2026《震动信号的联合时延估计方法分析》8400字.docxVIP

震动信号的联合时延估计方法分析

目录

TOC\o1-3\h\u27748震动信号的联合时延估计方法分析 1

156551.1震动信号的小波阈值去噪 1

237041.1.1小波阈值去噪的原理 2

172271.1.2选取小波基函数和最优分解层数 4

44971.1.3阈值估计和去噪评价标准 7

274721.1.4震动信号阈值去噪仿真 9

279811.2时延差估计方法 12

253081.3震动信号时延差估计仿真 15

根据TDOA定位原理，利用震动信号进行弹丸落点定位，首先需要知道各地震检波器之间的时延差。地震动信号微弱且容易受到外界干扰，如何利用地震检波器采集的到信号进行时延差估计是本文的一个研究重点。

当前时延估计的主要方法有互相关时延估计和高阶累积量时延估计等方法，这些方法在处理信号时对信号的信噪比都有着不同的要求，当信噪比过低时，时延估计就会产生较大的误差。然而弹丸落地产生的震动信号比较微弱，并且在传播过程中会受到工业噪声、车辆噪声等外界环境的干扰，这些干扰信号的成分都是以高频的形式和震动信号混合在一起，降低了信号的信噪比，因此，要实现准确的时延估计先要对采集到的信号进行“预处理”，尽量去除信号中的高频噪声，本章提出小波阈值去噪和高阶互累积量融合进行的时延差估计方法，也即先对信号进行小波阈值去噪，然后再联合高阶累积量进行时延差估计的方法。

1.1震动信号的小波阈值去噪

针对震动信号振幅微弱并且在传播过程中会混入干扰不便于后续进行信号的时延差估计的问题，本文提出利用小波分析的方法对震动信号进行阈值去噪，为后续的时延差估计扫清障碍。

小波分析最初是出现在数学领域[27]，是从调和分析、逼近论、泛函分析、数值分析和傅里叶分析的基础上演变而来的[28]。它同时具有时域和频域局部性分析、多分辨率的特点，以及快速算法和正交的小波基的特点，通过时、频域联合来表征信号特征[29]，能够聚焦到信号时域和频域的任何细节，因此被誉为信号分析的“显微镜”，在震动信号的分析中发展很快[30]。

1.1.1小波阈值去噪的原理

在实际工作中，地震检波器采集的震动信号不同程度混有各种噪声信号。实际分析过程中将地震检波器采集到的实际信号用如下式子表达：

xt=ft

其中x(t)是地震检波器采集到的实际信号，f(t)是信号中的有用成分，??t?是噪声部分。去噪的目的就是要抑制δ(t)，尽可能的把ft从

图3-1小波分解示意图

Fig3-1Schematicdiagramofwaveletdecomposition

小波阈值去噪第一步要做的是对信号进行逐层分解，分解步骤正如图3-1所展示的那样，其为小波分解过程，每次只将上一层分解出来的低频有效部分作为下一次分解的初始信号，每次都会分解出一部分有效信号和一部分噪声信号，一层一层进行下去，以此类推，直到有效信号分解彻底，再进行一层分解就会明显将有效信号错分到噪声里为止，从而将采集到的信号分解到多个有效信号和噪声信号分开存在的独立层次中去。

还有一种分解方法是小波包分解，即是把小波分解中没有分解的归为噪声的一部分也进一步分解为有效信号和噪声信号。其过程如下所示：

图3-2小波包分解示意图

Fig3-2Schematicdiagramofwaveletpacketdecomposition

然而无论是小波分解还是小波包分解，这些被分解归类为噪声的信号中，并非都是噪声信号，其中依旧含有少量包含真实信号的有效部分，如果将其全部舍弃必然会损失信号的真实特征，这时即可进行去噪的第二步—阈值量化，可以通过设置一个合理的阈值，将小于阈值的部分认为是噪声舍弃，从而在最大限度保留信号真实特征信息的前提下将噪声部分去除。去除噪声以后即可进行最后一步—小波重构，即将剩下的部分重新进行整合形成一个新的信号，这个信号就是去噪后的信号。其过程如下图所示[31]：

图3-3小波阈值去噪示意图

Fig3-3Schematicdiagramofwaveletthresholddenoising

小波变换是上图所示中对震动信号进行小波分解和重构的基础，根据所处理的信号特点，小波变换分为连续小波变换和离散小波变换，然而现实中无论是在信号的采集过程还是计算机的数据处理过程中，信号都是离散化的序列，因此连续小波变换只适用于理论的推到和分析，实际运用过程中，必须采用离散化的小波变换方法。根据小波变换对震动信号进行操作方向的正向和逆向可以将其分为正变换和逆变换这两种。正变换即是前面提到的小波分解过程，逆变换和正变换正好相反，是前面提到的小波重构。小波的正反变换过程具有如下所示的一些特点[32]是小波阈值去噪能够通过操作信号的分解系数以去除噪声的基础。