论文部分内容阅读
随着城市地铁的发展,地铁运行引起的环境振动问题日益突出。安装加速度传感器进行环境振动监测是掌握环境振动情况、评价环境舒适性、保障建筑安全性的有效技术手段。但是在地铁沿线获取的振动信号中不仅包含地铁运行引起的振动,也包括其它因素引起的振动。本文将前者称为地铁车致振动,将后者称为非地铁车致振动。如何将两种振动进行分离,从而进行地铁车致振动的针对性研究是需要解决的重要问题。本文基于独立成分分析原理,采用Fast ICA法对采集的某城市地铁沿线振动数据进行盲源分离。对分离结果进行评价后将得到的地铁车致振动成分用于时间序列研究。本文主要从以下三个方面进行论述:(1)对地铁沿线振动实测数据进行Fast ICA法适用条件验证,设计了巴特沃斯带通滤波器组,将原始数据滤波为频域上的组分。将该组分应用于Fast ICA分析,得到相应的独立子成分,并以子谱的基向量A和时程分项系数W进行表示。两组测试数据分别得到了83个、86个ICA子成分。窄频的ICA子成分则利用NCUT聚类法聚类为地铁车致振动子空间和非地铁车致振动子空间两部分。其中一组测试数据得到的地铁车致振动成分和非地铁车致振动成分分别含有64个ICA子成分与19个ICA子成分;另一组测试数据得到的地铁车致振动成分和非地铁车致振动成分分别含有60个ICA子成分与26个ICA子成分;(2)基于BP神经网络原理,采用信号的均值、峭度、均方根、峰值频率4个统计特征量作为输入层节点构建BP神经网络;基于Matlab的BP神经网络工具箱设计了分类器。以实测采集的地铁车致振动、混合振动、非地铁车致振动信号各500条作为学习样本集,将Fast ICA得到的地铁车致振动信号子成分和非地铁车致振动信号子成分输入分类器进行分类。分类结果分为优秀、良好、较差三种。两组测试数据中优秀、良好的比例分别占样本总数的80%和75%,验证了Fast ICA程序的可靠性。(3)将盲源分离得到的地铁车致振动子成分进行时间序列预测,利用小波神经网络(WNN)建立时间序列预测程序。成功通过WNN时间序列预测程序依靠前3段数据预测了后一段数据。不断将时间序列预测结果加入样本集,直至预测第7段数据时失真。证明了该算法在短期振动时程时间序列预测中的有效性。