电信号恢复（共6篇）
电信号恢复 篇1
0 引 言
自动识别系统AIS作为一种新型的助航系统,因其具有在船舶之间自动进行船舶信息交换和船舶识别的基本功能,从根本上提高船舶航行安全,提高船舶交通管理系统的服务水平和监控能力。在各种信号密集的环境中,自动识别系统能有效地对信号进行解调、协议分析、信息恢复,对于有效识别AIS信号信息有着非常重要的作用。
AIS信号的调制方式是根据带宽进行调整的调频高斯滤波最小频移键控(GMSK/FM)。GMSK是MSK(最小频移键控)在调制前经过窄带高斯滤波器形成的。基带码元经过窄带高斯滤波器以后,码元宽度展宽,产生了码间串扰。它以误码换取较小的带宽,在实际中要对两者间进行平衡。对于GMSK信号,可以用维特比算法[1,2,3]、差分算法[4,5,6]和基于PAM分解方法进行解调,前两种算法研究相对比较多,Viterbi算法实现比较复杂,基于PAM分解方法可以大大降低符号间干扰,使得接收机较简单。
本研究主要用相位差分法对实际接收的AIS信号进行解调,然后利用AIS信号协议恢复接收的信息。
1 实际AIS信号的解调
1.1 AIS信号模型
(1) MSK信号。
MSK是2FSK的一种特殊情况[8],它具有正交信号的最小频差。在FSK方式中,每一码元的频率不变或者跳变一个固定值,而两个相邻的频率跳变码元信号的相位通常是不连续的。MSK方式是FSK信号相位始终保持连续变化的一种特殊方式。
MSK的信号可以表示为:
其中,am=±1,T为am宽度,Xm是为了保证在t=mT处的相位连续而加入的相位常数。Xm满足以下递推关系:
若X0=0,则Xm=0或±π(模2π)。上式明确地反映了前后比特区间的相位依赖关系,即本比特区间内的相位常数不仅与本比特区间的输入有关,还与前一个比特区间的输入以及相位常数有关。
(2) AIS信号。
由AIS系统的技术标准可知,AIS信号的调制方式是根据带宽进行调整的调频高斯滤波最小频移键控(GMSK/FM),所以AIS信号模型等价于GMSK信号模型,可以表示为:
其中:
h(t)为高斯滤波器的冲激响应:
参数γ和3 dB带宽B有关,其取值可以是0.5,0.2,0.3,等。
且:
式中 am—+1或-1;g(t)—持续时间为T的矩形脉冲。
1.2 AIS信号解调原理
(1) MSK信号解调[9]。
MSK数字信号表达式为:
式中 T—码元持续时间;Ts—采样间隔;am—输入码元,且am=+1,-1;Xm—为保证相位连续而加入的相位常数。
MSK信号的解调同FM,对信号进行正交分解,式(7)可写为:
其中,同相分量XI(n)和正交分量XQ(n)为:
基带信号的瞬时频率f(n)的计算如下:
计算出瞬时频率f(n)后,对f(n)抽样判决,即可恢复出码元。
(2) AIS信号解调。
由于AIS信号的调制方式是GMSK/FM,所以可以由GMSK解调来实现。但利用式(11)的相位差分计算瞬时频率时,计算ϕ(n)要进行除法和反正切运算,这对于非专用数字处理器来说是较复杂的。
本研究采用如下方法对AIS信号进行解调,AIS信号经过下变频和滤波后,其基带的信号表示为:
R(n)=XI(n)+jXQ(n)=Aexp (jϕ(n)) (12)
因为:
R(n)R*(n-1)=A2exp {j[ϕ(n)-ϕ(n-1)]}
所以利用下式可以求出f(n):
在计算瞬时频率后,对f(n)进行抽样判决,利用过零判决,即可恢复出码元。
1.3 解调的实现
由于实际AIS信号主要工作在161.975 MHz和162.025 MHz这两个频点上,所以对射频信号采用162 MHz的本振下变频时,就会产生Δf=±25 kHz的频偏,因此在解调前先要估计频偏。AIS信号解调方法组成框图如图1所示。数据A就是经过162 MHz的本振下变频和采样频率为fs=204.8 kHz的采样A/D变换后的数字信号,数据B是去掉频偏后的基带信号,R(n)是经过滤波后的基带信号,然后由基带信号计算瞬时频率,同步抽样判决可以恢复出原始的信息比特流。
(1) 频偏估计。
数据A的一段信号频谱如图2所示,图中所示的是经过搬移后的谱图,102.4 kHz就是原来的零频点,由图中可以看出信号能量主要集中在102.4 kHz频点右边,因此可以根据信号能量估计频偏Δf,从而估计得到AIS的工作频率。
设零频左边偏移25 kHz,频点左右对称共25 kHz范围内信号能量为p1,零频右边偏移25 kHz频点左右对称共25 kHz范围内信号能量为p2;若p1>p2时,则频偏为Δf=-25 kHz;若p1<p2时,则频偏为Δf=25 kHz。
图2所示这段数据的频偏为Δf=25 kHz,所以这段AIS信号的工作频点是162.025 MHz。得到频偏估计后,对信号去频偏,可得到未滤波前的基带信号B。
(2) 滤波处理和瞬时频率估计。
由于根据信号A频谱峰值的25 kHz带宽内的能量判决频偏,因此设计的数字低通滤波器的带宽取BW=25 kHz,fs=204.8 kHz,FIR低通滤波器的其他参数选择如下:
Fpass=BW/fs(归一化频率),Fstop=1.25·Fpass,Apass=1 dB,Astop=80 dB。
经过低通滤波后的I,Q两路信号的一段波形如图3所示。
利用式(13)可得到瞬时频率f(n)如图4所示。
(3) 抽样判决和码元恢复。
先对f(n)进行过零判决,f(n)>0,判为1;f(n)<0,判为0。由于AIS信号的同步头经过NRZI变换后为(11001100……)24 bit位模式,利用其双1和双0交替出现特点,确定同步序列和第一个码元的采样点的起始位置,取一个码元的所有采样点的均值,若大于零,则判这个码元为1,若小于零,则判这个码元为0,即可恢复出码元。图4所示波形f(n)解调出来的比特流如图5所示。
2 根据协议恢复AIS信号的信息
2.1 协议中的数据分组格式
AIS的数据传输采用面向比特的协议。位流受位填充控制,如果发现输出位流中连续出现5个1时,应插入一个0。数据分组格式如图6所示。
(1) 同步序列:
未经NRZI变换的同步序列由24 bit交替的0和1组成的位模式(0101010101……)。
(2) 开始标记:
开始标记的长度为8 bit,为01111110。该标记尽管包含6个连续的1,但不受位填充的影响。
(3) 数据:
数据部分则根据待传输的消息内容具体给定,其长度也由消息识别码和具体的内容决定。
(4) 帧校验序列:
帧校验序列为循环冗余校验(CRC),采用GB/T 7496-1987中所定义的16位多项式校验和来计算,在CRC计算开始时将CRC码元预设为1,CRC计算中只包括数据部分。
(5) 结束标记:
结束标记与开始标记相同,也不受位填充影响。
(6) 缓冲码:
缓冲码则包括位填充、距离延迟、转发器延迟和同步晃动等引入的比特。
(7) 数据编码:
数据编码采用不归零反转(NRZI)波形,在位流中每遇到0就发生电平的变化。
2.2 解码
根据AIS协议中的数据分组结构,本研究提出的对AIS解调后的比特流解码及分析流程如图7所示。
先对解调后的比特流进行NRZI解码,即当前后比特变化时,则判为0,反之为1。由数据分组结构中的同步序列进行同步,先找到同步头,然后找到一个消息的开始标记和结束标记,提取出开始标记和结束标记之间的比特流后进行去填充位和FCS(帧校验序列)校验解码。根据协议,每个消息的内容是按照8 bytes进行组合的,且每个字节的输出是从低有效位开始,所以恢复信息时按8 bytes反转,这样才能正确恢复信息,得出解码后的比特流。根据上面流程,从上节解调后的比特流得到解码后的比特流为:000001000110001001111001101010001111101111000000000000000000001000101010010000011111101000010001100000000010001110011100011111110010100111100110000000000000100100000110。
