振動信號特征參數(shù)識別方法
【專利摘要】本發(fā)明公開了一種振動信號特征參數(shù)識別方法，將樣本集劃分為訓(xùn)練樣本集和測試樣本集，并使用測試樣本集對已進(jìn)行權(quán)值優(yōu)化的RBF人工神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練；使用訓(xùn)練收斂的網(wǎng)絡(luò)對測試集中的樣本進(jìn)行識別。保證了訓(xùn)練樣本選取的隨機(jī)性，又保證了訓(xùn)練樣本在全體樣本中的分散性，符合統(tǒng)計學(xué)原理的試驗樣本選取方法，同時保證了測試結(jié)果與樣本集劃分方法之間的獨(dú)立性。達(dá)到了提高信號特征參數(shù)識別準(zhǔn)確性的目的。
【專利說明】振動信號特征參數(shù)識別方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及安防信號處理領(lǐng)域，具體地，涉及一種振動信號特征參數(shù)識別方法。
【背景技術(shù)】
[0002]目前，人工神經(jīng)網(wǎng)絡(luò)對非線性映射具有出色的表達(dá)能力，1985年，Powell構(gòu)造了多變量插值的RBF函數(shù)，1988年，Broomhead和Lowe將插值計算演繹為神經(jīng)計算，將RBF應(yīng)用于人工神經(jīng)網(wǎng)絡(luò)設(shè)計，構(gòu)造了 RBF函數(shù)網(wǎng)絡(luò)。RBF網(wǎng)絡(luò)是一種三層前向神經(jīng)網(wǎng)絡(luò)，隱層激活函數(shù)為徑向?qū)ΨQ核函數(shù)。輸入樣本傳播到隱單元空間時，這組核函數(shù)構(gòu)成了輸入樣本的
一組“基”。
[0003]RBF網(wǎng)絡(luò)結(jié)構(gòu)見附圖1。左端為輸入層，完成將特征向量X引入網(wǎng)絡(luò)。中間為隱含層，它與輸入層完全連接，權(quán)值為1，其作用相當(dāng)于對輸入模式進(jìn)行一次變換，將低維的模式輸入數(shù)據(jù)變換到高維空間內(nèi)，以利于輸出層進(jìn)行分類識別。隱層結(jié)點(diǎn)選取基函數(shù)作為轉(zhuǎn)移函數(shù)，廣泛使用的是高斯函數(shù):
[0004]Φ?(χ) = exp (- X-Ci | |2/2 σ /)，i = 1，2，…，ρ
[0005]式中χ是η維輸入向量；Ci是第j個基函數(shù)的中心，與χ具有相同維數(shù)的向量；σ i是第i個感知的變量，它決定了該基函數(shù)圍繞中心點(diǎn)的寬度；p是隱含層節(jié)點(diǎn)數(shù)。I Ix-CiI是向量X-Ci的范數(shù),它表示X與Ci之間的距離；高斯函數(shù)在Ci處有一個唯一的最大值,隨著I Ix-CiI I的增大，函數(shù)逐漸衰減到零。
[0006]在現(xiàn)有的振動信號特征參數(shù)識別方法中，通常直接人為地將振動信號樣本劃分為兩組，一組用于網(wǎng)絡(luò)訓(xùn)練，另一組用于網(wǎng)絡(luò)測試。這種劃分方法不能保證樣本集劃分的隨機(jī)性，使得測試結(jié)果與樣本集劃分方法之間的獨(dú)立性不能得到保證。從而造成現(xiàn)有的信號特征參數(shù)識別的精確性不夠高。

【發(fā)明內(nèi)容】

[0007]本發(fā)明的目的在于，針對上述問題，提出一種振動信號特征參數(shù)識別方法，以實現(xiàn)提高信號特征參數(shù)識別準(zhǔn)確性的優(yōu)點(diǎn)。
[0008]為實現(xiàn)上述目的，本發(fā)明采用的技術(shù)方案是:
[0009]一種振動信號特征參數(shù)識別方法，包括以下步驟:
[0010]步驟一、在振動信號樣本集中隨機(jī)選取一個樣本作為當(dāng)前樣本點(diǎn)，并且將此樣本放入訓(xùn)練集中；
[0011]步驟二、以上述當(dāng)前樣本點(diǎn)為中心，以r為半徑做一個超球；
[0012]步驟三、將上述超球覆蓋的上述振動信號樣本集中的樣本點(diǎn)，不包括球心樣本點(diǎn)，放入測試集中；
[0013]步驟四、在上述步驟三中振動信號樣本集中剩余的樣本中再隨機(jī)選取一個樣本點(diǎn)作為當(dāng)前樣本點(diǎn)，放入訓(xùn)練集中；
[0014]步驟五、重復(fù)步驟二至步驟四，直至訓(xùn)練集中的樣本數(shù)目首次超過樣本集中樣本數(shù)目的設(shè)定百分比，則樣本集劃分結(jié)束；如果訓(xùn)練集中的樣本數(shù)沒有達(dá)到樣本集數(shù)目設(shè)定百分比時樣本集中已經(jīng)沒有樣本點(diǎn)，則減小上述超球半徑r，重復(fù)步驟驟二至步驟四，直至滿足條件；
[0015]步驟六、對上述步驟五完成劃分的測試樣本集歸一化；
[0016]步驟七、計算步驟一中振動信號樣本集所有樣本的平均值，即中心向量，然后計算每個向量與中心向量的歐氏距離，標(biāo)記出最大距離；
[0017]步驟八、構(gòu)建以上述中心向量為中心點(diǎn)的多維正態(tài)分布，然后在上述步驟七中標(biāo)記的最大距離范圍內(nèi)選取隨機(jī)數(shù)，作為RBF人工神經(jīng)網(wǎng)絡(luò)的初始權(quán)值；
[0018]步驟九、使用上述步驟六歸一化后的測試樣本集對已進(jìn)行權(quán)值優(yōu)化的RBF人工神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練；
[0019]步驟十、使用訓(xùn)練收斂的網(wǎng)絡(luò)對上述步驟六歸一化后的測試樣本集進(jìn)行識別。
[0020]根據(jù)本發(fā)明的優(yōu)選實施例,上述步驟六中對測試樣本集歸一化；得到的測試樣本
【權(quán)利要求】
1.一種振動信號特征參數(shù)識別方法，其特征在于，包括以下步驟: 步驟一、在振動信號樣本集中隨機(jī)選取一個樣本作為當(dāng)前樣本點(diǎn)，并且將此樣本放入訓(xùn)練集中； 步驟二、以上述當(dāng)前樣本點(diǎn)為中心，以r為半徑做一個超球； 步驟三、將上述超球覆蓋的上述振動信號樣本集中的樣本點(diǎn)，不包括球心樣本點(diǎn)，放入測試集中； 步驟四、在上述步驟三中振動信號樣本集中剩余的樣本中再隨機(jī)選取一個樣本點(diǎn)作為當(dāng)前樣本點(diǎn)，放入訓(xùn)練集中； 步驟五、重復(fù)步驟二至步驟四，直至訓(xùn)練集中的樣本數(shù)目首次超過樣本集中樣本數(shù)目的設(shè)定百分比，則樣本集劃分結(jié)束；如果訓(xùn)練集中的樣本數(shù)沒有達(dá)到樣本集數(shù)目設(shè)定百分比時樣本集中已經(jīng)沒有樣本點(diǎn)，則減小上述超球半徑r，重復(fù)步驟驟二至步驟四，直至滿足條件； 步驟六、對上述步驟五完成劃分的測試樣本集歸一化； 步驟七、計算步驟一中振動信號樣本集所有樣本的平均值，即中心向量，然后計算每個向量與中心向量的歐氏距離，標(biāo)記出最大距離； 步驟八、構(gòu)建以上述中心向量為中心點(diǎn)的多維正態(tài)分布，然后在上述步驟七中標(biāo)記的最大距離范圍內(nèi)選取隨機(jī)數(shù)，作為RBF人工神經(jīng)網(wǎng)絡(luò)的初始權(quán)值； 步驟九、使用上述步驟六歸一化后的測試樣本集對已進(jìn)行權(quán)值優(yōu)化的RBF人工神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練； 步驟十、使用訓(xùn)練收斂的網(wǎng)絡(luò)對上述步驟六歸一化后的測試樣本集進(jìn)行識別。
2.根據(jù)權(quán)利要求1所述的振動信號特征參數(shù)識別方法，其特征在于，上述步驟六中對測試樣本集歸一化；得到的測試樣本集為
3.根據(jù)權(quán)利要求1或2所述的振動信號特征參數(shù)識別方法，其特征在于，上述步驟一中振動信號樣本集的概率密度分布為:
【文檔編號】G06F17/14GK103729335SQ201310690193
【公開日】2014年4月16日 申請日期:2013年12月16日 優(yōu)先權(quán)日:2013年12月16日
【發(fā)明者】羅廣迪, 莫家慶, 王強(qiáng), 王文偉, 趙峰輝 申請人:新疆美特智能安全工程股份有限公司