CN102095796A - 一种结合主动超声与被动声学探测流体空化的装置及方法 - Google Patents

Abstract

本发明涉及一种结合主动超声与被动声学探测流体空化的装置及方法，至少一对超声换能器放置在空化区域的两侧，或至少一个收发合一的超声换能器放置在具有反射面的空化区域的另一侧，超声信号源产生的高频电信号通过超声驱动器驱动超声换能器按照既定频率发射；使超声波经过空化区域后，把流场信息调制到超声波上被超声换能器接收；水听器放置在以空化区域为球心、半径为8m的区域内接收声信号；超声解调器对已调超声信号进行解调；信号调理采集器对水听器接收的声信号和已调超声信号/解调信号放大、抗混叠滤波及模数转换；信号处理器对经超声解调器和信号调理采集器处理后的信号进行模式分类；利用信息融合算法得到最终状态并判断是否发生空化。

Description

一种结合主动超声与被动声学探测流体空化的装置及方法

技术领域

本发明涉及流体空化检测领域，特别涉及一种结合主动超声与被动声学探测流体空化的装置及方法。

背景技术

空化是液体特有的一种动力学现象，发生在局部压力低于该温度下饱和蒸汽压的液体区域。水轮机、泵的叶片以及船舶螺旋桨推进器等设备的运行都受到空化空蚀的困扰。空化是影响流体机械使用寿命与性能的主要问题之一，会导致机械效率下降，噪声和振动加剧，甚至会引起桨叶的材料剥蚀、结构破坏等。

目前工程应用的空化检测方法主要基于能量、压力、振动和声学等手段。空化引起水泵、涡轮水翼和推进器等机械的使用效率降低，通过监测机械的运行效率与理想效率的偏离程度，可以从侧面反映当前的空化状态，只是能量法不能及时检测到空化出现，当效率降低时，空化程度已经很严重了，而且空化状态只是影响设备运行效率的主要因素之一，该方法不能完全或者直接反映空化状态。监测压力脉动也是判断空化的一种手段，文献“Observations of oscillating cavitation of an inducer”(Source：Journal of Fluids Engineering，199：775～781，1997)在进行水泵空化实验时，对吸入管的压力脉动进行监测，得到空化与压力脉动的关系，但这一关系的适用性受到限制。对于螺旋桨推进器，则可以通过螺旋桨轴向的脉动监测空化的发生，不过其他偶然因素也可能引起脉动信号异常变化，造成误报。加拿大魁北克水力研究所及华中科技大学等研究单位通过安装在设备外部的加速度计测得振动信号，从而分析内部的空化状态，不过空化信号很容易受到设备本身正常振动的影响，降低判断准确率。清华大学的文献“水轮机空化空蚀破坏的在线监测方法及诊断装置”(专利号：02131333.4)利用加速度计和水听器分析水轮机的信号，通过阈值比较法检测空化状态，文献“轴流转桨式水轮机空化程度声信号辨识研究”(来源：中国电机工程学报，Vol.26，No.8，2006)通过分析噪声级，结合噪声谱的特征判断空化。实际环境中由于机械正常运转时的强烈的背景噪声干扰，容易造成误判，尤其对空化初生阶段的判别更为困难。1990年Barkhoudarian曾在文献“Ultrasonic cavitationdetection system”(Source：United States Patent，Patent Number：5,235,524)中提到主动超声发射的方法，其基本原理是利用空化产生的大量空泡遮挡超声的传播，依据接收到的信号强度判断空化状态，而实际中当大量空泡产生时，设备空化已非常严重了，无法对较早期的空化现象进行诊断。

发明内容

本发明的目的在于，提供一种结合主动超声与被动声学探测流体空化的装置及方法，以使对空化初生阶段的捕捉较为灵敏，并在空化的整个阶段内都能更精确地检测流体空化的发生。

为实现上述发明目的，本发明提出了一种结合主动超声与被动声学探测流体空化的装置，该装置包括：超声信号源、超声驱动器和超声换能器；

所述的超声信号源产生的高频电信号通过所述的超声驱动器驱动所述的超声换能器按照既定频率发射超声波；

所述的一对或多对超声换能器对应放置在空化区域的两侧，或所述的一个或多个收发合一的超声换能器放置在具有反射面的空化区域的另一侧，使超声波传播路线经过空化区域后，把流场信息调制到超声波上成为已调超声信号，被所述的超声换能器接收；其特征在于，