2.3 信息恢复
AIS的消息有22种[10],根据消息协议可以从解码后的比特流中恢复出信息。经过分析上面的一段码,它是消息1(船位报告),由消息1协议恢复信息如下:
消息:1(船位报告),转发次数:0次,MMSI(用户识别码):413035070,航行状态:未被定义使用,转向率:0°,对地航速:0 kn,船位精度:低(>10 m),经度:东经121°4′45″,纬度:北纬30°35′3″,对地航向:319.9°,真航向:83°,报告产生时:51″,RAIM(接收机自主完整性监测)状态:未使用,通信状态:处于SOTDMA通信状态,同步状态:直接获取UTC,时隙超时:该时隙最后一次传输。
3 结束语
本研究讨论了AIS信号的解调和信息恢复方法,采用相位差分的方法实现AIS信号解调,并根据AIS协议对解调后的比特流进行信息恢复,对实际AIS信号的解调和信息恢复结果表明,所介绍的方法是有效的。为了正确恢复信息,要注意每8 bytes的反转。在解调存在误码的情况下,帧校验环节即判信息传输出错,由于AIS没有采用纠错编码机制,此时就无法完全正确的恢复原始信息,因此保证接收信号的高信噪比非常关键。
AIS系统在海上平台方面的应用已经非常广泛,它能使船只间有效的相互定位,对AIS信号的解调以及信息恢复是AIS得以应用的保证,因此本研究对AIS的工程应用具有重要价值。
摘要：船舶自动识别系统(AIS)广泛应用于实际船舶通信系统中,实现船舶交通管理系统的船-岸、船-船的通信及辅助导航,避免船舶间碰撞,用于提高航行的安全。针对获取船舶状态信息的需求,研究了AIS信号进行解调和信息恢复技术。首先介绍了AIS信号模型和解调原理,详细讨论了实际接收的AIS信号解调方法,采用相位差分解调方法实现解调,最后根据AIS协议给出了原始信源信息恢复方法,并根据实际采集的AIS信号,进行了解调和信息恢复实验。研究结果表明上述方法是有效的。
关键词：船舶自动识别系统,GMSK,解调,协议
参考文献
[1]于志贤.利用维特比算法解调GMSK信号[J].海军大连舰艇学院学报,2003,26(3):49-51.
[2]曾佐祺,李赞.基于Viterbi算法的GMSK信号解调性能分析与仿真[J].重庆邮电大学学报,2008,20(2):132-138.
[3]TSAI K,LUI G L.Coherent viterbi and threshold demodula-tors for pulse-driven GMSKsignals[J].MILCOM 99,1999(1):291-295.
[4]SMITHW S,WITTKE P H.Differential detection of GMSKin rician fading[J].IEEE Transactions on Communica-tions,1994,42(234):216-220.
[5]MATHIS H.Differential detection of GMSK signals with lowB/sub t/T using the SOVA[J].IEEE Transactions onCommunications,1998,46(4):423-430.
[6]JIAN G,STUBER G L.A new differential detector for GM-SK[J].IEEE International Conference on Communica-tions,1995(1):336-341.
[7]李振华,谢军,王宁.GMSK全数字解调[J].空间电子技术,2004,1(2):23-28.
[8]曹志刚,钱亚生.现代通信原理[M].北京:清华大学出版社,2005.
[9]杨小牛,楼才义,徐建良.软件无线电原理与应用[M].北京:电子工业出版社,2005.
[10]中国国家标准化管理委员会.GB/T20068-2006船舶自动识别系统技术要求[S].中国国家标准化管理委员会,2006.
成都电信灾后恢复重建纪实 篇2
汶川地震后第六天，成都电信便成立了由公司领导牵头的灾后通信恢复办公室，确保从现场勘察、资源清理、方案设计、物资供应等各方面推进通信恢复工作。去年5月24日，随着彭州银厂沟中国电信接入点正式开通，成都市所有中断通信的乡镇全部恢复通信。成都电信随即成立以总经理为首的灾后重建领导小组，下设灾后重建办公室，全面转入灾后重建阶段。
根据四川灾后恢复重建“三年目标任务两年基本完成”的工作部署，成都电信立足高起点，科学规划，把网络的安全、网络防灾减灾的能力建设放在突出位置，用最新的设备、最新的技术，全面、立体地提高成都地区通信网络的技术水平和可靠性，又好又快地打造有线和无线相结合的强大通信网，为灾区全面重建和经济发展提供有力的通信保障和信息服务。
都江堰、彭州等重灾区市政规划建设方案出台后，成都电信在完成灾区三年网络规划的基础上，迅速对各重建项目进行梳理，制订出2009年、2010年具体建设方案。灾区永久性灾民安置点、老城区接入网改造及道路重建迁改等重大工程开始快速推进。
而今，都江堰向峨乡石碑、棋盘等安置点群众都用上了中国电信光纤接入提供的宽带业务，“勤俭人家”、“馨桂园”等安置点群众还可以通过3G网络高速上网。(蒲晓蒂)
本刊讯“红标·成都”大型公益活动于4月启动以来，中国电信成都分公司作为首批加盟此次活动的爱心企业近日又在都江堰启动红标行动，推出了“红标声讯”、“红标短信”、活动宣传平台等多种参与方式，向灾区同胞献上爱心。
“红标·成都”大型公益活动计划周期为三年, 旨在凝聚全社会“人道、博爱、奉献”精神，筹集灾后重建专项资金，定向援建地震灾区的学校、卫生院和农民新村。市红十字会从自愿加盟的企业 (单位) 中选取有社会责任感和信誉度好的企业作为此次活动加盟企业，选取其优质、畅销、放心的产品 (服务) 作为“红标商品”, 企业捐出“红标商品”盈利的一部分给市红十字会作为灾后重建援建资金, 而市民只需消费“红标商品”就能奉献爱心, 为成都市灾后重建出一份力。
电信号恢复 篇3
MIMO技术能够在不增加带宽的情况下成倍地提升系统容量以及提高频带利用率,而OFDM技术则能够有效抵抗频率选择性衰落。MIMO-OFDM系统结合了MIMO和OFDM两种技术的优点,通过利用空间分集和频率分集能够获得最大的频谱利用率。MIMO-OFDM技术已经成为了多个无线局域网标准中的关键技术［1］。
空频编码( SFBC) 是在空间和频率两个维度上进行的编码。在MIMO-OFDM系统中,由于OFDM系统采用的是多载波调制技术,因此可以引入空频编解码。采用空频编码技术的MIMO-OFDM系统也被称为SFBC MIMO-OFDM系统［2 － 3］。
