一种弹药击发振动信号特征提取与检测装置及方法

1.本发明属于振动信号提取技术领域，尤其涉及一种弹药击发振动信号特征提取与检测装置及方法。


背景技术：

2.目前在靶场中存在的弹药击发数目检测的装置中，有的是通过采集击发过程中的声音信号并对其分析处理来实现，这种检测弹药击发数目的方法虽然原理简单明了，但是对声源和距离有较大的限制，且在一些具有消音装置的枪支射击过程中该检测办法可能会失效。有的是通过机械式的检测装置检测遮挡的脉冲信号来进行检测，由于设备自身的体积较大，改变了枪身结构，对击发造成了一定的困扰；并且需要在每一把枪上面安装计数器，不利于维护和保养。
3.在火炮和机枪射击过程中如何提高信号检测精度的这个领域，常见的研究方法是通过理论推导，建立枪械的振动模型来进行研究，并利用仿真软件来进行仿真。通过建立武器内部弹丸发射时的振动方程，研究在弹丸激励作用下枪支身管振动方程的近似解，得到枪械武器在进行弹药发射时身管的振动规律，为振动研究提供理论指导。由于弹药击发过程十分复杂且影响因素较多，很难用一个简单的表达式表述清楚，这样模型结构难以确定，在理想条件下进行建模得到的模型在实际过程中有所偏差。
4.在利用声音信号进行检测方面，目前有人开发了一种用枪声探测计数方法的系统。由于在枪击的过程中，击发瞬间周围声压由负压迅速变化到正压，附带一个强脉冲特性。该系统在处理采集到的枪声信号时，通过先对声音信号滤波，然后分帧、求短时幅度并微分，根据微分差来表征信号波动强度，最后，依据微分差形成的上升沿的个数来对枪声计数，从而得到弹药击发的数目。这种检测弹药击发数目的方法虽然原理简单明了，但是对声源和距离有较大的限制，且在一些具有消音装置的枪支射击过程中该检测办法可能会失效。另一方面，在靶场中，由于每一个射击人员都处在同一个击发空间中，也存在不同类型的枪支同时进行击发，声音大小可能会不同，不同射击者的击发声音信号之间可能存在相互干扰的情况，会大大降低检测的准确度。
5.在机械式检测方面，有通过在枪支上面安装机械式的子弹自动计数器来进行弹药击发数目的检测，目前存在一种机械式子弹自动计数器装置主要包括计数器控制盒、传感器、数字显示屏等。在枪械射击过程中，每进行一次弹药击发，枪械将完成一次开、闭锁行程，进而推动枪械活塞上产生一次相应前后往返动作。使用该装置在进行检测时，安装在枪械的活塞簧上面的传感器，能够实时感应击发时枪械活塞簧的变化情况，实现弹药数目的计数并将结果显示在显示屏上。由于设备自身的体积较大，一方面改变了枪身结构，对击发造成了一定的困扰；另一方面，需要在每一把枪上面安装计数器，不利于维护和保养。


技术实现要素：

6.本发明目的在于提供一种弹药击发振动信号特征提取与检测装置及方法,以解决
上述的技术问题。
7.为解决上述技术问题，本发明的一种弹药击发振动信号特征提取与检测装置及方法的具体技术方案如下：
8.一种弹药击发振动信号特征提取与检测装置，包括主控芯片电路、外设电路、电源管理电路、数据采集电路、无线传输电路和程序下载调试电路，所述外设电路、电源管理电路、数据采集电路、无线传输电路、程序下载调试电路分别与主控芯片电路电连接，所述无线传输电路与pc数据接收装置通讯连接；所述数据采集电路采用加速度传感器，用于采集弹药击发过程中枪支在三个方向的振动信号；所述无线传输电路用于将数据通过wifi发送至pc数据接收装置；所述外设电路包括按键、指示灯和显示屏；所述主控芯片电路用于处理数据采集电路采集的数据；所述电源管理电路用于提供各模块工作电源；所述程序下载调试电路用于下载调试程序。进一步的，所述主控芯片电路采用stmf103系列芯片；数据采集电路的加速度传感器采用的型号为mma7361，用于采集弹药击发过程中枪支在三个方向的振动信号，配置
±
1.5g和
±
6.0g两种加速度采集灵敏度；所述无线传输电路采用hc-25wifi串口通信模块，内置无线网络协议ieee802.11协议栈和tcp协议栈；所述主控芯片电路采用8mhz的晶体与22pf的电容形成晶振电路，并在芯片电源引脚附近放置4个0.1uf的电容；所述电源管理电路采用供电电压为3.6-4.2v的锂电池，通过电池稳压芯片tps7333将电源电压稳压至3.3v对主控芯片以及传感器进行供电，同时采用tp4055芯片实现电池的充电功能；所述外设电路配置oled显示屏、两个按键和led指示灯来进行显示和交互；所述数据采集电路通过使用mma7361芯片来采集射击过程中枪支三个轴方向的加速度数据；所述无线传输电路的hc-25wifi串口通信模块通过wifi与pc端进行交互实现数据的传输与保存。
9.本发明还公开了一种弹药击发振动信号特征提取与检测方法，包括如下步骤：
10.步骤1，对振动信号进行预处理，本发明针对枪击振动信号中不相关信号和噪声信号，使用二次分帧算法结合小波阈值去噪来进行处理；
11.步骤2，通过使用小波包算法对信号进行分解，得到不同击发类别信号的能量曲线；使用曲线拟合的方法，选定待拟合方程，对各自的能量曲线进行拟合，得到曲线方程中的参数，将方程中的所有参数作为各自击发信号的特征参数，使用svm进行分类测试，对svm中的参数进行寻优。
12.进一步地，所述步骤1包括如下具体步骤：步骤1.1：通过加速度传感器得到的原始枪击振动信号用式(1)表示：
13.s(n)＝f(n)+e(n)(1)
14.式(1)中f(n)分别对应三轴完整的加速度信号，e(n)为噪声信号，当没有击发动作时，信号变化平稳，在t1至t2时间段出现剧烈变化的脉冲信号为击发特征信号；
15.步骤1.2：数据提取：对原始数据进行精确提取，得到t1到t2的振动数据段：
16.步骤1.3：数据滤波：对得到的信号f
′
(n)进一步使用小波阈值滤波算法去除信号中噪声信号，小波阈值去噪：
17.步骤1.4：算数平均处理：对原始数据进行提取的第一步是对采集到的x、y、z三轴原始加速度信号进行算数平均处理，对振动信号的第一步处理为将采集到的x(n)、y(n)、z(n)三轴的振动信号进行算数平均值计算，得到击发振动信号的平均值s，将三轴的均值信号s作为数据提取的对象；步骤1.5：二次分帧算法：对原始数据进行提取的第二步是对得到
的均值信号s通过二次分帧算法使有效的振动数据段的数据进一步凸显，为后续设定阈值门限，检测起始位置端点和结束位置端点来得到振动信号起始点和终点做准备；
18.步骤1.6：端点检测：为了提取出振动信号的起始位置和结束位置，对方差信号vi(n)进行短时幅值ei计算，计算公式如(5)所示：
[0019][0020]
式(5)中l为帧长n
len1
，vi(n)为第i帧的方差信号，i＝1，2，...，m0；
[0021]
基于短时幅值序列使用单参数单门限开始进行端点检测，检测方法为：设定检测门限为阈值e
t
，当第i帧大于阈值门限e
t
时，并且从第i帧到第j帧，每一帧的幅值都大于阈值e
t
，而第j+1帧小于阈值门限e
t
，则认为从第i帧到第j帧为振动数据段，认定起始帧为第i帧，结束帧为第j帧；振动数据段的起始时间为t1，结束时间为t2计算公式如(6)和(7)所示：
