互相关检测范文

互相关检测范文（精选7篇）

互相关检测 第1篇

相关技术是以信息论和随机过程理论为基础的一门边缘科学。它在力学、声学、电子学、地震学等领域内应用广泛。本文就相关技术应用于速度测量中计算量大的问题, 对以往的算法进行改进, 给出了一种方便、快速的算法, 有效地提高了测量速度。

1 互相关算法进行速度测量的基本原理

1.1 互相关函数的定义

两个信号的互相关函数定义为

$R{}_{xy}(m)={\displaystyle \sum _{n=-\infty }^{\infty }x}(n)y(n+m)(1)$

如果x (n) 和y (n) 均是长度为N的序列, 它们的互相关函数可以写成:

$R{}_{xy}(m)=\frac{1}{{\rm N}}{\displaystyle \sum _{k=0}^{{\rm N}-1}x}(k)y(k+m)(2)$

在离散系统中相关运算可以用矩阵变换来求。

设两序列的x (n) 与y (n) 的DFT (离散傅里叶变换) 分别是:

$X(k)={\displaystyle \sum _{n=0}^{{\rm N}-1}x}(n)W{}_{{\rm N}}^{kn}(3)$

$Y(k)={\displaystyle \sum _{n=0}^{{\rm N}-1}y}(n)W{}_{{\rm N}}^{kn},k=0,1,2\cdots ,{\rm N}-1$

其中, $W{}_{{\rm N}}^{kn}=e{}^{-j\frac{2\text{π}}{{\rm N}}}$。

则互相关函数Rxy (m) 的DFT是:

Rxy (k) =X (k) *Y (k) (4)

这个结果称为离散相关定理。Rxy (m) 的频谱只有当X (k) *和Y (k) 不为零时才不为零, 这就说明互相关函数只包含两个信号所共有的频率成分。

相关函数用来研究两个序列的相似性。通常在实际应用中这两个信号往往是由同一原因产生的, 由于接收点的距离不同, 信号在x (n) 与y (n) 序列中出现的时间也不是相同的, 因此可利用两个序列的线性相关性来找出信号的延迟时间。

1.2 利用互相关函数测量速度的基本原理

互相关函数的最直接意义是在传播问题中的应用, 它可以用于距离、交通流量、音乐厅的音响效果等等。

如式 (1) 所示, 互相关函数表示相似性随两序列时间差m的函数。当m∞序列之间便失去了相关性。即Rxy (m) =0。对于自相关函数 (Rxx (m) ) 来讲当m=0时取得最大值, 而对于互相关函数则m=t0即两个信号的延迟时间时取得峰值。如图1所示, 信号x, y在t=0时刻以相同频率同时开始采样, 各采集128个点。y信号延迟于x信号20个时间单位, 并参杂高斯白噪声信号。Rxx是x信号的自相关函数图, Rxy是x与y的互相关函数, 在0.156处取得峰值 (图中横坐标进行归一化后的结果:20/128=0.156) 。

如果x, y是来自被测对象的通路上距离为d的两个传感器采集到的信号, 由相关运算得到这两个采样信号的时间延迟为t0, 则被测对象的移动速度为

$v=\frac{d}{t{}_0}(5)$

2 快速互相关算法的实现

设:

Tk, k+m=x (k) y (k+m) (6)

带入公式 (3) 得:

$R{}_{xy}(m)=\frac{1}{{\rm N}}{\displaystyle \sum _{n=0}^{{\rm N}-1}{\rm T}}{}_{k,k+m}(7)$

求M+1个互相关函数值时, m=0, 1, 2, M, 各相关值如表1所示。

如果要M+1个值有相同的精确度, 则要求x信号采集N个点, y信号采集M+N-1个点。这样每计算一个相关值则需要进行N次乘法运算, 运算量很大。

3 实时互相关算法的实现

互相关函数计算过程中计算量比较大, 而由于数字技术的运算速度有一定限制, 对于高频信号不宜采用直接运算的方法。在这种情况下一般采用单极量化或极性相关份额方法, 或在此基础上而演变的其他算法, 但这些算法受随机误差和噪声影响较大。本文将从降低计算和搜索次数方面来提高互相关运算的速度。

3.1 串并行方法改变互相关计算顺序

由公式 (1) 所示, 逐个计算相关函数值是按照如表1逐行进行, 求一个互相关函数值如Rxy (0) , 要准备好x (0) , x (N-1) 及y (0) , y (N-1) 这些采样点。每行运算出来一个相关值结果。而现根据表1的特点采用串并行算法, 按表1的列方向计算, 过程如图2所示。

Mx和My是为信号x, y的采样开辟的存储空间 (分别为N个和M个存储单元) ;Mxy是存放相关函数结果的存储空间 (M+1个单元) , 运算开始前将采样的预先存储在Mx和My中, 如图2所示。第一次运算将Mx (0) 分别与My (0) , My (1) , My (M-1) 相乘结果分别存在Mxy (0) , Mxy (1) , Mxy (M+1) 中 (即表1中第0列值) ;第二次运算开始时, My逐项前移, 空位My (M-1) 由采集下一个点的y信号y (M) 补上, 将Mx (1) 分别与My (0) , My (1) , My (M-1) 相乘, 结果 (表1中第1列值) 逐项与Mxy (0) , Mxy (1) , Mxy (M+1) 中的值相加并保存在Mxy中。依次类推, 计算到表1的第N-1列后, 互相关函数值Rxy (0) , Rxy (M) 同时得到。

该种算法若未完成第N-1列运算, 也不影响最后峰值搜索, 如公式 (7) 所示, 只是减少了求和符号的上限而已。

3.2 “二次搜索法”降低相关计算的点数

用函数相关法测量速度的通常要求计算结果的实时性, 为达到此目的可以通过进行“二次搜索法”将粗略搜索和精确搜索相结合, 以降低相关计算点的个数。

第一次相关运算进行粗略的峰值时间搜索, 此次采用较大的采样周期, 如根据实际情况设定4倍、8倍的采样间隔△ (由奈奎斯特采样定律决定) 。两路信号同时进行采样, 估计出信号的延迟时间TD1。

第二次进行精确搜索, 降低采样的持续时间以减少采样点数, 采样间隔为△。假设x, y信号为上、下游传感器采集的信号, 则第二次采集时间分别是:T0～ (T1-TD1) 和 (T0-TD1) ～T1。此时计算出来的延迟时间为TD2。两次搜索后实际的延迟时间TD= TD1+ TD2。

仿真图如图3所示, x, y为512点离散信号, 分别参杂强度为8dB和7dB的高斯白噪声, 设定y信号延迟于x信号400个时间单位。Rxy为未进行改进的互相关函数图, Rxy1为第一次粗略搜索 (间隔4个时间单位) 时的互相关函数图, Rxy2是第二次精确搜索 (间隔1个时间单位) 的互相关函数图, 经过两次搜索后共计算349个互相关函数值。