在无线局域网( WLAN) 中,一般采用CSMA/CA协议来避免信号碰撞。而CSMA/CA协议并不能够很好地解决隐藏终端问题［4］。因此需要研究如何对接收端已经发生碰撞的信号进行碰撞信号恢复。其中由S. Gollakota提出的Zig Zag方法利用连续碰撞的数据包来解决隐藏终端问题［5］。连续干扰消除( SIC) 是另一种恢复碰撞数据包的方法［6 － 8］。更进一步的,网络编码的思想也被运用于解决隐藏终端问题中。物理层网络编码以及模拟网络编码方法能够利用网络层信息进行碰撞恢复［9 － 11］。目前对于碰撞信号恢复算法的研究主要集中在SISO( 单输入单输出) 系统中,而在新的IEEE 802. 11n标准以及802. 11 ac标准中物理层均采用了SFBC MIMO-OFDM技术以提升无线传输速率,因此研究SFBC MIMO-OFDM系统中的碰撞信号恢复算法具有重要的研究意义。本节提出一种基于SFBC MIMO-OFDM系统的碰撞信号恢复算法( SCD-MIMO,SFBC Collision Decoding Algorithm for MIMO) ,其中系统采用Alamouti空频编码方案［12］,该算法通过碰撞信号重构、接收信号求解和空频解码能够有效解决SFBC MIMO-OFDM系统的信号碰撞问题。
1 Alamouti空频编码方案
Alamouti空频编码是在两个相邻的子载波上进行编码。本节主要详细介绍Alamouti空频分组编码的构造方法以及编解码技术。这里系统考虑2 × 2MIMO-OFDM系统。
对于一个OFDM符号块,假设经过分组后的发送信号向量X可表示为:
其中,xk( k = 0,1,…,k - 1) 表示该OFDM符号块第k个子载波上发送的符号。
对OFDM符号块内相邻子载波上进行Alamouti空频编码,假设选取的是第k个子载波和第k + 1 个子载波,则编码矩阵S可表示为:
根据式( 2) 可以得到编码后的发送信号向量X1,X2,表示为:
X1,X2即为该OFDM符号块内发送信号经过空频编码后的两路数据,该两路数据经过OFDM调制后,再加上循环前缀CP分别从两根发送天线上发送出去。
在接收端,将接收到的OFDM符号先去除循环前缀,再进行OFDM解调,则得到接收天线i接收信号表达式为:
接收端的Alamouti解码过程可以采用奇偶分解,多相组合向量的方法。
首先对发送信号向量X进行奇偶分解,其偶数分量Xe和奇数分量Xo可表示为:
同理对编码后的发送信号向量X1,X2也进行相同的奇偶分解操作,则相应的偶数分量X1，e,X2，e和奇数分量X1，o,X2，o可表示为:
由公式( 6) ,( 7) ,( 8) ,( 9) 可以得到
将上述等式改写成矩阵形式,可以得到等效空频码字矩阵:
对接收天线1 和接收天线2 接收到的信号也进行奇偶分解,分解后的信号分量表达式为:
对奇偶分解后得到的接收信号分量进行合并运算,合并运算后的信号表达式为:
对合并后的信号进行最大似然( ML) 译码,则可以得到发送信号偶数分量和奇数分量的估计值
2 SCD-MIMO算法原理
考虑如图1 所示的隐藏终端问题情景,当隐藏终端问题发生时,用户A和用户B会同时向AP发送数据,从而在AP端发生碰撞。由IEEE 802. 11n标准的重传机制可知当隐藏终端问题发生时,AP节点将能够接收到两次碰撞后的信号。
2. 1 碰撞信号模型
考虑2 × 2 SFBC MIMO-OFDM系统,采用第一节介绍的Alamouti空频编码方案。这里假设AP端接收天线接收到同一用户两根发送天线发送的数据包之间的相对时延为零。基于这样的假设,对于第一次数据发送和重传发送,AP端接收到的碰撞信号示意图如图2 所示。
假设信道是慢时变信道,则同一用户两根天线发送的数据包在接收端AP碰撞后的信号对于第一次数据发送过程和重传过程是相同的,因此我们可以将之当作整体进行考虑,从而图2 的碰撞信号示意图可等效为图3 所示。
2. 2 算法流程
SCD-MIMO碰撞恢复算法具体流程主要分为三个步骤,即碰撞信号重构,接收信号求解和空频解码。下面对这三个步骤分别进行介绍。
1碰撞信号重构: 对接收到的碰撞信号R1,R2,R3和R4进行如图4 所示的信号重构。
重构信号可表示成如下形式:
上式中延迟矩阵D( n) 表示各接收信号之间的时延特性,其矩阵定义式为:
其中,N为发送信号长度,L为信道多径长度,0n × m表示n × m维的零矩阵,En表示n维的单位矩阵。
2接收信号求解: 通过重构信号间的线性运算可以得到关于接收信号y1A,y1B,y2A,y2B的表达式:
由公式( 19) 可以求解出接收信号y1A,y1B,y2A,y2B的表示式为:
3空频解码: 对y1A,y1B,y2A,y2B信号进行奇偶分解,奇偶分解后的偶数分量和奇数分量表达式为:
对奇偶分解后得到的接收信号分量进行合并运算,可以得到合并后的信号表达式为:
对合并后的信号进行最大似然( ML) 译码,即可得到用户A和用户B发送数据符号XA,XB奇偶分量的估计值。将奇偶分量估计值合并即可得到用户A和用户B发送数据符号的估计值
3 仿真结果与分析
在MATLAB中搭建系统仿真平台,对SFBC MI-MO-OFDM系统下SCD-MIMO算法的性能进行仿真分析。系统为2 × 2 MIMO-OFDM系统。信道编码选择1 /2 码率卷积码,调制方式选用QPSK调制。对调制后的符号先进行Alamouti空频编码( SFBC) ,再通过IFFT进行OFDM调制。每个OFDM符号子载波数目按照WLAN标准选择为64,循环前缀的长度设置为16。信道选择MATLAB提供的802. 11 多径信道。在接收端接收到的连续碰撞信号中,发送信号的相对采样时延取值如公式( 23) 所示:
其中,64 为二进制随机退避窗口大小,rand( n,m)返回(n,m) 范围内的随机整数。
对SFBC MIMO-OFDM系统在接收端不存在碰撞的情况下与存在碰撞利用SCD-MIMO算法进行碰撞恢复情况下误码率( BER) 随信噪比( SNR) 变化曲线进行了仿真,误码率曲线如图5 所示。
从图5 可以看出,在SFBC MIMO-OFDM系统中,SCD-MIMO算法在SNR = 12 的时候系统误码率可以达到10－4,因此SCD-MIMO算法能够较好的解决SFBC MIMO-OFDM系统的信号碰撞问题,具有较高的碰撞信号恢复性能。另一方面,与接收端信号不存在碰撞的情况下进行比较,为获得相同的误码率( BER) 性能SCD-MIMO碰撞恢复算法需要额外的6d B ~ 7d B信噪比( SNR) 。
4 结束语
本文提出了一种基于SFBC MIMO-OFDM系统的碰撞信号恢复算法( SCD-MIMO) 来解决基于SF-BC MIMO-OFDM的WLAN系统中的信号碰撞问题,该算法分三个步骤对碰撞信号进行恢复,分别为碰撞信号重构、接收信号求解和空频解码。仿真结果表明本文提出的算法能够有效解决SFBC MIMO-OFDM系统的信号碰撞问题。
摘要：为了提升无线传输速率,空频编码(SFBC)以及多输入多输出-正交频分复用(MIMO-OFDM)技术被引入到无线局域网(WLAN)标准中,而在无线局域网中,由隐藏终端导致的信号碰撞问题会极大影响WLAN系统的通信性能。针对上述问题,提出了一种基于SFBC MIMO-OFDM系统的碰撞信号恢复算法(SCD-MIMO),该算法通过碰撞信号重构、接收信号求解和空频解码三个步骤对碰撞信号进行恢复。从仿真结果可以看出在信噪比为12时系统误码率仅为10-4,证明文中提出的算法能够有效解决SFBC MIMO-OFDM系统的信号碰撞问题。
关键词：空频编码,MIMO-OFDM系统,碰撞恢复,隐藏终端
参考文献
[1]Sibille A,Oestegs C,Zanella A.MIMO From Theory to Implementation[M].Academic Press,2011.
[2]Jang J H,Won H C,Im G H.Cyclic prefixed single carrier transmission with SFBC over mobile wireless channels[J].Signal Processing Letters,IEEE,2006,13(5):261-264.
