本發(fā)明屬于電磁信號(hào)識(shí)別與分析研究領(lǐng)域，涉及基于EEMD(全局經(jīng)驗(yàn)?zāi)B(tài)分解)特征提取和PNN(概率神經(jīng)網(wǎng)絡(luò))的非平穩(wěn)電磁干擾信號(hào)模式識(shí)別方法。
背景技術(shù)：
：隨著電子信息技術(shù)的發(fā)展，日益增多的電子設(shè)備造成的電磁干擾問題，嚴(yán)重影響電子設(shè)備的正常運(yùn)作。為了解決電磁干擾問題，電磁兼容設(shè)計(jì)應(yīng)運(yùn)而生。實(shí)際環(huán)境下電子設(shè)備中的電磁干擾源發(fā)出的電磁信號(hào)，往往具有很高的非線性性、非高斯性和非穩(wěn)定性，導(dǎo)致識(shí)別它們非常困難，給電磁兼容設(shè)計(jì)造成了極大的困難。模式識(shí)別(PatternRecognition)，是通過計(jì)算機(jī)用數(shù)學(xué)方法來(lái)研究模式的自動(dòng)處理和判讀的過程。這里將實(shí)際中的電磁干擾信號(hào)與相應(yīng)的環(huán)境統(tǒng)稱為“模式”。模式識(shí)別是人類的一項(xiàng)基本智能。隨著20世紀(jì)40年代計(jì)算機(jī)的出現(xiàn)以及50年代人工智能的興起，人們希望能用計(jì)算機(jī)來(lái)代替或擴(kuò)展人類的模式識(shí)別能力。模式識(shí)別在20世紀(jì)60年代初迅速發(fā)展并成為一門新學(xué)科，其基本過程是將客觀環(huán)境中的模式進(jìn)行特征提取轉(zhuǎn)化為數(shù)學(xué)模型，再利用計(jì)算機(jī)完成分類和識(shí)別工作人工神經(jīng)網(wǎng)絡(luò)(ArtificialNeuralNetwork，ANN)，是20世紀(jì)80年代以來(lái)人工智能領(lǐng)域興起的研究熱點(diǎn)。它模仿人腦神經(jīng)元網(wǎng)絡(luò)的連接方式，建立起簡(jiǎn)單的計(jì)算機(jī)神經(jīng)元網(wǎng)絡(luò)模型。人工神經(jīng)網(wǎng)絡(luò)是一種運(yùn)算模型，由大量的節(jié)點(diǎn)(或稱神經(jīng)元)之間相互聯(lián)接構(gòu)成。每個(gè)節(jié)點(diǎn)代表一種特定的輸出函數(shù)，稱為激勵(lì)函數(shù)(activationfunction)。每?jī)蓚€(gè)節(jié)點(diǎn)間的連接都代表一個(gè)對(duì)于通過該連接的信號(hào)的加權(quán)值，稱之為權(quán)重，這相當(dāng)于神經(jīng)網(wǎng)絡(luò)的記憶。網(wǎng)絡(luò)的輸出則取決于網(wǎng)絡(luò)的連接方式、權(quán)重值和激勵(lì)函數(shù)。網(wǎng)絡(luò)自身通常都是對(duì)自然界某種算法、函數(shù)或邏輯的近似表達(dá)。概率神經(jīng)網(wǎng)絡(luò)(ProbabilisticNeuralNetworks,PNN)由D.F.Specht在1990年提出，是一類特殊的基于統(tǒng)計(jì)原理的前饋網(wǎng)絡(luò)模型，通常被用來(lái)實(shí)現(xiàn)聚類功能。其主要策略是利用貝葉斯決策規(guī)則，在多維輸入空間內(nèi)分離決策空間，使得錯(cuò)誤分類的期望風(fēng)險(xiǎn)最小。