[0022][0023][0024]
阈值设置为e
t
＝5，当短时能量高于e
t
时，认为是待提取的振动信号，使用公式(6)和(7)得到振动信号帧的起始时间和时间；
[0025]
枪击振动信号的小波阈值去噪：设一个长度为n的枪击振动信号s(n)用式(8)模型来表示：
[0026]
s(n)＝f(n)+σe(n)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)
[0027]
式(8)中s(n)为通过设备采集到的振动信号，f(n)为代表振动特征的有效信号，e(n)为噪声信号，σ为噪声信号的强度；
[0028]
通过设定阈值λ，作为与各层信号小波分解后的小波系数比较的对比值，经过一个关于λ的阈值函数的处理得到一组新的小波系数，将该部分作为重新构建信号的基础；
[0029]
步骤1.7：小波基函数的选择：基于能量和shannon熵测量原则，选择最适合本枪击振动信号的小波基函数，采样信号s(n)经过小波变换以后，每个尺度s对应的小波系数能量使用式(9)计算得到：
[0030][0031]
式(9)中w(s，i)为分解过后的小波系数，n为小波系数的能量；
[0032]
信号在小波分解的层数确认后，最优小波基函数从待测信号中得到最大的能量幅值；
[0033]
信号经过小波分解以后，信号中的有效信号会集中分布在特定的频段，此时该频段中的能量相对集中，小波系数的能量分布可以由shannon熵定量来描述：
[0034][0035]
式(10)中pi小波系数能量分布概率，定义为：
[0036]
且
[0037]
当pi＝0，式10中认定pi.log2pi＝0；
[0038]
式(10)和式(11)表示小波系数的shannon熵受限于：
[0039]
0≤hs(w)≤log2n(12)
[0040]
假设只有一个小波系数能量不为0，其他分布系数能量都为0时，此时hs(w)＝0小波能量熵最小，表示能量最集中；假设小波系数能量服从均匀分布，此时有hs(w)＝log2n，所有概率都相等，小波能量熵最大，表示能量分散分布；
[0041]
因此，基于小波系数能量熵的小波基函数选择标准描述为：最优小波基的小波系数的shannon熵最小；
[0042]
使用coif5小波基作为分解的基函数；
[0043]
步骤1.8：阈值的选择：极大极小阈值规则：产生一个最小均方误差的极值，具体计算方式为：
[0044][0045]
式(13)中σn为噪声的方差，n为小波系数的个数；
[0046]
步骤1.9：阈值函数的改进：使用改进的阈值函数，定义为(14)：
[0047][0048]
式(14)中w
j，k
为小波系数，λ为小波各层选择的阈值，为改进后的阈值函数处理过后的系数，m赋值为0.02，l赋值为0.5，a赋值为0.2；
[0049]
步骤1.10：滤波评价标准：采用信噪比和均方根误差作为振动信号去噪效果的指标，其中信噪比可以表明振动信号中噪声成分的多少，信噪比越大表示信号中噪声含量越少，均方根误差为原始振动信号和去噪后振动信号之间方差的平方根，其值越小表明去噪效果越好；
[0050]
设原始振动信号表示方式为式(1)，假设式(1)中s(n)为原始振动信号，f(n)为去噪后的信号，e(n)为噪声信号；
[0051]
信噪比定义为(15)：
[0052]
[0053][0054]
式(16)中的n为信号长度。
[0055]
进一步地，所述步骤1.2包括如下具体步骤：
[0056]
步骤1.2.1：计算原始信号x(n)、y(n)、z(n)的算数平均值得到信号f(n)；步骤1.2.2：对信号f(n)进行第一次短时分帧，并计算每一个短时帧的方差，对得到的方差值进行第二次分帧处理，并计算二次分帧内的方差幅值；步骤1.2.3：得到的方差幅值，用来反应数据变化的波动程度，通过对幅值设定阈值门限从而确定时间点t1和t2，从而提取得到击发特征的振动信号段f
′
(n)。
[0057]
进一步地，所述步骤1.3包括如下具体步骤：
[0058]
步骤1.3.1：选定小波分解的基函数，对信号f
′
(n)进行i层分解，得到信号分解后的小波系数；
[0059]
步骤1.3.2：对分解得到的各层系数选定阈值λ，通过一个关于λ的阈值函数去除系数中的噪声部分，得到处理后的小波系数；
[0060]
步骤1.3.3：基于处理后的小波系数进行信号重构得到去噪后的信号。
[0061]
进一步地，所述步骤1.5包括如下具体步骤：
[0062]
第一次分帧处理：
[0063]
首先对信号s(n)进行第一次分帧处理，帧长表示为n
len0
，帧移表示为n
inc0
，将原始信号分为m0帧，其中m0的计算为公式(2)：
[0064][0065]
式(2)中n为信号s(n)的总长度；
[0066]
对归一化后的信号s(n)分帧后，第i帧表示为si(n)，其中i＝1,2,
…
,m0；n＝1,2,
…
,n
len0
；
[0067]
计算每一帧数据的方差v(n)，每一帧数据的方差计算如公式(3)：
[0068][0069]
式(3)中e(i)为第i帧数据的均值，l为帧长n
len0
，i＝1，2，...，m0；
[0070]
第二次分帧处理：
[0071]
对长度为m0的方差序列v(n)，进行二次分帧处理，第二次帧长为n
len1
，帧移位n
inc1
，将原始信号分为m1帧，其中m1的计算公式如(4)所示：
[0072][0073]
对方差信号v(n)分帧后，第i帧表示为vi(n)，其中i＝1,2,
…
,m1；n＝1,2,
…
,n
len1
。
[0074]
进一步地，所述步骤2包括如下具体步骤：步骤2.1：振动信号的小波包分解算法：
[0075]
将经过小波阈值滤波后的振动信号s进行小波包i层分解和重构得到每一个子频带中的信号，原始信号使用子频带信号通过式(17)来进行计算：
[0076][0077]
式(17)中为分解后第i层中第j个重构频段信号，k＝2i；
[0078]
计算各频段的能量：记分解后的第i层第j个重构信号的能量为其计算公式如式(18)：
[0079][0080]
式(18)中n为信号s的长度；
[0081]
计算频段累计能量：定义为第i层从第1个频段的信号到低k个频段的信号的能量累计求和，计算公式为(19)：
[0082][0083]
式(19)中为第i层第k个重构信号的能量，1≤k≤2i；
[0084]
减去零频率点的能量：对得到的频段累计能量：统一减去第1个频段即为信号中不包含低频段的累计能量：
[0085]
绘制累计频段能量的折线，使用曲线拟合的算法来提取特征；
[0086]
步骤2.2：基于曲线拟合对能量曲线的特征提取：
[0087]
设定不同从低频到高频的累计能量依次为e1,e2,
…
,e
128
，对应的频段依次为1,2,
…
,128，定义曲线拟合的函数方程形式为(20)所示：
[0088]
y＝axb+c(20)
[0089]
