STFT谱图深度学习整理

1、STFT谱图深度学习整理STFT谱图的绘制什么是STFT变换？有哪些参数？含义分别是什么？还有哪些其他的时频域变换方 法，优缺点是什么？为什么数据的损伤特征会表现在谱图上？为什么数据的扩增不 会改变损伤的程度？St STFT变化即短时傅里叶变换，由傅里叶变换衍生而来。傅里叶变换是将信号从时 域转换到频域，使得信号的频域分析成为可能。但是傅里叶变换是一种整体变换， 无法体现信号的频谱随时间的变换趋势。典型的傅里叶频谱图如下图所示。不包括时间上频率变化的信息。傅里叶变换的公式如下式。FIG = f（.t）edtSTFT =（3,r）i - 丁）$（）-山山增加了一个g*窗函数，它是对称函数。一个周

2、期上的模为 1。通过时间窗函数对 信号进行截断，在每一个被截断的时域信号内进行傅里叶变换。 不断移动时间窗的 中心，对所有的时域信号分析完成后对频谱情况进行集合。STFT可以对非平稳信号进行损伤识别，但是傅里叶变换只能识别平稳信号的损伤信息。（什么是平稳信号？什么是非平稳信号？）STFT变换的主要参数有：窗函数的时长t,窗函数的中心频率 w,窗函数移动的时间不长dt和dw,时间分辨率和频率分辨率不可能同时取到最佳值。常见的窗函数 有矩形窗、汉宁窗、海明窗、布莱克曼窗、三角窗、高斯窗等、短时傅里叶变换的缺点是不具备适应性，即窗函数一旦选定，就无法改变时间尺度即分辨率，想要更改分辨率就需要重新选择

3、窗函数。（why?更改窗函数的时长？也算改变了窗函数嘛？）STFT是最简单的联合时频域分析方法。也是线性时频域分析方法。其他的信号时频域分析方法有：小波变换和希尔伯特黄变换。小波变换可以在时域和频域两个尺度上对信号进行分析，小波变换具有多分辨性，也叫多尺度特征，通过适当选择尺度因子和平移因子，可以得到一个伸缩窗函数， 因此具有在时域和频域都具有表征信号局部特征的能力。小波变换的计算方法如下式所示:STFT和小波变换都需要选择基函数，不具备自适应性，小波变换相较于 STFT具有多尺度特性。，基于EMD和希尔伯特变换的时频分析具有自适应性，不用选择基函数。该方法可以很好的用来分析非线性非平稳信号的

4、时频分布，反映结构的损伤。希尔伯特变换是在相同域内做变换，经验模态分解法认为任何信号都由一组固有震动模式构成， 该信号可以分解为若干固有模式函数。，结构的损伤带来结构固有属性的变化，比如频率，振型等。通过时频域分析可以看出频率的变换，在健康状态和损伤状态下的频率分布不同。数据的来源与扩增；使用 MATLAB实现STFT变换的代码；是不是可以把模拟的数据也用于STFT分析？MATLAB默认的窗是海明窗图片深度学习的识别什么是深度识别？与机器学习的区别在哪里？用深度学习进行损伤识别的优势在 哪里？下一步应该怎么做？4 深度学习是机器学习的发展后期阶段，机器学习早起主要是浅层学习结构，包括BP神经网

5、络、支持向量机等。深度学习主要包括：自动编码机、稀疏编码 机、RBM （限制波尔曼机）。多个RBM叠加形成了 DBM （深度学习网络）。4 典型的深度学习模型有卷积神经网络等。深度学习在图像、声音识别方面非常强大。结构损伤后，STFT谱图会发生变化，健康状态和损伤状态的谱图不一 样，这个差别可以使用深度学习来识别。建立一个完善的数据库。4 下一步应该完善数据库。包括不同损伤类别，不同损伤程度，不同构件类别等。充分利用数据增强和有限元模拟增加扩充数据库。 可以把labview和matlab结合成一个平台或者插件。开发前端的可穿戴式传 感器，实际监测后直接出结果判定损伤程度在哪一类。直接出分析报告

6、和损伤成像的图片。4 将谱图进行数据增强， 数据增强的方法主要有：对原始信号加噪声， 对谱图加噪声，图片偏转，裁切，缩放等。4 将增强后的数据图片按照健康状态和损伤状态分为两个文件夹。选用alexnet框架进行迁移学习。更改 Alexnet最后三层，即输出层，全连接层和softmax对于CLT板的导波试验数据进行 STFT谱图变换及深度学习图像识别。试验概况采集到的数据简介（数量，采集频率，发射信号频谱等）STFT变换的参数选取及谱图示例数据扩增的几种方法及程序深度学习的框架简介，网络的架构深度学习的结果试验概况试验在同济大学结构防灾减灾工程系 B204完成。CLT木板为教研室Alex试验中多

7、余的 木材。试验中在CLT木板的上表面人为造成裂缝损伤， 损伤程度。试验用到的设备如下 表所示。Output Input 1CLT 木板(35cm x30cm X10.5cm)米集H3 NI6366PZT片LabVIEW 终端传感器的排布如下图工况设置如下表所示:基准状态Case1Case2Case3Case4自然状态Input 1+2cm微小裂缝Input 1+2cm较大裂缝Input 1+2cm 较大裂缝+小裂缝Input 2+2cm 较大裂缝+小裂缝对采集到的试验信号进行小波能量法分析，得到不同工况的损伤因子如下图所示。由上图可知：1）波的总能量随着损伤程度的增加而递减。Case4中，信

8、号需要传递通过 CLT板间裂缝，基本没有信号能量。2）损伤因子随着损伤程度增加而增加。Case4中，损伤因子已接近为 1。注：损伤因子采用小波能量法。导波探伤可以有效的识别CLT木板表面微小裂缝损伤，小波能量在表征损伤程度上是可行的。（问题是Case4这个裂缝是任何新制造出来的CLT都会有的裂缝嘛？还是因为放置过久产生的干燥裂缝） 如果是CLT板因为制造工艺而产生必然存在的裂缝， 那么这 个方法就失效了，不能实现跨条带的损伤识别， 只要波跨越条带间隙传播， 则损伤因子 已然达到1.工 采集到的数据简介信号采用PZT发射和采集，连接 Labview程序面板，进行操作。激励信号为扫频波信 号，采集

9、卡的设置见下图目前实现功能是单发单收，发射扫频波。input rate（采样频率），单位为 点数/秒（现在设置的为2000000 ,是仪器最大采样频率）2MS/s/ch,每个通道，每秒钟，采集200万个样本点。 （奈奎斯特采样定理）在高频率段和低频率段，采集信号时的采样频率要求，|本文采用67 倍（一般为10倍）采样时间为1秒钟，数据分两次存入 txt文件。（即0-0.5S和0.5-1.0S两个文件）S STFT变换的参数选取及谱图示例STFT变换采用matlab自带的函数进行，程序代码如下图所示：3Ftextxsad C Heal th. txt J ;fs = 2000000;t=x i：

10、,1）：s=x（:,2）:易绘制STFT频谱图figureLS, F, T = spectrogramfxi 256,200, 256, fs）;helpuiCWTTiineFreqPlot （S7 T, F,r surf1 T SIFT of Health Stcotids /）figu工Ht- - tij. jj. 3 .saveas （gcf. figiirenaw ）;其中，第一个参数 x为信号的值（无时间列）；第二个参数256代表着窗函数的时域长度；第三个参数为每次移动窗函数之间重叠的长度；第四个参数为在窗函数长度内进行一次傅里叶变换的点数；最后一个参数是信号的采样频率。对激励的扫频

11、信号和健康状态下的信号进行STFT变化，如下图所示。日L1 , E 书图a,激励信号（扫频波的 STFT谱图）图b健康匡泰下接收器信号的谱图-3勺叫KM值图c损伤因子接近为1时接收信号的谱图1 数据扩增的几种方法及程序对实际采集到信号进行数据扩增，达到一定的样本数量， 进行深度学习。数据扩增采用方式有：对实际采集到的信号（txt格式）进行加噪处理。信噪比 SNR的范围对于健康状态设置为1525 ,损伤状态设置为 5060 ;加噪的程序如下图所示|cLear allx=textread Health. txt);%以for,定范田的信噪比生成信号1=15:25y=awgn (x(:, 2), i

12、 oeasured9 ) ;为加入一定信噪比的白噪声 filename-L Health nuraSstr :.txt;fid=fopen(fileiiaiie, A ) .T=x(：, 1);y=ti yl ；叫 nJSize (y);for 号二：mfor t=l：nfprintf (fid, y(s, t);endfprintf(fid,rn );endfclose(fid);end对原始的STFT谱图进行加噪处理，分别加高斯白噪声和海盐噪声。高斯白噪声设 置为均值为0 ,方差为0.020.06 ;海盐噪声密度设置为0.0020.006.对原始的STFT谱图进行裁切，crop。对 的STFT谱图进行抖动。将以上所有 图片分为两个文件夹保存，一个为损伤因子为0文件夹，一个为损伤因子为1文件夹。4 深度学习的框架简介