一种混凝土大坝微破裂信号智能去噪算法的制作方法

本发明属于混凝土大坝微破裂损伤机理研究，特别涉及一种混凝土大坝微破裂信号智能去噪算法。

背景技术：

1、面对海量有效信号微弱的微破裂数据，传统的去噪方法难以精确高效地实现低信噪比信号去噪。其根本原因在于，传统的去噪方法往往根据人为选定的特征进行信噪分离，对于低信噪比信号难以实现清晰地信噪可辨，且人工选定信噪特征极大地降低了去噪的效率。以上原因严重制约着海量、低信噪比去噪的效率和质量。

2、监测微破裂产生的微震信号，是有效探知大坝内部微小破裂事件的发生和演化，识别大坝内部破裂分布的重要手段。通过分析这些微破裂事件的时空分布、能量释放特征以及波形数据，可以推断大坝内部的变化和可能的破裂与损伤机理。然而，微破裂信号有效信号微弱、信噪比低，如何高效识别微破裂信号始终面临严峻挑战。

技术实现思路

1、本发明的目的在于克服上述不足，提供一种混凝土大坝微破裂信号智能去噪算法，实现小样本情况下的混凝土大坝微破裂信号智能去噪，解决传统去噪算法效率低下、精度不高的问题，精确高效地实现混凝土大坝微破裂信号增强。

2、为解决上述技术问题，本发明所采用的技术方案是：一种混凝土大坝微破裂信号智能去噪算法，它包括以下步骤：

3、步骤一：利用干净的模拟信号与真实信号构成原始数据集s∈{s1，s2，...，sn}，然后对其进行小波分解，将原数据转换到小波域，得到分解之后的数据集x∈{x0,x1,x2,...xn}并将其输入到wavelet diffusion models网络中，生成大量小波域训练样本集，再将小波域样本集逆变换到原始信号域，完成对小样本数据集扩容，得到扩容后的数据集x∈{x1,x2,...xn}；

4、步骤二：对扩容后的数据集输入ms-denoising net，完成训练，，最终利用残差学习模块输出去噪信号。

5、进一步地，所述步骤一具体包括如下过程：

6、1.1、对原始输入s做小波分解，得到分解后的数据集x；

7、x＝wt(s)                               (1)

8、其中，wt表示小波变换；

9、1.2、扩散过程需要数千个时间步，按照数据分布p(x0)将每个输入逐渐扩散到纯高斯噪声中，包含正过程和逆过程，正(加噪)过程表示为：

10、

11、其中，在公式1中t表示扩散过程的时间步长，αt＝1-βt，βt∈(0,1)为一个定义在时间步长t的固定小值；n表示正态分布，q(xt|x0)表示根据x0扩散生成的在时间步长为t上的新数据的后验概率；

12、逆过程pθ(xt-1|xt)实际可以看成q(xt-1|xt,x0)，因此，逆(去噪)过程就是对数据去噪的过程，表示为：

13、

14、μθ(xt,t)，分别表示参数化去噪模型的均值和方差；

15、1.3、将去噪后的生成数据输入判别器，对真实对(xt-1,xt)和伪数据(x't-1,xt)进行判别，并定义wavelet diffusion models的损失函数如下：

16、判别器损失函数：

17、

18、lrec＝||x'0-x0||                                 (6)

19、最终，生成器总损失函数：

20、其中，x'0表示生成后的样本，d表示判别器，g表示生成器。

21、1.4、对判别后的x'0做逆小波变换，得到扩容后的数据集x∈{x1,x2,...xn}。

22、进一步地，所述步骤二具体包括如下过程：

23、2.1、将x∈{x1,x2,...xn}输入ms-denoising net，记为xin。

24、ms-denoising net卷积层可表示为：

25、

26、ms-denoising net池化层和激活函数可表示为：

27、d(actfunction((x),px))＝actfunction(d(x,px))                (9)

28、ms-denoising net全连接层可表示为：

29、

30、最终，ms-denoising net利用残差学习模块输出去噪信号xdenoising：

31、xdenoising＝r(fo(xout),λ)                               (11)

32、其中，fw(λ,xout,xin,xs)表示层的权重，xs表示s尺度的卷积核，λ表示可参与训练的参量集合，fi(xin,xs)、fo(xout,xs')分别表示卷积层的输入、输出，fw(λ,xout,xin)表示全连接层的权重，fi(xin)、fo(xout)分别表示全连接层输入、输出，d表示在给定的分区px上计算一个标量函数的离散化操作，r表示残差学习模块。

33、本发明有益效果：(1)本发明利用wavelet diffusion models进行数据扩容，解决了微破裂信号样本量不足导致深度神经网络难以训练的问题；(2)本发明构建ms-denoising net，规避了传统神经网络采用n维张量表示网络层的情形，采用滤波器和通道维度的连续层级的表示，提升微破裂信号的信噪特征识别，大幅提高弱信号信噪分离效果；(3)本发明建立深度学习引导下的微破裂信号去噪算法，解决了传统去噪算法效率低下的问题，高效快速地实现混凝土大坝微破裂信号增强；(4)本发明实现小样本情况下的混凝土大坝微破裂信号智能去噪，解决了传统去噪算法效率低下、精度不高的问题，精确高效地实现混凝土大坝微破裂信号增强。

技术特征：

1.一种混凝土大坝微破裂信号智能去噪算法，其特征在于：它包括以下步骤：

2.根据权利要求1所述的一种混凝土大坝微破裂信号智能去噪算法，其特征在于：所述步骤一具体包括如下过程：

3.根据权利要求1所述的一种混凝土大坝微破裂信号智能去噪算法，其特征在于：所述步骤二具体包括如下过程：

技术总结
本发明公开一种混凝土大坝微破裂信号智能去噪算法，包括：步骤一：利用干净的模拟信号与真实信号构成原始数据集S∈{s<subgt;1</subgt;，s<subgt;2</subgt;，...s<subgt;n</subgt;}，然后对其进行小波分解，将原数据转换到小波域，得到分解之后的数据集x∈{x<subgt;0</subgt;,x<subgt;1</subgt;,x<subgt;2</subgt;,...x<subgt;n</subgt;}并将其输入到Wavelet Diffusion Models网络中，生成大量小波域训练样本集，再将小波域样本集逆变换到原始信号域，完成对小样本数据集扩容，得到扩容后的数据集X∈{X<subgt;1</subgt;,X<subgt;2</subgt;,...X<subgt;n</subgt;}；步骤二：对扩容后的数据集输入MS‑denoising Net，完成训练，最终利用残差学习模块输出去噪信号；本发明解决了传统去噪算法效率低下、精度不高的问题，精确高效地实现混凝土大坝微破裂信号增强。

技术研发人员：盛冠群,雷海威,梅育青,明华军,贾雄,张海龙,陈俊,田甜,舒雨菡,吕轩
受保护的技术使用者：中国长江电力股份有限公司
技术研发日：
技术公布日：2024/2/21