[3]Lu S,Narasimhan B,Al-Dhahir N.A novel SFBC-OFDM scheme for doubly selective channels[J].Vehicular Technology,IEEE Transactions on,2009,58(5):2573-2578.
[4]Ng P C,Liew S C,Sha K C,et al.Experimental study of hidden node problem in IEEE 802.11 wireless networks[J].Sigcomm Poster,2005:26.
[5]Katabi D,Gollakota S.Zig Zag Decoding:Combating Hidden Terminals In Wireless Networks[J].2008.
[6]Huang K,Andrews J G,Guo D,et al.Spatial interference cancellation for multiantenna mobile ad hoc networks[J].Information Theory,IEEE Transactions on,2012,58(3):1660-1676.
[7]Halperin D,Anderson T,Wetherall D.Taking the sting out of carrier sense:interference cancellation for wireless LANs[C]∥Proceedings of the 14th ACM international conference on Mobile computing and networking.ACM,2008:339-350.
[8]Sen S,Santhapuri N,Choudhury R R,et al.Successive interference cancellation:a back-of-the-envelope perspective[C]∥Proceedings of the 9th ACM SIGCOMM Workshop on Hot Topics in Networks.ACM,2010:17.
[9]Zhang S,Liew S C,Lam P P.Hot topic:physical-layer network coding[C]∥Proceedings of the 12th annual international conference on Mobile computing and networking.ACM,2006:358-365.
[10]Zhang S,Liew S C,Lu L.Physical layer network coding schemes over finite and infinite fields[C]∥Global Telecommunications Conference,2008.IEEE GLOBECOM 2008.IEEE.IEEE,2008:1-6.
[11]Katti S,Gollakota S,Katabi D.Embracing wireless interference:analog network coding[C]∥ACM SIGCOMM Computer Communication Review.ACM,2007,37(4):397-408.
电信号恢复 篇4
以某圆柱形金属橡胶试件产生剪弯变形为例。实验条件:电液式材料试验机,采样频率1000Hz,谐波激励,位移控制。
1 背景噪声分析
分析发现在固定谐波激励条件下,金属橡胶恢复力数据具有多种频率成分,频域较宽。抽象来看,金属橡胶的作用相当于一个变换因子,对激励进行变换后获得响应,而作为一种非线性[5,6]的弹性阻尼材料,金属橡胶的变换作用相比于线性材料具有很大的差异,常常难以直接界定。为了确定原始数据中较高的频率成分是否是金属橡胶实际恢复力的组成部分,分析和对比了背景噪声的频率组成,发现排除背景噪声的干扰后,金属橡胶恢复力中仍然存在较高频率的成分,这与一般线性材料具有明显不同。
图1是在实验室条件下,试验机开机无负载状态下的背景噪声时域和频域图,可以发现背景噪声是一种各态历经的平稳随机信号,频率成分主要集中在以351.6Hz为中心的狭窄频带内,其它频率成分基本可以看作是白噪声。
图2是金属橡胶恢复力原始数据时域和频域图(位移控制的谐波参数为振幅3mm,频率7Hz),恢复力的频率成分主要集中在21.48Hz以下,相当于3倍频(21.48约为7的3倍)以内,和文献[7]的分析结果一致。对比图1(b),发现恢复力原始数据受背景噪声干扰明显,尤其351.6Hz的噪声干扰十分显著,为了获得更加准确的金属橡胶恢复力信号,需要对原始信号进行滤波处理,根据大量实验证实,低通滤波上限频率选为180Hz比较合适。图1(b)说明在180Hz以下频段内的背景噪声功率谱幅值基本不超过50dB,但图2(b)说明金属橡胶恢复力在此频段内的功率谱幅值很多都超过50dB,所以可以认为此频段内的频率成分不是来源于外界干扰,而是金属橡胶微观作用机理产生的结果。
2 恢复力中的随机跃动分析
以振幅1mm、频率2Hz的谐波位移激励为例,图3为恢复力原始采样数据在进行180Hz的低通滤波后的图示,可以明显看出恢复力中含有周期性的成分和非周期的随机成分。
取多个周期的恢复力数据进行叠加分析(由经验可知,大于20周期进行叠加时,恢复力的周期性成分趋于稳定),获得一个周期内恢复力的均值数组(多个数组取均值后获得一个新的数组),这个数组可以认为是恢复力中的周期性成分。比较某一任意周期内的恢复力数组与恢复力周期性成分数组,对数组的每一个对应元素进行差值分析,获得一个偏差值的数组,即非周期的随机成分,本文称之为随机跃动,如图4所示,其时域幅值在10N以内,具有多种频率成分,具有随机性特征[8]。
为了说明随机跃动产生的机理,首先定义一个概念:金属丝触点力。金属橡胶试件是由金属丝通过交叉、勾连、堆叠等复杂且随机的形式构成的空间网状结构,试件在产生宏观形变时也同时在微观上产生了金属丝的塑性和弹性变形,其中塑性变形不会继续对外施加力的作用,而弹性变形则会通过接触点对周围金属丝产生力的作用。本文将相邻金属丝之间的微观挤压力、微观滑移摩擦力统称为金属丝触点力。金属橡胶毕竟不是一个一个离散的微观结构的简单堆叠,试件结构具有整体性,前边提到的金属丝触点力可以认为是“相邻区域力”,而由于每根金属丝的大尺寸结构特点产生的跨区域的力的作用则可认为是“跨区域力”,但“跨区域力”在进行力的传输时也要通过转化为金属丝触点力来实现。综上所述,金属橡胶的恢复力是大量微观的金属丝触点力的叠加合力。
文献[9]指出,干摩擦运动并非连续平稳的滑动,而是一物体相对于另一物体断续的滑动,称为跃动现象,当摩擦表面是弹性固体时,跃动现象更为显著。而且由于金属丝接触形式和相对运动特点等因素的影响,使金属丝触点力的大小和方向具有很大的随机性,并且处于一个动态的过程,上述原因直接造成了金属橡胶恢复力宏观上表现出随机跃动现象。但是由于触点的基数很大,这种随机跃动表现的并不十分明显,在宏观上金属橡胶试件的恢复力仍然表现出相对时间变化的时间稳定性,以及相对位移和速度变化的参数稳定性(恢复力与位移和速度存在对应关系)。
随机跃动不能被消除,属于金属橡胶材料固有的属性,在稳定状态下外界激励振幅和频率对它的影响可以忽略不计(在外界激励状态突然改变等非稳定的过渡状态,随机跃动现象加剧),可以通过减小螺旋卷直径与试件外观尺寸的比例等办法来间接提高试件均匀性,减小随机跃动最大幅值。
3 恢复力中的质量惯性力的影响分析
