[0008] 本发明的目的是针对现有技术的不足，提供一种基于超限学习机及到达距离的周期振动信号定位方法。
[0009] 本发明解决其技术问题所采用的技术方案包括如下步骤：
[0010] 步骤1、获取训练距离预测模型
[0011] 1.1、基于已知准确基频和到达距离，针对任意一段数据长度为Lf的已知基频和到达距离的周期振动信号，基于已知的准确基频进行FBED(FrequencyBandEnergyDistribution)特征向量的提取；
[0012] 1.2、采集不同距离下周期振动信号并构建相应的标准FBED特征向量库；
[0013] 1.3、基于标定到达距离的FBED特征向量采用超限学习机(ELM)算法训练距离预测模型。
[0014] 步骤2、分别获取同一时间段内3个及以上的节点Pi(i＝1,2,3,...)处采集得到的未知基频与到达距离的周期振动信号Si(n),n＝1,2,...,Lf，数据长度皆为Lf、采样频率为Fs；
[0015] 步骤3、针对任一节点Pi(i＝1,2,3,...)处的周期振动信号Si(n)，进行准确基频fi的提取，并基于得到的准确基频fi进行FBED特征向量的提取；
[0016] 3.1、基于常用的基频提取算法，如自相关序列法、平均幅度差法或倒谱法进行基频提取获得基频估计值 并匹配最接近的准确基频fi；
[0017] 3.2、基于准确基频从周期振动信号Si(n)上提取得到FBED特征向量W。
[0018] 步骤4、对任一节点Pi处周期振动信号Si(n)，提取得到FBED特征向量W，利用训练好的ELM预测模型对特征向量W进行距离估计，得到对应的距离估计值di；
[0019] 步骤5、计算振动源的估计坐标，具体如下：基于任意3个节点处周期振动信号Si(n)，通过ELM预测模型分别得到的距离估计值，然后基于到达距离的定位法计算得到该振动源的估计坐标；
[0020] 振动源估计坐标的计算如下：
[0021] 设定任意3个节点分别为P1(x1,y1)、P2(x2,y2)、P3(x3,y3),且振动源的估计坐标为(x,y)，则基于到达距离的定位法的公式如下：
[0022]
[0023]
[0024] 其中
[0025]
[0026] 其中，d1、d2、d3分别指代节点P1(x1,y1)、P2(x2,y2)、P3(x3,y3)处得到的距离估计值，而γ1、γ2为计算时的中间变量；
[0027] 所述的步骤1.1和步骤3.2中的FBED特征向量提取过程是相同的，其处理过程是基于某基频ffd，提取Nb维FBED特征向量 具体计算公式组如下：
[0028] 1)维数Nb决定公式：
[0029]
[0030] 2)第i个频带上下限范围[fL(i),fR(i)]计算公式：
[0031]
[0032] 此外由于频带范围与PSD(f)的半谱范围可能有冲突，所以对fR(Nb)有一个修正的操作：
[0033] fR(Nb)＝min[Fs/2,fR(Nb)]；
[0034] 3)归一化前特征向量 的计算公式：
[0035]
[0036] 此处PSD(f)为此段信号的功率谱密度(Power Spectral Density)序列,其作为一种常用的数字信号处理频域分析对象，具有许多通用的计算方法，此处不再赘述；
[0037] 4)FBED特征向量 的计算公式如下：
[0038]
[0039] 所述的FBED特征向量为现有的较稳定的FBED(FrequencyBandEnergyDistribution)特征向量，也可以采用其他包含到达距离信息的距离特征，并不影响后续方法的有效性。
[0040] 所述的步骤3.1中由于采用的是已有的通用基频提取算法和基频匹配方法，所以此处可以根据需求选择具体的方案，并不影响后续方法的有效性。
[0041] 本发明有益效果如下：
[0042] 此方法基于超限学习机(Extreme Learning Machine，ELM)进行距离估计可以实现单节点下高精度的距离估计且具有极快的训练和实时估计的速度。
[0043] 此外基于到达距离的定位方案中单传感器节点仅需要1个振动传感器实现到达距离的估计，而非传统定位方案中阵列节点中需要多个振动传感器实现到达方向的估计，降低了传感器网络布设的成本，即降低了本方法推广的难度。
