專利名稱：：基于模糊小波包分解的小波特征提取方法
技術(shù)領(lǐng)域：
：本發(fā)明涉及信號(hào)處理和模式識(shí)別的信號(hào)分類技術(shù)，具體地說(shuō)是一種基于模糊小波包分解的小波特征提取方法。
背景技術(shù)：
：在信號(hào)處理和模式識(shí)別領(lǐng)域，信號(hào)的特征提取一直是研究的關(guān)鍵之處，提取出好的特征既能減小工作量又能實(shí)現(xiàn)好的分類效果。目前有很多種數(shù)學(xué)變換，如傅立葉變換、K-L變換、離散小波變換、小波包(WP:WaveletPacket)分解等，這些變換的目的都是想從另外一個(gè)角度來(lái)分析信號(hào)。傅立葉變換在頻域來(lái)分析信號(hào)；K-L變換只考慮到信號(hào)的二階能量特性；小波變換利用小波時(shí)頻局部化特性能夠從平穩(wěn)或非平穩(wěn)信號(hào)(包括劇烈變化信號(hào))中提取出鑒別能力強(qiáng)的小波特征。離散小波變換逐級(jí)分解低頻部分，如Mallat的離散小波分解可描述為其中x為原始信號(hào)，xer。，^+1=/^，^+產(chǎn)G^，7f和G分別為二抽取后的低通和高通濾波器，y為分解級(jí)數(shù)。具體參見圖l.l。小波包分解不僅逐級(jí)分解低頻部分還逐級(jí)分解高頻部分，所以小波包可看作是離散小波變換的拓展，能夠提取出比離散小波變換更多的小波特征，如Wickerhauser的小波包分解可描述為其中<formula>formulaseeoriginaldocumentpage4</formula>附為第乂級(jí)子空間的索引值。具體參見圖1.2。在小波包分解中，一個(gè)一維信號(hào)有很多種分解方式，比如V0Q，<formula>formulaseeoriginaldocumentpage4</formula>等。假定g(/)代表)層分解中原始信號(hào)的總分解數(shù)，那么_/+1層的總分解數(shù)g(Z+l)-g(/y+l。其中g(shù)(l"2，根節(jié)點(diǎn)亦被認(rèn)為是一個(gè)分解。當(dāng)7=5時(shí)，大約有4.6xl07個(gè)有效分解，如果釆用窮舉的方法對(duì)每個(gè)分解都進(jìn)行評(píng)價(jià)，將是一項(xiàng)非常困難的工作?？梢姡瑥男〔ò纸庵姓业阶顑?yōu)小波分解是一項(xiàng)具挑戰(zhàn)性的工作。目前基于小波包分解的特征提取優(yōu)化方法都是基于信號(hào)能量特性，如香衣熵(Shannonentropy)、能量集勢(shì)(Energyconcentration)、聯(lián)合最優(yōu)蕃(JointBestbasis)、^f部鑒別基(Localdiscriminantbase)，它們均只考慮到信號(hào)的二階統(tǒng)計(jì)特性，而忽略其它階次特性。下面以一個(gè)例子來(lái)說(shuō)明它們的不足之處有兩類樣本，一類服從高斯分布iV(-lO，l)，另一類服從高斯分布；v(io，i),只考慮信號(hào)的能量大小是無(wú)法將這兩類區(qū)分開的，然而直觀上這兩類信號(hào)是很容易分開的，從信號(hào)分類角度看，上述基于信號(hào)能量的四種小波包分解方法都不是最優(yōu)的。模糊理論能夠在信號(hào)分類中發(fā)揮巨大作用現(xiàn)已得到廣泛認(rèn)可。將小波包分解的強(qiáng)特征提取能力和模糊理論在信號(hào)分類中的優(yōu)勢(shì)結(jié)合在一起，并以此從輸入平穩(wěn)或非平穩(wěn)信號(hào)中提取出分類能力強(qiáng)的小波系數(shù)特征的方法目前還尚未見報(bào)道。
