本發(fā)明屬于漏水檢測(cè)定位技術(shù)領(lǐng)域，具體涉及一種供水管道泄漏檢測(cè)定位方法。

背景技術(shù)：

自來(lái)水管道泄漏檢測(cè)與定位是管道維護(hù)修理的重要前提。據(jù)官方統(tǒng)計(jì)，國(guó)內(nèi)600多個(gè)城市供水管網(wǎng)的平均漏損率超過(guò)20％，最高達(dá)60％以上。我國(guó)大部分地區(qū)只有在自來(lái)水大面積泄漏，甚至管道爆裂的情況下才能判斷出泄漏發(fā)生。因此，及時(shí)檢測(cè)并定位出泄漏發(fā)生點(diǎn)對(duì)于水資源的節(jié)約具有重要意義。

實(shí)際中的管道漏水信號(hào)是由泄漏信號(hào)和各種背景噪聲混合而成。泄漏信號(hào)可以認(rèn)為是平穩(wěn)信號(hào)，環(huán)境噪聲包括自來(lái)水流動(dòng)引起的管道振動(dòng)噪聲、機(jī)動(dòng)車(chē)行駛造成的地面震動(dòng)、施工引起的噪音等，由于外界干擾噪聲不一定滿(mǎn)足平穩(wěn)條件，會(huì)對(duì)泄漏檢測(cè)帶來(lái)極大困難。

因此，首先為了提升在低信噪比時(shí)的泄漏檢測(cè)效果，本發(fā)明以泄漏信號(hào)和噪聲的頻譜特征的差別為出發(fā)點(diǎn)，提出了基于譜減法和頻譜方差的泄漏檢測(cè)算法。譜減法是一種有效的語(yǔ)音增強(qiáng)算法，其算法復(fù)雜度低，實(shí)時(shí)性強(qiáng)，本發(fā)明將其應(yīng)用在對(duì)泄漏信號(hào)的檢測(cè)上。首先，應(yīng)用該算法對(duì)噪聲的頻譜進(jìn)行估計(jì)，再通過(guò)“譜相減”使漏水信號(hào)得到增強(qiáng)。頻譜方差是利用泄漏信號(hào)的頻譜特性差異較大，而背景噪聲的頻譜特性差異較小，從而識(shí)別出泄漏信號(hào)。接下來(lái)，為了減小時(shí)延估計(jì)誤差進(jìn)而提高算法的定位精度，提出了一種基于bp神經(jīng)網(wǎng)絡(luò)的漏水定位法，利用誤差反向傳播機(jī)制，根據(jù)輸出值與期望值計(jì)算誤差，再由誤差來(lái)逐層修改權(quán)值，使得誤差最小，從而完成網(wǎng)絡(luò)訓(xùn)練，構(gòu)建出基于bp神經(jīng)網(wǎng)絡(luò)的濾波系統(tǒng)，進(jìn)而利用廣義相關(guān)得到較為準(zhǔn)確的時(shí)延估計(jì)，實(shí)現(xiàn)漏水點(diǎn)的精確定位。

在分析算法原理的基礎(chǔ)上，在不同信噪比條件下進(jìn)行仿真實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明，該方法在低信噪比和復(fù)雜多變的環(huán)境條件下也能取得較好的檢測(cè)定位效果。

技術(shù)實(shí)現(xiàn)要素：

為了解決上述問(wèn)題，本發(fā)明提供一種供水管道泄漏檢測(cè)定位方法，所述方法對(duì)傳感器采集的信號(hào)進(jìn)行增強(qiáng)，然后計(jì)算增強(qiáng)后信號(hào)的頻譜方差，采用雙門(mén)限法進(jìn)行判斷，若頻譜方差處在門(mén)限范圍內(nèi)則說(shuō)明存在泄漏，再進(jìn)行漏水點(diǎn)定位，利用bp神經(jīng)網(wǎng)絡(luò)構(gòu)成濾波器，將漏水信號(hào)從噪聲中分離，對(duì)漏水信號(hào)進(jìn)行廣義相關(guān)，根據(jù)信噪比選擇性能好的權(quán)函數(shù)進(jìn)行時(shí)延估計(jì)，得到三個(gè)傳感器的時(shí)延后，利用漏水定位模型進(jìn)行計(jì)算，得到漏水點(diǎn)位置信息；

進(jìn)一步地，所述方法包括：

s1：將漏水信號(hào)進(jìn)行譜減增強(qiáng)；

s2：計(jì)算s1中增強(qiáng)后信號(hào)的頻譜方差；

s3：采用單參數(shù)的雙門(mén)限檢測(cè)識(shí)別泄漏信號(hào)，并確定門(mén)限閾值；

s4：進(jìn)行泄漏檢測(cè)，并輸出檢測(cè)結(jié)果；

s5：對(duì)s4中輸出的檢測(cè)結(jié)果，通過(guò)帶通濾波去除帶外噪聲；

s6：進(jìn)行神經(jīng)網(wǎng)絡(luò)濾波，去除帶內(nèi)噪聲；

s7：進(jìn)行廣義相關(guān)；

s8：對(duì)s7中廣義相關(guān)的結(jié)果進(jìn)行時(shí)延估計(jì)，并通過(guò)漏水定位模型進(jìn)行計(jì)算，得到漏水點(diǎn)位置信息，完成漏水定位；

進(jìn)一步地，所述s7具體為：在權(quán)函數(shù)選擇的過(guò)程中，根據(jù)信噪比選擇性能好的權(quán)函數(shù)進(jìn)行時(shí)延估計(jì)，得到三個(gè)傳感器的時(shí)延后，利用所述漏水定位模型進(jìn)行計(jì)算，得到漏水點(diǎn)位置信息；

進(jìn)一步地，所述漏水定位模型為三傳感器定位模型，所述模型將傳感器等距離分布在供水管網(wǎng)周?chē)?，其中距離漏點(diǎn)最近的三個(gè)傳感器節(jié)點(diǎn)編號(hào)分別為1,2,3，它們之間的距離為l，傳感器1,2距離漏點(diǎn)的位置分別設(shè)為d1和d2，通過(guò)相關(guān)法測(cè)得傳感器1和2，2和3之間的時(shí)延分別為d12和d23,漏水信號(hào)所在管道上的傳播速度ν:ν＝l/d23,漏點(diǎn)距傳感器1和2的距離及分別為和