由于在曲线拟合中，当曲线函数对参数来说为线性函数时，使用拟合优度r2来评价曲线拟合结果的好坏，拟合优度r2的计算过程为：
[0090]
计算拟合数据的回归平方和ssr：
[0091][0092]
式(21)中为拟合值，为待拟合折线y的平均值，n曲线的长度；
[0093]
计算拟合数据的残差平方和sse：
[0094][0095]
计算拟合数据的总平方和sst：
[0096][0097]
式(22)和(23)中yi为待拟合折线的真实值，并且总平方和满足sst＝ssr+sse；
[0098]
计算拟合优度r2：
[0099][0100]
拟合优度r2反应变量y的波动中有多少百分比能被x的波动所描述，其取值范围为0≤r2≤1，拟合优度r2越接近于1说明曲线模型与待拟合的折线越接近；
[0101]
步骤2.3：拟合方程的线性化：
[0102]
将函数方程y＝axb+c作为第一次待拟合的函数方程，得到各组振动信号的函数参数a、b、c的取值；
[0103]
将方程中的指数b取常数，取值范围为:[d
min
，d
max
]，其中d
min
为首次拟合结果中的最小值，d
max
为首次拟合结果中的最大值；
[0104]
以拟合优度r2为评价指标，将拟合优度较大时的参数a和参数c作为最终的振动信号的能量变化模型；
[0105]
经过上述三个步骤来对方程y＝axb+c线性化处理以后，方程中只有参数a和参数c两个参数，且两者为线性相加关系，此时，根据拟合优度的定义，通过式21、22、23、24来计算拟合优度r2，评价拟合结果的好坏；为了对拟合的函数方程进行线性化处理，将b取为{-0.9，-0.8，
…
，-0.2，-0.1}，分别计算各振动信号的拟合优度r2，并计算其算术平均值作为不同振动信号拟合后的评价指标；
[0106]
当b取值为-0.9至-0.1时，不同击发状态下的拟合优度都大于0.8，说明拟合的曲线与原曲线之间较为接近，随着参数b的变化，不同击发状态下的拟合优度变化趋势一致，整体趋势都是由小变大再变小，为了保证不同状态的曲线拟合时都有一个较好的拟合结果，取参数b＝-0.6，此时拟合的线性化方程形式为：
[0107]
y＝ax-0.6
+c(25)
[0108]
步骤2.4：特征参数提取：对得到的能量曲线使用线性化方程(25)重新进行拟合参数a和参数c，并计算此时各振动数据在此参数下的拟合优度r2；对待拟合的函数方程y＝axb+c来说当b取-0.6时，此时整体拟合优度最大，不同的振动信号经过拟合后，得到的曲线方程能够有效的反应原振动信号能量曲线的变化趋势，因此取曲线方程中的参数a和参数c作为不同类别的振动信号的特征；
[0109]
步骤2.5：基于svm对振动信号的特征识别：首先对所有的样本每两类进行一次二分类，最终构造出多分二分类分类器，然后在用测试样本进行分类时，通过采用打分制，支持的加一分，最终将样本归类于得分最高的一类；
[0110]
在选取训练集和测试集时，根据击发的次数将上膛信号、一击发信号、二次连发信
号和三次连发信号的标签分别取为0、1、2、3，并对样本数据使用matlab中的mapminmax函数对特征参数|a|和c进行归一化处理；核函数选取：径向基核函数对特征参数分类性能最好，核函数选择径向基核函数；
[0111]
对于选取的径向基函数，函数中包含两个参数惩罚系数c和g，其中参数c决定了误分类样本的数量和svm分界面简单性。，参数g决定样本在向高维特征空间投影后的缩放比例，g值越大说明支持向量越少，在选取参数c和参数g时，通过网格搜索法将特定区间划分为网格，按照一定的步长来对c和g进行取值，然后将选取每一组参数c和参数g进行交叉验证，选择与训练集不同的测试集对分类模型测试得到分类准确率，并取最高准确率下的c和g作为最佳的参数，如果存在多组最佳的参数时，由于参数c过大可能发生过学习状态，故取最小的c和g作为最优参数。
[0112]
进一步地，所述步骤2.5的svm算法流程为骤：
[0113]
a.根据需求选择类别已知的样本的特征参数，选定样本构建训练集和测试集，并作归一化处理；
[0114]
b.选择合适的核函数及相应的参数，开始训练；
[0115]
c.得到分裂模型，使用测试集对模型进行测试。
[0116]
进一步地，所述步骤2.5通过网格搜索法对参数进行寻优，具体步骤如下：
[0117]
a.设置参数c和g的取值范围和搜索步长，其中参数c和g的取值范围为[2-a
，2a]，其中a＝2每次a步进为0.5；
[0118]
b.在每一组参数c和g下，进行交叉验证对训练集进行训练得到分类模型，
[0119]
并使用测试集进行测试得到其分类精度。
[0120]
本发明的一种弹药击发振动信号特征提取与检测装置及方法具有以下优点：
[0121]
(1)本发明对射击过程中的振动信号进行研究并提出一种可靠的检测方法。通过对射击过程中的振动信滤波和特征提取，最终得到准确率很高的弹药击发数据。
[0122]
(2)集成电路的发展促使当今的电子设备越来越小，功能越来越强，因此对弹药击发时的振动信号采集使用加速度传感器来实现，该方案简单易实现且使用过程中基本上不需要维护。
[0123]
(3)在使用传感器对弹药击发过程中的振动信号进行采集时，不同人员的枪击发时的振动信号是相互独立的；在强声音干扰的情况下也能够采集到弹药击发时的振动信号。
[0124]
基于以上优点，通过分析弹药击发时的振动作信号来为检测击发弹药的数目，更加方便、准确。击发与检测之间相互独立，检测时不会受到其他击发人员的影响，同时也降低了对检测装置的维护成本。
附图说明
[0125]
图1为本发明的弹药击发振动信号特征提取与检测装置模块结构示意图；
[0126]
图2为本发明的弹药击发振动信号特征提取与检测装置电路结构示意图；
[0127]
图3为本发明的数据采集流程图；
[0128]
图4为本发明的振动信号数据模型示意图；
[0129]
图5为上膛和一击发算术平均信号图；
[0130]
图6为本发明的二次分帧算法示意图；
[0131]
图7为本发明的一击发信号二次分帧信号图；
[0132]
图8为本发明的小波阈值滤波流程图；
[0133]
图9为本发明的改进阈值函数和软硬阈值函数示意图。
具体实施方式
[0134]
为了更好地了解本发明的目的、结构及功能，下面结合附图，对本发明一种弹药击发振动信号特征提取与检测装置及方法做进一步详细的描述。
[0135]
如图1所示，本发明的一种弹药击发振动信号特征提取与检测装置，包括主控芯片电路、外设电路、电源管理电路、数据采集电路、无线传输电路和程序下载调试电路。外设电路、电源管理电路、数据采集电路、无线传输电路、程序下载调试电路分别与主控芯片电路电连接，无线传输电路与pc数据接收装置通讯连接。其中，主控芯片电路采用stmf103系列芯片。数据采集电路采用加速度传感器，加速度传感器采用的型号为mma7361，用于采集弹药击发过程中枪支在三个方向的振动信号，采样频率可达到11khz，可配置
±
1.5g和
±
6.0g两种加速度采集灵敏度。无线传输电路采用hc-25wifi串口通信模块，内置无线网络协议ieee802.11协议栈和tcp协议栈，能够将数据通过wifi发送至pc数据接收装置。外部设备包括按键、指示灯和显示屏。
[0136]
如图2所示为本发明的一种弹药击发振动信号特征提取与检测装置各模块电路原理图。主控芯片电路部分采用8mhz的晶体与22pf的电容形成晶振电路，并在芯片电源引脚附近放置4个0.1uf的电容，消除电路运行过程中的纹波干扰，保证芯片的正常工作；电源管理电路采用供电电压为3.6-4.2v的锂电池，通过电池稳压芯片tps7333将电源电压稳压至3.3v对主控芯片以及传感器进行供电。同时采用tp4055实现电池的充电功能；外设电路配置了oled显示屏、两个按键和led指示灯来进行显示和交互；数据采集电路通过使用加速度传感器电路mma7361来采集射击过程中枪支三个轴方向的加速度数据；无线传输电路的hc-25模块通过wifi与pc端进行交互实现数据的传输与保存。
[0137]
本发明装置的数据采集装置程序的功能主要是采集射击过程中的三轴加速度数据。数据的采集是通过驱动芯片mma7361输出x、y和z三轴的加速度电压信号，电压信号通过stm32中的adc通道转换为数字信号，然后，将转换后的加速度信号通过usart通道，将数据传输至hc-25无线模块使用wifi进行发送。如图3所示，采集装置的程序执行时，首先，对芯片外设初始化，包括对usart、定时器、oled显示屏和按键等设备的初始化。然后对采集装置上的加速度传感器mma7361驱动相关引脚使其能够正常工作，对主控芯片内部定时进行配置并编写中断函数，当定时器内部装载值计数结束后，程序进入定时器的中断服务函数，将adc通道采集到的加速度电压信号传输至hc-25无线模块。当模块成功连接至pc端后，通过wifi将串口数据发送至pc，之后对采集到的数据，进行算数平均、二次分帧、端点检测、去噪等处理，提高数据准确度。
[0138]
本发明的一种弹药击发振动信号特征提取与检测方法，包括如下步骤：
[0139]
步骤1，对振动信号进行预处理，本发明针对枪击振动信号中不相关信号和噪声信号，使用二次分帧算法结合小波阈值去噪来进行处理。
[0140]
步骤1.1：如图4所示，通过加速度传感器得到的原始枪击振动信号可以用式(1)表
示：
[0141]
s(n)＝f(n)+e(n)(1)
[0142]
式(1)中f(n)分别对应三轴完整的加速度信号，e(n)为噪声信号。当没有击发动作时，信号变化平稳。在t1至t2时间段出现剧烈变化的脉冲信号为击发特征信号。
[0143]
步骤1.2：数据提取：对原始数据进行精确提取，得到t1到t2的振动数据段：
[0144]
(1)计算原始信号x(n)、y(n)、z(n)的算数平均值得到信号f(n)；
[0145]
(2)对信号f(n)进行第一次短时分帧，并计算每一个短时帧的方差，对得到的方差值进行第二次分帧处理，并计算二次分帧内的方差幅值；
[0146]
(3)得到的方差幅值，可以用来反应数据变化的波动程度。通过对幅值设定阈值门限从而确定时间点t1和t2，从而提取得到击发特征的振动信号段f
′
(n)。
[0147]
步骤1.3：数据滤波：对得到的信号f
′
(n)进一步使用小波阈值滤波算法去除信号中噪声信号，小波阈值去噪：
[0148]
(1)选定小波分解的基函数，对信号f
′
(n)进行i层分解，得到信号分解后的小波系数。
[0149]
(2)对分解得到的各层系数选定阈值λ，通过一个关于λ的阈值函数去除系数中的噪声部分，得到处理后的小波系数。
[0150]
(3)基于处理后的小波系数进行信号重构得到去噪后的信号。
[0151]
步骤1.4：算数平均处理：对原始数据进行提取的第一步是对采集到的x、y、z三轴原始加速度信号进行算数平均处理。考虑到传感器设备在采集数据的过程中，单轴采集到的信号在采集过程中可能出现偏差，针对单轴的信号进行研究不能够全面地描述枪击的振动过程，而对三轴的数据分别进行研究会增加不必要的计算量。因此，对振动信号的第一步处理为将采集到的x(n)、y(n)、z(n)三轴的振动信号进行算数平均值计算，得到击发振动信号的平均值s，将三轴的均值信号s作为数据提取的对象。
[0152]
图5为包含上膛信号和一击发信号振动数据样本，包含两个振动信号，前面的为上膛信号，后面的为一击发信号。图中展示了x、y、z三轴的加速度曲线和求算数平均值以后的加速度曲线。
[0153]
步骤1.5：二次分帧算法：对原始数据进行提取的第二步是对得到的均值信号s通过二次分帧算法使有效的振动数据段的数据进一步凸显，为后续设定阈值门限，检测起始位置端点和结束位置端点来得到振动信号起始点和终点做准备。
[0154]
加速度传感器采集到的枪击振动信号为非平稳信号，利用短时帧对信号进行处理时，每一帧内的数据段可以看作短暂的稳态信号。分帧处理示意如图6所示。
[0155]
第一次分帧处理：
[0156]
首先对信号s(n)进行第一次分帧处理，帧长表示为n
len0
，帧移表示为n
inc0
，可以将原始信号分为m0帧，其中m0的计算为公式(2)：
[0157][0158]
式(2)中n为信号s(n)的总长度。
[0159]
对归一化后的信号s(n)分帧后，第i帧表示为si(n)，其中i＝1,2,
…
,m0；n＝1,2,
…
,n
len0
。
[0160]
为了能够反应短时数据帧在较短区间内的波动性，计算每一帧数据的方差v(n)，每一帧数据的方差计算如公式(3)：
[0161][0162]
式(3)中e(i)为第i帧数据的均值，l为帧长n
len0
，i＝1，2，...，m0。
[0163]
第二次分帧处理：
[0164]
对长度为m0的方差序列v(n)，进行二次分帧处理，第二次帧长为n
len1
，帧移位n
inc1
，可以将原始信号分为m1帧，其中m1的计算公式如(4)所示：
[0165][0166]
对方差信号v(n)分帧后，第i帧表示为vi(n)，其中i＝1,2,
…
,m1；n＝1,2,
…
,n
len1
。
[0167]
本发明中在进行信号采集时的频率为f＝1khz。第一次分帧时将帧长n
len0
设置为20，帧移n
inc0
设置为4。第二次分帧时将帧长n
len1
设置为32，帧移n
inc1
为8。以一击发信号为例，如图7所示，(a)、(b)、(c)分别是信号二次分帧过程中的原始信号、第一次分帧后和第二次分帧后的部分信号。
[0168]
步骤1.6：端点检测：为了提取出振动信号的起始位置和结束位置，对方差信号vi(n)进行短时幅值ei计算，计算公式如(5)所示：
[0169][0170]
式(5)中l为帧长n
len1
，vi(n)为第i帧的方差信号，i＝1，2，...，m0。
[0171]
基于短时幅值序列使用单参数单门限开始进行端点检测。检测方法为：设定检测门限为阈值e
t
。当第i帧大于阈值门限e
t
时，并且从第i帧到第j帧，每一帧的幅值都大于阈值e