在低幅、频率略高的情况下,恢复力经常出现一种反常现象。如图5所示,在振幅1mm、频率16Hz谐波激励情况下,恢复力明显呈现出负刚度的特征[10],通过大量实验分析得知,其根本原因在于获取恢复力数据时,没有考虑上端运动夹具和试件的质量产生的惯性力的影响。
图6是实验时只对上端夹具和三分之一的试件质量(近似认为是弹性试件的当量质量,瑞利法[11]),进行振动实验(同样在振幅1mm、频率16Hz谐波激励情况下)获得的惯性力-位移的数据拟合滞回环,可以明显看出惯性力呈现出负刚度特性。理论上,惯性力-位移滞回环应该逼近两条重合线段构成的闭合曲线,对大量实验综合分析和理论分析后认为,实验与理论的偏差不会来源于运动副的摩擦力等外在干扰(位移控制的前提下,任何外在的干扰都会被位移控制系统通过反馈抵消掉,惯性力必然呈现直线段滞回环),唯一的可能只会是来源于材料试验机的传感器本身存在的非线性偏差或是信号传输过程中的非线性偏差。把惯性力的影响从原始数据中排除,对比恢复力、惯性力和去除惯性力影响的恢复力,如图7所示,可以发现惯性力的幅值甚至大于恢复力的采样数据幅值,这是产生恢复力负刚度现象的根本原因,去除惯性力影响的恢复力与位移的滞回环如图8所示,这是去除了背景噪声干扰和惯性力的干扰,真正反映金属橡胶弹性恢复力特征的滞回环,呈正刚度特性,符合对弹性元件性能特点的一贯认识。
所以在通过材料试验机获取试件恢复力数据时,必须对恢复力原始数据进行去除惯性力的处理,才能保证更接近实际情况。实验和理论分析都表明,小振幅、低频率时由于加速度较小,惯性力影响表现不明显,在只进行恢复力定性分析时可不予考虑。
4 恢复力的循环硬化和循环软化分析
在采集金属橡胶恢复力数据时,常常会发现在谐波激励不变的情况下,恢复力的幅值在短时间内会有很大变化,经过分析发现,在施加750固定谐波位移激励后,金属橡胶的恢复力幅值不是恒定不变的,会随时间而呈现出循环硬化的现象[12]。
以某试件受到振幅2mm、频率5Hz的谐波激励为例,图9是金属橡胶试件恢复力幅值的时域图示,可以看出在试件循环变形开始阶段,其恢复力幅值不断增大,增大到一定程度后会基本保持在一个稳定的水平上,在长时间变形后,由于材料的疲劳损伤不断累积,恢复力开始持续下降。但是如果变形幅值过大,则恢复力呈现先循环硬化、后循环软化的现象,如图10所示。而且稳定阶段的持续时间相对较短,疲劳损伤剧烈,试件很快失效报废,所以应该避免振幅过大的情况发生。
在进行金属橡胶恢复力数据采集和分析时,必须充分考虑试件循环变形时间的影响,最好选择恢复力稳定阶段进行采集。
5 结论
着眼于金属橡胶恢复力信号预处理中传统方法难以解释的问题,通过对实验现象的深入研究,找出了金属橡胶恢复力采集数据内通常被忽略的部分干扰因素,结合金属橡胶的作用机理分析了产生原因,提出了改善恢复力数据采集和测试精度的新方法。关于背景噪声、随机跃动、惯性力效应、金属橡胶循环硬化的分析和研究,加深了对金属橡胶材料的认识,提高了恢复力的测试采集精度,为进一步的理论研究夯实了基础。
参考文献
[1]MENQ C H,et al.The Influence of a Microslip on Vibratory Response.Part I:A New Microslip Model and Part II:A Comparison with Experimental Results[J].Journal of Sound and Vibration,1986,107(2):279-307.
[2]姜洪源,郝德刚,敖宏瑞.环形金属橡胶隔振器系统建模与实试验究[J].湖南科技大学学报(自然科学版),2005(1):13-1.
[3]FERRI A A.Friction Damping and Isolation Systems,ASME[J].Journal of Vibration and Acoustics,1995,117(6):196-206.
[4]李冬伟,白鸿柏,杨建春,等.金属橡胶动力学建模及参数识别[J].振动与冲击,2005,24(6):57-60.
[5]闻邦椿,李以农,徐培民,韩清凯.工程非线性振动[M].北京:科学出版社,2007.
[6]HILBORN R C.Choas and Nonlinear Dynamics:An Introduction for Scientists and Engineers[M].Oxford University Press,2000.
[7]白鸿柏,黄协清.含有三次非线性的粘性阻尼双线性滞迟隔振系统[J].振动与冲击,1998,17(1):5-8.
[8]方同.工程随机振动[M].北京:国防工业出版社,1995.
[9]温诗铸,黄平.摩擦学原理[M].北京:清华大学出版社,2008:225.
[10]DAVID L.platus,Minus K Technology,Inc.Negative-Stiffness-Mechanism Vibration Isolation Systems[C]//SPIE Vol.3786,Denver,Colorado,1999.
[11]张义民.机械振动[M].北京:清华大学出版社,2007:16-17.
电信号恢复 篇5
关键词：脑梗死,电针,神经功能,维甲酸,大鼠
缺血性脑损伤时, 产生兴奋毒性, 引发脑损伤级联反应, 导致神经元细胞损伤甚至死亡[1]。治疗的关键在于挽救缺血半暗带濒临死亡的神经元和促进损伤后神经功能的恢复[2]。重组组织型纤溶酶原激活剂 (rt-PA) 是唯一经循证医学证实能有效治疗急性缺血性脑卒中的药物。rt-PA治疗可发生严重的致命性颅内出血的并发症, 限制了rt-PA的应用[3]。
近年来研究证实[4], 人及动物成年脑内有多处部位存在着自我更新和分化潜能的静息态神经干细胞 (NSC) , 可参与修复缺损的神经功能。在成年啮齿类动物和成人脑中有3个NSC群[2], 1个是位于脑室区和脑室下区 (ventricular zone and subventricular zone, VZ and SVZ) , 另1个在连接侧脑室和嗅球的区域 (在成人尚未证实) , 第3个是在海马齿状回 (dentate gyrus, DG) 。NSC的增殖分化受多种生长因子和细胞信使分子的调控[5]。维甲酸是影响细胞增殖分化的信号之一, 在脊椎动物中枢神经系统的正常发育中起关键作用[6]。研究表明RA能够激发脑室区、脑室下区和海马齿状回的神经再生, 显著提高多种干细胞分化为神经元[7,8,9,10]。利用维甲酸处理短尾猴胚胎干细胞成功地获得运动神经元 (表达NFM和IsletⅠ+) 后植入偏瘫模型小鼠, 小鼠的运动功能明显改善[11]。
针灸治疗缺血性脑卒中临床疗效确切, 电针足三里、曲池亦可刺激脑室区、脑室下区和海马齿状回的神经增殖、分化, 促进脑缺血恢复期神经功能的恢复[12,13,14,15,16]。开展此项研究, 以期为针灸的临床应用提供理论依据和实验基础。
1 材料与方法
1.1 试剂与仪器
1.1.1 试剂
Raldh1、Raldh2和β-actin引物 (上海生工生物工程有限公司) , BCA蛋白定量试剂盒、SDS-PAGE凝胶配制试剂盒、超敏ECL化学发光试剂盒 (北京碧云天生物技术研究所) , Prestained Protein marker (立陶宛MBI公司) , PVDF膜 (美国Millipore公司) , 羊抗Raldh1、羊抗Raldh2 (美国Santa Cruz Biotechnoligy公司) , 鼠抗β-actin、HRP标记抗小鼠二抗 (北京中杉金桥生物技术有限公司) 。
1.1.2 仪器
Homecage仪器 (美国clever system公司制造) , 全自动酶标仪 (BioTek) , PE-9600 PCR仪 (PE公司, 美国) , Nicon ECLIPSETE2000-U倒置生物显微镜, Cool4500数码相机, 电泳仪、微型凝胶电泳装置、凝胶成像系统、半干电转移槽、化学发光成像仪 (美国Bio-Rad公司) 等。