進(jìn)一步地，所述s1中譜減法的計(jì)算具體如下：

s11：對(duì)輸入漏水信號(hào)s(n)進(jìn)行預(yù)處理，所述預(yù)處理包括預(yù)加重和加窗分幀；

s12：對(duì)帶噪的泄漏信號(hào)進(jìn)行短時(shí)傅里葉分析，計(jì)算得到每一幀信號(hào)的短時(shí)能量譜|ym(ω)|²；

s13：在應(yīng)用譜減法對(duì)漏水信號(hào)進(jìn)行增強(qiáng)之前，進(jìn)行噪聲譜估計(jì)，得到噪聲譜估計(jì)值用|ym(ω)|²減去從而得到去除噪聲增強(qiáng)后的泄漏信號(hào)功率譜

s14：對(duì)s13中結(jié)果開(kāi)平方根后得到泄漏信號(hào)的頻譜幅度值結(jié)合原漏水信號(hào)的相位信息得到各幀泄漏信號(hào)的頻譜估計(jì)再進(jìn)行傅里葉逆變換，對(duì)泄漏信號(hào)進(jìn)行恢復(fù)和重構(gòu)，得到譜減增強(qiáng)后的泄漏信號(hào)；

進(jìn)一步地，所述s2中信號(hào)頻譜方差的計(jì)算具體如下：

s21：假設(shè)輸入信號(hào)為s(n)，每幀的長(zhǎng)度為n，通過(guò)dft將信號(hào)從時(shí)域變換到頻域計(jì)算頻譜值:

用一個(gè)矩陣來(lái)記錄各頻率分量|s(ω)|的值；

s22：計(jì)算各個(gè)分量的均值：

s23：計(jì)算上一步驟中增強(qiáng)后的泄漏信號(hào)的頻譜方差值:并求出噪聲模型頻譜方差的平均值

進(jìn)一步地，所述s3具體為：

s31：設(shè)置兩個(gè)門(mén)限閾值t1和t2，求出噪聲模型頻譜方差的平均值

s32：閾值t1設(shè)置為閾值t2設(shè)置為

進(jìn)一步地，所述s4具體為：

s41：當(dāng)參數(shù)d高于閾值t2時(shí)，是泄漏信號(hào)；

s42：通過(guò)d高于或低于t1位置，來(lái)判斷泄漏信號(hào)的起止點(diǎn)；

s43：統(tǒng)計(jì)高于閾值的信號(hào)幀數(shù)，如果幀數(shù)大于輸入信號(hào)總幀數(shù)的四分之一，則判定為泄漏，并輸出信號(hào)，否則為無(wú)泄漏；

進(jìn)一步地，所述s6中利用神經(jīng)網(wǎng)絡(luò)進(jìn)行時(shí)延估計(jì)的過(guò)程中，其過(guò)程分為兩個(gè)階段：第一個(gè)階段是學(xué)習(xí)過(guò)程，第二個(gè)階段是工作過(guò)程；

進(jìn)一步地，所述學(xué)習(xí)過(guò)程為：

1)選擇泄漏環(huán)境下的樣本數(shù)據(jù)作為訓(xùn)練樣本；

2)對(duì)樣本數(shù)據(jù)進(jìn)行預(yù)處理，在進(jìn)行神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)之前，對(duì)原始數(shù)據(jù)進(jìn)行歸一化處理，使其數(shù)據(jù)規(guī)范在[-1,1]之間；

3)構(gòu)造訓(xùn)練樣本，在實(shí)驗(yàn)條件下經(jīng)噪聲抑制后的信號(hào)采樣序列作為目標(biāo)向量，在實(shí)際情況下測(cè)得含有不同噪聲的漏水信號(hào)，得到的采樣序列作為輸入信號(hào)；

進(jìn)一步地，所述工作過(guò)程為：

a)選取三層結(jié)構(gòu)的bp神經(jīng)網(wǎng)絡(luò)建立預(yù)測(cè)模型；輸入層、隱含層、輸出層對(duì)應(yīng)的節(jié)點(diǎn)數(shù)目分別為1、40和1，隱含層輸出層函數(shù)分別為tansig和purelin函數(shù)；

b)訓(xùn)練網(wǎng)絡(luò)；訓(xùn)練網(wǎng)絡(luò)之前，還需要設(shè)置訓(xùn)練參數(shù)，其中最大訓(xùn)練步長(zhǎng)net.trainparam.epochs為10000，最小均方誤差net.trainparam.goal為0.05，以及學(xué)習(xí)速率設(shè)為0.01等；

c)在神經(jīng)網(wǎng)絡(luò)建立完成以后，對(duì)采集得到的漏水信號(hào)進(jìn)行帶內(nèi)、帶外噪聲抑制；

本發(fā)明的有益效果如下：

1)采用雙門(mén)限法進(jìn)行判斷，若頻譜方差處在門(mén)限范圍內(nèi)則說(shuō)明存在泄漏，精確度更高；

2)采用“無(wú)泄漏估計(jì)法”估計(jì)噪聲譜對(duì)信噪比的提升更加明顯；

3)使用譜減法對(duì)帶噪的泄漏信號(hào)進(jìn)行降噪處理，有效地提高漏水信號(hào)的信噪比會(huì)有助于泄漏檢測(cè)有效性的提升；

4)利用噪聲與泄漏信號(hào)頻譜特性的差異，噪聲的頻譜均勻的分布在各個(gè)頻率分段，且各頻率分量較小，對(duì)其頻譜計(jì)算方差的值也較小，而泄漏信號(hào)的頻譜波動(dòng)較大，對(duì)其計(jì)算頻譜方差的值也大。因此，采用閾值判別法可以有效提高泄漏檢測(cè)的準(zhǔn)確率；

5)在復(fù)雜多變的地下供水環(huán)境中，高精度的時(shí)延估計(jì)不易實(shí)現(xiàn)。提出一種基于bp神經(jīng)網(wǎng)絡(luò)的漏水定位方法。它借助神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)性對(duì)不同環(huán)境下的漏水信號(hào)進(jìn)行預(yù)處理，然后利用廣義相關(guān)法進(jìn)行準(zhǔn)確的時(shí)延估計(jì)，提高漏水點(diǎn)的定位精度。

