[发明专利]基于稀疏贝叶斯学习的超声导波多模态分离方法及其系统

摘要

本发明公开了一种基于稀疏贝叶斯学习的超声导波多模态分离方法及其系统，所述方法包括以下步骤：以信号s(t)作为激励施加到被测结构，获取被测结构的超声导波响应信号r(t)，所述超声导波响应信号一共包含P个超声导波模态，根据所获得的超声导波模态，按模态分别构建覆盖不同传播距离下的子传播字典Di，并将其组合得到多模态复合传播字典D＝[D1，D2，…，DP]；将超声导波响应信号r(t)在多模态复合传播字典D下进行稀疏表示，建立稀疏表示模型，利用稀疏贝叶斯学习算法求解以下模型：r＝Dw+n，并将其对应的子权重系数W1，W2，…WP按模态逐个分离；将所述多模态复合传播字典D按模态分解，得到各模态下的单模态传播字典D1，D2，…，DP，将各单模态传播字典与对应的子权重系数wi相乘以得到第i个模态的单模态信号成分。

主权项

1.一种基于稀疏贝叶斯学习的超声导波多模态分离方法，所述方法包括以下步骤：第一步骤(S1)中，以信号s(t)作为激励施加到被测结构，获取被测结构的超声导波响应信号r(t)，所述超声导波响应信号一共包含P个超声导波模态，其中，符号t表示时间变量；第二步骤(S2)中，根据所获得的超声导波模态，按模态分别构建覆盖不同传播距离下的子传播字典D_i，并将其组合得到多模态复合传播字典D＝[D₁，D₂，…，D_P]；第三步骤(S3)中，将超声导波响应信号r(t)在多模态复合传播字典D下进行稀疏表示，建立稀疏表示模型：min ||w||₀s.t.r＝Dw＝[D₁，D₂，…，D_P][w₁，w₂，…W_P]^T，式中，r是由信号r(t)离散后组成的列向量r＝[r(t₁)，r(t₂)，…，r(t_N)]^T，N是信号点数，上标T表示向量或矩阵的转置操作，w＝[W₁，W₂，…W_P]^T，w是列向量r在多模态复合传播字典D下的权重向量，其中w_i对应于子字典D_i的权重系数，s.t.表示约束于；第四步骤(S4)中，利用稀疏贝叶斯学习算法求解以下模型：r＝Dw+n，式中，n是系统噪声，通过稀疏贝叶斯学习算法得到权重向量w，并将其对应的子权重系数W₁，W₂，…W_P按模态逐个分离；第五步骤(S5)中，将所述多模态复合传播字典D按模态分解，得到各模态下的单模态传播字典D₁，D₂，…，D_P，将各单模态传播字典D₁，D₂，…，D_P与对应的子权重系数w_i相乘以得到第i个模态的单模态信号成分，存储所得到的单模态信号成分。