在以上条件下采用此种方法计算量与延时 (采用时间单元为单位) 情况对照表如表2所示。

由此可见, 若信号相对时间延迟较长, 此方法对计算量降低效果较明显。在应用中可以规定范围内适当加宽上、下游传感器的间距d来达到此目的。

3.3 “隔点峰值搜索”降低峰值搜索次数

最大峰值的搜索时间也是影响互相关运算实时性的一个重要方面。由于互相关函数在取的峰值后迅速衰减的这种特性, 搜索峰值时可采用“隔点比较”法来实现。以图3中Rxy的峰值搜索为例。

第1次搜索时取间隔为32的各Rxy点组成新的序列Rxy32找出最大值M32和它在Rxy中的位置LM32。

第2次搜索时在Rxy中取以LM32为中心, 间隔为16点的新序列Rxy16语句如下:Rxy16=Rxy (LM32-32:INT:LM32+32) 。

依此类推, 直至间隔为1的序列搜索到最大值为止。

这样对于1023个值的序列只要进行57个值的比较便可以找峰值。搜索速度提高了近17倍, 大大降低了搜索时间。但要注意两个信号的相关度对初始间隔设置的限制。

4 结束语

相关函数的快速计算是限制相关法进行实时速度测量的重要问题。本文针对相关计算的顺序、计算点数的降低两方面总结了“串并行”算法, “二次搜索法”和“隔点峰值搜索”。仿真结果表明, 在噪声存在的情况下, 用以上方法大大降低了计算量, 有效地解决了相关运算的实时性问题。

摘要：在对互相关算法进行分析的基础上, 针对以往算法存在的不足, 设计了一种通过改变运算顺序、降低计算点的个数的方法, 解决在使用互相关方法测量速度过程中存在的实时性差的问题。使用MATLAB进行仿真, 给出不同延时条件下互相关运算量减小对比情况。

关键词：互相关,实时,MATLAB

参考文献

[1]何振亚.数字信号处理的理论与应用 (上) [M].北京:人民邮电出版社, 1983.

[2]Bendat J S, Piersol A G.相关分析和谱分析的工程应用[M].北京:国防工业出版社, 1983.

[3]李正周.MTALAB在数字信号处理与应用[M].北京:清华大学出版社, 2007.

[4]宋建华, 朱勇, 徐军, 等.基于Matlab的一种基音周期检测算法[J].信息技术, 2009.

[5]李海森, 李思纯, 姚蓝.相关处理的并行算法及其硬件结构实现[J].声学学报, 1994, 19 (5) :361-366.

互相关检测 第2篇

关键词：弱信号检测,双通道,互相关,最大信号法

0 引言

为保证通信的安全性和自身的隐蔽性,军用通信装备逐渐向低截获概率和低检测概率方向发展[1,2],例如美军为保证F-35等隐身战斗机的隐形能力而特别设计的MADL数据链,利用极窄的针波束和极低的发射功率完成战机间的信息交互。面对这一类信号,非合作侦察方一般只能通过目标信号波束的旁瓣甚至背瓣侦收,接收到的信号功率低,甚至会完全淹没在背景噪声中。

根据检测理论可知,在最大信噪比准则下,加性高斯白噪声环境中信号的最优检测方法为匹配滤波[3]。相关检测技术是弱信号检测领域一个重要的技术手段,被广泛用于信号检测及参数估计[4,5]。文献[6]提出一种基于互相关检测的双基地雷达信号检测及时差估计方法,利用相关处理技术检测散射回波信号并估计信号的时延,该方法需获取高信噪比的直达波作为参考信号,而对于非合作侦察这一前提很难实现。干扰仪测向虽然能够达到较高的测向精度,但实现复杂,且对信噪比具有一定要求[7]。最大信号测向法由于具有结构简单、性能稳定等优点而被广泛运用于无线电测向领域[8],但无法直接用于低信噪比条件。

本文提出一种基于双通道互相关的微弱信号检测及测向方法,利用独立的双通道接收目标信号,并进行互相关处理,以提高系统输出信噪比,实现弱信号检测;采用同步旋转扫描的双定向天线,利用最大信号测向法,对不同天线指向下的相关峰幅度进行处理,从而准确估计信号来波方向。

1 系统工作原理

1.1 相关检测原理

理论上,加性高斯白噪声环境中,匹配滤波可以获得最大信噪比输出[9]。对双独立通道接收的信号进行互相关累积处理,可以达到近似匹配滤波的效果。

设两通道接收信号模型可表示为:

式中,k1和k2表示两通道的接收增益,由于采用相同的接收天线且天线指向相同方向,因此理论上k1和k2应相等;n1(t)和n2(t)为两通道的接收噪声,n1(t)和n2(t)互不相关。

两通道信号进行互相关处理,

根据匹配滤波原理,互相关处理增益为:

式中,B为信号带宽;T为相关累积时间。可以看出信号带宽越宽,累积时间越长,处理增益越高。

互相关输出信噪比为[10]:

式中,SNR1和SNR2为两通道的信噪比,且SNR1=SNR2,因此可得

信号带宽2 MHz,累积时长5 ms,高斯信道条件下,互相关处理输出信噪比随单通道接收信噪比变化曲线如图1所示。由图1可以看出,即使单通道接收信号的信噪比为-10 d B,互相关输出信噪比仍高于18 d B,可实现对目标信号的准确检测。

1.2 最大信号测向法

最大信号法进行方向估计简单易实现,但由于天线方向图最大值附近也最平坦,因此直接使用最大幅度对应的天线指向作为信号来波方向测量值误差较大[11]。本文利用一种改进的最大信号法,将扫描过程中不同天线指向对应的相关峰幅度作为测向处理模块的输入,估计目标信号的准确方位。

2个接收天线方向图相同,在测向区域内进行同步扫描(即任一时刻都指向相同方向),假设天线方向图为理想高斯波束:

式中,θ0.5为天线半功率波束宽度;γ为天线指向;θ为来波方向。对于2个通道,其天线方向和来波方向均相同,因此可得

代入式(2)可得:

式中,;N(τ)为相关处理后的输出噪声。

不考虑噪声,比较天线指向γ1和γ2时的相关峰幅度可得:

进而可得

设γmax为幅度最大值对应的来波方向,在两侧取对称的2个方位点γ1=γmax-Δγ/2和γ2=γmax+Δγ/2,代入式(10)可得:

由于受到噪声影响,幅度误差是影响测向精度的关键因素之一,对式(11)中ΔR求偏导可得:

由式(12)可以得出:幅度测量误差越大,测向误差越大;天线波束宽度越宽,测向误差越大。

在一定范围内对Δγ取不同的值可得多个独立的方位测量结果,再进行加权平均,得到最终的方位估计结果。

2 系统工作流程

系统工作原理如图2所示。

详细步骤如下:

(1)利用独立双通道接收信号,两通道采用相同定向接收天线,方向图应尽量一致;

(2)对两通道的接收信号进行互相关累积处理,采用基于FFT的循环相关方法[12],如图3所示;

(3)控制接收天线在测向区域同步扫描,扫描过程中保证两天线指向一直相同,记录不同指向下的相关峰幅度;

(4)对相关峰幅度估计结果进行门限判决,若大于门限则认为检测到信号;

(5)若检测到信号,比较不同天线指向下的相关峰幅度,利用最大信号法估计信号来波方向。

3 仿真结果分析

仿真设计:目标信号为2 MHz带宽的连续波信号,信号样式QPSK,采样率10 MHz,理想高斯信道,接收天线半功率波束宽度10°。

未加噪原始信号与混合噪声(SNR=-5 d B)信号频谱图对比结果如图4所示。由图4可以看出,混合噪声后信号几乎完全淹没在噪声中,常规方法难以准确检测信号。

单通道接收信噪比分别为-5 d B和-10 d B条件下,2路信号互相关处理得到的相关函数幅度包络,如图5所示。由图5可以看出,相关峰高于噪底10 d B以上,满足信号检测要求。

不同天线指向时的互相关处理峰值幅度和天线方向图幅度如图6所示。由图6可以明显看出,二者变化规律一致。

不同天线波束宽度下的本文方法与典型最大信号法测向精度仿真结果比较,如图7所示。

仿真条件:不考虑天线指向误差等因素,天线正对目标时单通道接收信噪比-10 d B,累积时间20 ms,每0.25°完成一次相关峰幅度测量,统计500次蒙特卡洛仿真结果。由图7可以看出,本文方法能够更精确地估计信号来波方向。

4 结束语

针对微弱信号由于信噪比过低而难以检测和测向的问题,提出一种基于双通道互相关的微弱信号检测及测向方法。首先对相关处理原理以及不同参数下得到的信噪比改善进行了推导和分析,从理论上证明了方法对弱信号检测的可行性;并设计了一种改进的最大信号测向法,通过比较接收天线不同指向时的相关峰幅度变化关系,实现对目标信号来波方向的准确估计。仿真结果表明,在负信噪比条件下,方法对于连续波信号仍能够取得较好的检测和测向结果。

参考文献

[1]戴辉.武器协同数据链发展需求[J].指挥信息系统与技术,2011,2(5):11-14.

[2]谢桂辉,田茂,王正海,等.射频隐身数据链的通信波形参数优化建模[J].西安交通大学学报,2015,49(4):116-121.

[3]袁昱,王钢.基于数字匹配滤波器的扩频码捕获技术研究[J].无线电通信技术,2013,39(6):86-89.

[4]夏辉,靳晓艳.相关运算在信号处理中的应用[J].无线电工程,2014,44(9):67-69.

[5]徐威,郑小保.BPSK直扩接收的多相关解扩方法研究[J].无线电通信技术,2014,40(5):30-33.

[6]宋杰,何友,毕崇伟.非合作双基地雷达互相关时差估计仿真分析[J].系统仿真学报,2009,21(12):3 689-3 693.

[7]夏韶俊,杨晶.干涉仪阵列解模糊算法研究[J].无线电工程,2013,43(8):22-25.

[8]杨利锋,姜勤波.比幅测向体制测向性能分析[J].电子信息对抗技术,2007,9(5):7-9.

[9]鲁旭东,王振荣,薛明华.调频连续波的一种匹配滤波处理方法[J].电子与信息学报,2001,23(11):1 216-1 219.

[10]RETZER G.A Passive Detection System for a Wide Class of Illuminator Signals[C]∥IEEE Radar Conference,IEEE,1979:620-623.

[11]赵国庆.雷达对抗原理[M].西安:西安电子科技大学出版社,1998.

互相关检测 第3篇

1 跨台区电力通信

跨台区电力通信与配电网电力载波通信有很大的不同, 它主要是由处于二次变电站的主变电站和用户采集模块组成的。通信介质使用的是10 k V和200 k V的线路, 而调制信息则是由电网波形的微弱畸变表现出来的。跨台区电力通信信号主要分为上行电流信号和下行电压信号。上行电流信号是指从采集模块到主站传输这一阶段的信号, 它表示的是用户数据, 而信息传输则利用的是电流波形的形变;下行电压信号主要位于变电所到采集模块这段传输区域内, 1位信息用2个相邻的电压周期波形表示, 它是主站的命令传输信息。跨台区电力通信调制信号如图1所示。由图1可知, 通过主站调制变压器电网母线的电压波形经过0°点30°角时有微弱的畸变, 如果将其表示在时间轴上, 可以把它们看作△t1和△t2.

用传统方法检测调制信号时, 首先要整理电压全波。在3个不同的电平下, 即V1, V2, V3, 电压通过电平后会得到多个不同的时间信息, 可以将其记为t1, t2, t3……然后观察电压经过电平后的时间变化, 以此判断调制信号的相关情况。

虽然传统的检测方法比较简单, 算法也比较简单, 容易实施, 但是, 它不具备抗干扰能力, 数据的准确性很容易受到电网频率波动、检测系统时间基准变化等因素的影响。另外, 使用这种方法时, 选取的测试点比较少, 仅有的测试点很难反映出系统的适应性。因此, 要想提高接收数据的准确性, 增强检测方法的抗干扰能力, 就要不断探索新的检测方法。本文介绍的相互关技术能够针对跨台区电力通信调制信号的特征进行有针对性的检测, 而且检测数据的可靠性也非常高。

2 互相关技术的工作原理

在分析测试结果时, 互相关一直都是非常重要的概念之一。简单来讲, 互相关是指变量之间的线性关系, 即2组数据之间的相互依存关系。假设互相关函数为Rxy (f) , 则它可以表示为:

式 (1) 中:T为积分限;x、y为具体数据;t为时间;f为函数关系;d为信号。

离散化计算公式为:

式 (2) 中:N为采样点个数;n为时间序列;m为时延序列。

在操作过程中, 经常会用互相关系数dxy (f) 表示2个信号之间的相关性, 具体公式为:

式 (3) 中:e为常数。

由相关分析可知, 当dxy (f) =1时, x与y是完全相关的;当dxy (f) =0时, x与y是完全独立的, 它们之间没有任何关系。

借助互相关函数不仅能够检测噪声中的信号, 还能够提高输出信号的噪声比。假设观测所得信号x (n) 是由真正信号s (n) 和白噪声u (n) 组成, 即x (n) =s (n) +u (n) , 而y (n) =s (n) , 则x (n) 与y (n) 之间的互相关就可以表示为:

式 (4) 中:s (n+m) 为时间序列和时延序列的真正信号;dss (m) 为时延序列的真正信号相关性;dus (m) 为白噪声与信号时延序列的相关性;dsu (m) 为信号与白噪声时延序列的相关性。

由于信号与白噪声之间不是相关关系, 因此, 后面的2项数值会非常小, 可以忽略不计。这时, 就可以提取混杂在噪声中的信号。互相关检测主要用于提取噪声中夹杂的微弱信号, 它是基于互相关函数的同频相关性工作的。因为不同频、不相关信号的性质不同, 所以, 滤波效果也不同。另外, 在整个操作过程中, 涉及到的互相关函数只适用于随机信号或功率信号, 而且与它相对应的处理信号一定是处于某一频率的周期信号。当然, 对于非周期性信号, 可以借助相应的调制方法将它们变为周期性信号, 然后再作后续处理。维纳-辛钦定理中提到, 处在平稳随机过程中的互相关函数与互谱密度是傅里叶变换关系, 它能够借助功率谱估计和分析跨台区通信中的信号, 以此解决信号检测中存在的问题。虽然互相关函数的算法非常简单, 但是, 它的运算量非常大, 相当于序列长度的平方。信号卷积函数与互相关函数仅差一个负荷, 可以充分利用FFT技术提高其运算速度。只有这样, 才能够将互相关技术应用到信号检测中。