该装置还包括：超声解调器、信号调理采集器、信号处理器和水听器；

所述的水听器放置在以空化区域为球心、半径为8m的区域内，用于接收声信号，包括：空化发生时空泡溃灭发出的高频声信号；

所述的超声解调器，用于对已调超声信号进行解调，得到具有流场信息的解调信号；

所述的信号调理采集器，用于对水听器接收的声信号和已调超声信号/解调信号放大、抗混叠滤波以及模数转换；其中，所述的信号调理采集器可以对已调超声信号和解调信号任选其一进行放大、抗混叠滤波以及模数转换。

所述的信号处理器，用于对经超声解调器和信号调理采集器处理后的信号进行模式分类；最后，利用信息融合算法得到最终的状态并判断是否发生空化。

所述的信号处理器根据已知空化状态的解调信号特征训练得到的分类模型M1和提取到的解调信号特征，对实时的解调信号进行模式分类得到分类结果。

所述的信号处理器对水听器接收的声信号提取到用于空化检测的信号特征，训练得到的分类模型M2，根据分类模型M2和提取到的声信号特征，对实时的声信号进行模式分类得到分类结果。

为了实现发明目的，提出一种结合主动超声与被动声学探测流体空化的方法，该方法步骤包括：

步骤1)：所述的一对或多对超声换能器对应放置在空化区域的两侧，或所述的一个或多个超声换能器放置在具有反射面的空化区域的一侧，所述的超声信号源产生的高频电信号通过所述的超声驱动器驱动所述的超声换能器按照既定频率发射超声波，以使超声波传播路线经过空化区域后，把流场信息调制到超声波上成为已调超声信号，并被所述的超声换能器接收；把所述的水听器放置在以空化区域为球心、半径为8m的区域内，用于接收声信号；

步骤2)：所述的超声解调器对已调超声信号的解调得到反映流场信息的超声解调信号；或所述的信号调理采集器对已调超声信号和水听器接收的声信号进行放大、抗混叠滤波以及模数转换；

对应地，步骤3)：所述的信号调理采集器对超声解调信号和水听器接收的声信号进行放大、抗混叠滤波以及模数转换；或所述的超声解调器对信号调理采集器处理后的信号进行解调得到反映流场信息的信号；

步骤4)：所述的信号处理器根据已知空化状态的解调信号特征训练得到的分类模型M1和提取到的解调信号特征，对实时的解调信号进行模式分类得到分类结果；所述的信号处理器对水听器接收的声信号提取用于空化检测的信号特征，训练得到分类模型M2，根据分类模型M2和提取到的声信号特征，对实时的水听器接收的声信号进行模式分类；最后，利用信息融合算法对两个分类结果进行融合得到最终的空化状态判断；

步骤5)：最后，将诊断结果通过所述的通讯接口与上位机通信，发送空化报警信息。

所述的步骤4)中判断空化现象的算法步骤包括：

步骤4.1)：读取从所述的信号调理采集器中输出的数字信号；

步骤4.2)：检测采集得到的信号幅度，根据信号强度调整程控增益的设置，使得信号保持在50％～90％范围内；

步骤4.3)：针对特征选择确定的特征类型，计算特征值生成特征向量；

步骤4.4)：根据已知空化状态的解调信号特征训练得到的分类模型M1和提取到的超声解调信号特征对实时的解调信号进行模式分类，对水听器接收的声信号提取用于空化检测的信号特征并训练得到分类模型M2，根据分类模型M2和提取到的声信号的特征对实时的水听器接收的声信号进行模式分类；

步骤4.5)：利用信息融合算法，对上述两个分类结果进行融合，得到最终的空化状态判断结果。

所述的分类模型需要已知空化状态的数据库进行训练得到。

所述的步骤4.3)中特征选择的范围包括但不限于：

峰值：x_p＝max{|x_i|}                (1)

峰峰值：x_p-p＝max{x_i}-min{x_i}      (2)

均值： $\stackrel{\‾}{x}=\frac{1}{N}\underset{i=0}{\overset{N-1}{\mathrm{\Σ}}}{x}_i---\left(3\right)$

均方值： $x_a=\frac{1}{N}\underset{i=0}{\overset{N-1}{\mathrm{\Σ}}}{x}_i^2---\left(4\right)$

方差： ${\mathrm{\σ}}^2=\frac{1}{N}\underset{i=0}{\overset{N-1}{\mathrm{\Σ}}}{(x_i-\stackrel{\‾}{x})}^2---\left(5\right)$

