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。
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: