本发明公开了一种基于信息融合的超声相控阵方法,属于超声信号处理技术,所述的算法包括分位图法和贝叶斯估计两部分,其中,分位图法的建立包括以下步骤:取出超声相控阵探头各阵元依次单独采集信号的中位数、上四分位数和下四分位数,得到四分位离散度,求出淘汰点,得到有效数据的融合集;贝叶斯估计的建立包括以下步骤:得出各有效数据的特征函数,求出决策函数,得到风险函数,提取决策函数的贝叶斯风险,得出参数的最有估计值,应用本发明将提高各超声相控阵阵元所采集信息的利用率,能够得到对现实环境更为准确、可靠的描述。
1.一种基于信息融合的超声相控阵方法,其特征在于,包括以下步骤:(一)超声相控阵探头的各个阵元依次单独采集信号,每个阵元采集到的所有信号组成一个数组,得到多个数组;(二)分位图法的建立1)各阵元采集得到的信号组成的各数组元素都由小到大排列,求出每个数组的中位数M、上四分位数F1、下四分位数F2;2)求出信号保留区间(P1,P2),其中dF=F2-F1,P1=F1-a/2*dF,P2=F2+a/2*dF,其中a为经验值常数;各数组元素在区间内的保留,在区间外的剔除,得到比原来数组元素个数少的新数组,数组的大小就是最佳融合数;(三)贝叶斯估计的建立1)经过分位图法可以得到新的数组,求出每个新数组的m个元素彼此之间的置信距离测度d_ij(i,j=1,2,...,m),组成置信矩阵D,ntent="drawing" img-format="tif" inline="yes" orientation="portrait" wi="488"/>其中ntent="drawing" img-format="tif" inline="yes" orientation="portrait" wi="477"/>ntent="drawing" img-format="tif" inline="yes" orientation="portrait" wi="700"/>p_i(x|x_i)是在第i个样本值取x_i的条件下的概率密度,σ_i是第i个样本值的方差;令ntent="drawing" img-format="tif" inline="yes" orientation="portrait" wi="132"/>经过数学推导得,ntent="drawing" img-format="tif" inline="yes" orientation="portrait" wi="228"/>其中,Φ(b)是标准正态分布的概率,b表示变量t的上限;2)求出关系矩阵R,R是由r_ij组成,ntent="drawing" img-format="tif" inline="yes" orientation="portrait" wi="461"/>其中 r ij = 1 ; d ij ≤ β ij 0 ; d ij ≥ β ij , ]]>其中,r_ij是第i个样本与第j个样本的相关系数,β_ij是置信距离测度d_ij的界线值;3)由关系矩阵R,得到每个数组参加信息融合的最佳融合数据集;4)依新数组各元素的pdf(概率密度)曲线作为各特征函数,记为p(x);5)求出决策函数d(x₁,x₂,...,x_n),其中x₁,x₂,...,x_n是来自总体X的样本值;6)由决策函数求出风险函数R(u|d)=E_u{L(u,d(x₁,x₂,...,x_n))},其中u是参数,即所要求的融合结果,L(u,d(x₁,x₂,...,x_n))是损失函数的二次式;7)对风险函数求平均,得到决策函数d(x₁,x₂,...,x_n)的贝叶斯风险B,其中,ntent="drawing" img-format="tif" inline="yes" orientation="portrait" wi="700"/>h(u)是参数u的先验分布密度;8)若有d*(x₁,x₂,...,x)使得B(d*)=min{B(d)},d∈Φ,则称d*为参数u的贝叶斯估计量,也称为最优估计;9)损失函数取二次式L(u,d)=[u-d(x₁,x₂,...,x_n)]²,则u的贝叶斯估计量为ntent="drawing" img-format="tif" inline="yes" orientation="portrait" wi="700"/>要想求出估计量,只要求出p(u|(x₁,x₂,...,x_n))即可;其中, p ( u | ( x 1 , x 2 , . . . , x n ) ) = p ( u ; x 1 , x 2 , . . . , x n ) p ( x 1 , x 2 , . . . , x n ) , ]]>令 α = 1 p ( x 1 , x 2 , . . . , x n ) , ]]>其中,α是正则化因子,则 p ( u | ( x 1 , x 2 , . . . , x n ) ) = α Π k = 1 n 1 2 π σ k exp { - 1 2 ( x k - u σ k ) 2 } · 1 2 π σ 0 exp { - 1 2 ( u - u 0 σ 0 ) 2 } ]]> = αexp { - 1 2 ( x k - u σ k ) 2 - 1 2 ( u - u 0 σ 0 ) 2 } , ]]>其中σ_k是第k个样本的标准差,σ₀是所有样本的整体标准差,u₀是样本均值;由于我们采集的数据波形并不是标准的正态分布,特征函数p(x)不能够直接求出,所以我们采用以下步骤推导出所要求的最优估计;10)假设p(u|(x₁,x₂,...,x_n))服从正态分布ntent="drawing" img-format="tif" inline="yes" orientation="portrait" wi="226"/>其中u_N是正态分布的均值,ntent="drawing" img-format="tif" inline="yes" orientation="portrait" wi="69"/>是正态分布的方差;所以, p ( u | ( x 1 , x 2 , . . . , x n ) ) = 1 2 π σ N exp { - 1 2 ( u N - u 0 σ 0 ) 2 } , ]]>由以上两式比较,得 u N = Σ k = 1 n x k σ k 2 + u 0 σ 0 2 Σ k = 1 n 1 σ k 2 + 1 σ 0 2 ; ]]>11)通过以上推导,得到参数u的贝叶斯估计为ntent="drawing" img-format="tif" inline="yes" orientation="portrait" wi="58"/>即ntent="drawing" img-format="tif" inline="yes" orientation="portrait" wi="700"/>也就是超声相控阵阵元得到的最优信息融合结果。技术领域
本发明属于超声信号处理领域,特别涉及一种基于信息融合的超声相控阵方法。
背景技术
超声相控阵技术于上世纪八十年代被提出,初期主要应用于医学超声成像诊断。近年来国内外超声相控阵技术发展很快,在医学诊断和工业检测等方面的研究很受欢迎。另外,在相控阵的系统设计、系统的模拟以及实际应用等方面也有所进展,相控阵技术开始走向数字化。随着超声相控阵技术越来越受人们的重视,也出现了以下难点:超声相控阵各阵元得到的回波信息具有不同的信号特征,单个信息不能够全面描述被测体;超声波在复合材料中幅值衰减大,所以超声阵列得到的回波幅度很小,后续信息不容易处理;当多个阵元同时发射时,各阵元的发射波、回波之间会发生干涉作用,当各波相位不同时,信号强度会减弱。根据上述技术难点,中国发明专利申请号200810140346.6采用D一S证据理论融合算法对超声相控阵多个阵元得到的信息进行数据融合,对数字信号处理器DSP数据融合模块数据的特征描述更加准准确。然而,证据理论具有很强的主观性,不区分不确定数据信息和不知道的信息,往往会把不知道的信息认为成是等可能得信息。中国发明专利申请号201210334509.0采用反向传播神经网络(BP)对相控阵各阵元采集的信息进行处理分析,高效完成凸优化处理。由于在网络训练期间,当权值改变时,会出现围绕最佳解的振荡情况,因此BP算法不能在训练期间实现全局误差最小,只可保证实现局部误差最小。中国发明专利申请号97109099.8采用傅里叶变换对超声信号进行频谱分析;中国发明专利申请号200410011403.2通过提升小波包变换对超声信号进行滤波,然后利用希尔伯特变换和正交解调方法对滤波信号进行联合时频分析提取信号在不同频率段的信息特征。但以上这些特征提取方法都是基于希尔伯特变换和傅里叶变换,所以特征提取速度慢,而又由于相控阵超声信号是一种非稳态的时变信号,不满足傅里叶变换的条件,不能准确反映超声信号的特征。我们要严格控制各相邻发射阵元之间具有恒定的相位差,通过硬件实现成本很高,比较困难,我们可以用软件来实现,本发采用信息融合技术来解决上述难点。信息融合(Informationxa0Fusion,或称为数据融合Dataxa0Fusion)是电子战、机器人、系统导航、柔性制造、故障诊断以及数字图像处理等领域的一个重要的课题。多传感器信息融合是一种处理多个或多类传感器系统的新方法,又可被称为多元合成、多源关联、混合传感器或多传感器融合等,但是有一种更广泛的说法,即多传感器信息融合,简称为信息融合。它减少了单一传感器的信息盲区,提高了多源信息处理结果的质量,有利于检测人员对检测情况做出更好的判断和决策。目前,尚没有把信息融合技术用于研究超声相控阵的相关文献和实际应用系统。将两者集合,可以更加灵活而有效地控制声束,所以,选择最优信息融合算法运用于实际超声相控阵系统具有广阔的应用和发展前景。因此,本发明采用信息融合技术领域中的其他方法来解决超声相控阵检测中信号处理方面存在的技术难点的可能性。
发明内容
为了解决上述问题,本发明的目的是提供一种基于信息融合的超声相控阵方法,该方法能够提高各超声相控阵阵元所采集信息的利用率,能够得到对现实环境更为准确、可靠的描述。本发明是通过下述技术方案加以实现的,一种基于信息融合的超声相控阵方法,其特征在于,包括以下步骤:(一)超声相控阵探头的各个阵元依次单独采集信号,每个阵元采集到的所有信号组成一个数组,得到多个数组;(二)分位图法的建立1)各阵元采集得到的信号组成的各数组元素都由小到大排列,求出每个数组的中位数M、上四分位数F1、下四分位数F2;2)求出信号保留区间(P1,P2),其中dF=F2-F1,P1=F1-a/2*dF,P2=F2+a/2*dF,其中a为经验值常数;各数组元素在区间内的保留,在区间外的剔除,得到比原来数组元素个数少的新数组,数组的大小就是最佳融合数;(三)贝叶斯估计的建立1)经过分位图法可以得到新的数组,求出每个新数组的m个元素彼此之间的置信距离测度d_ij(i,j=1,2,...,m),组成置信矩阵D,ntent="drawing" img-format="tif" inline="yes" orientation="portrait" wi="488"/>其中ntent="drawing" img-format="tif" inline="yes" orientation="portrait" wi="476"/>ntent="drawing" img-format="tif" inline="yes" orientation="portrait" wi="700"/>p_i(x|x_i)是在第i个样本值取x_i的条件下的概率密度,σ_i是第i个样本值的方差;令ntent="drawing" img-format="tif" inline="yes" orientation="portrait" wi="132"/>经过数学推导得,ntent="drawing" img-format="tif" inline="yes" orientation="portrait" wi="226"/>其中,Φ(b)是标准正态分布的概率,b表示变量t的上限;2)求出关系矩阵R,R是由r_ij组成,ntent="drawing" img-format="tif" inline="yes" orientation="portrait" wi="461"/>其中 r ij = 1 ; d ij ≤ β ij 0 ; d ij ≥ β ij , ]]>其中,r_ij是第i个样本与第j个样本的相关系数,β_ij是置信距离测度d_ij的界线值;3)由关系矩阵R,得到每个数组参加信息融合的最佳融合数据集;4)依新数组各元素的pdf(概率密度)曲线作为各特征函数,记为p(x);5)求出决策函数d(x₁,x₂,...,x_n),其中x₁,x₂,...,x_n是来自总体X的样本值;6)由决策函数求出风险函数R(u|d)=E_u{L(u,d(x₁,x₂,...,x_n))},其中u是参数,即所要求的融合结果,L(u,d(x₁,x₂,...,x_n))是损失函数的二次式;7)对风险函数求平均,得到决策函数d(x₁,x₂,...,x_n)的贝叶斯风险B,其中,ntent="drawing" img-format="tif" inline="yes" orientation="portrait" wi="700"/>h(u)是参数u的先验分布密度;8)若有d*(x₁,x₂,...,x)使得B(d*)=min{B(d)},d∈Φ,则称d*为参数u的贝叶斯估计量,也称为最优估计;9)损失函数取二次式L(u,d)=[u-d(x₁,x₂,...,x_n)]²,则u的贝叶斯估计量为ntent="drawing" img-format="tif" inline="yes" orientation="portrait" wi="700"/>要想求出估计量,只要求出p(u|(x₁,x₂,...,x_n))即可;其中, p ( u | ( x 1 , x 2 , . . . , x n ) ) = p ( u ; x 1 , x 2 , . . . , x n ) p ( x 1 , x 2 , . . . , x n ) , ]]>令 α = 1 p ( x 1 , x 2 , . . . , x n ) , ]]>其中,α是正则化因子,则 p ( u | ( x 1 , x 2 , . . . , x n ) ) = α Π k = 1 n 1 2 π σ k exp { - 1 2 ( x k - u σ k ) 2 } · 1 2 π σ 0 exp { - 1 2 ( u - u 0 σ 0 ) 2 } ]]> = αexp { - 1 2 ( x k - u σ k ) 2 - 1 2 ( u - u 0 σ 0 ) 2 } , ]]>其中σ_k是第k个样本的标准差,σ₀是所有样本的整体标准差,u₀是样本均值;由于我们采集的数据波形并不是标准的正态分布,特征函数p(x)不能够直接求出,所以我们采用以下步骤推导出所要求的最优估计;10)假设p(u|(x₁,x₂,...,x_n))服从正态分布ntent="drawing" img-format="tif" inline="yes" orientation="portrait" wi="234"/>其中u_N是正态分布的均值,ntent="drawing" img-format="tif" inline="yes" orientation="portrait" wi="65"/>是正态分布的方差;所以, p ( u | ( x 1 , x 2 , . . . , x n ) ) = 1 2 π σ N exp { - 1 2 ( u N - u 0 σ 0 ) 2 } , ]]>由以上两式比较,得 u N = Σ k = 1 n x k σ k 2 + u 0 σ 0 2 Σ k = 1 n 1 σ k 2 + 1 σ 0 2 ; ]]>11)通过以上推导,得到参数u的贝叶斯估计为ntent="drawing" img-format="tif" inline="yes" orientation="portrait" wi="60"/>即ntent="drawing" img-format="tif" inline="yes" orientation="portrait" wi="700"/>也就是超声相控阵阵元得到的最优信息融合结果。本发明的优点在于:1、经过分位图法能在很大程度上排除离异值的干扰,具有很强的抗干扰性。2、通过分位图法,减少了参与计算的测量数据的数据量,从而降低了运算量,加快了运算速度。3、若r_ij=0,则认为第i个样本值与第j个样本值相差比较大,相容性差。若r_ij=1,则认为第i个样本值与第j个样本值相差较小,相容性好,第i个样本值是支持第j个样本值的。若r_ij=r_ji=1,则认为第i个样本值与第j个样本值是相互支持的。如果某个样本值与另一个样本值相容性差,应把后者删除。这样,降低了计算空间的维数,提高运算效率。应用本发明将提高各超声相控阵阵元所采集信息的利用率,能够得到对现实环境更为准确、可靠的描述。
附图说明
图1:实现本发明的总体流程图;图2:实现本发明步骤一分位图法的流程图;图3:实现本发明步骤二贝叶斯估计的流程图;图4:实施例1超声相控阵1#阵元单独发射的波形图;图5:实施例1超声相控阵2#阵元单独发射的波形图;图6:实施例1超声相控阵3#阵元单独发射的波形图;图7:实施例1超声相控阵4#阵元单独发射的波形图;图8:实施例1超声相控阵5#阵元单独发射的波形图;图9:实施例1超声相控阵6#阵元单独发射的波形图;图10:实施例1超声相控阵7#阵元单独发射的波形图;图11:实施例1超声相控阵8#阵元单独发射的波形图;图12:实施例1本发明通过软件实现的波形图。
具体实施方式
为了更清楚的理解本发明,结合附图和实施例详细描述本发明:实施例1:如图1至图12所示:实施例1的对象是不锈钢块。超声相控阵各阵元1#—8#单独发射的波形图如图4—11,可以看出八个图形并不完全相同,即各阵元采集的信号特征有差别,为了综合利用各信号提供的有用信息特征,摒除错误信息特征,采用本发明提供的一种基于信息融合的超声相控阵方法。实施例1的具体算法出图1—3的流程图。实施例1的步骤如下:(1)把1#—8#阵元的文本数据导入MATALB,组成8个11088维1列的数组A1、A2、A3、A4、A5、A6、A7、A8。(2)分位图法的建立a,把各数组转置并组成8维1088列的矩阵X。b,分别求出矩阵X各列的中位数、上四分位数、下四分位数,组成1维1088列矩阵M、F1、F2。c,求出有效区间(P1,P2)。d,判断各数据是否在有效区间内,在有效区间内的数据保留,不在有效区间内的数据剔除。(3)贝叶斯估计的建立把矩阵X每一列得到的有效数据利用贝叶斯估计进行融合,每一列最后都得到一个最有估计,各列最有估计组成1维1088列的数组u,使用MATLAB进行仿真,得到图12。由于8个阵元同时发射时,各阵元之间的发射波、回波之间存在干涉作用,当相位不同时,信号强度会减弱,因此得到的结果并不理想。而通过本发明一种超声相控阵多阵元的多源信息融合的算法,得到的仿真图形如图12。由图12,能看出通过分位图法后再由贝叶斯估计信息融合算法得到的图形包含的信号特征更加明显,充分利用了各阵元信息的有效性,使有用信号得到加强,没用的信号得到减弱。实施例2如表1所示:如下为超声相控阵八个阵元对同一点采集得到的数据特征。表1超声相控阵八个阵元对同一点采集得到的数据特征ntent="drawing" img-format="tif" inline="no" orientation="portrait" wi="700"/>实施例2步骤如下:(1)分位图法的建立a,首先对八个超声相控阵阵元采集的信号数据值从小到大排列为:X₁、X₇、X₅、X₈、X₅、X₃、X₂、X₄。b,求出这八个数值的中位数M=(X₈+X₆)/2=49.5,F₁=X₅=49,F₂=X₃=53,dF=F₂-F₁=4。c,取a=2,为经验值,下限值P₁=F₁-dF=45,上限值P₂=F₂+dF=57。从而求出有效数据的区间为[45,57]。d,则得到在区间[P₁,P₂]内的一致阵元组为:X₃、X₅、X₆、X₈。(2)贝叶斯估计的建立在经过分位图法之前的置信距离矩阵D和关系矩阵R如下,融合结果为:51.987 D m = 0 0.54 0.49 0.55 0.46 0.42 0.21 0.46 0.56 0 0.43 0 0.49 0.42 0.55 0.49 0.56 0.56 0 0.56 0.53 0.49 0.56 0.53 0.56 0 0.43 0 0.49 0.42 0.55 0.49 0.56 0.56 0.56 0.56 0 0.56 0.56 0.56 0.56 0.56 0.56 0.56 0.56 0 0.56 0.56 0.31 0.56 0.51 0.56 0.46 0.42 0 0.46 0.56 0.56 0.56 0.56 0.56 0.56 0.56 0 ]]>取d_ij的界线值β_ij=0.5(i=1,2,...,8)的关系矩阵R₈为: R 8 = 1 0 1 0 1 1 0 1 0 1 1 1 1 1 0 1 0 0 1 0 0 1 0 0 0 1 1 1 1 1 0 1 0 0 0 0 1 0 0 0 0 0 0 0 0 1 0 0 1 0 0 0 1 1 1 1 0 0 0 0 0 0 0 1 ]]>应用分位图法后, D m = 0 0.49 0.48 0.49 0.49 0 0.49 0.49 0.49 0.49 0 0.49 0.49 0.49 00.49 0 ]]>取d_ij的界线值β_ij=0.5(i=1,2,...,4)的关系矩阵R₄为: R 4 = 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 ]]>融合结果为50.763。通过以上的仿真结果我们可以得到:1,利用分位图法之前通过R可以看出最佳融合数为4,融合集为:{X₃、X₅、X₆、X₈}。而这与通过分位图法得到的传感器组是完全一致的。2,实施例2是基于贝叶斯估计的数据融合方法,通过引入数据探测技术中的分位图法对其加以改进。首先利用分位图法排除尽可能多的离异值,得到一致阵元组,然后从数学方法的角度,以置信距离测度作为数据融合的融合度,利用置信距离矩阵、关系矩阵得到多传感器的最佳融合数、融合集,以贝叶斯估计理论为基础得到最优融合数据,最后通过仿真证明了本发明的有效性。根据上述说明,结合本领域技术可实现本发明的方案。