PNN的主要優(yōu)點(diǎn)有以下三點(diǎn)：(1)訓(xùn)練速度快；(2)在足夠訓(xùn)練樣本下，總可以保證獲得貝葉斯準(zhǔn)則下的最優(yōu)解；(3)只考慮樣本空間的概率特性，允許增加訓(xùn)練樣本而無(wú)須重新進(jìn)行長(zhǎng)時(shí)間的訓(xùn)練。PNN結(jié)合了徑向基神經(jīng)網(wǎng)絡(luò)與經(jīng)典的概率密度估計(jì)原理的優(yōu)點(diǎn)，相比其他前饋神經(jīng)網(wǎng)絡(luò)，在實(shí)現(xiàn)聚類任務(wù)時(shí)有著顯著的優(yōu)越性能。技術(shù)實(shí)現(xiàn)要素：本發(fā)明針對(duì)實(shí)際的電磁干擾信號(hào)頻譜范圍大、數(shù)據(jù)點(diǎn)多，直接對(duì)數(shù)據(jù)進(jìn)行分析計(jì)算很困難，提出了一種基于EEMD特征提取和PNN的非平穩(wěn)電磁干擾信號(hào)模式識(shí)別方法。具體步驟如下：步驟一、利用頻譜儀分別測(cè)量實(shí)際電磁設(shè)備，獲取不同類設(shè)備的電磁干擾信號(hào)，并將頻譜數(shù)據(jù)劃分為訓(xùn)練樣本和測(cè)試樣本；步驟二、針對(duì)所有訓(xùn)練樣本，分別進(jìn)行層次EEMD分解，得到每個(gè)訓(xùn)練樣本每層的固有模態(tài)函數(shù)IMF；具體步驟如下：步驟201、針對(duì)頻譜數(shù)據(jù)中的某個(gè)訓(xùn)練樣本X，初始化EEMD的數(shù)目，構(gòu)造不同幅值的高斯白噪聲；訓(xùn)練樣本X長(zhǎng)度為n，X＝[x1,x2,...,xj,...xn]；EEMD的數(shù)目為M；不同幅值的高斯白噪聲為M組，第m組幅值的高斯白噪聲Nm＝[n1(m),n2(m),...nj(m),...nn(m)]；m＝1,2,...M；步驟202、在訓(xùn)練樣本X上依次添加給定幅值的高斯白噪聲，得到M個(gè)干擾信號(hào)；第m個(gè)被高斯白噪聲干擾的信號(hào)為：Xm＝X-Nm；M個(gè)干擾信號(hào)集合為：[X1,X2,...Xm,...XM]；步驟203、將每個(gè)干擾信號(hào)利用EMD方法，分別分解為I層固有模態(tài)函數(shù)IMF，得到M×I個(gè)固有模態(tài)函數(shù)。M×I個(gè)固有模態(tài)函數(shù)集合表示如下：ci,m表示第m個(gè)干擾信號(hào)Xm分解的第i層固有模態(tài)函數(shù)；i＝1,2,3,...I；m＝1,2,3,...M；步驟204、針對(duì)每層固有模態(tài)函數(shù)IMF，分別計(jì)算該層M個(gè)固有模態(tài)函數(shù)的平均值作為該層最終的IMF值，得到訓(xùn)練樣本X的每層固有模態(tài)函數(shù)IMF；訓(xùn)練樣本X的第i層固有模態(tài)函數(shù)IMFi值為該層所有IMF的平均值，公式如下：步驟205、對(duì)所有訓(xùn)練樣本重復(fù)上述步驟，得到每個(gè)訓(xùn)練樣本每層的固有模態(tài)函數(shù)IMF。步驟三、針對(duì)每個(gè)訓(xùn)練樣本，分別計(jì)算所有層IMF的能量分布和峭度，作為該訓(xùn)練樣本的特征向量；首先、計(jì)算所有層IMF的能量分布和熵；所有層IMF的能量分布特征為I層能量分布的熵Pi為第i層IMF的能量：為訓(xùn)練樣本X的第i層IMF的元素集合中的一個(gè)元素，第i層IMF的元素集合表示為：P為訓(xùn)練樣本X的總能量：然后、計(jì)算該訓(xùn)練樣本所有層IMF中每層IMF的峭度。