附圖說(shuō)明

圖1為本發(fā)明所述漏水定位模型；

圖2為本發(fā)明所述泄漏檢測(cè)的算法流程圖；

圖3為本發(fā)明所述基于神經(jīng)網(wǎng)絡(luò)定位法模型圖；

圖4為本發(fā)明所述方法的總體框架圖；

圖5為本發(fā)明所述方法驗(yàn)證時(shí)的原始及加噪漏水信號(hào)波形圖；

圖6為本發(fā)明所述方法驗(yàn)證時(shí)在不同信噪比下短時(shí)頻譜方差圖；

圖7為本發(fā)明所述方法得到交通高峰期的原始及濾波后的波形和頻譜圖；

圖8為本發(fā)明所述神經(jīng)網(wǎng)絡(luò)訓(xùn)練誤差曲線；

圖9為本發(fā)明所述白噪聲條件下的網(wǎng)絡(luò)訓(xùn)練與時(shí)延估計(jì)情況；

圖10為本發(fā)明所述有色噪聲條件下的網(wǎng)絡(luò)訓(xùn)練與時(shí)延估計(jì)情況；

圖11為本發(fā)明所述不同信噪比下神經(jīng)網(wǎng)絡(luò)訓(xùn)練精度；

圖12為本發(fā)明所述snr為5db時(shí)的各廣義相關(guān)函數(shù)圖像；

圖13為本發(fā)明所述snr為-5db時(shí)的各廣義相關(guān)函數(shù)圖像。

具體實(shí)施方式

為了使本發(fā)明的目的、技術(shù)方案及優(yōu)點(diǎn)更加清楚明白，以下結(jié)合附圖及實(shí)施例，對(duì)本發(fā)明進(jìn)行進(jìn)一步詳細(xì)描述。應(yīng)當(dāng)理解，此處所描述的具體實(shí)施例僅僅用于解釋本發(fā)明，并不用于限定本發(fā)明。相反，本發(fā)明涵蓋任何由權(quán)利要求定義的在本發(fā)明的精髓和范圍上做的替代、修改、等效方法以及方案。進(jìn)一步，為了使公眾對(duì)本發(fā)明有更好的了解，在下文對(duì)本發(fā)明的細(xì)節(jié)描述中，詳盡描述了一些特定的細(xì)節(jié)部分。對(duì)本領(lǐng)域技術(shù)人員來(lái)說(shuō)沒(méi)有這些細(xì)節(jié)部分的描述也可以完全理解本發(fā)明。

下面結(jié)合附圖和具體實(shí)施例對(duì)本發(fā)明作進(jìn)一步說(shuō)明，但不作為對(duì)本發(fā)明的限定。下面為本發(fā)明的舉出最佳實(shí)施例：

如圖1-圖13所示，本發(fā)明提供一種供水管道泄漏檢測(cè)定位方法，所述方法對(duì)傳感器采集的信號(hào)進(jìn)行增強(qiáng)，然后計(jì)算增強(qiáng)后信號(hào)的頻譜方差，采用雙門(mén)限法進(jìn)行判斷，若頻譜方差處在門(mén)限范圍內(nèi)則說(shuō)明存在泄漏，再進(jìn)行漏水點(diǎn)定位，利用bp神經(jīng)網(wǎng)絡(luò)構(gòu)成濾波器，將漏水信號(hào)從噪聲中分離，對(duì)漏水信號(hào)進(jìn)行廣義相關(guān)，根據(jù)信噪比選擇性能好的權(quán)函數(shù)進(jìn)行時(shí)延估計(jì)，得到三個(gè)傳感器的時(shí)延后，利用漏水定位模型進(jìn)行計(jì)算，得到漏水點(diǎn)位置信息，所述方法包括：

s1：將漏水信號(hào)進(jìn)行譜減增強(qiáng)；

s2：計(jì)算s1中增強(qiáng)后信號(hào)的頻譜方差；

s3：采用單參數(shù)的雙門(mén)限檢測(cè)識(shí)別泄漏信號(hào)，并確定門(mén)限閾值；

s4：進(jìn)行泄漏檢測(cè)，并輸出檢測(cè)結(jié)果；

s5：對(duì)s4中輸出的檢測(cè)結(jié)果，通過(guò)帶通濾波去除帶外噪聲；

s6：進(jìn)行神經(jīng)網(wǎng)絡(luò)濾波，去除帶內(nèi)噪聲；

s7：進(jìn)行廣義相關(guān)時(shí)延估計(jì)；

s8：利用s7中的時(shí)延估計(jì)結(jié)果，通過(guò)漏水定位模型，得到漏水點(diǎn)位置信息，完成漏水定位。

所述8具體為：在權(quán)函數(shù)選擇的過(guò)程中，根據(jù)信噪比選擇性能好的權(quán)函數(shù)進(jìn)行時(shí)延估計(jì)，得到三個(gè)傳感器的時(shí)延后，利用所述漏水定位模型進(jìn)行計(jì)算，得到漏水點(diǎn)位置信息。

所述漏水定位模型為三傳感器定位模型，所述模型將傳感器等距離分布在供水管網(wǎng)周?chē)渲芯嚯x漏點(diǎn)最近的三個(gè)傳感器節(jié)點(diǎn)編號(hào)分別為1,2,3，它們之間的距離為l，傳感器1,2距離漏點(diǎn)的位置分別設(shè)為d1和d2，通過(guò)相關(guān)法測(cè)得傳感器1和2，2和3之間的時(shí)延分別為d12和d23,漏水信號(hào)所在管道上的傳播速度ν:ν＝l/d23，漏點(diǎn)距傳感器1和2的距離及分別為

所述s1中譜減法的計(jì)算具體為：

s11：對(duì)輸入漏水信號(hào)s(n)進(jìn)行預(yù)處理，所述預(yù)處理包括預(yù)加重和加窗分幀；

s12：對(duì)帶噪的泄漏信號(hào)進(jìn)行短時(shí)傅里葉分析，計(jì)算得到每一幀信號(hào)的短時(shí)能量譜|ym(ω)|²；

s13：在應(yīng)用譜減法對(duì)漏水信號(hào)進(jìn)行增強(qiáng)之前，進(jìn)行噪聲譜估計(jì)，得到噪聲譜估計(jì)值用|ym(ω)|²減去從而得到去除噪聲增強(qiáng)后的泄漏信號(hào)功率譜

s14：對(duì)s13中結(jié)果開(kāi)平方根后得到泄漏信號(hào)的頻譜幅度值結(jié)合原漏水信號(hào)的相位信息得到各幀泄漏信號(hào)的頻譜估計(jì)再進(jìn)行傅里葉逆變換，對(duì)泄漏信號(hào)進(jìn)行恢復(fù)和重構(gòu)，得到譜減增強(qiáng)后的泄漏信號(hào)；

所述s2中信號(hào)頻譜方差的計(jì)算具體如下：

s21：假設(shè)輸入信號(hào)為s(n)，每幀的長(zhǎng)度為n，通過(guò)dft將信號(hào)從時(shí)域變換到頻域計(jì)算頻譜值:

用一個(gè)矩陣來(lái)記錄各頻率分量|s(ω)|的值；

s22：計(jì)算各個(gè)分量的均值：

s23：計(jì)算上一步驟中增強(qiáng)后的泄漏信號(hào)的頻譜方差值:并求出噪聲模型頻譜方差的平均值

所述s3具體為：

s31：設(shè)置兩個(gè)門(mén)限閾值t1和t2，求出噪聲模型頻譜方差的平均值

s32：閾值t1設(shè)置為閾值t2設(shè)置為

所述s4具體為：

s41：當(dāng)參數(shù)d高于閾值t2時(shí)，是泄漏信號(hào)；

s42：通過(guò)d高于或低于t1位置，來(lái)判斷泄漏信號(hào)的起止點(diǎn)；

s43：統(tǒng)計(jì)高于閾值的信號(hào)幀數(shù)，如果幀數(shù)大于輸入信號(hào)總幀數(shù)的四分之一，則判定為泄漏，并輸出信號(hào)，否則為無(wú)泄漏。

所述s6中利用神經(jīng)網(wǎng)絡(luò)進(jìn)行濾波的過(guò)程中，其過(guò)程分為兩個(gè)階

段：第一個(gè)階段是學(xué)習(xí)過(guò)程，第二個(gè)階段是工作過(guò)程。

所述學(xué)習(xí)過(guò)程為：

1)選擇泄漏環(huán)境下的樣本數(shù)據(jù)作為訓(xùn)練樣本；

2)對(duì)樣本數(shù)據(jù)進(jìn)行預(yù)處理，在進(jìn)行神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)之前，對(duì)原始數(shù)據(jù)進(jìn)行歸一化處理，使其數(shù)據(jù)規(guī)范在[-1,1]之間；

3)構(gòu)造訓(xùn)練樣本，在實(shí)驗(yàn)條件下經(jīng)噪聲抑制后的信號(hào)采樣序列作為目標(biāo)向量，在實(shí)際情況下測(cè)得含有不同噪聲的漏水信號(hào)，得到的采樣序列作為輸入信號(hào)。

所述工作過(guò)程為：

a)選取三層結(jié)構(gòu)的bp神經(jīng)網(wǎng)絡(luò)建立預(yù)測(cè)模型；輸入層、隱含層、輸出層對(duì)應(yīng)的節(jié)點(diǎn)數(shù)目分別為1、40和1，隱含層、輸出層函數(shù)分別為tansig和purelin函數(shù)；

b)訓(xùn)練網(wǎng)絡(luò)；訓(xùn)練網(wǎng)絡(luò)之前，還需要設(shè)置訓(xùn)練參數(shù)，其中最大訓(xùn)練步長(zhǎng)net.trainparam.epochs為10000，最小均方誤差net.trainparam.goal為0.05，以及學(xué)習(xí)速率設(shè)為0.01等；

c)在神經(jīng)網(wǎng)絡(luò)建立完成以后，對(duì)采集得到的漏水信號(hào)進(jìn)行帶內(nèi)、帶外噪聲抑制。

本發(fā)明提供一種供水管道泄漏檢測(cè)定位方法定位，所述方法基于系統(tǒng)模型，該系統(tǒng)模型如圖1所示，將傳感器等距離分布在供水管網(wǎng)周?chē)渲芯嚯x漏點(diǎn)最近的三個(gè)傳感器節(jié)點(diǎn)編號(hào)分別為1,2,3，它們之間的距離為l，傳感器1,2距離漏點(diǎn)的位置分別設(shè)為d1和d2，通過(guò)相關(guān)法可以測(cè)得傳感器1和2，2和3之間的時(shí)延分別為d12和d23，由此可以先求得漏水信號(hào)所在管道上的傳播速度ν為：

ν＝l/d23(1)

然后根據(jù)位置關(guān)系可以得到如下關(guān)系式：

將式(1)代入式(2)可以得到漏點(diǎn)距傳感器1和2的距離分別為：

因此，通過(guò)三傳感器定位模型，既能求出管道漏水信號(hào)的傳播速度，又能得到漏點(diǎn)距離兩端傳感器的位置，從而實(shí)現(xiàn)漏點(diǎn)定位。

基于譜減法和頻譜方差的泄漏信號(hào)檢測(cè)方法原理如圖2所示，譜減法是一種對(duì)信號(hào)增強(qiáng)去噪的有效算法。譜減法是在假設(shè)背景噪聲信號(hào)是短時(shí)平穩(wěn)的加性噪聲，原始信號(hào)和噪聲不相關(guān)的情況下提出的。譜減法具有計(jì)算量小、算法簡(jiǎn)單，易于實(shí)現(xiàn)和去噪效果良好的特點(diǎn)，應(yīng)用十分廣泛。其效果相當(dāng)于在變換域?qū)г胄盘?hào)進(jìn)行了某種濾波處理，從而得到較為純凈的信號(hào)頻譜。

帶噪聲的信號(hào)ym(n)可以表示為：

ym(n)＝sm(n)+dm(n)，m＝1，2，…；n＝0，1，…，n-1(4)

其中dm(n)為噪聲信號(hào)，sm(n)為純凈的泄漏信號(hào)。m表示信號(hào)分析幀序號(hào),n表示信號(hào)分析幀長(zhǎng)。對(duì)上式兩端同時(shí)做傅里葉變換得：

ym(ω)＝sm(ω)+dm(ω)(5)

其中,ym(ω)、sm(ω)和dm(ω)分別對(duì)應(yīng)ym(n),sm(n)和dm(n)進(jìn)行傅里葉變換后的頻譜密度。對(duì)其取平方，可以得到y(tǒng)m(ω)的短時(shí)能量譜：

|ym(ω)|²＝|sm(ω)|²+|dm(ω)|²+sm(ω)·dm(ω)^*+sm(ω)^*·dm(ω)(6)

由上式得：

因?yàn)榧僭O(shè)sm(n)和dm(n)獨(dú)立，所以sm(ω)和dm(ω)也獨(dú)立，而且假設(shè)dm(ω)為零均值的高斯分布，所以：

可得：

|ym(ω)|²＝|sm(ω)|²+|dm(ω)|²(9)