方根幅值： $x_r={\left(\frac{1}{N}\underset{i=0}{\overset{N-1}{\mathrm{\Σ}}}{\left|x_i\right|}^{1/2}\right)}^2---\left(6\right)$

平均幅值： $x^{\′}=\frac{1}{N}\underset{i=0}{\overset{N-1}{\mathrm{\Σ}}}\left|x_i\right|---\left(7\right)$

有效值： $x_a={\left(\frac{1}{N}\underset{i=0}{\overset{N-1}{\mathrm{\Σ}}}{x}_i^2\right)}^{1/2}---\left(8\right)$

峭度： $x_q=\frac{1}{N}\underset{i=0}{\overset{N-1}{\mathrm{\Σ}}}{x}_i^4/x_a^2-3---\left(9\right)$

波形指标：K＝x_rms/x′            (10)

峰值指标：C＝x_p/x_rms             (11)

脉冲指标：1＝x_p/x′              (12)

裕度指标：L＝x_p/x_r               (13)

离散傅立叶变换： $X\left(k\right)=\frac{2}{N}\underset{i=0}{\overset{N-1}{\mathrm{\Σ}}}{x}_i{e}^{-j2\mathrm{\πki}/N}---\left(14\right)$

幅度谱： $G=\sqrt{X_R^2\left(k\right)+X_I^2\left(k\right)}---\left(15\right)$

功率谱： $P=X_R^2\left(k\right)+X_I^2\left(k\right)---\left(16\right)$

其中，式(15)和式(16)中的X_R(k)与X_I(k)分别是X(k)的实部和虚部，k＝0，1，...，N/2-1；

通过式(1)、式(2)、式(3)、式(4)、式(5)、式(6)、式(7)、式(8)、式(9)、式(10)、式(11)、式(12)、式(13)、式(14)、式(15)和式(16)计算特征值生成特征向量。

所述的特征选择过程步骤包括：

步骤1)：利用提取的全部原始特征分别单独建立分类器，使用测试集数据检验分类效果；

步骤2)：选择分类效果较好的若干特征进行组合，归一化后组成最优特征向量，利用最优特征向量建立最优分类器。

所述的步骤4.3)中的特征选择采用但不局限于基于分类器的特征选择方法，即分类器准确率作为评价标准，选择使分类器的错误概率最小的若干特征组合作为最终分类向量。

所述的分类器的分类算法采用但不限于C-SVC支持向量机，选择径向基核函数为核函数类型。

所述的分类器参数的取值通过实验优化。

所述的分类器参数包括惩罚因子C和核参数gammar。

本发明的优点在于，充分利用了空化发生时空泡溃灭发射的声音信号以及流体的流场特征进行综合分析与信息融合，可以更准确地检测流体空化的发生及发展的严重程度。对空化初生阶段也有很高的检出率。从而保证设备始终运行在安全稳定状态，减少空化可能造成的事故或损失。

附图说明

图1为本发明的一种结合主动超声与被动声学探测流体空化的装置结构框图；

图2为超声解调器的一种实现方式图；

图3为本发明的一种结合主动超声与被动声学探测流体空化的方法流程图。

附图标识

1、超声信号源    2、超声驱动器    3、超声换能器

4、超声换能器    5、桨叶          6、水泵管壁

7、流体          8、水听器        9、超声解调器

10、信号调理采集器    11、信号处理器

具体实施方式

下面结合附图和实施例对本发明进行进一步说明。

图1是本发明的一种结合主动超声与被动声学探测流体空化的装置结构框图，从中可看到该装置工作的信号流程。

空化诊断的硬件***包括超声信号源1与超声驱动器2。其中，超声信号源1产生高频振荡信号，经超声驱动器2放大后直接驱动超声换能器3发射超声波。

空化诊断的硬件***还包括超声换能器3和超声换能器4。该超声换能器对分布在水泵管壁6的两侧，当桨叶5推动泵内的流体7前进时引起流场变化，该流场信息调制到超声换能器3发射的超声波，超声换能器4则接收该调制信号并输入到后续的处理电路。

空化诊断的硬件***还包括一个水听器8。水听器被安装在桨叶5附近，尽量减少对流体流场产生影响的位置。水听器信号输入到信号调理采集器10。

空化诊断的硬件***还包括超声解调器9。其功能是对超声换能器4的输出信号进行解调，得到流体7的流场信息。图2所示是超声解调器的一种实现方法，而其他解调方式与实现方法同样适用于本发明，其他解调方式包括相位解调。随着软件无线电技术的成熟，原先由电路实现的解调器，也可以在信号处理器11中以软件算法方式实现，同时硬件设计上省去该超声解调器。

