关键词:
混沌信号
分布式传感器
多维非线性相关
宽度学习
微弱信号检测
摘要:
在复杂的强混沌噪声环境中,如何提高微弱信号检测的有效性及准确率一直都是信号检测领域的重要问题。分布式传感器网络对数据进行融合,可以生成更准确、完整和可靠的数据,相较于独立的单个传感器而言,分布式传感器检测系统在准确率方面更有优势。现如今,在海洋监测、机械故障诊断和脑电波弱信号检测领域中存在高度复杂的混沌环境,如果利用神经网络等机器学习相关算法,理论上需要大量的数据作为支撑,并且对进行实验的设备性能要求较高。而与机器学习模型相比,多维非线性相关函数的统计方法具有优秀的信号预测能力,以及简单而强大的信号处理框架。本文为了克服这些局限性,实现高精度信号检测,在分布式传感器网络的基础上,研究了一种基于相空间重构和流形宽度学习的新型多维非线性相关(Multidimensional Nonlinear Correlation,MNC)方法,用于混沌背景下的分布式传感器检测融合。首先,通过将相空间重构与宽度学习(Broad Learning,BL)策略相结合,提取时空特征,将原始多维观测数据重构为固定大小的阵列,从而得到过渡观测矩阵。而多项式函数在多数情况下可用来近似非线性相关函数,因此多个变量之间的非线性效应采用多项式的形式来表示,在过渡观测矩阵的基础上再次重新定义观测空间并将其作为多维非线性相关模型的输入。接着,开发了一种具有多维非线性相关性的QRS检测器层,用于预测和检测微弱脉冲信号是否存在。其以相关函数定理为基础,通过求解矩阵方程得到参数矩阵,实现对多维耦合混沌时间序列的预测,进一步获得预测误差。结合医学环境中QRS波群的检测方法,进一步对预测误差进行处理。前向差分获得预测误差的差分序列,去除掉误差差分序列的最大值和最小值之后对余下的差分值求算术平均值,得到检测阈值,从而得到分布式传感器系统中每个传感器的检测结果。最后,将QRS检测器层处理后的检测结果作为融合中心的输入,借助多数原则实现分布式传感器的检测融合,输出最终检测结果。本文基于Lorenz系统产生的混沌背景信号以及太阳黑子时间序列背景信号,所有代码在相同的硬件和软件条件下运行,包括Intel CPU和Python版本,从仿真实验和实际工程两方面验证模型的有效性。实验结果表明:(1)本文提出的MNC方法结合相空间重构和宽度学习策略,在Lorenz系统模拟背景以及实际工程背景下对微弱脉冲信号分布式传感器进行融合检测,具有有效性和鲁棒性。此外,在本文模拟的不同信噪比下,检测的准确率均大于98%,皆能有效检测出微弱脉冲信号。(2)与其他随机森林等机器学习模型相比,在不同的信噪比下,本文提出的MNC模型的检测更具有优势,该方法获得了更高的准确率,精确度,召回率以及F1 score值,MNC模型具有更强的检测能力。在信噪比为-69.8099d B时,随机森林的F1 score为0.6667,梯度提升决策树的F1 score为0.8571,本文的MNC模型的F1 score为0.9890,相比于随机森林检测效能提升了48.34%,相比于梯度提升决策树检测效能提升了15.38%。(3)分布式传感器系统的检测效能优于单一的传感器。本文设计的实验中,单一传感器的检测效能存在一定的波动性,以及检测的准确率不足的问题。在以太阳黑子数时间序列为背景信号的情况下,三个单一传感器的检测准确率分别为90.38%,86.54%,96.15%,F1 score分别为0.6154,0.5333,0.8571。而将多个传感器的检测结果进行融合之后发现,准确率和F1 score提高到100%,检测效能相较于单一传感器明显提升。