3 互相关技术的应用

在互相关检测技术中, 乘法和积分运算是借助相敏检波器完成的。其中, 所选用乘法器的性能会直接影响数据的测量精度, 所以, 在检测过程中, 要重点把握乘法器的性能。互相关原理可以应用于对跨台区电力通信系统的信号检测工作中。由相关工作可知, 通信系统采集模块的调制信号和主站调制信号的波形都是确定的, 因此, 可以在信号的接收端对比、分析接收信号的波形和发送信号的波形, 分析两者之间的相似度, 以此判断接收到的数据中是否含有信号发送端发出的信号。为了获得发出端信号的波形, 可以采取2个方法, 即在发送端的信号调制点直接采集, 或是在接收端利用多周期叠加的方法提取、分离接收到的信号, 然后再把获得的数据存储在专门存储数据的存储器中, 以便完成互相关函数的计算。

在上述内容中, 已经简要分析了电力通信信号的相关内容。通过分析了解到, 下行电压信号是把2个连续的电压周期定义为1位, 再加上2个周期中调制信号只可能存在于其中一个周期中, 所以, 可以用“0”和“1”表示调制信号所处的周期。由前后电压周期的差可以得到时域采样数据中的调制信号数据信息。在此, 以50 Hz的电压波形为基准, 对比发送端实际发送的调制信号图形与接收端实际采集到的信号图形。由曲线形状可知, 接收端信号与发送端信号关系密切, 但是, 它们都会受到电网噪声的干扰。在这种情况下, 工作人员很难借助测量时间的变化量提取信号, 实现对通信信号的检测。其实, 在实际工作过程中, 电网对通信信号的干扰比较大, 比如大电流电机的启停、家用大功率电器高频扰动和电网中的谐波, 都会影响跨台区电力通信数据的正常传输。

图2是相关波形图经过必要的处理后转换而来的, 利用它可以判断发送端信号与接收端带有噪声信号的关系和发送端信号与接收端纯噪声信号的关系。由相关分析可知, 经过互相关技术的处理后, 数据和信号的信噪声比提升了20 dp。这样, 就可以轻松地将信号从噪声中分离出来, 从而得到工作人员所需的信号数据。

为了让人们更加清楚地认识到互相关技术与传统的信号检测技术的不同, 本文分别用2种不同的检测方法检测居民区和工业区跨台区电力通信系统的信号, 并取统计样本1 000组, 具体的分析结果详见表1.所对比的2种方法分别为借助测量时间变化的信号检测方法和基于相关函数的信号检测方法。由表1中的数据可知, 基于互相关函数的信号检测方法准确率更高。

4 结束语

跨台区电力通信技术与传统的配电网通信技术有很大的不同, 它不再依靠载波传输信号, 而且能够实现跨配电变压器台区的远距离通信。利用互相关技术的新型信号检测方法有效解决了跨变压器台区电力通信系统在高耗能区域、低信噪比环境中通信误码率比较高的问题。这种检测技术的广泛应用在提高信号检测的准确度、实现信号的有效传输方面发挥了巨大的作用。

摘要：随着社会经济的发展和科学技术的进步, 电力通信信号检测技术也在不断发展。近几年, 跨台区电力通信技术被广泛应用, 相应的信号检测方式也发生了较大的变化, 传统的信号检测方式已经不适用于日益变化的通信技术。因此, 迫切需要一种新型技术满足当前配电网络通信技术的要求。互相关技术比传统的信号检测技术更加可靠, 而且其现场应用效果也非常好。

关键词：互相关技术,电力通信,信号检测,配电网通信技术

参考文献

[1]卢文冰, 罗应立, 闫迎.基于时频分析与互相关技术的工频通信下行解调[J].电工技术学报, 2011 (04) :192-199.

[2]康玉梅, 朱万成, 陈耕野, 等.基于小波变换的岩石声发射信号互相关分析及时延估计[J].岩土力学, 2011 (07) :2079-2084.

[3]吴来杰, 马斌, 路桂英.数字互相关技术在交流电法仪中的应用[J].工矿自动化, 2013 (12) :69-72.

互相关检测 第4篇

关键词：双路检测,FFT互相关算法,时域

0 引言

锅炉火焰燃烧需要确保安全、平稳,如果燃烧不稳定,会引起燃烧火焰熄火甚至炉膛爆燃,所以炉膛必须具有安全可靠的燃烧安全监测系统,而燃烧火焰就成为监测的关键对象。利用双路探测器监视同一火焰区域,再根据相关系数来判断火焰燃烧情况。该算法是基于信号与噪声的统计特性进行检测的,能够有效地抑制噪声。相关性火焰检测方法在原理上不受负荷变化的影响,适应范围广。它不仅能监视燃烧器是否有火,而且能间接地反映着火点位置和着火状态的变化。本文从频域方面来分析相关检测算法的实现,并与时域相关法进行比较,可得知FFT互相关算法在锅炉火焰监测系统中更具有优越性。

1 相关检测原理分析

1.1 火焰检测时域相关法

本设计基于互相关法检测同一信号源,它使用特性相同的双路探测系统探测同一点火火焰区域,如图1所示,使监测区域在点火器燃烧区域附近相交,利用互相关理论进行信号处理、分析,根据相关系数的大小判断燃烧器的燃烧状况。当火焰存在时,两探测器获得的火焰信号是相似的,相关系数比较大。当被监测的火焰熄灭时,背景噪声很强,但是两个检测器测得的噪声是互不相关的,测得的互相关系数很低。根据火焰相关系数的变化可判断火焰燃烧状况。

设两个探头的输出信号分别为:

x(t)=k1s(t)+n1(t) (1)

y(t)=k2s(t)+n2(t) (2)

式中,k1和k2分别表示两个传感器的转换系数或增益,n1(t)和n2(t)分别表示两个传感器信号中的干扰噪声。

对两个探头的输出信号x(t)和y(t)做互相关处理,得:

若n1(t)、n2(t)、s(t)互不相关,则上式右边的后3项为零,得:

Rxy(τ)=k1k2Rs(τ) (4)

这样就从噪声中把被测信号提取出来。上述原理可以成功用于监视火焰的燃烧情况。

1.2 基于快速傅里叶变换(FFT)的相关算法

设离散的两路输入信号分别为x(n)和y(n),它们的离散傅里叶变换式分别为X(m)和Y(m),即:

数字累加方式相关函数:

$\begin{array}{l}\widehat{R}{}_{xy}(k)=\frac{1}{{\rm N}}{\displaystyle \sum _{n=0}^{{\rm N}-1}y}(n)x(n-k)\\ \begin{array}{ccc}& & \end{array}k=0,1,2,\cdots ,{\rm M}-1(7)\end{array}$

对式(7)所表示的离散互相关函数进行傅里叶变换,得:

$\begin{array}{l}DF[\widehat{R}{}_{xy}(k)]=DF[\frac{1}{{\rm N}}{\displaystyle \sum _{n=0}^{{\rm N}-1}y}(n)x(n-k)]=\\ \frac{1}{{\rm N}}\tilde{X}(m)Y(m)(8)\end{array}$

式中,DF[.]表示离散傅里叶变换,$\tilde{X}(m)$表示X(m)的共轭。对式(8)做傅里叶逆变换,得:

$\begin{array}{l}\widehat{R}{}_{xy}(n)=DF{}^{-1}\tilde{X}(m)Y(m)]=\\ \frac{1}{{\rm N}}{\displaystyle \sum _{n=1}^{{\rm N}-1}\tilde{X}}(m)Y(m)\exp (j2\text{π}nm/{\rm N})(9)\end{array}$

式中,DF-1[.]表示离散傅里叶逆变换。式(8)和式(9)中的变换过程可以用快速傅里叶变换实现。基于FFT的相关运算过程如图2所示。

由双路火检系统完成图2左边虚线框内的功能,首先由光电池将火焰的光信号转变为交变的电流信号,再经过I/V转换为电压信号,使用带通滤波器滤掉高频和低频分量,再经过电压限幅、A/D转换为数字信号。当信号采集转换模块将模拟信号采集并转换为数字信号后,对两信号进行相关处理,如图2中右边虚线框内所示。

2 实验结果及分析

对两路探头输出信号在t=0时刻以相同频率同时开始采样,各采集256个点。然后编写相关算法程序,其结果如下:

图3(a)为有火焰时的归一化相关系数曲线,图3(b)为没有火焰时的归一化相关系数曲线。互相关函数Rxy(τ)不但反映两火焰信号在不同时刻取值的相关程度,而且反映火焰信号的幅度和功率,而幅度和功率要受系统增益的影响。为了准确表示火焰信号在不同时刻取值的相关程度,引入了归一化相关函数Rxy(τ)。由于两探头几乎在同一时刻检测到火焰信号,故取τ=0时即可用来进行火焰检测。图中横坐标代表互相关序列长度,τ=0时对应于n=256。

从图3结果可以看出,锅炉有火焰时的相关系数ρ=0.9916,没有火焰时的相关系数ρ=-0.0612。进行归一化互相关运算后,得到结果绝对值越大,两组数据相关程度就越高。当相关系数大于0.7时可认为锅炉火焰有火。由实验结果可知快速FFT相关检测算法可以监视锅炉火焰的燃烧情况。

在锅炉双路输入信号相同的情况下用时域相关法和FFT频域相关法进行分析处理,其结果如图4所示。

图4中曲线a为FFT相关检测法测得的相关系数曲线,曲线b为时域相关法测得的相关系数曲线。图4(a)为有火焰时的输出波形,取τ=0得频域时ρ=0.9916,时域时ρ=0.9213。图4(b)为没有火焰时的输出波形,取τ=0得频域时ρ=-0.0038,时域时ρ=-0.0237,从而可以得知频域下火焰检测精度更高。故FFT相关检测算法不仅可以很好地监视锅炉的燃烧状况,而且相比于时域相关法精度更高。

3 结束语

本文针对锅炉点火火焰监测系统,采用双路探测装置,研究相关检测算法在该系统的应用,给出利用FFT计算相关函数的快速实现算法,并通过和时域处理的结果进行比较,得出了FFT互相关算法能进一步改善监控质量,具有更强的抗干扰能力。因此,可以把这种算法应用于锅炉火焰监测中。

参考文献

[1]马超,王锐.随机噪声信号的功率谱估计的仿真[J].信息技术,2012,8:176-169.

[2]路艳洁,席志红,王姜铂.FFT法与数字相关法在相位测量上的比较[J].信息技术,2007,12:105-108.

[3]黄俊.相关检测中的若干问题[D].郑州:郑州信息工程学院,1996.

[4]高晋占.微弱信号检测[M].北京:清华大学出版社,2004:240-263.

[5]黄建新.燃煤锅炉火焰相关检测的信号处理方法[D].南京:河海大学电力工程,1996.

[6]耿艳彪,姜万生,徐娅萍,等.DSP锅炉火焰检测系统设计[D].西安:西北工业大学机电学院,2010.

互相关检测 第5篇

近年来, 交通视频监控技术以其处理速度快、监视范围广、获取交通参数多等优点成为了许多城市交通管理体系中的重要技术之一。该技术以计算机图像处理为基础, 对车辆进行检测识别, 其关键环节是运动车辆的提取。但在实际应用过程中运动车辆常常伴有阴影, 且阴影与车辆本身的运动特征相同, 使得阴影也被当作运动目标提取出来, 导致提取的车辆形状扭曲或多车辆间的粘连, 严重影响后续车辆分类和跟踪的可靠性。

近年来, 国内外学者提出了多种阴影消除方法。文献[1]的方法认为阴影降低了所覆盖区域的亮度, 但色度和饱和度在一定范围内变化, 从而在HSI颜色空间上对阴影进行检测。文献[2]的方法认为阴影区域是半透明区域, 保留了背景的纹理信息, 采用梯度算子, 以度量平坦度的方式去除阴影。

本文依据Phong光照模型[3]得出阴影亮度与背景亮度近似成线性关系。经典概率论认为成线性关系的两个随机变量其互相关系数[4]为1。在信号处理中, 互相关系数经常被用来衡量两个信号之间的相似性, 两个信号越相似, 互相关系数的值越接近于1。由此, 我们首先采用阴影亮度和背景亮度的互相关系数消除阴影区域。由实验得知, 该方法能够有效地消除大部分阴影像素, 但仍留有部分阴影像素点, 依然影响着车辆的准确分割定位。随后, 本文利用垂直-水平交叉投影的方法确定车辆/阴影分割线, 提取出运动车辆。实验证明本文方法准确有效。

1 Phong光照模型

在交通视频监控系统中, 点光源认为是太阳, 环境光则为天空折射的太阳光, 及周围物体漫反射的太阳光。根据Phong光照模型, 物体被感知的亮度I由对点光源的漫反射、镜面反射及对环境光的漫反射组成, 即

I=Iaka+Ilkdcos θ+Ilkscos nα (1)

式 (1) 中ka, kd, ks分别为物体对环境光的漫反射系数, 对太阳的漫反射系数及对太阳光的镜面反射系数;Ia, Il分别为环境光及太阳光强度;θ为太阳光与物体表面法线之间的夹角;α为反射光与视线间的夹角;n为镜面反射参数。

考虑到实际自然场景中绝大部分区域为非光滑区域, 镜面反射分量Ilkscos nα=0。漫反射系数取决于物体表面特征, 所以物体对环境光的反射系数ka和对太阳光的漫反射系数kd是相同的, 即kd=ka。阴影的形成是因为物体遮挡了点光源的直接照射, 其被感知的亮度为Is=Iaka。结合式 (1) 可得:

${\rm I}{}_s=\frac{{\rm I}{}_a}{{\rm I}{}_l\cos \theta +{\rm I}{}_a}{\rm I}={\rm P}{\rm I}$, (2)