t
，而第j+1帧小于阈值门限e
t
。则认为从第i帧到第j帧为振动数据段。认定起始帧为第i帧，结束帧为第j帧。
[0172]
振动数据段的起始时间为t1，结束时间为t2计算公式如(6)和(7)所示：
[0173][0174][0175]
阈值的设置主要根据经验设定，本发明中阈值设置为e
t
＝5，当短时能量高于e
t
时，认为是待提取的振动信号，使用公式(6)和(7)得到振动信号帧的起始时间和时间。
[0176]
枪击振动信号的小波阈值去噪：设一个长度为n的枪击振动信号s(n)可以用式(8)模型来表示：
[0177]
s(n)＝f(n)+σe(n)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)
[0178]
式(8)中s(n)为通过设备采集到的振动信号，f(n)为代表振动特征的有效信号，e
(n)为噪声信号，σ为噪声信号的强度。
[0179]
枪击振动信号的小波阈值去噪基于振动信号s(n)在时间域的连续性，且信号经过小波分解以后能够代表振动特征的有效信号f(n)的小波系数的模值往往较大。噪声信号e(n)在时间域不具备连续性，且经过小波分解以后，噪声信号的小波系数远小于有效信号的小波系数。因此，通过设定阈值λ，作为与各层信号小波分解后的小波系数比较的对比值。经过一个关于λ的阈值函数的处理得到一组新的小波系数，将该部分作为重新构建信号的基础。其滤波流程如图8所示：
[0180]
步骤1.7：小波基函数的选择：基于能量和shannon熵测量原则，选择最适合本枪击振动信号的小波基函数。采样信号s(n)经过小波变换以后，每个尺度s对应的小波系数能量可以使用式(9)计算得到：
[0181][0182]
式(9)中w(s，i)为分解过后的小波系数，n为小波系数的能量。
[0183]
信号在小波分解的层数确认后，最优小波基函数可以从待测信号中得到最大的能量幅值。
[0184]
信号经过小波分解以后，信号中的有效信号会集中分布在特定的频段，此时该频段中的能量相对集中。小波系数的能量分布可以由shannon熵定量来描述：
[0185][0186]
式(10)中pi小波系数能量分布概率。定义为：
[0187]
且
[0188]
当pi＝0，式10中认定pi·
log2pi＝0。
[0189]
式(10)和式(11)表示小波系数的shannon熵受限于：
[0190]
0≤hs(w)≤log2n
ꢀꢀ
(12)
[0191]
假设只有一个小波系数能量不为0，其他分布系数能量都为0时，此时hs(w)＝0小波能量熵最小，表示能量最集中；假设小波系数能量服从均匀分布，此时有hs(w)＝log2n，所有概率都相等。小波能量熵最大，表示能量分散分布。
[0192]
因此，基于小波系数能量熵的小波基函数选择标准具体可以描述为：最优小波基的小波系数的shannon熵最小。
[0193]
本发明使用coif5小波基作为分解的基函数。
[0194]
步骤1.8：阈值的选择：在选取阈值时，极大极小阈值规则和无偏风险阈值规则在噪声信号在高频部分具有少量分布的情况下更加可靠，因为其仅将部分小波系数置为零，能够有效去除噪声信号。
[0195]
极大极小阈值规则(minmax规则)：产生一个最小均方误差的极值。具体计算方式为：
[0196][0197]
式(13)中σn为噪声的方差，n为小波系数的个数。
[0198]
步骤1.9：阈值函数的改进：常用阈值函数有硬阈值和软阈值函数。由于硬阈值函数在阈值点的不连续性，可能会导致重构信号产生振荡现象。软阈值函数去噪以后虽然平滑性较好但是存在固定偏差，信号容易丢失高频部分。本发明使用改进的阈值函数，定义为(14)：
[0199][0200]
式(14)中w
j，k
为小波系数，λ为小波各层选择的阈值，为改进后的阈值函数处理过后的系数，m赋值为0.02，l赋值为0.5，a赋值为0.2。不同阈值函数如图9所示。
[0201]
改进后的阈值函数在包含软阈值连续性的同时，在小波系数增大时，逐渐逼近硬阈值函数，不仅消除了软阈值函数去噪以后的固定偏差，也可以解决硬阈值函数导致的振荡现象。
[0202]
步骤1.10：滤波评价标准：采用信噪比(snr)和均方根误差(rmse)作为振动信号去噪效果的指标。其中信噪比可以表明振动信号中噪声成分的多少，信噪比越大表示信号中噪声含量越少。均方根误差为原始振动信号和去噪后振动信号之间方差的平方根，其值越小表明去噪效果越好。
[0203]
设原始振动信号表示方式为式(1)，假设式(1)中s(n)为原始振动信号，f(n)为去噪后的信号，e(n)为噪声信号。
[0204]
信噪比可定义为(15)：
[0205][0206][0207]
式(16)中的n为信号长度。
[0208]
步骤2，通过使用小波包算法对信号进行分解，得到不同击发类别信号的能量曲线；使用曲线拟合的方法，选定待拟合方程，对各自的能量曲线进行拟合，得到曲线方程中的参数。将方程中的所有参数作为各自击发信号的特征参数，使用svm进行分类测试，对svm中的参数进行寻优，提高分类准确率。
[0209]
步骤2.1：振动信号的小波包分解算法：振动信号自身具有能量，对本发明中研究的枪击振动信号来说击发数目越多，对应信号具有的能量也越高。不同击发数目的振动信号经过小波包分解以后，在特定频段的能量可能会出现一定的差别。因此以不同击发数目的振动信号中的低频到高频的累计能量变化为出发点，先计算不同类型的振动信号从低频
到高频的累计能量，然后对得到的累计能量减去零频率的能量部分，得到中高频段能量。从中高频段能量变化中发现不同类型振动信号的能量变化特点，再使用曲线拟合的方式提取其各自的特征。具体算法流程为：
[0210]
将经过小波阈值滤波后的振动信号s进行小波包i层分解和重构得到每一个子频带中的信号，原始信号可使用子频带信号可通过式(17)来进行计算：
[0211][0212]
式(17)中为分解后第i层中第j个重构频段信号，k＝2i。
[0213]
计算各频段的能量：记分解后的第i层第j个重构信号的能量为其计算公式如式(18)：
[0214][0215]
式(18)中n为信号s的长度。
[0216]
计算频段累计能量：定义为第i层从第1个频段的信号到低k个频段的信号的能量累计求和，计算公式为(19)：
[0217][0218]
式(19)中为第i层第k个重构信号的能量，1≤k≤2i。
[0219]
减去零频率点的能量：对得到的频段累计能量：统一减去第1个频段即为信号中不包含低频段的累计能量：
[0220]
绘制累计频段能量的折线，使用曲线拟合的算法来提取特征。
[0221]
步骤2.2：基于曲线拟合对能量曲线的特征提取：根据振动信号去除低频信号后的能量曲线，由于不同类型的曲线变化趋势相同，曲线之间又有明显的差别，因此可以使用曲线拟合的方法来提取不同类型的振动信号的特征。使用小波包7层分解下无低频信号的能量曲线来进行拟合。
[0222]
设定不同从低频到高频的累计能量依次为e1,e2,
…
,e
128
，对应的频段依次为1,2,
…
,128。定义曲线拟合的函数方程形式为(20)所示：
[0223]
y＝axb+c(20)
[0224]
由于在曲线拟合中，当曲线函数对参数来说为线性函数时(即在拟合函数中参数仅以一次方的形式出现，没有出现参数的乘除或复合形式)，可以使用拟合优度r2来评价曲线拟合结果的好坏。拟合优度r2的计算过程为：
[0225]
计算拟合数据的回归平方和ssr：
[0226][0227]
式(21)中为拟合值，为待拟合折线y的平均值，n曲线的长度。
[0228]
计算拟合数据的残差平方和sse：
[0229][0230]
计算拟合数据的总平方和sst：
[0231][0232]
式(22)和(23)中yi为待拟合折线的真实值，并且总平方和满足sst＝ssr+sse。
[0233]
计算拟合优度r2：
[0234][0235]
拟合优度r2反应变量y的波动中有多少百分比能被x的波动所描述，其取值范围为0≤r2≤1。拟合优度r2越接近于1说明曲线模型与待拟合的折线越接近，一般认为r2＞0.8，拟合效果较好。
[0236]
步骤2.3：拟合方程的线性化：由于式(20)中的函数方程中的参数a和b为非线性关系，不能直接通过拟合优度r2作为曲线拟合结果的评价指标。所以在使用曲线拟合来提取振动信号的能量曲线的特征时，需要对待拟合的函数方程进行参数线性化处理，具体的步骤为：
[0237]
将函数方程y＝axb+c作为第一次待拟合的函数方程，得到各组振动信号的函数参数a、b、c的取值。
[0238]
将方程中的指数b取常数，取值范围为:[d
min
，d
max
]，其中d
min
为首次拟合结果中的最小值，d
max
为首次拟合结果中的最大值。
[0239]
以拟合优度r2为评价指标，将拟合优度较大时的参数a和参数c作为最终的振动信号的能量变化模型。
[0240]
经过上述三个步骤来对方程y＝axb+c线性化处理以后，方程中只有参数a和参数c两个参数，且两者为线性相加关系。此时，根据拟合优度的定义，可以通过式21、22、23、24来计算拟合优度r2，评价拟合结果的好坏。
[0241]
为了对拟合的函数方程进行线性化处理，将b取为{-0.9，-0.8，
…
，-0.2，-0.1}，分别计算各振动信号的拟合优度r2，并计算其算术平均值作为不同振动信号拟合后的评价指标。
[0242]
当b取值为-0.9至-0.1时，不同击发状态下的拟合优度都大于0.8，说明拟合的曲线与原曲线之间较为接近。随着参数b的变化，不同击发状态下的拟合优度变化趋势一致，
整体趋势都是由小变大再变小。为了保证不同状态的曲线拟合时都有一个较好的拟合结果。取参数b＝-0.6，此时拟合的线性化方程形式为：
[0243]
y＝ax-0.6
+c(25)
[0244]
步骤2.4：特征参数提取：对得到的能量曲线使用线性化方程(25)重新进行拟合参数a和参数c，并计算此时各振动数据在此参数下的拟合优度r2。
[0245]
对待拟合的函数方程y＝axb+c来说当b取-0.6时，此时整体拟合优度最大，不同的振动信号经过拟合后，得到的曲线方程能够有效的反应原振动信号能量曲线的变化趋势。因此取曲线方程中的参数a和参数c作为不同类别的振动信号的特征。
[0246]
步骤2.5：基于svm对振动信号的特征识别：首先对所有的样本每两类进行一次二分类，最终构造出多分二分类分类器。然后在用测试样本进行分类时，通过采用打分制，支持的加一分，最终将样本归类于得分最高的一类。
[0247]
具体svm算法流程为：
[0248]
a.根据需求选择类别已知的样本的特征参数，选定样本构建训练集和测试集，并作归一化处理。
[0249]
b.选择合适的核函数及相应的参数，开始训练。
[0250]
c.得到分裂模型，使用测试集对模型进行测试。
[0251]
在选取训练集和测试集时，根据击发的次数将上膛信号、一击发信号、二次连发信号和三次连发信号的标签分别取为0、1、2、3，并对样本数据使用matlab中的mapminmax函数对特征参数|a|和c进行归一化处理。
[0252]
核函数选取：径向基核函数对特征参数分类性能最好，核函数选择径向基核函数。
[0253]
对于选取的径向基函数，函数中包含两个参数惩罚系数c和g。其中参数c决定了误分类样本的数量和svm分界面简单性。参数g决定样本在向高维特征空间投影后的缩放比例，g值越大说明支持向量越少。在选取参数c和参数g时，通过网格搜索法将特定区间划分为网格，按照一定的步长来对c和g进行取值，然后将选取每一组参数c和参数g进行交叉验证，选择与训练集不同的测试集对分类模型测试得到分类准确率，并取最高准确率下的c和g作为最佳的参数。如果存在多组最佳的参数时，由于参数c过大可能发生过学习状态，故取最小的c和g作为最优参数。
[0254]
具体通过网格搜索法对参数进行寻优的步骤如下：
[0255]
a.设置参数c和g的取值范围和搜索步长，其中参数c和g的取值范围为[2-a
，2a]，其中a＝2每次a步进为0.5；
[0256]
b.在每一组参数c和g下，进行交叉验证对训练集进行训练得到分类模型，并使用测试集进行测试得到其分类精度。
[0257]
可以理解，本发明是通过一些实施例进行描述的，本领域技术人员知悉的，在不脱离本发明的精神和范围的情况下，可以对这些特征和实施例进行各种改变或等效替换。另外，在本发明的教导下，可以对这些特征和实施例进行修改以适应具体的情况及材料而不会脱离本发明的精神和范围。因此，本发明不受此处所公开的具体实施例的限制，所有落入本技术的权利要求范围内的实施例都属于本发明所保护的范围内。

技术特征：
1.一种弹药击发振动信号特征提取与检测装置，其特征在于，包括主控芯片电路、外设电路、电源管理电路、数据采集电路、无线传输电路和程序下载调试电路，所述外设电路、电源管理电路、数据采集电路、无线传输电路、程序下载调试电路分别与主控芯片电路电连接，所述无线传输电路与pc数据接收装置通讯连接；所述数据采集电路采用加速度传感器，用于采集弹药击发过程中枪支在三个方向的振动信号；所述无线传输电路用于将数据通过wifi发送至pc数据接收装置；所述外设电路包括按键、指示灯和显示屏；所述主控芯片电路用于处理数据采集电路采集的数据；所述电源管理电路用于提供各模块工作电源；所述程序下载调试电路用于下载调试程序。2.根据权利要求1所述的弹药击发振动信号特征提取与检测装置，其特征在于，所述主控芯片电路采用stmf103系列芯片；数据采集电路的加速度传感器采用的型号为mma7361，用于采集弹药击发过程中枪支在三个方向的振动信号，配置
±
1.5g和
±
6.0g两种加速度采集灵敏度；所述无线传输电路采用hc-25wifi串口通信模块，内置无线网络协议ieee802.11协议栈和tcp协议栈；所述主控芯片电路采用8mhz的晶体与22pf的电容形成晶振电路，并在芯片电源引脚附近放置4个0.1uf的电容；所述电源管理电路采用供电电压为3.6-4.2v的锂电池，通过电池稳压芯片tps7333将电源电压稳压至3.3v对主控芯片以及传感器进行供电，同时采用tp4055芯片实现电池的充电功能；所述外设电路配置oled显示屏、两个按键和led指示灯来进行显示和交互；所述数据采集电路通过使用mma7361芯片来采集射击过程中枪支三个轴方向的加速度数据；所述无线传输电路的hc-25wifi串口通信模块通过wifi与pc端进行交互实现数据的传输与保存。3.根据权利要求1或2所述的弹药击发振动信号特征提取与检测装置的特征提取与检测方法，其特征在于，包括如下步骤：步骤1，对振动信号进行预处理，本发明针对枪击振动信号中不相关信号和噪声信号，使用二次分帧算法结合小波阈值去噪来进行处理；步骤2，通过使用小波包算法对信号进行分解，得到不同击发类别信号的能量曲线；使用曲线拟合的方法，选定待拟合方程，对各自的能量曲线进行拟合，得到曲线方程中的参数，将方程中的所有参数作为各自击发信号的特征参数，使用svm进行分类测试，对svm中的参数进行寻优。4.根据权利要求3所述的方法，其特征在于，所述步骤1包括如下具体步骤：步骤1.1：通过加速度传感器得到的原始枪击振动信号用式(1)表示：s(n)＝f(n)+e(n)(1)式(1)中f(n)分别对应三轴完整的加速度信号，e(n)为噪声信号，当没有击发动作时，信号变化平稳，在t1至t2时间段出现剧烈变化的脉冲信号为击发特征信号；步骤1.2：数据提取：对原始数据进行精确提取，得到t1到t2的振动数据段：步骤1.3：数据滤波：对得到的信号f
′
(n)进一步使用小波阈值滤波算法去除信号中噪声信号，小波阈值去噪：步骤1.4：算数平均处理：对原始数据进行提取的第一步是对采集到的x、y、z三轴原始加速度信号进行算数平均处理，对振动信号的第一步处理为将采集到的x(n)、y(n)、z(n)三轴的振动信号进行算数平均值计算，得到击发振动信号的平均值s，将三轴的均值信号s作为数据提取的对象；步骤1.5：二次分帧算法：对原始数据进行提取的第二步是对得到的均
值信号s通过二次分帧算法使有效的振动数据段的数据进一步凸显，为后续设定阈值门限，检测起始位置端点和结束位置端点来得到振动信号起始点和终点做准备；步骤1.6：端点检测：为了提取出振动信号的起始位置和结束位置，对方差信号v
i
(n)进行短时幅值e
i
计算，计算公式如(5)所示：式(5)中l为帧长n
len1
，v
i
(n)为第i帧的方差信号，i＝1，2，...，m0；基于短时幅值序列使用单参数单门限开始进行端点检测，检测方法为：设定检测门限为阈值e
t
，当第i帧大于阈值门限e
t
时，并且从第i帧到第j帧，每一帧的幅值都大于阈值e
t
，而第j+1帧小于阈值门限e
t
，则认为从第i帧到第j帧为振动数据段，认定起始帧为第i帧，结束帧为第j帧；振动数据段的起始时间为t1，结束时间为t2计算公式如(6)和(7)所示：计算公式如(6)和(7)所示：阈值设置为e
t
＝5，当短时能量高于e
t
时，认为是待提取的振动信号，使用公式(6)和(7)得到振动信号帧的起始时间和时间；枪击振动信号的小波阈值去噪：设一个长度为n的枪击振动信号s(n)用式(8)模型来表示：s(n)＝f(n)+σe(n)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)式(8)中s(n)为通过设备采集到的振动信号，f(n)为代表振动特征的有效信号，e(n)为噪声信号，σ为噪声信号的强度；通过设定阈值λ，作为与各层信号小波分解后的小波系数比较的对比值，经过一个关于λ的阈值函数的处理得到一组新的小波系数，将该部分作为重新构建信号的基础；步骤1.7：小波基函数的选择：基于能量和shannon熵测量原则，选择最适合本枪击振动信号的小波基函数，采样信号s(n)经过小波变换以后，每个尺度s对应的小波系数能量使用式(9)计算得到：式(9)中w(s，i)为分解过后的小波系数，n为小波系数的能量；信号在小波分解的层数确认后，最优小波基函数从待测信号中得到最大的能量幅值；信号经过小波分解以后，信号中的有效信号会集中分布在特定的频段，此时该频段中的能量相对集中，小波系数的能量分布可以由shannon熵定量来描述：
式(10)中p
i
小波系数能量分布概率，定义为：当p
i
＝0，式10中认定p
i
·
log2p
i
＝0；式(10)和式(11)表示小波系数的shannon熵受限于：0≤h
s
(w)≤log2n(12)假设只有一个小波系数能量不为0，其他分布系数能量都为0时，此时h
s
(w)＝0小波能量熵最小，表示能量最集中；假设小波系数能量服从均匀分布，此时有h
s
(w)＝log
2 n，所有概率都相等，小波能量熵最大，表示能量分散分布；因此，基于小波系数能量熵的小波基函数选择标准描述为：最优小波基的小波系数的shannon熵最小；使用coif5小波基作为分解的基函数；步骤1.8：阈值的选择：极大极小阈值规则：产生一个最小均方误差的极值，具体计算方式为：式(13)中σ
n
为噪声的方差，n为小波系数的个数；步骤1.9：阈值函数的改进：使用改进的阈值函数，定义为(14)：式(14)中w
j，k
为小波系数，λ为小波各层选择的阈值，为改进后的阈值函数处理过后的系数，m赋值为0.02，l赋值为0.5，a赋值为0.2；步骤1.10：滤波评价标准：采用信噪比和均方根误差作为振动信号去噪效果的指标，其中信噪比可以表明振动信号中噪声成分的多少，信噪比越大表示信号中噪声含量越少，均方根误差为原始振动信号和去噪后振动信号之间方差的平方根，其值越小表明去噪效果越好；设原始振动信号表示方式为式(1)，假设式(1)中s(n)为原始振动信号，f(n)为去噪后的信号，e(n)为噪声信号；信噪比定义为(15)：
式(16)中的n为信号长度。5.根据权利要求3所述的方法，其特征在于，所述步骤1.2包括如下具体步骤：步骤1.2.1：计算原始信号x(n)、y(n)、z(n)的算数平均值得到信号f(n)；步骤1.2.2：对信号f(n)进行第一次短时分帧，并计算每一个短时帧的方差，对得到的方差值进行第二次分帧处理，并计算二次分帧内的方差幅值；步骤1.2.3：得到的方差幅值，用来反应数据变化的波动程度，通过对幅值设定阈值门限从而确定时间点t1和t2，从而提取得到击发特征的振动信号段f
′
(n)。6.根据权利要求3所述的方法，其特征在于，所述步骤1.3包括如下具体步骤：步骤1.3.1：选定小波分解的基函数，对信号f
′
(n)进行i层分解，得到信号分解后的小波系数；步骤1.3.2：对分解得到的各层系数选定阈值λ，通过一个关于λ的阈值函数去除系数中的噪声部分，得到处理后的小波系数；步骤1.3.3：基于处理后的小波系数进行信号重构得到去噪后的信号。7.根据权利要求3所述的方法，其特征在于，所述步骤1.5包括如下具体步骤：第一次分帧处理：首先对信号s(n)进行第一次分帧处理，帧长表示为n
len0
，帧移表示为n
inc0