由于平穩(wěn)噪聲的頻譜在泄漏前后可以認(rèn)為基本沒(méi)有變化，這樣可以通過(guò)泄漏前的所謂“寂靜段”來(lái)估計(jì)噪聲的能量譜|dm(ω)|²?；诙虝r(shí)譜幅度估計(jì)的信號(hào)增強(qiáng)技術(shù)的目的就是設(shè)法得到|sm(ω)|的估計(jì)并由此得到sm(n)的估計(jì)即增強(qiáng)后的泄漏信號(hào)?？傻茫?/p>

這樣就可以得到增強(qiáng)后的泄漏信號(hào)：

定義第m個(gè)頻率分量的增益函數(shù)為：

可得：

sm(ω)＝gm(ω)·ym(ω)(13)

也就是說(shuō)，對(duì)帶噪信號(hào)的每個(gè)頻譜分量乘以一個(gè)系數(shù)gm(w)，得到去噪后泄漏信號(hào)的頻譜。利用原帶噪泄漏信號(hào)的相位譜來(lái)代替估計(jì)之后的信號(hào)的相位譜。再對(duì)它進(jìn)行傅里葉逆變換就可以得到去噪聲的泄漏信號(hào)。

實(shí)際信號(hào)和混雜在其中的噪聲信號(hào)的頻譜特性相差很大。泄漏信號(hào)的有效部分集中在500～3000hz這一頻段，并且各個(gè)頻段的幅度值波動(dòng)劇烈，而信號(hào)在短時(shí)間內(nèi)是平穩(wěn)的，反映在頻域就是集中在極窄的頻段，而在其他頻段的譜值近似為零。因此對(duì)泄漏信號(hào)計(jì)算頻譜方差，將會(huì)得到一個(gè)較大的值。白噪聲是在實(shí)際應(yīng)用中最廣泛存在的噪聲，它的功率譜則較為平坦，分布的頻帶寬，且譜值較小，對(duì)其頻譜計(jì)算方差，得到的值較小，并且明顯小于泄漏信號(hào)的頻譜方差值。因此，可以根據(jù)頻譜方差來(lái)區(qū)別泄漏信號(hào)和噪聲信號(hào)。

信號(hào)頻譜方差的計(jì)算具體過(guò)程如下：

(1)假設(shè)輸入信號(hào)為s(n)，每幀的長(zhǎng)度為n。通過(guò)dft將信號(hào)從時(shí)域變換到頻域計(jì)算頻譜值:

用一個(gè)矩陣來(lái)記錄各頻率分量|s(ω)|的值。

(2)計(jì)算各個(gè)分量的均值：

(3)計(jì)算頻譜方差值：

從式(16)中可以看出，頻譜方差反映的是信號(hào)頻域各分量的起伏程度，頻譜隨頻率的變化越劇烈，則d的值越大。而對(duì)于白噪聲信號(hào)，其頻譜起伏較平緩且分布的頻段寬。因此頻譜方差較小。由此，就可以根據(jù)頻譜方差來(lái)檢測(cè)目標(biāo)信號(hào)。

bp神經(jīng)網(wǎng)絡(luò)是一種以誤差反向傳播(errorbackpropagation,bp)為基礎(chǔ)的前向網(wǎng)絡(luò)，圖3為其拓?fù)浣Y(jié)構(gòu)，它由輸入層、隱含層、輸出層三部分組成，其中每層都可以包含多個(gè)神經(jīng)元節(jié)點(diǎn)作為單獨(dú)的輸入，層與層之間實(shí)現(xiàn)全連接，同一層之間的神經(jīng)元無(wú)連接。

如圖3所示的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖，則可推算得出網(wǎng)絡(luò)的實(shí)際輸出以及期望輸出分別為：

d(n)＝[d1,d2,…,dj](18)

則第n次迭代的誤差為：

ej(n)＝dj(n)-yj(n)(19)

所以得到誤差能量定義為：

在誤差反向傳播過(guò)程中，根據(jù)最速下降法，計(jì)算出誤差對(duì)權(quán)值的梯度，再沿著梯度的反方向進(jìn)行權(quán)值調(diào)整，

根據(jù)微分的鏈?zhǔn)揭?guī)則，得到梯度的計(jì)算方法：

引入局部梯度的概念：

對(duì)于輸出層來(lái)說(shuō)，傳遞函數(shù)一般為線性函數(shù)，因此其導(dǎo)數(shù)記為常數(shù)k，學(xué)習(xí)率為η，代入上式得出神經(jīng)元權(quán)值的修正量：

漏水定位的關(guān)鍵技術(shù)就是傳感器之間接收信號(hào)的時(shí)延估計(jì)，通常，兩路信號(hào)時(shí)間延遲可通過(guò)對(duì)兩路信號(hào)的互相關(guān)函數(shù)進(jìn)行峰值檢測(cè)進(jìn)行估計(jì)。如圖1中，假設(shè)漏水點(diǎn)發(fā)出的信號(hào)為s(n)，則

其中，傳感器1與2所接收到的信號(hào)分別為s1(n)和s2(n)，n1(n)和n2(n)為噪聲信號(hào)，α為衰減因子，ts為采樣周期。s1(n)和s2(n)的互相關(guān)函數(shù)定義為：

根據(jù)平穩(wěn)隨機(jī)過(guò)程自相關(guān)函數(shù)的性質(zhì)，有

則得到，即傳感器1與2間的時(shí)延為：

本發(fā)明涉及到基于譜減法和頻譜方差的泄漏信號(hào)檢測(cè)算法，算法原理如圖2所示。把譜減增強(qiáng)算法與頻譜方差結(jié)合起來(lái)。首先使用譜減法對(duì)帶噪的泄漏信號(hào)進(jìn)行降噪處理，有效地提高漏水信號(hào)的信噪比會(huì)有助于泄漏檢測(cè)有效性的提升。之后利用噪聲與泄漏信號(hào)頻譜特性的差異，噪聲的頻譜均勻的分布在各個(gè)頻率分段，且各頻率分量較小，對(duì)其頻譜計(jì)算方差的值也較小。噪聲信號(hào)的頻譜方差相對(duì)于泄漏信號(hào)的頻譜方差值有明顯差異。最后通過(guò)設(shè)置合適的閾值準(zhǔn)確地識(shí)別出泄漏信號(hào)，判斷出泄漏發(fā)生。

具體算法的實(shí)現(xiàn)步驟為：

1)對(duì)輸入漏水信號(hào)s(n)進(jìn)行預(yù)處理，包括預(yù)加重、加窗分幀。

2)對(duì)帶噪的泄漏信號(hào)進(jìn)行短時(shí)傅里葉分析。計(jì)算得到每一幀信號(hào)的短時(shí)能量譜|ym(ω)|²。

3)在應(yīng)用譜減法對(duì)漏水信號(hào)進(jìn)行增強(qiáng)之前，首先進(jìn)行噪聲譜估計(jì)，得到噪聲譜估計(jì)值用|ym(ω)|²減去從而得到去除噪聲增強(qiáng)后的泄漏信號(hào)功率譜