發(fā)明內(nèi)容本發(fā)明的目的在于提供一種基于模糊小波包分解的小波特征提取方法，對(duì)平穩(wěn)或非平穩(wěn)信號(hào)(包括劇烈變化信號(hào))進(jìn)行處理，提取出鑒別力強(qiáng)的小波系數(shù)特征，使同類信號(hào)的類內(nèi)距盡量小，而不同類信號(hào)之間的類間距盡量大，最終實(shí)現(xiàn)平穩(wěn)或非平穩(wěn)信號(hào)的分類。為了實(shí)現(xiàn)上述目的，本發(fā)明的技術(shù)方案是取平穩(wěn)信號(hào)或非平穩(wěn)信號(hào)為信號(hào)樣本，包括對(duì)已標(biāo)明類別的信號(hào)樣本的訓(xùn)練過(guò)程和新未知類別的信號(hào)樣本的特征提取過(guò)程，以訓(xùn)練過(guò)程為主體；即通過(guò)訓(xùn)練過(guò)程找最優(yōu)小波分解Q*;以最優(yōu)小波分解0*為基礎(chǔ)，提取鑒別能力強(qiáng)的小波系數(shù)特征；在新未知類別樣本的特征提取過(guò)程中提取已定位的小波系數(shù)作為最終特征；其中所述訓(xùn)練過(guò)程是通過(guò)訓(xùn)練找最優(yōu)小波分解^^過(guò)程，即基于模糊隸屬度函數(shù)的代價(jià)函數(shù)評(píng)價(jià)小波包分解中子空間的分類能力，得到最優(yōu)小波分解并提取出鑒別能力的小波系數(shù)特征；具體操作如下首先，定義代價(jià)函數(shù)1)定義模糊隸屬度函數(shù)<formula>formulaseeoriginaldocumentpage5</formula>其中<formula>formulaseeoriginaldocumentpage5</formula>是第/類樣本的均值，A,.是第z'類樣本的序號(hào)A集合，W是第/類的訓(xùn)練樣本數(shù)，l卜ll是歐式度量距離，c是分類數(shù)；"為樣本信號(hào)A的維數(shù)；2)基于模糊隸屬度的代價(jià)函數(shù)<formula>formulaseeoriginaldocumentpage6</formula>將所有樣本信號(hào)A所屬類別的隸屬度函數(shù)"'&相加，累加和構(gòu)成了代價(jià)函數(shù)F(X);代價(jià)函數(shù)F(X)用來(lái)衡量特征空間X的分類能力；其次，搜索最優(yōu)小波分解Q"在小波包分解中，利用代價(jià)函數(shù)F(X)衡量每個(gè)分解子空間的分類能力；先選取代價(jià)函數(shù)最大的子空間，然后刪除該子空間的所有后代節(jié)點(diǎn)和前輩節(jié)點(diǎn)；再?gòu)氖Ｓ嗟淖涌臻g內(nèi)選取代價(jià)函數(shù)最大的子空間，然后再刪除該子空間的所有后代節(jié)點(diǎn)和前輩節(jié)點(diǎn)；重復(fù)上述過(guò)程直到?jīng)]有子空間可刪除為止，此時(shí)所有保留的節(jié)點(diǎn)組合就是本發(fā)明要搜索的最優(yōu)小波分解。