，将原始信号分为m0帧，其中m0的计算为公式(2)：式(2)中n为信号s(n)的总长度；对归一化后的信号s(n)分帧后，第i帧表示为s
i
(n)，其中i＝1，2，
…
，m0；n＝1，2，
…
，n
len0
；计算每一帧数据的方差v(n)，每一帧数据的方差计算如公式(3)：式(3)中e(i)为第i帧数据的均值，l为帧长n
len0
，i＝1，2，...，m0；第二次分帧处理：对长度为m0的方差序列v(n)，进行二次分帧处理，第二次帧长为n
len1
，帧移位n
inc1
，将原始信号分为m1帧，其中m1的计算公式如(4)所示：对方差信号v(n)分帧后，第i帧表示为v
i
(n)，其中i＝1，2，
…
，m1；n＝1，2，
…
，n
len1
。8.根据权利要求3所述的方法，其特征在于，所述步骤2包括如下具体步骤：步骤2.1：振动信号的小波包分解算法：
将经过小波阈值滤波后的振动信号s进行小波包i层分解和重构得到每一个子频带中的信号，原始信号使用子频带信号通过式(17)来进行计算：式(17)中为分解后第i层中第j个重构频段信号，k＝2i；计算各频段的能量：记分解后的第i层第j个重构信号的能量为其计算公式如式(18)：式(18)中n为信号s的长度；计算频段累计能量：定义为第i层从第1个频段的信号到低k个频段的信号的能量累计求和，计算公式为(19)：式(19)中为第i层第k个重构信号的能量，1≤k≤2
i
；减去零频率点的能量：对得到的频段累计能量：统一减去第1个频段即为信号中不包含低频段的累计能量：绘制累计频段能量的折线，使用曲线拟合的算法来提取特征；步骤2.2：基于曲线拟合对能量曲线的特征提取：设定不同从低频到高频的累计能量依次为e1，e2，
…
，e
128
，对应的频段依次为1，2，
…
，128，定义曲线拟合的函数方程形式为(20)所示：y＝ax
b
+c(20)由于在曲线拟合中，当曲线函数对参数来说为线性函数时，使用拟合优度r2来评价曲线拟合结果的好坏，拟合优度r2的计算过程为：计算拟合数据的回归平方和ssr：式(21)中为拟合值，为待拟合折线y的平均值，n曲线的长度；计算拟合数据的残差平方和sse：
计算拟合数据的总平方和sst：式(22)和(23)中y
i
为待拟合折线的真实值，并且总平方和满足sst＝ssr+sse；计算拟合优度r2：拟合优度r2反应变量y的波动中有多少百分比能被x的波动所描述，其取值范围为0≤r2≤1，拟合优度r2越接近于1说明曲线模型与待拟合的折线越接近；步骤2.3：拟合方程的线性化：将函数方程y＝ax
b
+c作为第一次待拟合的函数方程，得到各组振动信号的函数参数a、b、c的取值；将方程中的指数b取常数，取值范围为：[d
min
，d
max
]，其中d
min
为首次拟合结果中的最小值，d
max
为首次拟合结果中的最大值；以拟合优度r2为评价指标，将拟合优度较大时的参数a和参数c作为最终的振动信号的能量变化模型；经过上述三个步骤来对方程y＝ax
b
+c线性化处理以后，方程中只有参数a和参数c两个参数，且两者为线性相加关系，此时，根据拟合优度的定义，通过式21、22、23、24来计算拟合优度r2，评价拟合结果的好坏；为了对拟合的函数方程进行线性化处理，将b取为{-0.9，-0.8，
…
，-0.2，-0.1}，分别计算各振动信号的拟合优度r2，并计算其算术平均值作为不同振动信号拟合后的评价指标；当b取值为-0.9至-0.1时，不同击发状态下的拟合优度都大于0.8，说明拟合的曲线与原曲线之间较为接近，随着参数b的变化，不同击发状态下的拟合优度变化趋势一致，整体趋势都是由小变大再变小，为了保证不同状态的曲线拟合时都有一个较好的拟合结果，取参数b＝-0.6，此时拟合的线性化方程形式为：y＝ax-0.6
+c(25)步骤2.4：特征参数提取：对得到的能量曲线使用线性化方程(25)重新进行拟合参数a和参数c，并计算此时各振动数据在此参数下的拟合优度r2；对待拟合的函数方程y＝ax
b
+c来说当b取-0.6时，此时整体拟合优度最大，不同的振动信号经过拟合后，得到的曲线方程能够有效的反应原振动信号能量曲线的变化趋势，因此取曲线方程中的参数a和参数c作为不同类别的振动信号的特征；步骤2.5：基于svm对振动信号的特征识别：首先对所有的样本每两类进行一次二分类，最终构造出多分二分类分类器，然后在用测试样本进行分类时，通过采用打分制，支持的加一分，最终将样本归类于得分最高的一类；在选取训练集和测试集时，根据击发的次数将上膛信号、一击发信号、二次连发信号和
三次连发信号的标签分别取为0、1、2、3，并对样本数据使用matlab中的mapminmax函数对特征参数|a|和c进行归一化处理；核函数选取：径向基核函数对特征参数分类性能最好，核函数选择径向基核函数；对于选取的径向基函数，函数中包含两个参数惩罚系数c和g，其中参数c决定了误分类样本的数量和svm分界面简单性。，参数g决定样本在向高维特征空间投影后的缩放比例，g值越大说明支持向量越少，在选取参数c和参数g时，通过网格搜索法将特定区间划分为网格，按照一定的步长来对c和g进行取值，然后将选取每一组参数c和参数g进行交叉验证，选择与训练集不同的测试集对分类模型测试得到分类准确率，并取最高准确率下的c和g作为最佳的参数，如果存在多组最佳的参数时，由于参数c过大可能发生过学习状态，故取最小的c和g作为最优参数。9.根据权利要求8所述的方法，其特征在于，所述步骤2.5的svm算法流程为骤：a.根据需求选择类别已知的样本的特征参数，选定样本构建训练集和测试集，并作归一化处理；b.选择合适的核函数及相应的参数，开始训练；c.得到分裂模型，使用测试集对模型进行测试。10.根据权利要求8所述的方法，其特征在于，所述步骤2.5通过网格搜索法对参数进行寻优，具体步骤如下：a.设置参数c和g的取值范围和搜索步长，其中参数c和g的取值范围为[2-a
，2
a
]，其中a＝2每次a步进为0.5；b.在每一组参数c和g下，进行交叉验证对训练集进行训练得到分类模型，并使用测试集进行测试得到其分类精度。

技术总结
本发明属于振动信号提取技术领域，公开了一种弹药击发振动信号特征提取与检测装置及方法，包括主控芯片电路、外设电路、电源管理电路、数据采集电路、无线传输电路和程序下载调试电路，所述外设电路、电源管理电路、数据采集电路、无线传输电路、程序下载调试电路分别与主控芯片电路电连接，本发明通过对射击过程中的振动信滤波和特征提取，最终得到准确率很高的弹药击发数据。该方案简单易实现且使用过程中基本上不需要维护。在使用传感器对弹药击发过程中的振动信号进行采集时，不同人员的枪击发时的振动信号是相互独立的；在强声音干扰的情况下也能够采集到弹药击发时的振动信号。更加方便、准确，也降低了对检测装置的维护成本。也降低了对检测装置的维护成本。也降低了对检测装置的维护成本。


技术研发人员：余善恩 谭江北 陈永康 李佳亮
受保护的技术使用者：杭州电子科技大学
技术研发日：2022.11.25
技术公布日：2023/8/16