空化诊断的硬件***还包括一个信号调理采集器10。用于对解调信号和水听器接收的声信号进行放大和抗混叠低通滤波，并将模拟信号转换为数字信号，也可以直接对已调超声信号和水听器接收的声信号进行放大和抗混叠低通滤波，并将模拟信号转换为数字信号，然后，经过在信号处理器11中以软件算法的方式实现对已调超声信号的解调。

空化诊断的硬件***还包括一个信号处理器11，信号处理器11对数字信号实现模式分类，以诊断水泵是否发生空化，并将诊断结果通过通讯接口发送到上位机。

图3是本发明的一种结合主动超声与被动声学探测流体空化的方法流程图。

步骤1)：读取从所述的信号调理采集器中输出地数字信号；

步骤2)：检测采集得到的信号幅度，根据信号强度适当调整程控增益的设置，使得信号保持在量程的80％；

步骤3)：针对特征选择确定的特征类型，计算特征值生成特征向量；

步骤4)：根据已知空化状态的解调信号特征训练得到的分类模型M1和提取到的超声解调信号特征对实时的解调信号进行模式分类，对水听器接收的声信号提取用于空化检测的信号特征并训练得到分类模型M2，根据分类模型M2和提取到的声信号的特征对实时的水听器接收的声信号进行模式分类；

步骤5)：利用信息融合算法，对上述两个分类结果进行融合，得到最终的空化状态判断结果。

其中，所述的步骤3)中特征选择的范围包括：

峰值：x_p＝max{|x_i|}                (1)

峰峰值：x_p-p＝max{x_i}-min{x_i}      (2)

均值： $\stackrel{\‾}{x}=\frac{1}{N}\underset{i=0}{\overset{N-1}{\mathrm{\Σ}}}{x}_i---\left(3\right)$

均方值： $x_a=\frac{1}{N}\underset{i=0}{\overset{N-1}{\mathrm{\Σ}}}{x}_i^2---\left(4\right)$

方差： ${\mathrm{\σ}}^2=\frac{1}{N}\underset{i=0}{\overset{N-1}{\mathrm{\Σ}}}{(x_i-\stackrel{\‾}{x})}^2---\left(5\right)$

方根幅值： $x_r={\left(\frac{1}{N}\underset{i=0}{\overset{N-1}{\mathrm{\Σ}}}{\left|x_i\right|}^{1/2}\right)}^2---\left(6\right)$

平均幅值： $x^{\′}=\frac{1}{N}\underset{i=0}{\overset{N-1}{\mathrm{\Σ}}}\left|x_i\right|---\left(7\right)$

有效值： $x_a={\left(\frac{1}{N}\underset{i=0}{\overset{N-1}{\mathrm{\Σ}}}{x}_i^2\right)}^{1/2}---\left(8\right)$

峭度： $x_q=\frac{1}{N}\underset{i=0}{\overset{N-1}{\mathrm{\Σ}}}{x}_i^4/x_a^2-3---\left(9\right)$

波形指标：K＝x_rms/x′           (10)

峰值指标：C＝x_p/x_rms            (11)

脉冲指标：I＝x_p/x′             (12)

裕度指标：L＝x_p/x_r              (13)

离散傅立叶变换： $X\left(k\right)=\frac{2}{N}\underset{i=0}{\overset{N-1}{\mathrm{\Σ}}}{x}_i{e}^{-j2\mathrm{\πki}/N}---\left(14\right)$

幅度谱： $G=\sqrt{X_R^2\left(k\right)+X_I^2\left(k\right)}---\left(15\right)$

功率谱： $P=X_R^2\left(k\right)+X_I^2\left(k\right)---\left(16\right)$

其中，式(15)和式(16)中的X_R(k)与X_I(k)分别是X(k)的实部和虚部，k＝0，1，...，N/2-1；

通过式(1)、式(2)、式(3)、式(4)、式(5)、式(6)、式(7)、式(8)、式(9)、式(10)、式(11)、式(12)、式(13)、式(14)、式(15)和式(16)计算特征值生成特征向量。