第i層IMF峭度K(IMFi)定義為：為第i層IMF元素集合IMFi中所有點(diǎn)的平均值：n為第i層IMF信號(hào)的長(zhǎng)度，與訓(xùn)練樣本的長(zhǎng)度相同；σ為相應(yīng)的標(biāo)準(zhǔn)差：訓(xùn)練樣本X最終的特征向量為：步驟四、將所有訓(xùn)練樣本的特征向量和電磁設(shè)備的類別標(biāo)簽，輸入未訓(xùn)練的PNN進(jìn)行訓(xùn)練得到PNN分類器；PNN分類器用來(lái)識(shí)別未知電磁擾信號(hào)。步驟五、對(duì)于每個(gè)測(cè)試樣本，輸入PNN分類器，識(shí)別頻譜數(shù)據(jù)所屬的類型；本發(fā)明的優(yōu)點(diǎn)在于：1)、基于EEMD特征提取和PNN的非平穩(wěn)電磁干擾信號(hào)模式識(shí)別方法，在信號(hào)的特征提取過程中，利用EEMD方法對(duì)信號(hào)進(jìn)行分解相比小波分解、傅里葉分析等具有更好的自適應(yīng)性。2)、基于EEMD特征提取和PNN的非平穩(wěn)電磁干擾信號(hào)模式識(shí)別方法，將峭度和IMF能量分布作為特征向量可以反應(yīng)數(shù)據(jù)的不確定性和分布不穩(wěn)定性等，這些統(tǒng)計(jì)特性可以有效地區(qū)分不同類型的電磁干擾信號(hào)。3)、基于EEMD特征提取和PNN的非平穩(wěn)電磁干擾信號(hào)模式識(shí)別方法，建立PNN對(duì)電磁干擾信號(hào)進(jìn)行模式識(shí)別實(shí)現(xiàn)了高度自動(dòng)化和集成化；而且在實(shí)際應(yīng)用中，隨著訓(xùn)練樣本的不斷擴(kuò)充，PNN的識(shí)別準(zhǔn)確率將會(huì)不斷增加。附圖說(shuō)明圖1為本發(fā)明基于EEMD特征提取和PNN的非平穩(wěn)電磁干擾信號(hào)模式識(shí)別方法流程圖；圖2為本發(fā)明對(duì)訓(xùn)練樣本進(jìn)行層次EEMD分解得到固有模態(tài)函數(shù)IMF方法流程圖。具體實(shí)施方式下面將結(jié)合附圖對(duì)本發(fā)明作進(jìn)一步的詳細(xì)說(shuō)明。本發(fā)明提供了一種針對(duì)實(shí)際環(huán)境中的非平穩(wěn)電磁干擾信號(hào)的模式識(shí)別系統(tǒng)，具體是基于EEMD特征提取和PNN的非平穩(wěn)電磁干擾信號(hào)的模式識(shí)別系統(tǒng)，首先需要利用EEMD技術(shù)提取信號(hào)的數(shù)學(xué)特征以代表原信號(hào)，然后概率神經(jīng)網(wǎng)絡(luò)將會(huì)被引入完成對(duì)特征向量的模式識(shí)別工作。具體來(lái)講，分為兩個(gè)主要過程：訓(xùn)練過程和識(shí)別過程。在訓(xùn)練過程中，電磁干擾信號(hào)訓(xùn)練樣本通過EEMD被轉(zhuǎn)化為相應(yīng)的特征向量，并輸入PNN網(wǎng)絡(luò)進(jìn)行訓(xùn)練，使其具有對(duì)非平穩(wěn)電磁干擾信號(hào)的識(shí)別能力；在識(shí)別過程中，未知的電磁干擾信號(hào)通過同樣的特征提取技術(shù)被轉(zhuǎn)化為特征向量，然后被輸入訓(xùn)練過程得到的成熟的PNN網(wǎng)絡(luò)進(jìn)行識(shí)別。