、通过将逆小波包变换应用于改善的系数来重构增去噪的时间响应。

3.根据权利要求1或2所述的基于自适应小波包降噪的植保无人机飞行姿态监测方法,其特征在于,所述步骤2还包括:

对于小波包降噪参数的衡量标准,通过信噪比改善、感兴趣信号去噪后能量保留百分比和小波系数熵三个质量评估指标来评估每个小波参数对去噪性能的有效性;三个指标中的每一个都被特别选择来量化近似保留干净信号能量的程度,即保留能量的百分比以及近似增强干净信号与噪声的可区分性,即信噪比改善和熵的程度;

a、信噪比改善

信噪比被定义为感兴趣的信号功率和噪声功率之间的比率,为了量化信噪比的改善,必须量化应用WPD算法后的信噪比,为了精确地估计降噪后的信噪比(后验信噪比),将WPD过程应用于没有任何附加噪声的干净信号,重构响应仅对应于从WPD过程保留的信号内容,标记为去噪的干净信号;此外,通过将WPD过程应用于添加了噪声的干净信号而获得的重构响应中减去去噪的干净信号,以获得去噪后剩余的噪声含量;现在,信噪比改善可以适当地计算如下:

在公式中,ΔSNR是信噪比改善,SNRP是后验信噪比,SNRI是初始信噪比,xsd是没有添加噪声的去噪响应,xd是添加噪声的去噪响应,xs是感兴趣的信号,xn是噪声信号;

b、信号能量保留百分比

仅对应于感兴趣信号保留能量的百分比被计算为没有添加噪声的去噪响应的l‑2范数和原始感兴趣信号之间的比率:

在公式中,L2R是l‑2范数比,L2R的理想值是1,这意味着在WPD进程中没有损失任何能量,需要仔细检查ΔSNR和L2R,以确保在去除噪声和保留能量之间保持理想的平衡;

c、小波系数熵

熵作为量化小波包系数无序度(值的分布有多均匀/不均匀)的一种度量,可以按如下方式计算:

在公式中,Qj,k是在j层上的第k个节点的熵,Wj,k表示在j层上的第k个节点的小波系数,t对应于小波包节点的系数索引,Tj是第j层的小波包节点中的系数数量,当系数的值均匀分布时,熵会很大,较少的大值信号系数期望对应于较小的熵值,从而增强将感兴趣的信号和瞬态噪声事件与环境噪声区分开来的能力。