*;再次，提取鑒別能力強(qiáng)的小波系數(shù)特征對(duì)于最優(yōu)小波分解空間內(nèi)的每個(gè)小波系數(shù)特征/，利用代價(jià)函數(shù)F(/)來(lái)評(píng)價(jià)它們的分類能力，并根據(jù)代價(jià)函數(shù)F(/)值的大小對(duì)這些特征進(jìn)行排序，提取鑒別能力強(qiáng)的小波系數(shù)特征；所述新未知類別樣本的特征提取過(guò)程為當(dāng)輸入新樣本時(shí)按最優(yōu)小波分解^*對(duì)新樣本進(jìn)行分解，再提取已定位的小波系數(shù)作為最終特征。本發(fā)明的有益效果是1.本發(fā)明在小波包分解中引入了模糊理論，發(fā)揮了小波對(duì)平穩(wěn)或非平穩(wěn)信號(hào)的時(shí)頻局部化特征的提取能力，又利用模糊理論在模式識(shí)別中的強(qiáng)分類能力。本發(fā)明是一種從信號(hào)分類角度出發(fā)的且基于模糊小波包分解的小波特征提取方法。2.本發(fā)明定義了一種模糊隸屬度函數(shù)，能夠?qū)⑻卣骺臻g由《維("是樣本jq的維數(shù))降低到c維(c是分類數(shù))且c<<"。它是基于有導(dǎo)師學(xué)習(xí)的，其計(jì)算簡(jiǎn)單，而不象FCM算法那樣需要迭代來(lái)計(jì)算隸屬度函數(shù)。3.本發(fā)明定義了一種基于模糊隸屬度的代價(jià)函數(shù)F(X)，代價(jià)函數(shù)F(X)反映所有樣本屬于它們?cè)搶兕悇e的程度。代價(jià)函數(shù)F(X)既可評(píng)價(jià)特征空間X的分類能力，又可評(píng)價(jià)單一特征的分類能力。代價(jià)函數(shù)F(X)越大，特征空間X的分類能力越強(qiáng)。4.本發(fā)明提出了一種最優(yōu)小波分解0*的搜索策略。在小波包分解樹中，認(rèn)為分類能力強(qiáng)的特征存在于代價(jià)函數(shù)大的特征空間。首先選取代價(jià)函數(shù)F(X)最大的子空間，然后刪除該空間的所有后代節(jié)點(diǎn)和前輩節(jié)點(diǎn)；再?gòu)氖Ｓ嗟淖涌臻g內(nèi)選取代價(jià)函數(shù)最大的子空間，然后再刪除該空間的所有后代節(jié)點(diǎn)和前輩節(jié)點(diǎn)；重復(fù)上述過(guò)程直到?jīng)]有子空間可刪除為止。5.在最優(yōu)小波分解0*中，再次利用模糊代價(jià)函數(shù)評(píng)價(jià)所有小波系數(shù)的分類能力，并對(duì)它們的分類能力進(jìn)行排序，定位出分類能力強(qiáng)的小波系數(shù)。6.本發(fā)明所涉及到的代價(jià)函數(shù)計(jì)算、最優(yōu)小波分解。*的搜索、鑒別能力強(qiáng)小波特征位置的確定都是在訓(xùn)練過(guò)程中離線完成的。訓(xùn)練結(jié)束后，當(dāng)有一個(gè)新未知類別的樣本輸入時(shí)，先按最優(yōu)小波分解。*分解，然后到指定位置提取小波系數(shù)作為特征即可，對(duì)新樣本的特征提取過(guò)程簡(jiǎn)單，可以在線實(shí)現(xiàn)。7.本發(fā)明所涉及到的所有子模塊(或函數(shù))都由標(biāo)準(zhǔn)C語(yǔ)言編程實(shí)現(xiàn)，運(yùn)行效率高，移植方便，可以在不同的搡作系統(tǒng)上運(yùn)行。8.本發(fā)明可廣泛應(yīng)用于平穩(wěn)信號(hào)或非平穩(wěn)信號(hào)的特征提取上，還可適用于樣本數(shù)量少且維數(shù)很高的醫(yī)學(xué)信號(hào)分類。附困說(shuō)明圖l.l是小波分解樹示意圖。圖1.2是小波包分解樹示意圖。