4)開(kāi)平方根后得到泄漏信號(hào)的頻譜幅度值結(jié)合原漏水信號(hào)的相位信息得到各幀泄漏信號(hào)的頻譜估計(jì)再進(jìn)行傅里葉逆變換，對(duì)泄漏信號(hào)進(jìn)行恢復(fù)和重構(gòu)，得到譜減增強(qiáng)后的泄漏信號(hào)。

5)使用頻譜方差進(jìn)行泄漏檢測(cè)，計(jì)算上一步驟中增強(qiáng)后的各幀信號(hào)與噪聲模型的頻譜方差值d。并求出噪聲模型頻譜方差的平均值

6)本發(fā)明采用單參數(shù)的雙門(mén)限檢測(cè)法，在檢測(cè)泄漏信號(hào)過(guò)程中只有一個(gè)參數(shù)“頻譜方差d”，然后用雙門(mén)限來(lái)識(shí)別泄漏信號(hào)。設(shè)置兩個(gè)門(mén)限閾值t1和t2，當(dāng)參數(shù)d高于閾值t2時(shí)判斷為泄漏信號(hào)，再?gòu)膁在什么時(shí)候高于或低于t1來(lái)判斷泄漏信號(hào)的起止點(diǎn)。其中，閾值t1設(shè)置為閾值t2設(shè)置為

7)在泄漏檢測(cè)算法運(yùn)行過(guò)程中，統(tǒng)計(jì)高于閾值的信號(hào)幀數(shù)，如果幀數(shù)大于輸入信號(hào)總幀數(shù)的四分之一，則判定為泄漏，并輸出信號(hào)。否則為無(wú)泄漏。

泄漏定位算法原理如圖3所示。所述方法的總體思路是：廣義相關(guān)法進(jìn)行時(shí)延估計(jì)結(jié)果較為準(zhǔn)確，然而需要大量先驗(yàn)知識(shí)和統(tǒng)計(jì)特性來(lái)決定權(quán)函數(shù)的使用，這對(duì)于地下漏水檢測(cè)系統(tǒng)而言不易實(shí)現(xiàn)，因此以bp神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)結(jié)合廣義相關(guān)法構(gòu)成神經(jīng)網(wǎng)絡(luò)定位法。而常見(jiàn)的廣義相關(guān)加權(quán)函數(shù)包括：roth處理器、scot(平滑相干變換)、phat(相位變換)、eckart、ml(最大似然)這5種，再加上傳統(tǒng)相關(guān)法共可得到6種預(yù)濾波器模型進(jìn)行優(yōu)化，在歸納出常用的6種權(quán)函數(shù)之后，首先在實(shí)驗(yàn)室條件下采集無(wú)噪聲或高信噪比時(shí)的供水管道漏水信號(hào)，然后采集不同噪聲情況下的漏水信號(hào)。對(duì)不同情況下的漏水信號(hào)進(jìn)行離散采樣，構(gòu)成一維行向量矩陣以便神經(jīng)網(wǎng)絡(luò)使用。為了克服廣義相關(guān)法需要大量先驗(yàn)條件這一弊端，需要利用神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)功能和自適應(yīng)性。在進(jìn)行多次實(shí)驗(yàn)后，決定搭建三層結(jié)構(gòu)的bp神經(jīng)網(wǎng)絡(luò)。

其中輸入層的節(jié)點(diǎn)數(shù)為1，輸入內(nèi)容為漏水信號(hào)采樣點(diǎn)所構(gòu)成的一維行向量矩陣。隱含層選用tansig函數(shù)作為激勵(lì)函數(shù)，隱含層的節(jié)點(diǎn)數(shù)為40，輸出層的神經(jīng)元個(gè)數(shù)為1。選用purline作為輸出函數(shù)，網(wǎng)絡(luò)的建立語(yǔ)句為：

bpnet＝newff(minmax(p),[41],{'tansig','purelin'},'traingdx','learngdm')(29)

輸出內(nèi)容為經(jīng)過(guò)神經(jīng)網(wǎng)絡(luò)濾波后的離散信號(hào)，算法采用最速下降法來(lái)進(jìn)行誤差反向傳播,經(jīng)過(guò)神經(jīng)網(wǎng)絡(luò)的多次迭代可以得到針對(duì)混合噪聲的具有濾波功能的bp神經(jīng)網(wǎng)絡(luò)。接下來(lái)使用廣義相關(guān)法，選取合適的權(quán)函數(shù)并進(jìn)行峰值檢測(cè)，這樣得到的時(shí)延估計(jì)更加精準(zhǔn)。最后通過(guò)公式3，即可確定漏水點(diǎn)的位置，圖3所示為神經(jīng)網(wǎng)絡(luò)定位法的結(jié)構(gòu)模型。在對(duì)5000hz由氣泡爆破、水流沖擊介質(zhì)等產(chǎn)生高頻帶外噪聲以及傳感器電信號(hào)帶入的500hz低頻帶外噪聲處理之后，還需要防止與漏水信號(hào)同頻段的噪聲干擾。此時(shí)就可利用經(jīng)帶通濾波處理后的數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的輸入并建立bp神經(jīng)網(wǎng)絡(luò)以進(jìn)行漏點(diǎn)定位。本系統(tǒng)采用三層結(jié)構(gòu)的bp神經(jīng)網(wǎng)絡(luò)，其中輸入層的神經(jīng)元節(jié)點(diǎn)數(shù)為1個(gè)，目標(biāo)向量為經(jīng)過(guò)前面數(shù)據(jù)處理后信號(hào)的采樣序列，是在實(shí)驗(yàn)條件下得到；其輸入向量為實(shí)際情況中含有各種未知噪聲情況下的信號(hào)采樣序列。網(wǎng)絡(luò)的隱含層常用的激勵(lì)函數(shù)包括tansig和logisg，經(jīng)過(guò)網(wǎng)絡(luò)訓(xùn)練，對(duì)于達(dá)到同樣的期望誤差，tansig的訓(xùn)練步長(zhǎng)要小于logsig，因此這里選用tansig函數(shù)作為激勵(lì)函數(shù)，經(jīng)過(guò)神經(jīng)網(wǎng)絡(luò)的多次訓(xùn)練測(cè)試得到隱含層節(jié)點(diǎn)數(shù)為40，輸出層的神經(jīng)元個(gè)數(shù)為1，采用最速下降法進(jìn)行誤差反向傳播，經(jīng)過(guò)多次迭代得到訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)，通過(guò)實(shí)際情況來(lái)驗(yàn)證方法的可行性。

