根据快速反射镜中位移传感器的位置特性，可以通过ICA方法使传感器信号断电。ICA算法的缺点是它必须计算高阶统计量，该统计量很大，这将实时影响性能。性能硬件可以弥补这一不足。真结果表明，ICA消噪后，信噪比可提高约15 dB，该方法可用于衰减收集的传感器信号的噪声并将信噪比从13 dB提高到16 dB。以看出，ICA方法可以有效地提高信号的信噪比，非常实用。
立分量分析（ICA）是与1990年代后期盲源问题并行发展的一种新的信号处理方法，盲源分离（BSS）指的是盲源分离的估计。设源信号和传输通道的参数未知，则从接收到的混合信号中进行分离，然后对源信号进行估计或检测。ICA不仅可以用来解决盲目分离信号源的问题：在工程应用中，有人建议使用ICA来衰减信号[1？ 2]。文中描述的涡流传感器的安装方法可以看作是矩阵分布集。子的角度垂直于两个方向。和噪声的线性混合对应于四个传感器接收的信息。收到的信号将两个未知信号源分离开来，这可以看作是盲源信号分离的问题，此外，改进的ICA处理可以达到降噪的目的。速控制镜（FSM）是一种高精度光学设备。1示出了快速反射镜的结构。该图中，快速反射镜使用移动线圈电机驱动器和涡流传感器[3]作为位移传感器[3]，这是基于非接触式涡流的非接触式涡流传感器。越的性能。爬到镜子中央的四点。支柱等距且相距90°的位置，可以使用四个位置点的纵向位移来计算反射镜的角偏转信息。快速反射镜系统中，任何小的误差都会降低其准确性。于各种原因，涡流信号包含随机噪声，因此必须进行滤波。中：t是时间，n是信号源数量，m是传感器数量，接收到的第k个信号，第k个通道对第n个源信号和第n个信号源的影响其中：是接收到的混合信号是未知的混合矩阵，其中是未知的源信号。果源信号和传输信道未知，ICA将使用源信号的统计独立特性，并处理接收到的混合信号以估计分离矩阵W，从而估计源信号。中：是未知源信号S（t）的估计； W是分离矩阵。进行ICA处理之前，对观察信号进行预处理，使得数据可以满足ICA算法的条件，并且可以简化ICA算法。
处理包括两个步骤：集中和漂白：减去数据的平均值，使其平均值为0，白化为白噪声，并且相关矩阵通常对数据对称départrées。中：U是由R的特征向量组成的特征矩阵；由特征值组成的对角矩阵。白数据具有不相关的平均均值方差，零均值和其他特征，漂白的作用是正交化新的混合矩阵A，然后搜索合适的还原矩阵W进行提取。号在独立的组件中。于峰度，FastICA [5？ 6]由A. Hyvarinen提出。得等效项等效于混合矩阵A的一列，并且可以通过分辨率提取非高斯源。过运行该算法n次，您可以提取n个独立的分量。于该算法具有三次收敛速度，因此通常只需5到10次迭代即可达到采样数据可以达到的最大精度，并且可以保证算法的速度。快速反射镜中，由两个中央对称传感器接收的信息具有更大的冗余度，并且仅在轴的方向上反射反射镜偏差信息，而对反射镜的偏差信息几乎没有反射。直轴。两个传感器信号用作包含源和噪声的一组线性混合信号，另外两个传感器信号用作另一组（模型如图3所示）。四个传感器信号分为两组进行处理的原因是由于以下原因：一方面，两个信号源并不完全相互独立，因此无法分离另一方面，在ICA中，在计算中对于协方差矩阵，您只需要两次计算第二阶矩阵的协方差，而不是第四阶矩阵，则可以节省一半的计算。IFA的一个问题是，即使与原始来源符号相反，分离的每个成分的大小也不确定，因此有些人认为AIT仅适用于定性分析，而不适用于定量分析。是，在信号去噪应用中，将有用的源分开就足够了，相应的特征向量通常是最大的，对于噪声分量，甚至没有必要将它们分开，因为最后一个分量剩下的通常是噪声成分。声分量被设置为零，并且通过将分离的分量与通过混合矩阵消除的噪声分量相乘来获得反映原始幅度的解调信号。处理本文中的涡流传感器信号时，ACI对混合信号之一进行混合以获取轴向方向的偏差源。ICA算法找到混合矩阵，分离矩阵，然后分离源。
中：是所需偏差信息的来源，这是代表噪声源的高斯信号。公式中，去除噪声成分后的信号。以看出，ICA仅需要混合矩阵的第一列和第一成分即可获得无噪声的结果。面的定点算法使用批处理方法，恒温阀芯该方法不允许同时存储大量数据，而自适应方法可以解决此问题。Fast™ICA算法可以快速收敛，并且梯度线学习算法效果更好，但缺点是收敛速度慢，取决于选择合适的收敛算子。
经提出。[7]（GBOBA / ICA），其中包括Fast的好处？基于梯度的ICA和在线学习算法，可提供良好的性能。设离散输出信号是无噪声的原始信号，是叠加的噪声信号。
方根值越低，降噪效果越好，该值越高，降噪效果越好。了验证ICA算法的有效性，选择了一个正弦振幅信号（通过改变总和值来控制输入信噪比）作为无噪声源，并且采样率为1 000，因为两个传感器的安装位置。称地，接收到的信号具有相同的幅度和相反的符号：分别考虑两者的噪声特性差异，相加1000点的高斯白噪声，传感器的接收信号为分别。了验证在输入的不同信噪比下ICA歧义消除的信噪比的提高，获得第一信噪比，然后将其用于获得输入信噪比。
上。图4中示出了信噪比的改善。该图中可以看出，在输入端的信噪比低的情况下，信噪比也增加了，并且信噪比也提高了。者之间的输入噪声会增加。噪比增加趋于稳定：在超过输入端的输入噪声比之后，信噪比增加逐渐减小，并且趋势加速。5显示了标准偏差随输入信噪比变化的变化，与输出趋势和信噪比的变化趋势以及上升趋势相反。
噪比增量的幅度反映了去噪效果：噪声信号比越大，值越小，恒温阀芯去噪效果越好，反之亦然。了验证ICA降噪方法对涡流信号中随机噪声的有效性，收集了传感器的实验数据进行验证。于每组传感器信号的对称性，仅分析其中一个信号即可确定标准偏差和信噪比。择两组采样率为2 s的传感器信号：第一组数据是正弦周期信号，如图6（a）所示，ICA处理后的变化如图6所示。6（b）；组数据是非平稳随机信号，如图7（a）所示，ICA处理后的修改如图7（b）所示。
了获得不同的信噪比，对信号进行分段和分析。10，000个采样点平均分为5个部分，每个部分有2，000个样本，然后计算均方误差和去噪的信噪比。一数据组的控制信号是正弦信号。于控制信号和传感器接收信号之间的延迟和幅度不同，因此无法将其直接作为源信号处理。
收信号的最小二乘调整结果为：作为源信号，噪声部分表示接收器接收信号与源之间的差，以及降噪的均方误差和信噪比表1所示。二数据组的控制信号是随机信号。于相同的原因，控制信号不能直接用作源，并且执行低通滤波处理以消除随机噪声的高频部分。
波后的信号大约为RMSW，源信号的信噪比变化及其衰减如表2所示。1的结果表明，信号的每个段的信噪比正弦信号接近：ICA消噪后，每个段的信噪比的增加在之间，并且增量的幅度接近或优于模拟结果。拟结果：均方误差值保持接近1.1，高于模拟结果。2中的结果表明，随机信号输入的信噪比变化很大，第二和第四部分的信号变化相对平坦，信噪比在第二和第四之间。应信号的信噪比增量接近。
接近于仿真结果：第一，第三和第五级的信噪比相对较大，相应信号的信噪比较大，这略低于仿真结果。仿真结果相比，两者都介于两者之间，并且太大。组实验结果可以得出这样的结论：在涡流信号去噪之后，信噪比的增量通常与仿真结果一致，但是由于振幅值，该值太大。流随机噪声信号大于仿真中使用的高斯随机噪声信号。度值表示随机噪声信号的特征幅度变化也影响ICA降噪效果。文采用ICA方法对涡流传感器信号中的随机噪声进行滤波，仿真结果表明，该方法可以将处理后的输出信号的信噪比提高约15％。一定信噪比下的dB。收集到的涡流传感器数据进行去噪验证的结果表明，确定性信号的去噪结果接近或优于仿真结果，可以提高传感器的信噪比。14-16 dB之间的输入约为46 dB。机信号的降噪效果比模拟结果差一点当输入端的信噪比大于60 dB时，降噪后的信噪比增量在13之间和14 dB。外，降噪效果不仅受输入端信噪比的影响，还受到随机噪声幅度特性的影响。要进一步研究以获得随机噪声幅度变化对降噪效果的影响。
本文转载自
恒温阀芯 https://www.wisdom-thermostats.com