步骤(3)的特征类型通过特征选择来确定。对信号提取的原始特征的数量很大，且含有大量无关或冗余特征，从原始特征中提取少量非常有用的特征对有效设计分类器是至关重要的。特征选择的关键是建立一种评价标准来区分哪些特征组合有利于分类，哪些特征组合存在冗余性。本发明采用但不局限于基于分类器的特征选择方法，即采用分类器准确率作为评价标准，选择使分类器的错误概率最小的若干特征组合作为最终分类向量。特征选择过程如下：

i)利用提取的全部原始特征分别单独建立分类器，使用测试集数据检验分类效果；

ii)选择分类效果较好的若干特征进行组合，归一化后组成最优特征向量，利用最优特征向量建立最优分类器。

其中，步骤(4)中的分类模型需要已知空化状态的数据库进行训练得到。

最后所应说明的是，以上实施例仅用以说明本发明的技术方案而非限制。尽管参照实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，对本发明的技术方案进行修改或者等同替换，都不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (12)

1.一种结合主动超声与被动声学探测流体空化的装置，该装置包括：超声信号源、超声驱动器和超声换能器；

所述的超声信号源产生的高频电信号通过所述的超声驱动器驱动所述的超声换能器按照既定频率发射超声波；

所述的一对或多对超声换能器对应放置在空化区域的两侧，或所述的一个或多个收发合一的超声换能器放置在具有反射面的空化区域的另一侧，使超声波传播路线经过空化区域后，把流场信息调制到超声波上成为已调超声信号，被所述的超声换能器接收；其特征在于，

该装置还包括：超声解调器、信号调理采集器、信号处理器和水听器；

所述的水听器放置在以空化区域为球心、半径为8m的区域内，用于接收声信号，包括：空化发生时空泡溃灭发出的高频声信号；

所述的超声解调器，用于对已调超声信号进行解调，得到具有流场信息的解调信号；

所述的信号调理采集器，用于对水听器接收的声信号和已调超声信号/解调信号放大、抗混叠滤波以及模数转换；

所述的信号处理器，用于对经超声解调器和信号调理采集器处理后的信号进行模式分类；最后，利用信息融合算法得到最终的状态并判断是否发生空化。

2.根据权利要求1所述的结合主动超声与被动声学探测流体空化的装置，其特征在于，所述的信号处理器根据已知空化状态的解调信号特征训练得到的分类模型M1和提取到的解调信号特征，对实时的解调信号进行模式分类得到分类结果。

3.根据权利要求1所述的结合主动超声与被动声学探测流体空化的装置，其特征在于，所述的信号处理器对水听器接收的声信号提取到用于空化检测的信号特征，训练得到的分类模型M2，根据分类模型M2和提取到的声信号特征，对实时的声信号进行模式分类得到分类结果。

4.一种结合主动超声与被动声学探测流体空化的方法，该方法步骤包括：

步骤1)：所述的一对或多对超声换能器对应放置在空化区域的两侧，或所述的一个或多个超声换能器放置在具有反射面的空化区域的一侧，所述的超声信号源产生的高频电信号通过所述的超声驱动器驱动所述的超声换能器按照既定频率发射超声波，以使超声波传播路线经过空化区域后，把流场信息调制到超声波上成为已调超声信号，并被所述的超声换能器接收；把所述的水听器放置在以空化区域为球心、半径为8m的区域内，用于接收声信号；

步骤2)：所述的超声解调器对已调超声信号的解调得到反映流场信息的超声解调信号；/所述的信号调理采集器对已调超声信号和水听器接收的声信号进行放大、抗混叠滤波以及模数转换；

对应地，步骤3)：所述的信号调理采集器对超声解调信号和水听器接收的声信号进行放大、抗混叠滤波以及模数转换；/所述的超声解调器对信号调理采集器处理后的信号进行解调得到反映流场信息的信号；

步骤4)：所述的信号处理器根据已知空化状态的解调信号特征训练得到的分类模型M1和提取到的解调信号特征，对实时的解调信号进行模式分类得到分类结果；所述的信号处理器对水听器接收的声信号提取用于空化检测的信号特征，并训练得到分类模型M2，根据分类模型M2和提取到的声信号特征，对实时的水听器接收的声信号进行模式分类；最后，利用信息融合算法对两个分类结果进行融合得到最终的空化状态判断；

步骤5)：最后，将诊断结果通过所述的通讯接口与上位机通信，发送空化报警信息。

5.根据权利要求4所述的结合主动超声与被动声学探测流体空化的方法，其特征在于，所述的步骤4)中判断空化现象的算法步骤包括：

步骤4.1)：读取从所述的信号调理采集器中输出的数字信号；

步骤4.2)：检测采集得到的信号幅度，根据信号强度调整程控增益的设置，使得信号保持在50％～90％范围内；

步骤4.3)：针对特征选择确定的特征类型，计算特征值生成特征向量；

步骤4.4)：根据已知空化状态的解调信号特征训练得到的分类模型M1和提取到的超声解调信号特征对实时的解调信号进行模式分类，对水听器接收的声信号提取用于空化检测的信号特征并训练得到分类模型M2，根据分类模型M2和提取到的声信号的特征对实时的水听器接收的声信号进行模式分类；