在利用神經(jīng)網(wǎng)絡(luò)進(jìn)行時(shí)延估計(jì)的過(guò)程中，其過(guò)程分為兩個(gè)階段：第一個(gè)階段是學(xué)習(xí)過(guò)程，第二個(gè)階段是工作過(guò)程，具體步驟如下：

1)選取樣本數(shù)據(jù)構(gòu)造訓(xùn)練樣本。由于供水管道深埋于地下，其所處環(huán)境復(fù)雜多變，是一個(gè)不穩(wěn)定的非線性系統(tǒng)，因此必須選擇正常環(huán)境下的樣本數(shù)據(jù)，否則抽取到的奇異樣本會(huì)降低網(wǎng)絡(luò)的預(yù)測(cè)能力。對(duì)樣本數(shù)據(jù)進(jìn)行預(yù)處理。在進(jìn)行神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)之前，要對(duì)原始數(shù)據(jù)進(jìn)行歸一化處理，使其數(shù)據(jù)規(guī)范在[-1,1]之間。

2)構(gòu)造訓(xùn)練樣本。在實(shí)驗(yàn)條件下經(jīng)噪聲抑制后的信號(hào)采樣序列作為目標(biāo)向量，然后在實(shí)際情況下測(cè)得了含有不同噪聲的漏水信號(hào)，得到的采樣序列作為輸入信號(hào)。

3)選取三層結(jié)構(gòu)的bp神經(jīng)網(wǎng)絡(luò)建立預(yù)測(cè)模型。輸入層、隱含層、輸出層對(duì)應(yīng)的節(jié)點(diǎn)數(shù)目分別為1、40和1，隱含層輸出層函數(shù)分別為tansig和purelin函數(shù)。

4)訓(xùn)練網(wǎng)絡(luò)。在訓(xùn)練網(wǎng)絡(luò)之前，還需要設(shè)置訓(xùn)練參數(shù)，其中最大訓(xùn)練步長(zhǎng)net.trainparam.epochs為10000，最小均方誤差net.trainparam.goal為0.05，以及學(xué)習(xí)速率設(shè)為0.01等。

在神經(jīng)網(wǎng)絡(luò)建立完成以后，對(duì)測(cè)得的漏水信號(hào)進(jìn)行帶內(nèi)、帶外噪聲抑制。本發(fā)明提出的供水管道泄漏檢測(cè)定位模型總體分為兩個(gè)部分：首先進(jìn)行泄漏檢測(cè)，當(dāng)檢測(cè)到泄漏發(fā)生后，接下來(lái)進(jìn)行漏水點(diǎn)的定位。其總體框架如圖4所示，實(shí)驗(yàn)結(jié)果表明：無(wú)論采用何種噪聲估計(jì)方式，譜減法均可提升漏水信號(hào)的信噪比；而采用“無(wú)泄漏估計(jì)法”估計(jì)噪聲譜對(duì)信噪比的提升最為明顯。接下來(lái)在對(duì)頻譜方差算法仿真驗(yàn)證時(shí)，首先計(jì)算噪聲模型的頻譜方差，確定好雙門(mén)限閾值t1和t2，再計(jì)算譜減增強(qiáng)后各信號(hào)幀的頻譜方差。如圖5所示，在0.3秒之前和3.6秒之后是沒(méi)有泄漏發(fā)生的寂靜段。如圖5所示三幅圖像分別是未疊加噪聲、信噪比為5db和信噪比為-5db，三種背景噪聲條件下計(jì)算得到的短時(shí)頻譜方差圖像。圖中平行于橫軸的虛線為閾值t1的圖像，實(shí)線是閾值t2的圖像。平行于縱軸的實(shí)線標(biāo)記為泄漏信號(hào)的開(kāi)始端，虛線標(biāo)記為泄漏信號(hào)結(jié)束端。由圖像可見(jiàn)，基于譜減法和頻譜方差的信號(hào)檢測(cè)方法不僅在高信噪比情況下有很好的區(qū)分能力，在低信噪比情況下依然有強(qiáng)大的性能。即使在信噪比為-5db時(shí)，僅在2.7秒處出現(xiàn)一次誤判，但不影響總體算法的有效性，泄漏信號(hào)段和背景噪聲段的波形依然差異明顯。

圖6所示為歸一化后的信號(hào)幅值。計(jì)算圖6所示信號(hào)的頻譜方差，結(jié)果表明，在輸入信號(hào)信噪比從-5db到5db變化的10個(gè)梯度間，噪聲模型的頻譜方差值最大不超過(guò)30，而增強(qiáng)后漏水信號(hào)的頻譜方差值均在680以上。二者差異明顯,通過(guò)設(shè)置合適的閾值可以有效檢測(cè)出泄漏信號(hào)。

綜上所述，無(wú)論是從仿真圖像還是計(jì)算數(shù)據(jù)均反映出基于譜減法和頻譜方差的泄漏信號(hào)檢測(cè)方法檢測(cè)效果明顯，有效性強(qiáng)。在完成泄漏檢測(cè)以后，需要對(duì)漏水進(jìn)行準(zhǔn)確定位。如圖7所示分別為交通高峰期測(cè)得的漏水信號(hào)的波形和頻譜以及經(jīng)過(guò)帶通濾波后的情況。在得到交通高峰期的漏水信號(hào)，經(jīng)過(guò)帶通濾波可以減小帶外噪聲，經(jīng)過(guò)這樣處理后，對(duì)所得到的信號(hào)進(jìn)行采樣，采樣點(diǎn)構(gòu)成的矩陣作為輸入向量，在夜間噪聲較小時(shí)對(duì)測(cè)得的信號(hào)進(jìn)行采樣，構(gòu)成的矩陣作為目標(biāo)向量，對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，訓(xùn)練情況如圖8所示。顯然，經(jīng)過(guò)9991次訓(xùn)練達(dá)到了0.64％的誤差精度，接下來(lái)將交通高峰期的另一段漏水信號(hào)作為測(cè)試輸入，輸出得到經(jīng)過(guò)bp神經(jīng)網(wǎng)絡(luò)濾波的信號(hào)。按相同的步驟處理傳感器1,2在交通高峰期的漏水信號(hào)，接下來(lái)采用廣義相關(guān)法來(lái)求得時(shí)間延遲。