式 (2) 中, ${\rm P}=\frac{{\rm I}{}_a}{{\rm I}{}_l\cos \theta +{\rm I}{}_a}\in [0,1]$。

在小区域内, 阳光与物体表面法线之间的夹角θ可看作是近似不变的, 因此我们可以得到结论:在小区域范围内阴影与背景之间的亮度近似成线性关系。

2 阴影消除

2.1 基于亮度互相关系数的阴影消除

将目标前景和相应背景分别标记为C和B, 对于窗口为奇数的区域, 大小设为MN, 中心像素点 (x, y) 的前景亮度和背景亮度的互相关系数可定义为:

$\rho {}_{CB}(x,y)=\frac{{\displaystyle \sum _{i,j}C}{}_{ij}B{}_{ij}-\frac{1}{{\rm M}}{\displaystyle \sum _{i,j}C}{}_{ij}{\displaystyle \sum _{i,j}B}{}_{ij}}{\sqrt{\left({\displaystyle \sum _{i,j}C}{}_{ij}B{}_{ij}-{\rm M}{\rm N}\overline{C}{}^2\right)\left({\displaystyle \sum _{i,j}B}{}_{ij}^2-{\rm M}{\rm N}\overline{B}{}^2\right)}}$ (3)

式 (3) 中, $\overline{C}=\frac{1}{{\rm M}{\rm N}}\left({\displaystyle \sum _{i,j}C}{}_{ij}\right),\begin{array}{cc}& \overline{B}=\frac{1}{{\rm M}{\rm N}}\left({\displaystyle \sum _{i,j}B}{}_{ij}\right)\end{array}$,

$\begin{array}{l}i\in \left[x-\frac{{\rm M}-1}{2},x+\frac{{\rm M}-1}{2}\right],\\ j\in \left[y-\frac{{\rm N}-1}{2},y+\frac{{\rm N}-1}{2}\right]\end{array}$

由上述Phong光照模型分析可知:阴影亮度和背景亮度的互相关系数的绝对值$\left|\rho {}_{CB}(x,y)\right|$应该趋近于1, 而车辆和背景的$\left|\rho {}_{CB}(x,y)\right|$应该很小, 从而我们设定门限值Th。如果$\left|\rho {}_{CB}(x,y)\right|$大于Th, 则将其判定为阴影像素;否则将其判定为目标车辆。

因为在目标区域中比背景亮度高的像素点肯定不属于阴影区域, 所以在实际应用中我们可以只在比背景亮度低的像素上进行阴影消除操作。这样可降低误检率且提高处理速度。

2.2 基于交叉投影确定车辆/阴影分割线

经基于亮度互相关系数的阴影消除后, 车辆包含有车辆本身的绝大部分像素和少量的阴影像素, 反映在投影值曲线上就是车辆和阴影间存在明显的分割线。分割线的特点为: (1) 投影值会在分割线上产生突变, 本文用相邻坐标投影值之间的差值表示; (2) 分割线两边的投影值总体相差较大, 本文用投影值的均值来表示; (3) 由于在实际的交通监控系统中影响准确提取车辆的阴影较大, 分割线距离目标边界应有一定距离, 本文用分割线到其中一条边界的距离与两个边界之间距离的比值表示阴影大小和目标大小的比例, 设该比值的最小阈值为T (0<T<1) 。下面以垂直投影为例说明分割线的确定方法:

在目标的最小外接矩形内, 设其大小为M′N′, 计算垂直投影函数fy (x) :

$f{}_y(x)={\displaystyle \sum _{y=0}^{{{\rm N}}^{\prime }-1}{\rm O}}bj(x,y),x\in [0,{{\rm M}}^{\prime }-1]$ (4)

式 (4) 中,

${\rm O}bj(x,y)=\{\begin{array}{c}1\begin{array}{cc},& \left(x,y\right)\text{为}\text{目}\text{标}\text{点}\end{array}‚\\ 0\begin{array}{cc}‚& \left(x,y\right)\text{非}\text{目}\text{标}\text{点}。\end{array}\end{array}$

相邻坐标垂直投影的差值dif (x) 可以由式 (5) 求出。标记出所有满足条件 (6) , (7) 的横坐标i∈{i1, i2, , in}。若i为空集, 则表示没有垂直分割线, 即车辆在水平方向上没有剩余阴影。若i非空, 则在这些坐标中寻找使左右两边投影直方图的均值相差最大的坐标点i′为车辆与阴影之间的垂直分割线的横坐标。i两边投影值的均值差由式⑻计算得到。

$dif(x)=\left|f{}_y(x+1)-f{}_y(x)\right|‚x\in [0,{{\rm M}}^{\prime }-2]$ (5)

$dif(x)>\frac{1}{3}\max (f{}_y(x))$ (6)

$\frac{\min (x,{{\rm M}}^{\prime }-x)}{{{\rm M}}^{\prime }}>{\rm T}$ (7)

$mean\_diff(i)=\left|\frac{{\displaystyle \sum _{x=0}^{i-1}f}{}_y(x)}{i}-\frac{{\displaystyle \sum _{x=i^{\prime }}^{{{\rm M}}^{\prime }-1}f}{}_y(x)}{{{\rm M}}^{\prime }-i}\right|$ (8)

假定分割线两边均值较大的一边为车辆目标所在区域, 在此区域内还需确定水平分割线。确定水平分割线的方法与确定垂直分割线的方法类似, 不再累述。

为解决实际交通场景中由于阴影导致的车辆粘连问题, 我们统计初次判断出的非目标区域 (即分割线两边均值较小的区域) 的像素个数, 如果大于设定的最小目标像素数Nmin , 则在该区域内继续进行交叉投影操作, 直至分割出的非目标区域像素数小于Nmin 。

3 试验结果及分析

为验证本文算法的有效性, 采用西安市某路段的两段交通视频作为实验样本, 给出实验结果分析及统计意义上的定位精度。在实验中, 互相关系数的窗口大小为33, 门限值Th为0.90, 阴影目标的比例阈值T为$\frac{1}{20}$, 最小目标像素数Nmin 为30。

视频序列一的车辆阴影效果如图1所示。图1 (a) 为当前帧;图1 (b) 显示了背景差法检测出的运动区域, 用灰色表示, 此时没有进行阴影消除操作, 车辆形变严重, 在图1 (a) 用黑色线条画出此时目标的最小外接矩形;图1 (c) 的灰色区域是采用基于亮度互相关系数消除阴影后的运动目标。可见该方法消除了绝大部分阴影像素, 同时保留了足够的车辆像素点;而基于交叉投影的方法则准确地检测出了车辆/阴影分割线, 成功地将剩余阴影像素分离出去, 车辆/阴影分割线用两个像素宽的黑色直线表示, 并在图1 (a) 中用白色线条画出消除阴影影响后提取的目标车辆最小外接矩形。视频序列二存在车辆粘连的情况, 其阴影消除效果如图2所示。