1.2 实验动物与分组
清洁级健康雄性SD大鼠, 体重250g±30g, 由上海斯莱克实验动物有限责任公司提供, 合格证号:2007000509570。大鼠144只, 随机分为假手术组、模型组、针刺组, 各48只。
1.3 实验方法
1.3.1 模型制备
参照Zea-Longa线拴法[17]复制大脑中动脉缺血模型。颈部正中切口, 钝性分离左侧颈总动脉 (CCA) 、颈外动脉 (ECA) 和颈内动脉 (ICA) 。
1.3.2 模型筛选
参照Longa和Bederon的5分制评分方法[17,18]评分。1分~3分入选。
1.3.3 实验动物处理
假手术组:仅分离CCA、ECA及ICA, 不结扎、插线。模型组:于缺血再灌后1d、7d、14d、28d各取6只, 先进行Homecage Scan行为学检测, 之后取梗死侧脑组织用于Western blot检测, 另取6只梗死侧脑组织用于PCR检测。针刺组:穴位取患侧曲池、足三里 (大鼠穴位定位参考《实验针灸学》[19]) 。应用华佗牌SDZ-Ⅱ型电针治疗仪, 电压峰值为6V, 以肢体轻轻抖动为度, 疏密波, 频率 (4~20) Hz, 每次电针20min, 1次/日。于缺血再灌1d、7d、14d、28d各取6只, 先进行Homecage Scan行为学检测, 之后取梗死侧脑组织用于Western blot检测;另取6只梗死侧脑组织用于PCR检测。
1.3.4 观察指标
Homecage Scan行为学检测:在术后1d、7d、14d、28d, 将各组大鼠放入Home cage仪器中进行观测24h。每一段影像由HomecageScan软件来分析, 选取行走、进食、后肢站立、舔毛四个行为进行分析。蛋白免疫印迹法 (Western blot) :按BCA蛋白定量试剂盒说明制作标准曲线并测定蛋白含量, 计算出灰度值。RT-PCR检测:利用RT-PCR两步法试剂盒 (TaKaRa公司) 说明将mRNA逆转录成cDNA。
1.4 统计学处理
使用SPSS13.0处理, 计量资料以均数±标准差 (±s) 表示, 多组计量资料采用单因素方差分析 (One-way ANOVA) , 方差齐者用LSD法, 方差不齐则用Tamhane’s T2法。
2 结果
2.1 大鼠神经功能评定结果
假手术组大鼠各项Homecage Scan行为学检测均正常;造模各组大鼠均出现明显的瘫痪, 且随时间的推移逐渐恢复, 具体表现为花费在行走、后肢站立、舔毛三种行为的时间逐渐增加, 而耗费在进食上的时间却减少;针刺组在术后7d、14d各项行为学评定与模型组比较有统计学意义 (P<0.05) 。详见图1。
2.2 Raldh1mRNA、Raldh2mRNA表达及电针对其表达的影响
模型组及针刺组Raldh1mRNA、Raldh2 mRNA的表达在术后第7天升高, 第14天达到高峰, 之后表达减少, 至第28天趋于正常。针刺组、模型组第7天、第14天Raldh1mRNA、Raldh2mRNA的表达同假手术组比较有统计学意义 (P<0.05) , 针刺组7d、14d的Raldh1mRNA、Raldh2mRNA的表达同模型组比较有统计学意义 (P<0.05) 。详见图2。
注:与模型组比较, *P<0.05。
2.3 Raldh1、Raldh2蛋白的表达及电针对其表达的影响
Raldh1蛋白为一个55KD的条带, Raldh2蛋白为一个55KD的双条带。研究发现, Raldh1、Raldh2蛋白的表达模式与各自mRNA的表达模式相一致, 模型组、针刺组第7天、第14天Raldh1、Raldh2蛋白的表达同假手术组比较有统计学意义 (P<0.05) 。详见图3。
注:与模型组比较, *P<0.05。
3 讨论
脑缺血损伤能激活脑内“静息”的NSC, 并促进其增殖、迁移和分化, 分化的神经元能部分地替代和修复损伤的神经元, 从而在一定程度上改善缺损的神经功能[4]。
维生素A及其有生物活性的衍生物, 特别是维甲酸, 在脊椎动物发育、细胞分化和维持体内平衡中发挥广泛的效应[20]。体内类维生素A代谢后可产生RA, RA进入细胞后, 首先与细胞质中维甲酸结合蛋白形成复合物, 该复合物进入核内与受体结合, 调控一系列基因的表达, 诱导海马及脑室下区等部位的NSC增殖、分化为神经元[6,7,8,9,10]。RA的生物效应主要是由维甲酸受体 (RARs和RXRs) 介导, 通过与RARs和RXRs作用, RA上调了转录因子NeuroD, 使P21表达增加, 同时增加了酪氨酸激酶 (tyrosine kinase, Trk) 受体TrkA、TrkB、TrkC和P75神经营养因子受体的表达, 使NSC向神经元分化[21]。RA还同其他核受体发生作用, 通过与甲状腺素受体、维生素D3受体结合, 激活1, 25 (OH) 2D3及甲状腺激素的释放, 起到神经保护作用[22,23]。此外, RA能够诱导中期因子的表达, 对缺血性脑损伤起到保护作用[24]。
维生素A要通过两次氧化才能转变为RA, 首先氧化为视黄醛, 然后经视黄醛氧化脱氢酶 (Raldhs) 催化形成RA。Raldhs有三种:Raldh1, Raldh2和Raldh3。Raldh3仅在眼睛、面部及腹侧视网膜和端脑神经节隆起有表达, 胚胎发育成熟后, 这种酶在肝脏及皮肤也可被检测到, Raldh1主要存在于背侧视网膜、腹侧中脑及中脑到纹状体的投射纤维, 而Raldh2主要存在于脑膜中[25]。
本实验发现, 模型组及针刺组Raldh1、2各亚型蛋白及mRNA的表达在术后第7天升高, 第14天达到高峰, 至第28天趋于正常, 针刺组第7、1 4天的Raldh 1、2各亚型蛋白及mRNA的表达同模型组比较有统计学意义, 电针可调控Raldh1、2各亚型蛋白及mRNA的表达。
为了定量分析神经功能缺损, 将缺血性脑卒中大鼠置于HomecageScan系统测试笼中。国外已将该测试系统运用到Huntington病、Prion病和脑出血大鼠模型中[26,27], 相比传统的行为学检测而言, Homecage Scan系统检测具有以下的优势[28,29,30]。首先, 节约了大量的人力。其次, 能够全天候地观测大鼠的行为活动。第三, 能够实时反映出动物的行为动作, 避免了传统的评测方法中试验人员的人为干扰因素, 以及对实验动物的抓取和环境改变等因素对治疗效果的影响。
Homecage Scan行为学检测的数据显示, MCAO术后, 大鼠舔毛、行走、后肢站立这三种行为所耗费的时间呈现递增的趋势, 进食方面花费的时间在第7天突然出现增长, 而后逐渐递减。查看相关录像资料后发现:MCAO术后第1天, 处于创伤期的大鼠很少有进食行为;此后数天, 偏瘫大鼠在进食时需要耗费比平时多数倍的时间才能抓取到食物, 在第28天, 针刺组、模型组与假手术组的各项实验结果无明显差异, 造成这一结果的原因可能与脑损伤后大鼠的自我修复有关, 自我修复主要通过脑水肿的减轻, 发芽, 突触调整, 远隔功能抑制等机制实现[31]。本研究选用鼠龄 (8~12) 周SD大鼠作为MCAO模型, 这与缺血性脑卒中患者多为中老年人的事实不符, 有可能影响到实验结果的准确性。尽管如此, 研究结果显示:针刺组在术后7d、14d各项行为学评分与模型组比较有统计学意义, 这种神经功能方面的改善与Raldh1、2各亚型蛋白及mRNA的表达上调是一致的, 间接地说明了通过调控RA蛋白及其mRNA的表达, 电针可以改善脑梗死大鼠的神经功能表现。
电信号恢复 篇6
关键词：基于奇异值分解的聚类分析,最小相关准则,波形恢复,独立分量分析,小波包分解
0 引言
许多应用领域中, 如声源识别、 声学故障诊断等都面临着多个混叠声源的分离与波形恢复问