圖2.1是本發(fā)明含特征提取的訓(xùn)練實(shí)施例工作流程圖。圖2.2是本發(fā)明含新樣本的特征提取過(guò)程流程圖。圖3是本發(fā)明的訓(xùn)練過(guò)程，輸入訓(xùn)練樣本源文件界面。圖4是本發(fā)明的訓(xùn)練過(guò)程，顯示訓(xùn)練樣本界面。圖5是本發(fā)明的訓(xùn)練過(guò)程，顯示所提取小波特征能量累計(jì)百分比界面。圖6是本發(fā)明的訓(xùn)練過(guò)程，顯示提取的小波特征界面。圖7是本發(fā)明的測(cè)試過(guò)程(新樣本處理過(guò)程)，讀入樣本及配置文件界面。圖8是本發(fā)明的測(cè)試過(guò)程，顯示新樣本界面。圖9是本發(fā)明的測(cè)試過(guò)程，顯示提取的新樣本小波特征界面。具體實(shí)施例方式下面結(jié)合附圖和實(shí)施樣例對(duì)本發(fā)明作進(jìn)一步詳細(xì)說(shuō)明。取平穩(wěn)或非平穩(wěn)信號(hào)為處理對(duì)象，依據(jù)有導(dǎo)師信號(hào)分類的基本實(shí)施過(guò)程，本實(shí)施例分為對(duì)已標(biāo)明類別樣本的訓(xùn)練過(guò)程和新未知類別樣本的特征提取過(guò)程，以訓(xùn)練過(guò)程為主體；即通過(guò)訓(xùn)練過(guò)程找平穩(wěn)或非平穩(wěn)信號(hào)最優(yōu)小波分解0*;并以最優(yōu)小波分解0*為基礎(chǔ)，且根據(jù)小波系數(shù)特征/的代價(jià)函數(shù)尸(/)的值對(duì)最優(yōu)小波分解。*中的所有特征/進(jìn)行排序并定位這些特征，提取鑒別能力強(qiáng)的小波系數(shù)特征；當(dāng)輸入新的平穩(wěn)或非平穩(wěn)信號(hào)時(shí)按最優(yōu)小波分解0*對(duì)新樣本進(jìn)行分解，再提取已定位的小波系數(shù)作為最終特征；具體步驟通過(guò)訓(xùn)練過(guò)程找襲優(yōu)小波分解Q"基于模糊隸屬度函數(shù)的代價(jià)函數(shù)來(lái)評(píng)價(jià)小波包分解中于空間的分類能力，以此得到最優(yōu)小波分解并提取出鑒別能力的小波系數(shù)特征；具體步驟1.定義代價(jià)函數(shù)1)定義模糊隸屬度函數(shù)"<formula>formulaseeoriginaldocumentpage8</formula>義廣,其中v,-Z^/;V,是第/類樣本的均值，A,.是第/類樣本的序號(hào)*集合，M是第/類的訓(xùn)練樣本數(shù)，lhll是歐式度量距離，c是分類數(shù)。"為樣本信號(hào)A的維數(shù)。上式中模糊隸屬度函數(shù)能夠?qū)⑻卣骺臻g由"維("是樣本^的維數(shù))降低到c維(c是分類數(shù))且c"。因?yàn)橛?xùn)練樣本所屬類別是已知的，本發(fā)明所定義的隸屬度函數(shù)是基于有導(dǎo)師學(xué)習(xí)的，其計(jì)算簡(jiǎn)單，而不象FCM算法那樣需要迭代來(lái)計(jì)算隸屬度函數(shù)。2)基于模糊隸屬度的代價(jià)函數(shù)<formula>formulaseeoriginaldocumentpage8</formula>將所有樣本A所屬類別的隸屬度函數(shù)^相加，累加和構(gòu)成了代價(jià)函數(shù)F(X)。代價(jià)函數(shù)F(X)反映所有樣本屬于它們所屬類別的程度。