若以Rreal表示车辆的实际位置矩形区域, Rseg表示去阴影后分割出的车辆矩形区域。车辆定位精度$RA=\left(R{}_{real}{\displaystyle \cap R}{}_{seg}\right)/R{}_{real}$, 其中RA≥80%表示定位准确, 可用于车辆跟踪、分类。定位率为车辆定位准确的帧数除以含有该车辆的总帧数;误定位率指视频中车辆错误定位的帧数和总帧数的比值。将视频序列一中白色车辆 (上) 记为车辆1、白色车辆 (下) 记为车辆2、视频序列二中绿色大车记为车辆3、黑色小车记为车辆4, 其定位率统计表如下所示, 可见车身颜色与阴影相差较大的车辆编号为1、2、3车辆正确定位率较高, 由于车辆并非总是直线运动, 有时车身方向与垂直方向夹角较大, 从而导致少量的错误定位。由于车辆4较小且车身亮度与阴影亮度相近, 车身上部分像素被当作阴影消除, 造成车辆过分割, 使得车辆定位率下降。

4 结论

本文提出了一种交通视频监控中基于前景亮度和背景亮度互相关系数和垂直-水平交叉投影的运动车辆阴影消除方法。实验证明该方法可有效消除阴影对车辆提取定位的影响。如何有效区分黑色车辆和阴影是下一步研究的重点。

摘要：在交通视频监控系统中, 运动车辆存在的阴影严重影响了系统的检测效果, 而单一的阴影消除算法不能有效地消除阴影。为解决该问题, 提出了一种分两步完成的运动车辆阴影消除方法。该方法首先利用阴影和背景亮度之间的互相关系数进行初步阴影消除, 然后根据车辆近似为矩形区域的特点采用垂直-水平交叉投影的方法确定车辆/阴影间的分割线。实验结果表明该方法能有效地消除车辆阴影。

关键词：交通视频监控系统,阴影消除,互相关系数,交叉投影

参考文献

[1]郭昉, 刘富强, 黄宇晖, 等.基于HSI颜色空间的车影去除方法的改进.辽宁工程技术大学学报, 2008;27 (4) :568—571

[2]李忠武, 高广珠, 余理富, 等.图像序列目标检测中阴影的消除.计算机应用研究, 2004;21 (5) :205—206

[3]杜有田, 陈峰, 徐文立.基于区域的阴影检测方法.清华大学学报, 2006;46 (1) :141—144

互相关检测 第6篇

关键词：稀疏分解,快速计算,互相关运算

0 引言

近几年来,突破传统奈奎斯特采样定理的压缩感知(CS)理论框架得到了研究者们越来越多的关注。CS理论主要由3个部分组成:信号的稀疏分解;投影,观测;信号重构。由此可见,CS理论实现的前提就是要求被采样信号具有稀疏性,因此,对信号稀疏分解算法进行研究,有着极其重要的理论意义和广泛的应用价值。而其中以贪婪算法为核心的匹配追踪(MP)算法在计算复杂度和逼近效果方面要优于其他的算法,是目前研究者们最常用的算法。但是,MP算法的不足之处是基于MP的稀疏分解过程中,每一步都要计算残余信号在过完备原子库中每一个原子上的投影,这就造成了分解过程中相当巨大的计算量。高复杂度的计算量使得信号的稀疏分解在实际的研究应用中难以推广。针对这种情况,目前研究者们都在针对如何提高信号稀疏分解的速度、降低运算量这两个方面的问题进行研究。

本文提出一种基于互相关运算的信号稀疏分解的快速算法来改进信号的稀疏分解算法,该算法的思想是通过将基于MP的信号稀疏分解中花费大部分时间的内积运算转换成一次互相关运算,并且通过一种互相关运算的快速算法来对内积运算进行改进,这样一来,大大地提高了计算速度,在不增大计算误差的情况下缩短了计算时间,具有良好的应用前景。

1 匹配追踪算法的基本思想

我们假设待分解信号f的长度为N。其中,f∈H,H为有限维Hibert空间,D为过完备原子库(DH)。过完备原子库的形成方法引用参考资料[2],这种由Gabor原子组成的过完备原子库是颇具代表性的,它在多个文献中被研究者引用。原子gγ与待分解信号的长度相同并做归一化处理,即‖gγ‖=1。一个Gabor原子由一个经过调制的高斯窗函数来构建:

其中,g(t)=e-πt2是高斯窗函数,时频参数

MP算法是一种贪婪算法,该算法通过迭代从过完备原子库中选出与信号或者是残余信号最匹配的原子(也称为最佳原子),从而将信号表示为这些最佳原子的线性组合,即实现了信号的稀疏分解。其算法的具体流程图如图1所示。

信号的稀疏分解目前面临的主要问题就是分解速度十分缓慢,当信号长度比较长时,将需要花费大量的存储计算时间,而其中内积的运算占用了分解时间的一个很大部分。如何简化内积运算,提高运算速度和效率是亟待解决的关键问题。

由文献[1]可知,在稀疏分解的过程中,如果对原子库中的某一个原子(参数:si,vi,wi)的选取方法保持不变,我们可以取u=N/2,通过平移就可以得到参数为(si,vi,wi,ui)的原子(ui≠N/2)。但是为了不影响信号稀疏分解的效果,不妨让ui取所有可能的值[0,N-1]。这样一来,对于具有参数(si,vi,wi)的一个原子gγ,则这个原子要和残余信号作N次内积运算。由于ui从0到N-1连续取值,从理论上讲,所有的N次内积〈Rkf,gγk〉运算可以转换成两个列向量Rkf和gγk的一次互相关运算,内积运算的过程实际是找互相关运算的最大值的过程,如果我们能够提高互相关运算的速度,我们就提高了信号稀疏分解的速度。

2 一种互相关运算的快速方法

我们知道,对两列长为N的数字信号,其互相关函数可以用下式来表示:

由文献[5]可知,两列数字信号在互相关运算的结果附近存在着一个明显的峰值特性,那么如果我们需要得到互相关运算结果中的最大值,我们可以间隔一定点数进行互相关运算,也就是进行多个点的跳跃计算,这样我们就可以先找出最大值存在的一个比较小的区间,然后再在这个小区间内进行互相关运算,这样来找出最大值点位置和最大值,这样一来,就明显减少了计算的点数,加快了计算的速度。

假设我们取每次跳跃m个点进行计算,表达式将为:

将得到的个点进行比较,得到的最大值点可能不是实际的最大值点,根据它的峰值特性,实际的最大值点肯定就在这个最大值点左边第m-1个点到它右边第m+1个点共2 m-1个点中某个。如果N比较大的话,这样一来计算量就可以减小到原来的1/m。具体计算流程如图2所示。

3 实验结果与仿真分析

利用MATLAB进行算法仿真,将不同长度的信号和不同的步进点数的条件下得到互相关运算最大值与MP算法求得的内积最大值进行比较,得到的正确率如表1所示:

从表1可以看出,当步进点数为2,4时,基本没有误差或是误差很小,能够保证比较好的分解效果,而当步进点数大等于6时,误差开始变大,从而不能满足实际要求。因此实际运算中步进点数的选取可以参考计算精度和计算速度的要求进行合理选取。

试验中采用长度不同的实际数字信号,选取不同的步进点数的环境下进行仿真。由于信号稀疏分解的速度在不同的条件下(不同的计算机以及软硬件配置)上是不同的,所以给出信号稀疏分解实际的时间是没有多大参考价值的(几乎没有文献给出信号稀疏分解的时间)。所以我们以MP基本算法的速度为参照物,将其稀疏分解的速度设为1,表2中给出的是一个长度为400的信号用本文提出的算法进行稀疏分解的速度基于MP基本算法的倍数。

从表2可以看出,即使是步进点数为1时,本文的算法也比MP基本算法速度快。虽然从理论上来讲,所有N次内积运算转化成一次互相关运算的计算量几乎没有变化,但是计算效率却大大地提高了。而采用步进点数为4时,本文改进算法的速度在保证相对精度的情况下与MP基本算法相比得到了很大的提高,是MP基本算法的20多倍。

参考文献

[1]YIN Z K,WANG J Y,SHAO J.Sparse decomposition based onstructural properties of atom dictionary[J].Journal of SouthwestJiao tong University,2004(2).