在進(jìn)行預(yù)濾波的過(guò)程中首先要選擇權(quán)函數(shù)，常見(jiàn)的權(quán)函數(shù)包括：基本相關(guān)，roth處理，scot平滑相干變換，phat相位變換，eckart，ml最大似然權(quán)函數(shù)這6種。在選擇權(quán)函數(shù)時(shí)，應(yīng)確保在互相關(guān)函數(shù)中有一個(gè)尖峰而不是一個(gè)寬峰，且在高分辨率和穩(wěn)定性之間有一個(gè)兼顧。在漏水定位方面，對(duì)bp神經(jīng)網(wǎng)絡(luò)和廣義相關(guān)進(jìn)行了可行性分析之后，接下來(lái)分別就不同的噪聲類(lèi)型、信噪比、廣義相關(guān)法的加權(quán)函數(shù)以及神經(jīng)網(wǎng)絡(luò)參數(shù)這四種變量對(duì)算法精度的影響進(jìn)行分析，進(jìn)而得出完整實(shí)驗(yàn)結(jié)論。不同噪聲類(lèi)型對(duì)算法的影響。在保證其他變量相同的情況下，依次混入的信號(hào)噪聲為高斯白噪聲、有色噪聲這兩種進(jìn)行算法結(jié)果的比較。首先混入白噪聲，其訓(xùn)練誤差如圖9(a)所示，再將經(jīng)神經(jīng)網(wǎng)絡(luò)濾波后的傳感器1和2的信號(hào)進(jìn)行廣義相關(guān)，得到的互相關(guān)函數(shù)圖像如圖9(b)所示。接下來(lái)混入頻率在500-2000hz的有色噪聲后相當(dāng)于增加帶內(nèi)噪聲，其神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果與兩傳感器的廣義互相關(guān)函數(shù)分別如圖10中(a)和10(b)所示。

在混入白噪聲的情況下，神經(jīng)網(wǎng)絡(luò)訓(xùn)練精度經(jīng)1599步達(dá)到期望誤差0.001，而混入有色噪聲的訓(xùn)練精度經(jīng)10000步僅達(dá)到0.0024，說(shuō)明含白噪聲的網(wǎng)絡(luò)訓(xùn)練精度優(yōu)于含有色噪聲的情況。

不同信噪比對(duì)算法精度的影響，以混入高斯白噪聲為例，在10db到-12db的范圍內(nèi)改變信噪比，讓信號(hào)通過(guò)bp神經(jīng)網(wǎng)絡(luò)，其中10db和-12db下得到的誤差曲線如圖11所示，將多個(gè)信噪比下的誤差結(jié)果整理到下表中，可以發(fā)現(xiàn)信噪比越高，神經(jīng)網(wǎng)絡(luò)的訓(xùn)練結(jié)果越理想，利用廣義相關(guān)的定位越準(zhǔn)確。

下表為不同信噪比下的網(wǎng)絡(luò)訓(xùn)練結(jié)果

算法本身參數(shù)設(shè)置也會(huì)對(duì)定位精度造成影響。bp算法參數(shù)的設(shè)置主要包括隱含層節(jié)點(diǎn)數(shù)、傳輸函數(shù)、訓(xùn)練方法這些方面。研究對(duì)象定為含高斯白噪聲信噪比為10db的漏水信號(hào)，首先在含有不同隱含層節(jié)點(diǎn)數(shù)的網(wǎng)絡(luò)中進(jìn)行訓(xùn)練，設(shè)最大步長(zhǎng)為10000步，改變隱含層的節(jié)點(diǎn)數(shù)并進(jìn)行多次訓(xùn)練得到訓(xùn)練精度的均值，訓(xùn)練樣本為5000時(shí)，訓(xùn)練結(jié)果如下表所示，可以得到隱含層的最優(yōu)節(jié)點(diǎn)數(shù)為17，此時(shí)訓(xùn)練誤差精度最小且為0.00234，結(jié)果表明隱含層節(jié)點(diǎn)數(shù)對(duì)誤差精度有影響但影響較小，節(jié)點(diǎn)數(shù)的增加對(duì)于運(yùn)算時(shí)間和運(yùn)算量影響更大。

下表為隱含層節(jié)點(diǎn)與神經(jīng)網(wǎng)絡(luò)的訓(xùn)練精度對(duì)照表

而對(duì)于傳輸函數(shù)來(lái)說(shuō)，隱含層常用的傳輸函數(shù)為logsig和tansig，對(duì)于同一個(gè)信號(hào)，在相同的最大步長(zhǎng)內(nèi)，tansig的訓(xùn)練精度要高于logsig，所以選擇tansig作為隱含層的傳輸函數(shù)。廣義相關(guān)法的權(quán)函數(shù)也對(duì)算法精度有影響，常見(jiàn)的權(quán)函數(shù)有5種，再加上傳統(tǒng)相關(guān)法(cc)，一共6種處理方法。分別采用不同的方法對(duì)同一漏水信號(hào)進(jìn)行廣義相關(guān)處理，當(dāng)傳感器1的信噪比snr1為10db，傳感器2的信噪比snr2為5db時(shí)，其不同的廣義相關(guān)函數(shù)圖像如圖12所示。

當(dāng)傳感器1的信噪比snr1為10db，傳感器2的信噪比snr2為-5db時(shí)，其不同的廣義相關(guān)函數(shù)圖像如圖13所示，可以看到當(dāng)snr1＝10db且snr2＝-5db，隨著信噪比的下降，之前相關(guān)函數(shù)峰值較為尖銳的scot和roth已淹沒(méi)在噪聲中，而cc、phat的峰值也隨之變得平緩并易受到次峰的影響。反觀ml和eckart的峰值尖銳度并沒(méi)有隨信噪比的下降而有顯著變化。綜上所述，在選擇廣義相關(guān)函數(shù)進(jìn)行漏水定位時(shí)，當(dāng)傳感器接收到信號(hào)的信噪比較高時(shí)，選擇phat和scot權(quán)函數(shù)的定位效果較好；當(dāng)其信噪比較低時(shí)，選擇ml和eckart權(quán)函數(shù)的定位效果較好。

以上所述的實(shí)施例，只是本發(fā)明較優(yōu)選的具體實(shí)施方式的一種，本領(lǐng)域的技術(shù)人員在本發(fā)明技術(shù)方案范圍內(nèi)進(jìn)行的通常變化和替換都應(yīng)包含在本發(fā)明的保護(hù)范圍內(nèi)。