题[1,2,3]。只有使用合适的方法分离并恢复有用的声源信号波形, 才能正确识别与评价主噪声源;在声学故障诊断中, 多通道声观测的冗余特性及外来干扰噪声往往影响后续的特征提取工作, 使得故障诊断变得困难, 因此有必要采取适当的方法加以解决。
传统的源波形恢复方法, 往往过分依赖于源信号类型相关的详细知识或信号传输系统特性的精确辨识, 实用性较差[3,4]。近年来出现的独立分量分析 (independent component analysis, ICA) 方法, 为此问题的解决提供了一个新的手段[5]。统计意义上, ICA相当于一种冗余取消技术, 其典型应用为盲源分离 (blind source separation, BSS) 。利用ICA (BSS) , 仅从传感观测出发即可实现传输系统特性的辨识与源波形的估计, 显然这是一种‘盲’的信号处理方法, 也是ICA (BSS) 的优势所在。但是, 实际的声学环境中通常存在着强烈的干扰噪声, 这使得仅仅利用ICA (BSS) 进行混叠声源分离还难以获得满意的波形恢复效果, 从而限制了这种方法的进一步应用。
通过联合应用基于独立分量分析 (ICA) 的盲源分离 (BSS) 与基于小波包分解 (wavelet packet decomposition, WPD) 的信号去噪, 提出一种混叠声源信号分离与波形恢复的新方法。仿真与现实声源波形恢复实验的结果证明了该方法的有效性。
1 FastICA基盲源分离
某些情况下, 多个声源混合过程可建模为如下的线性瞬时混叠模型[2]:
x (t) =As (t) +n (t) (1)
式中, x (t) 为M维传感观测向量;s (t) 为未知的N维源向量, 通常M>N;A为一个未知的M×N混合矩阵;n (t) 为外加噪声向量。
FastICA[6]是一种基于固定点迭代的快速独立分量分析算法。算法实施中, 采用如下的最大熵原理来近似负熵:
J (yi) ≈c[E{G (yi) }-E{G (v) }]2 (2)
式中, G (·) 为任意非二次函数;c为常数;v为一个标准化的 (即零均值单位方差) 高斯变量;yi为假设的零均值单位方差随机变量。
算法通过如下参照的最大化寻找一个独立分量或投影追求方向yi=wTx, 从而实现估计源互信息的最小化:
JG (w) ≈[E{G (yi) }-E{G (v) }]2 (3)
这里分离矩阵w为M维 (权) 向量, 并且满足约束条件E{ (yi) 2}=1。从而, ICA模型的估计可归结为如下的优化问题:
Argmax
满足E{ (wTkx) (wTjx) }=δj k (4)
当优化问题收敛时, 每个wi (i=1, 2, …, N) 给出w的一个行向量, 从而由s=wx给出ICA问题的解。
2 ICA-WPD基混叠声源波形恢复
2.1 WPD基信号去噪
小波变换 (WT) 与小波包分解 (WPD) 已在信号压缩与去噪、时频特征分析、状态监测等方面得到广泛应用[7,8]。对于任意信号x (t) 关于时间τ、尺度a的连续小波变换为
式中, ψ为一个基本小波或母小波。
WT的实质是以小波基函数的形式将信号x (t) 分解为不同频带的子信号。
小波包分解可视作小波变换在多分辩分析意义上的进一步推广, 它同时对信号的低频、高频部分进行多层次划分, 实现更加精细的分析。利用WPD, 信号x (t) 可正交展开成如下形式:
式中, j为尺度参数;k为时间或位置参数;n为振荡参数, n∈N;un (·) 为小波包基函数。
其中, ckn, j=2k/2∫kx (t) un (2kt-j) dt, 并且有Ik, n={2kn, 2kn+1, …, 2k (n+1) -1}。按Ik, n的形式将N分解成两两不相交的形式, 任意分解记为P, 则{2k/2un (2kt-j) : (k, n) ∈P, j∈Z}构成了Hilbert空间的一个标准正交基, 系数c
基于WPD的信号去噪主要由小波包树分解、最优树计算、小波分解系数的量化以及小波包重构等步骤组成。其中最关键的是如何选取合适的量化阈值, 它直接关系到信号去噪的质量。阈值选择的方法有很多, 实用中应根据不同的应用对象与目标加以合理选择。
2.2 混叠声源的波形恢复
基于ICA-WPD的混叠声源信号分离与波形恢复的处理过程由三个主要环节构成:①基于源数估计的原始观测维数削减;②基于ICA的独立源分量抽取;③WPD基信号去噪及估计结果后处理。
在实际的声信号检测中, 传声器往往冗余设置, 即其数目大于声源个数 (M>N) 。就源波形恢复而言, 这种观测维数的冗余是不利的。对此, 可使用奇异值分解 (Singular Value Decomposition, SVD) 或改进的SVD-Clustering分析方法[8]估计系统中未知的独立源数, 并基于MCC准则削减原始观测的维数, 形成新观测向量
MCC基原始观测维数的削减需要遵循一定的原则。设独立源数的估计为N。由M维原始观测向量x (t) 可得到如下的M×M相关矩阵:
在矩阵Cx中, 第i行第j列元素Cxi, xj的大小体现了两个观测分量xi与xj之间的相关程度, 且有-1≤Cxi, xj≤1, i, j=1, 2, …, M。考虑两个不同观测分量组合 (xi, xj) 与 (xi, xk) , 如果满足关系式|Cxi, xj|>|Cxi, xk|, 说明分量xj与xi之间的相关性更强。反过来, 也可以认为组合 (xi, xj) 中包含的信息量少于组合 (xi, xk) 。
进行有效的源分离与波形恢复, 要求观测信号中包含尽可能多的源信息。因此, 选择原始观测x (t) 的N个分量构成新的观测
(7)
m, n=1, 2, …, N, 且m<n;j=1, 2, …, C
式中, STD (·) 为求标准差运算。
为了评价源信号分离的整体效果, 提出如下的整体二次残差 (TVQM) 指标:
式中, sj为源信号向量s中第j个源分量;
3 实验研究
3.1 仿真混叠源信号的波形恢复
仿真源信号模型如下:
其中, f1=250Hz, f2=10Hz, f3=500Hz, f4=100Hz。根据瞬时混叠模型式 (1) , 任选混合矩阵A与仿真源向量s (t) = (s1, s2, s3) T, 混合成一个五通道的虚拟加噪观测x (t) = (x1, x2, x3, x4, x5) T。其中, 外加噪声为n=Γ1R, R为任选的高斯白噪声向量, 加噪因子取为Γ1=0.3。采样频率设置为Fs=2kHz。为了表达清楚起见, 仿真实验中使用了短数据样本, 即采样长度T=512的样本点。
由于矩阵A的混合作用, 使得不同源频率成分同时出现在每一个观测分量中。此外, 外加噪声也严重干扰了传感观测波形。这些都给后续的进一步应用增加了难度, 有必要加以解决。
首先对原始观测信号x执行SVD, 获得的奇异值估计集合为SVs={37.0193, 18.7617, 16.6793, 6.9690, 6.5774}。应用SVD-Clustering分析[8], 可得正确的独立源数估计为NIS=3。进一步地, 对x执行相关分析, 可得相关矩阵Cx。经计算, Cx的总平均绝对相关值为0.4635。据此, 选取±0.4为相关度评价的上下界, 观测分量xi与xj (i, j=1, 2, …, 5, 且i<j) 间的相关度分布如图1所示。
图1中, Cx1～Cx4分别为矩阵Cx的四个互不重复的相关行向量。依据前述的MCC基观测维数削减原则, 应优先选择图1中位于上下相关界之间的相关元素所对应的观测分量。综合考虑,
接下来, 分别实验对比了经过原始观测维数削减后应用FastICA抽取的独立源分量波形和未经过观测维数削减情况下应用FastICA抽取的源分量波形, 结果发现:应用FastICA算法可以获得更加明确的独立源抽取结果, 而且, 干扰噪声也得到了某种程度的抑制。例如对源分量s2的抽取, 经过观测维数削减后所抽取的独立分量y3的二次残差VQM为-20.8140dB, 而未经过观测维数削减所抽取的三个独立分量y3、y4和y5的VQM仅分别为-17.0405dB、-18.1038dB和-16.1909dB, 获得了改进的源分离效果。但上述源分离改进对于准确恢复源波形而言是不够的。