步骤4.5)：利用信息融合算法对上述两个分类结果进行融合，得到最终的空化状态判断结果。

6.根据权利要求4或5所述的结合主动超声与被动声学探测流体空化的方法，其特征在于，所述的分类模型需要已知空化状态的数据库进行训练得到。

7.根据权利要求5所述的结合主动超声与被动声学探测流体空化的方法，其特征在于，所述的步骤4.3)中特征选择的范围包括：

峰值：x_p＝max{|x_i|}                    (1)

峰峰值：x_p-p＝max{x_i}-min{x_i}          (2)

均值： $\stackrel{\‾}{x}=\frac{1}{N}\underset{i=0}{\overset{N-1}{\mathrm{\Σ}}}{x}_i---\left(3\right)$

均方值： $x_a=\frac{1}{N}\underset{i=0}{\overset{N-1}{\mathrm{\Σ}}}{x}_i^2---\left(4\right)$

方差： ${\mathrm{\σ}}^2=\frac{1}{N}\underset{i=0}{\overset{N-1}{\mathrm{\Σ}}}{(x_i-\stackrel{\‾}{x})}^2---\left(5\right)$

方根幅值： $x_r={\left(\frac{1}{N}\underset{i=0}{\overset{N-1}{\mathrm{\Σ}}}{\left|x_i\right|}^{1/2}\right)}^2---\left(6\right)$

平均幅值： $x^{\′}=\frac{1}{N}\underset{i=0}{\overset{N-1}{\mathrm{\Σ}}}\left|x_i\right|---\left(7\right)$

有效值： $x_a={\left(\frac{1}{N}\underset{i=0}{\overset{N-1}{\mathrm{\Σ}}}{x}_i^2\right)}^{1/2}---\left(8\right)$

峭度： $x_q=\frac{1}{N}\underset{i=0}{\overset{N-1}{\mathrm{\Σ}}}{x}_i^4/x_a^2-3---\left(9\right)$

波形指标：K＝x_rms/x′             (10)

峰值指标：C＝x_p/x_rms              (11)

脉冲指标：I＝x_p/x′               (12)

裕度指标：L＝x_p/x_r                (13)

离散傅立叶变换： $X\left(k\right)=\frac{2}{N}\underset{i=0}{\overset{N-1}{\mathrm{\Σ}}}{x}_i{e}^{-j2\mathrm{\πki}/N}---\left(14\right)$

幅度谱： $G=\sqrt{X_R^2\left(k\right)+X_I^2\left(k\right)}---\left(15\right)$

功率谱： $P=X_R^2\left(k\right)+X_I^2\left(k\right)---\left(16\right)$

其中，式(15)和式(16)中的X_R(k)与X_I(k)分别是X(k)的实部和虚部，k＝0，1，...，N/2-1；

通过式(1)、式(2)、式(3)、式(4)、式(5)、式(6)、式(7)、式(8)、式(9)、式(10)、式(11)、式(12)、式(13)、式(14)、式(15)和式(16)计算特征值生成特征向量。

8.根据权利要求5或7所述的结合主动超声与被动声学探测流体空化的方法，其特征在于，所述的特征选择过程步骤包括：

步骤1)：利用提取的全部原始特征分别单独建立分类器，使用测试集数据检验分类效果；

步骤2)：选择分类效果较好的若干特征进行组合，归一化后组成最优特征向量，利用最优特征向量建立最优分类器。

9.根据权利要求8所述的结合主动超声与被动声学探测流体空化的方法，其特征在于，所述的步骤4.3)中的特征选择采用分类器准确率作为评价标准，选择使分类器的错误概率最小的若干特征组合作为最终分类向量。

10.根据权利要求8所述的结合主动超声与被动声学探测流体空化的方法，其特征在于，所述的分类器的分类算法采用C-SVC支持向量机，选择径向基核函数为核函数类型。

11.根据权利要求8所述的结合主动超声与被动声学探测流体空化的方法，其特征在于，所述的分类器参数的取值通过实验优化。

12.根据权利要求11所述的结合主动超声与被动声学探测流体空化的方法，其特征在于，所述的分类器参数包括惩罚因子C和核参数gammar。

Images