[2]ARTHUR P L,PHILIPOS C L.Voiced/unvoiced speech discrimi-nation in noise using gabor atomic decomposition[A].Proc.OfIEEE ICASSP[C].Hong Kong,April,2003.

[3]KUSH R.VARSHNEY,MJDATETIN,JOHN W.FISHER,and ALAN S.WILLSKY.Sparse representation in structured dic-tionaries with application to synthetic aperture radar[J].IEEETransactions on Signal Processing,2008(8).

[4]ZHANG W Y.Study on matching pursuit based low-bit rate speechcoding[D].Beijing:Institute of Software,Chinese Academy of Sci-ence,2002

互相关检测 第7篇

关键词：互谱分析,空管安全风险,相关性

随着我国社会经济的快速发展空中交通发展迅速, 日益增长的空中交通流量导致空中拥堵的现象经常发生, 空中管制的任务也变得日益繁重和艰巨, 针对这一现象相关研究人员提出了空管安全风险的概念, 这一概念是在空中交通管制的过程中发生不安全事件的可能性与后果的组合。对空管安全风险相关性研究具有积极的意义。

1 互谱分析的基本原理

在空管系统运行过程中其安全性的主要影响因素就是时间, 在同一航道上每天可能有数以百计的飞机要起飞和降落, 要想保证这些飞机的安全最重要的一个因素就是时间, 只有从时间角度出发对飞机在飞行过程中的高度、速度、位置等等其他因素进行分析, 才能保证整个空管系统运行的科学性和有效性。

互谱分析在时间序列分析方面有着其他分析方式无可比拟的优势, 这种优势具体表现为互谱分析自身计算逻辑的严密和判断的准确, 在互谱分析过程中利用线性积分变换可以准确的找到空管系运行过程中的主频率变量, 从而可以有效的掌握空管系统运行过程中的周期性特点, 互谱分析在空管系统中的应用不仅能够实现系统运行中主观影响因素的主动排除, 还能够实现对空管系统整个波形的全覆盖, 使得对空管系统安全风险相关性的研究更具系统性和整体性[1]。

2 互谱分析在空管安全风险相关性研究中的作用

2.1 空管通讯失误风险因子的相关性分析

在对空管通讯失误风险因子的相关性分析活动中, 风险因子的选择十分重要, 本文综合分析全国有报告的空管通讯失误事件, 通过对空管通讯失误事件发生原因的分析选取了工作人员超时加班、设备故障、程序偏差和外来干扰等四个风险因素, 通过对这些风险因素与空管通讯事故的相关性分析可以得知, 在空管系统运行过程中, 与空管通讯失误关系最大的风险因子是程序偏差, 之后依次为设备故障、工作人员超时加班、外来干扰, 在这些风险因素中程序偏差与空管通信之间的关系存在着明显的超前性, 程序偏差往往会超前失误事件3个月发生。所以程序偏差是通讯失误事件的一种早期风险因素。而工作人员超时加班对空管通讯失误的影响带有明显的滞后性, 人员加班的影响会滞后通讯失误事件发生2.5个月。

2.2 空管通讯失误风险的预控措施

2.2.1加强空管通讯程序执行的过程管理

在空管系统的运行过程中, 程序偏差与空管通讯失误的相关性高达49% , 是空管通讯失误发生的主要原因。由于空中交通的日益发展空管主体的空管任务日益繁重, 在数量众多的空管任务执行过程中空管人员往往会由于懈怠, 而在一些次要航班的空管活动中忽略程序执行的标准化问题, 很多空管程序被空管人员故意或者非故意的漏掉, 这是导致空管通讯失误的主要原因, 所以在空管系统运行的过程中加强空管通讯程序执行的过程管理, 保证空管人员严格按照空管通讯程序进行空中管制是预控空管通讯风险的主要措施[2]。

2.2.2 合理调配空管通讯的相关资源

在空管通讯活动中设备故障和外来干扰是导致空管通讯失误的重要原因, 在空管活动中设备故障、外来干扰对空管通讯的影响机制是相同的, 所以对这两种风险因素的管控可以同时进行, 主要的控制措施就是要在导航、通信、监视方面加大投入, 优先对这些空管通讯的关键设备进行升级换代和设备维护, 以保证这些设备始终都保持较高的技术水平, 同时对建立起这些关键设备的维护机制, 以保证关键设备的完好率。提高空管通讯的质量和效率[3]。

2.2.3 优化管制工作人员的排班计划

在调查分析中可以清楚的看到工作人员加班与空管通讯系统失误现象有明显的相关性, 这证明在空管系统的运行过程中空管人员长时间加班会增加空管系统通讯失误的几率。其对空管系统通讯失误现象的影响机制主要表现为, 加班对工作人员工作状态和工作情绪的影响, 在空管工作中表现出抵触和懈怠的情绪, 同时这种工作人员情绪因素对空管通讯失误的影响有较长的滞后性, 工作人员的失误往往会提前两个月左右为通讯失误埋下隐患, 其影响表现出一定的隐蔽性, 所以针对人员加班这一影响因素的预控措施一定要科学、严谨。在空管系统的运行过程中要根据空管任务量的实际配置合适数量的空管人员, 并根据空管人员的工作实际为其制定科学的排班表, 尽量避免空管工作人员的加班现象发生[4]。

3 结论

随着社会经济的发展空中交通已经成为社会经济活动中的重要交通方式, 在空中交通运行的过程中空中管制影响重大, 空管系统的通讯是否安全、高效是影响空中交通安全的重要因素, 本文利用互谱分析从空管通讯失误风险因子的相关性分析、空管通讯失误风险的预控措施两个角度出发对空管安全风险的相关性问题进行了简要的分析, 以期为空管安全风险相关性研究水平的提升提供支持和借鉴。

参考文献

[1]杨智.空中交通管制安全风险预警决策模式及方法研究[D].武汉理工大学, 2012.

[2]李大海.民航空管网络与信息安全管理体系的构建研究[D].天津大学, 2009.

[3]贾贵娟.空管安全风险评估指标体系及综合评价研究[D].武汉理工大学, 2008.