声发射源多传感器数据融合识别技术
ωi：由于实际声发射检测中各传感器分布在构件的不同区域，如局部结构的不连续，都会给波的传播模式带来影响，因而造成对声发射源的识别的正确性带来影响，用此权值进行修正；
?i：传感器i与各目标的最大相关系数，?i=max{CiCj}；
? i：传感器i与各目标相关系数的分布函数， ；
mi(j)：传感器i赋予目标类别j的基本概率分布值；
mi(?)：传感器i赋予识别框架?的基本概率值，即传感器i的不确定性概率值。
式中的 项，其物理意义在传感器与识别声发射源之间的置信测度，与传感器本身的可靠性无关，主要是声发射源发出的信号在传播过程所造成的影响，与具体的检测对象以及所采用的定位阵列有关。
2.2识别的过程
在声发射源识别过程中，以平面三角形定位为例，当定位组中有声发射信号发生时，信号的波形分别被该定位组中的三个传感器接收，经放大并进行一定的滤波调理后，由高速A/D转换器将模拟信号数字化，然后存储于计算机中，可供事后分析。在实时采集时，只提取一些主要参数供检测时监控使用，对于有定位要求的还要显示定位的事件。采集时一般不进行识别过程的处理，主要是保证不丢失声发射信号，在信号量较少的情况下，可以选择实时识别。对信号和通道数较多，而且需要进行实时识别时，可采用分布式系统，下位机实现信号的采集与传输，上位机进行实时的处理，并及时显示结果。识别时，为了提高神经网络局部识别的能力，需要对原始信号进行预处理以提取信号的特征。小波分析对瞬态信号有较好的局部时频特性，所以采用小波分析的方法进行信号特征提取。提取特征的信号送入神经网络进行单个传感器的局部目标分类。输出的值用于构造mi(A)和mi(?)函数，再按Dempster合并规则，得到最终的基本可信度的分配值。最后，依照各命题的可信度和似然度等指标，用全局决策规则，得到目标识别的结果。
评论