代價(jià)函數(shù)F(X)可用來(lái)衡量特征空間X的分類能力，代價(jià)函數(shù)F(X)越大，特征空間X的分類能力越強(qiáng)。2.搜索最優(yōu)小波分解0*認(rèn)為分類能力強(qiáng)的特征存在于代價(jià)函數(shù)大的特征空間，代價(jià)函數(shù)大的特征空間應(yīng)該被優(yōu)先選中。在小波包分解樹中(參見圖1.2)，利用代價(jià)函數(shù)F(X)來(lái)衡量每個(gè)分解子空間X的分類能力。首先選取代價(jià)函數(shù)F(X)值最大的子空間，然后再刪除該子空間的所有后代節(jié)點(diǎn)(包括子節(jié)點(diǎn)、孫節(jié)點(diǎn)等)和前輩節(jié)點(diǎn)(包括父節(jié)點(diǎn)、祖父節(jié)點(diǎn)等)；再?gòu)氖Ｓ嗟淖涌臻g內(nèi)選取代價(jià)函數(shù)F(X)值最大的子空間，然后再刪除該子空間的所有后代節(jié)點(diǎn)和前輩節(jié)點(diǎn)；重復(fù)上述過(guò)程直到?jīng)]有子空間可刪除為止，此時(shí)所有保留的節(jié)點(diǎn)組合就是本發(fā)明要搜索的最優(yōu)小波分解Q、3.提取鑒別能力強(qiáng)的小波系數(shù)特征對(duì)于最優(yōu)小波分解空間0*內(nèi)的每個(gè)小波系數(shù)特征/(/EX)，根據(jù)前面所定義的代價(jià)函數(shù)F(/)評(píng)價(jià)其分類能力，代價(jià)函欽尸(/)越大惠味蓍特征/的分類能力越強(qiáng)。根據(jù)代價(jià)函數(shù)F(/)值的大小，對(duì)最優(yōu)小波分解0*中的所有特征/進(jìn)行排序，并定位這些特征，F(xiàn)(/)值大的特征就被優(yōu)先選取用于信號(hào)分類。以下具體實(shí)施訓(xùn)練過(guò)程如圖2.1所示。首先，輸入樣本數(shù)據(jù)及相關(guān)參數(shù)；選擇包含訓(xùn)練樣本的源文件，依次輸入"總樣本數(shù)"、"樣本長(zhǎng)度"、"分類數(shù)目"、"每類樣本數(shù)"(每類樣本數(shù)之間以":"分開)、"每類訓(xùn)練樣分配"(每類訓(xùn)練樣本數(shù)之間以":"分開)，選擇小波名稱、分解級(jí)別、拓展模式和最優(yōu)分解準(zhǔn)則(選"Fuzzy");然后點(diǎn)擊"讀入樣本"按鈕，讀入源數(shù)據(jù)(具體操作界面見圖3)。其次，進(jìn)行顯示樣本操作；如圖3所示，在界面上點(diǎn)擊"顯示樣本"按鈕，顯示樣本信號(hào)曲線(具體操作界面見圖4)。然后，進(jìn)行小波特征提??；如圖4所示，在界面上點(diǎn)擊"特征提取"按鈕，進(jìn)行特征提取操作，包括定義代價(jià)函數(shù)(定義模糊隸屬度函數(shù)，基于模糊隸屬度的代價(jià)函數(shù))；搜索最優(yōu)小波分解0*;提取鑒別能力強(qiáng)的小波系數(shù)特征；最優(yōu)小波分解0*中代價(jià)函數(shù)尸(/)值大的特征/被優(yōu)先選取。最后，顯示能量遞增百分比和提取的小波特征；如圖4所示，在界面上的按鈕"顯示能量遞增百分比"和"顯示提取的小波特征"會(huì)自動(dòng)激活(點(diǎn)擊"顯示能量遞增百分比"按鈕，出現(xiàn)小波系數(shù)能量遞增百分比曲線，見圖5;在圖5中，點(diǎn)擊"顯示提取的小波特征"按鈕，出現(xiàn)提取的小波系數(shù)特征，見圖6)。