进一步地, 对初步抽取的独立源分量y1～y3进行了WPD基去噪处理, 去噪参数设置详见Matlab2007a软件帮助。各抽取源y1、y2和y3去噪前的二次残差VQM依次为-6.9362dB、-8.9014dB和-20.8140dB, 整体二次残差TVQM为-12.2172dB。经过WT和WPD消噪处理后, 各估计源的VQM分别达到-10.1318dB、-26.8805dB和-32.5762dB, TVQM达到了-23.1962dB, 获得了相当明显的改进源波形恢复效果。
3.2 实际混叠声源信号的波形恢复
利用计算机自带声卡的数/模 (D/A) 转换功能, 在Matlab2007a环境下产生两个参考声源文件s1.wav和s2.wav。其中, 源s1是一个典型的幅值调制信号, 具有490Hz与510Hz两个对称边带, 对称中心为500Hz。源s2是一个频率为1350Hz的正弦信号。
数据测试工作选择在一个安静的开放空间中进行。两只扬声器分别播放参考声源文件s1.wav和s2.wav。三个传声器组成等距 (间隔为0.04m) 线阵, 接收扬声器辐射出的声信号, 经过信号预处理后由模数转换器 (ADC) 以并行的方式采样并存储于计算机中。采样频率Fs=100kHz。实验测试系统框图如图2所示。
图3所示为实测的三通道混叠声观测信号x的时域波形与FFT幅值谱。
图3中标注出了各观测分量的三个主特征谱峰, 即476Hz (□) 、805或799Hz (○) 和1373 Hz (△) 。可以看到:不仅FFT谱分析中信号出现了严重的能量泄漏, 而且参考声源的频率 (490～500～510Hz及1350Hz) 在其混合观测中也发生了显著畸变, 特别是805 (799) Hz频率成分的意外出现。这可能是由于扬声器复杂的非线性振声模态、测试空间的散射、混响与滤波等效应所导致。尽管测量失真已扭曲了真实的源信息, 但仍可利用所测数据对本文建议的源波形恢复方法进行验证。首先, 对混合声观测x执行SVD分析, 奇异值估计为SVs={135.0477, 107.8933, 28.9507}, 进一步的源数估计结果为NIS=2。对x执行相关分析, 获得的相关矩阵Cx为
显然, 分量x1与x3之间具有最小的绝对相关度 (-0.1514) , 而分量x1与x2之间的绝对相关度则最大 (-0.7105) 。
原始声观测x经过MCC基维数削减后, 应用FastICA算法抽取独立源分量, 并基于WPD进行信号消噪处理及去均值、归一化等后处理, 完成混叠声源信号的分离与波形恢复。
图4、图5所示为各处理阶段所产生信号的特征谱峰。
表1所示为各处理阶段所产生信号的特征谱峰 (476、805与1373Hz, 个别情况例外) 数据, 其中对应于参考源信号的突出特征谱峰值用加粗的数字表示。
图4a、图4b中给出的参考源信号及其特征谱峰分别为Ref1 (500Hz) 和Ref2 (1350Hz) ;x1、x2和x3对应三个原始混合声观测分量, 其特征谱峰为476、805 (或799) 和1373Hz, 表达于图4c、图4e和图4g中;y1、y2和y3对应于用FastICA直接抽取的三个独立源分量, 其特征谱峰为476、805 (或793) 和1373 (或1330) Hz, 表达于图4d、图4f和图4h中。可以看到:原始混合声观测x= (x1, x2, x3) 中, 源信息被强烈混叠 (例如在观测分量x2和x3中) , 并且发生了严重的能量泄漏与特征频率畸变。直接应用FastICA算法进行独立源分量的抽取, 混叠源信号得到某种程度的分离 (见y1和y3, 对应第二个参照源Ref2) , 但源信息混叠依然严重 (见y2) 。
在图5中, y1 (y2) —x1, x2) 、y1 (y2) — (x1, x3) 、y1 (y2) — (x2, x3) 表示不同削减观测维组合下FastICA所抽取的独立源分量;y1 (y2) — (x1, x2) w、y1 (y2) —x1, x3) w、y1 (y2) — (x2, x3) w表示经过进一步消噪处理后, 最终获得的对应估计源信号的特征谱峰。对比分析各处理阶段所产生的信号特征谱峰, 可以看到:FastICA基源分离与WPD基信号去噪的联合应用, 有针对性地突出了参考源Ref1和Ref2的特征谱峰, 获得了明显改进的源信号分离与波形恢复效果 (图5与图4对比) 。当然, 采用不同的削减观测维组合, 所获得的源波形恢复效果也有所差别。对比图5c、图5d, 图5e、图5f,
图5a、图5b, 我们发现:无论是否进行信号消噪处理, 削减观测维组合 (x1, x3) 和 (x2, x3) 所给出的源波形恢复效果都要好于组合 (x1, x2) 。由原始声观测的相关分析可知, 观测分量x1与x3之间具有最小的绝对相关度 (-0.1514) , x2与x3次之 (0.4563) , 而x1与x2之间则最大 (-0.7105) , 此实验结果并不令人意外, 它证明了MCC基观测维数削减原则的正确性。
4 结语
在对原始观测进行正确的维数削减的基础上, 我们联合应用ICA基源分离与WPD基信号去噪实现多个混叠声源信号的分离与波形恢复。实验结果表明:与单纯的ICA基盲源分离相比, 所提出的ICA-WPD方法能更加有效地分离多个混叠声源信号, 并正确恢复其波形, 从而为后续的进一步应用 (如声源识别、声学故障诊断等) 奠定基础。特别值得一提的是, 即使在强噪声干扰下, 该方法也能有效地恢复隐藏于多通道传感观测中的源信息, 这暗示了它的潜在应用价值。
许多实际应用场合中, 声信号的传播往往难以避免散射、混响与结构滤波等效应的影响, 此时用卷积混叠模型来描述其混合过程可能更加贴近现实。相应地, 需要采用不同的分析处理方法, 实现混叠声源信号的分离与波形恢复, 这有待于后续的进一步研究。
参考文献
[1]郑珍珍, 冯华君, 沈常宇, 等.基于坐标系变换的三维声源定位算法[J].浙江大学学报 (工学版) , 2008, 42 (2) :341-343.
[2]Ypma A, Leshem A, Duin R P W.Blind Separation of Rotating Machine Sources:Bilinear forms and Convolutive Mixtures[J].Neurocomputing, 2002, 49:349-368.
[3]焦卫东.基于独立分量分析的旋转机械故障诊断方法研究[D].杭州:浙江大学, 2003.
[4]Lyon R H.Machinery Noise and Diagnostics[M].Boston:Butterworths, 1987.
[5]钱苏翔, 焦卫东, 杨世锡.基于独立分量分析的传感观测信息融合压缩方法及其在故障诊断中的应用[J].中国电机工程学报, 2006, 26 (5) :137-142.
[6]Hyvarinen A, Oja E A.Fast Fixed-point Algorithm for Independent Component Analysis[J].Neural Computation, 2000, 9 (7) :1483-1492.
[7]钱世锷.时频变换与小波变换导论[M].北京:机械工业出版社, 2005.
【电信号恢复】推荐阅读：
表面肌电信号05-31
电信渠道拓展方案-电信拓展方案07-13
表面肌电信号分解09-08
随机共振信号恢复研究09-02
电信计划07-14
电信(外包)07-17
电信客户05-16
电信信息06-29
广州电信08-02
电信重组08-12