訓(xùn)練過(guò)程可用的小波名稱庫(kù)見表1,小波分解的邊緣拓展模式見表2。表l:可以利用的小波名稱庫(kù)<table>tableseeoriginaldocumentpage9</column></row><table>表2:小波分解的邊緣拓展模式拓<table>tableseeoriginaldocumentpage9</column></row><table>'Per'若信號(hào)長(zhǎng)度為奇數(shù)，將最后面的數(shù)據(jù)重復(fù)加一次使長(zhǎng)度為偶數(shù)，然后執(zhí)行'ppd'拓展方式。若信號(hào)長(zhǎng)度為偶數(shù)，直接執(zhí)行'ppd'拓展方式。新樣本的特征提取當(dāng)輸入新的未知類別樣本(平穩(wěn)或非平穩(wěn)信號(hào))時(shí)按最優(yōu)小波分解0*對(duì)新樣本進(jìn)行分解，再提取已定位的小波系數(shù)作為最終特征；具體步驟如圖2.2所示。首先，訓(xùn)練過(guò)程結(jié)束后，輸入新樣本及WP配置文件(包括最優(yōu)小波分解0*,小波系數(shù)特征的位置)；點(diǎn)擊圖6中"處理新的樣本"按鈕，進(jìn)入操作過(guò)程(見圖7);在圖7的搡作界面中，讀入新樣本文件名稱，WP配置文件名稱后，點(diǎn)擊"讀入樣本及配置文件"按鈕，在"總的樣本數(shù)目"、"樣本長(zhǎng)度"、"類別數(shù)目"、"小波名稱"、"拓展模式"、"分解準(zhǔn)則"、"分解級(jí)別"等欄目會(huì)自動(dòng)出現(xiàn)相應(yīng)內(nèi)容。其次，顯示樣本操作；在操作界面圖7中，點(diǎn)擊"顯示樣本"按鈕，出現(xiàn)新樣本信號(hào)曲線(參見圖8)。然后，進(jìn)行小波特征提??；在圖8中，點(diǎn)擊"特征提取"按鈕，對(duì)新樣本進(jìn)行特征提取操作，包括按最優(yōu)小波分解Q"t新樣本進(jìn)行分解，再提取已定位的小波系數(shù)作為最終特征。'然后，顯示小波系數(shù)特征；在圖8中，點(diǎn)擊"顯示提取的小波特征"按鈕，出現(xiàn)從新樣本中提取的小波系數(shù)特征，具體內(nèi)容見圖9。最后，退出程序。權(quán)利要求1.一種基于模糊小波包分解的小波特征提取方法，其特征是取平穩(wěn)信號(hào)或非平穩(wěn)信號(hào)為信號(hào)樣本，包括對(duì)已標(biāo)明類別的信號(hào)樣本的訓(xùn)練過(guò)程和新未知類別的信號(hào)樣本的特征提取過(guò)程，以訓(xùn)練過(guò)程為主體；即通過(guò)訓(xùn)練過(guò)程找最優(yōu)小波分解Ω*；以最優(yōu)小波分解Ω*為基礎(chǔ)，提取鑒別能力強(qiáng)的小波系數(shù)特征；在新未知類別樣本的特征提取過(guò)程中提取已定位的小波系數(shù)作為最終特征。2.按權(quán)利要求l所述基于模糊小波包分解的小波特征提取方法，其特征是所述訓(xùn)練過(guò)程是通過(guò)訓(xùn)練找最優(yōu)小波分解0*過(guò)程，即基于模糊隸屬度函數(shù)的代價(jià)函數(shù)評(píng)價(jià)小波包分解中子空間的分類能力，得到最優(yōu)小波分解并提取出鑒別能力的小波系數(shù)特征；具體搡作如下首先，定義代價(jià)函數(shù)1)定義模糊隸屬度函數(shù)<formula>seeoriginaldocumentpage2</formula>其中<formula>seeoriginaldocumentpage2</formula>是第i類樣本的均值，a,是第i類樣本的序號(hào)k集合，Ni是第i類的訓(xùn)練樣本數(shù)，l卜il是歐式度量距離，c是分類數(shù)；n為樣本信號(hào)Xk的維數(shù)；2)基于模糊隸屬度的代價(jià)函數(shù)F(X)=X將所有樣本信號(hào)Xk所屬類別的隸屬度函數(shù)uik相加，累加和構(gòu)成了代價(jià)函數(shù)F(X);代價(jià)函數(shù)F(X)用來(lái)衡量特征空間X的分類能力；其次，搜索最優(yōu)小波分解Ω*在小波包分解中，利用代價(jià)函數(shù)F(X)衡量每個(gè)分解子空間的分類能力；先選取代價(jià)函數(shù)最大的子空間，然后刪除該子空間的所有后代節(jié)點(diǎn)和前輩節(jié)點(diǎn)；再?gòu)氖Ｓ嗟淖涌臻g內(nèi)選取代價(jià)函數(shù)最大的子空間，然后再刪除該子空間的所有后代節(jié)點(diǎn)和前輩節(jié)點(diǎn)；重復(fù)上述過(guò)程直到?jīng)]有子空間可刪除為止，此時(shí)所有保留的節(jié)點(diǎn)組合就是本發(fā)明要搜索的最優(yōu)小波分解Ω*;再次，提取鑒別能力強(qiáng)的小波系數(shù)特征對(duì)亍最優(yōu)小波分解空問內(nèi)的哿個(gè)小波系數(shù)特征l，利用代價(jià)函數(shù)F(l)來(lái)評(píng)價(jià)它們的分類能力，并根據(jù)代價(jià)函數(shù)F(l)值的大小對(duì)這些特征進(jìn)行排序，提取鑒別能力強(qiáng)的小波系數(shù)特征。3.按權(quán)利要求l所述基于模糊小波包分解的小波特征提取方法，其特征是所述新未知類別樣本的特征提取過(guò)程為當(dāng)輸入新樣本時(shí)按最優(yōu)小波分解Ω*對(duì)新樣本進(jìn)行分解，再提取已定位的小波系數(shù)作為最終特征。全文摘要本發(fā)明屬于信號(hào)處理和模式識(shí)別技術(shù)，具體公開一種基于模糊小波包分解的小波特征提取方法，取平穩(wěn)信號(hào)或非平穩(wěn)信號(hào)為信號(hào)樣本，包括對(duì)已標(biāo)明類別的信號(hào)樣本的訓(xùn)練過(guò)程和新未知類別的信號(hào)樣本的特征提取過(guò)程，以訓(xùn)練過(guò)程為主體；即通過(guò)訓(xùn)練過(guò)程找最優(yōu)小波分解Ω^*；以最優(yōu)小波分解Ω^*為基礎(chǔ)，提取鑒別能力強(qiáng)的小波系數(shù)特征；在新未知類別樣本的特征提取過(guò)程中提取已定位的小波系數(shù)作為最終特征。采用本發(fā)明對(duì)平穩(wěn)或非平穩(wěn)信號(hào)(包括劇烈變化信號(hào))進(jìn)行處理，提取出鑒別力強(qiáng)的小波系數(shù)特征，使同類信號(hào)的類內(nèi)距盡量小，而不同類信號(hào)之間的類間距盡量大，最終實(shí)現(xiàn)平穩(wěn)或非平穩(wěn)信號(hào)的分類。文檔編號(hào)G06K9/46GK101201901SQ20061013475公開日2008年6月18日申請(qǐng)日期2006年12月13日優(yōu)先權(quán)日2006年12月13日發(fā)明者史澤林,李德強(qiáng)申請(qǐng)人:中國(guó)科學(xué)院沈陽(yáng)自動(dòng)化研究所