如圖1所示，具體步驟如下：步驟一、利用頻譜儀分別測(cè)量實(shí)際電磁設(shè)備，通過測(cè)試獲取不同類設(shè)備的電磁干擾信號(hào)，并將對(duì)應(yīng)的頻譜數(shù)據(jù)劃分為訓(xùn)練樣本和測(cè)試樣本；步驟二、針對(duì)所有訓(xùn)練樣本，分別進(jìn)行層次EEMD分解，得到每個(gè)訓(xùn)練樣本每層的固有模態(tài)函數(shù)IMF；利用EEMD分解所有電磁干擾信號(hào)訓(xùn)練樣本得到相應(yīng)的IMF，所有訓(xùn)練樣本的固有模特函數(shù)數(shù)量相同；如圖2所示，具體步驟如下：步驟201、針對(duì)頻譜數(shù)據(jù)中的某個(gè)訓(xùn)練樣本X，初始化EEMD的數(shù)目，構(gòu)造不同幅值的高斯白噪聲；訓(xùn)練樣本X＝[x1,x2,...,xj,...xn]，長(zhǎng)度為n；EEMD的數(shù)目為M，不同幅值的高斯白噪聲為M組，表示為N＝[N1,N2,...Nm,...NM]；Nm＝[n1(m),n2(m),...nj(m),...nn(m)]為第m組幅值的高斯白噪聲；m＝1,2,...M步驟202、在訓(xùn)練樣本X上依次添加給定幅值的高斯白噪聲，得到M個(gè)干擾信號(hào)；第m個(gè)被高斯白噪聲干擾的信號(hào)為：所有的M個(gè)干擾信號(hào)集合為：[X1,X2,...Xm,...XM]步驟203、將每個(gè)干擾信號(hào)利用EMD方法,分別分解為I層固有模態(tài)函數(shù)IMF，得到M×I個(gè)IMF。M×I個(gè)固有模態(tài)函數(shù)集合表示如下：集合中的每列表示每個(gè)干擾信號(hào)分解的I層IMF，每行表示相同層的所有干擾信號(hào)分解的IMF；ci,m表示第m個(gè)干擾信號(hào)Xm分解的第i層固有模態(tài)函數(shù)；i＝1,2,3,...I；m＝1,2,3,...M；步驟204、針對(duì)每層固有模態(tài)函數(shù)IMF，分別計(jì)算該層M個(gè)IMF的平均值作為該層最終IMF值，得到訓(xùn)練樣本X的每層固有模態(tài)函數(shù)IMF；訓(xùn)練樣本X的第i層固有模態(tài)函數(shù)IMFi值為該層所有IMF的平均值，公式如下：步驟205、對(duì)所有訓(xùn)練樣本重復(fù)上述步驟，得到每個(gè)訓(xùn)練樣本每層的固有模態(tài)函數(shù)IMF。步驟三、針對(duì)每個(gè)訓(xùn)練樣本，分別計(jì)算所有層IMF的能量分布和峭度，作為該訓(xùn)練樣本的特征向量；首先、計(jì)算所有層IMF的能量分布和熵；所有層IMF的能量分布特征為將能量分布看做是一種概率分布，并計(jì)算I層能量分布的熵訓(xùn)練樣本X的總能量為Pi為第i層IMF的能量：為訓(xùn)練樣本X的第i層IMF的元素集合中的一個(gè)元素，第i層IMF的元素集合表示為：P1+P2+...Pi+...+PI＝P。然后、計(jì)算該訓(xùn)練樣本所有I層IMF中每層IMF的峭度。第i層IMF峭度K(IMFi)的定義為：為第i層IMF元素集合IMFi中所有點(diǎn)的平均值：n為第i層IMF信號(hào)的長(zhǎng)度，與訓(xùn)練樣本的長(zhǎng)度相同；σ為相應(yīng)的標(biāo)準(zhǔn)差：最后、訓(xùn)練樣本X最終的特征向量為：步驟四、將所有訓(xùn)練樣本的特征向量和電磁設(shè)備的類別標(biāo)簽，輸入未訓(xùn)練的PNN進(jìn)行訓(xùn)練得到PNN分類器；PNN分類器可用來(lái)識(shí)別未知電磁擾信號(hào)。步驟五、對(duì)于每個(gè)測(cè)試樣本，輸入PNN分類器，識(shí)別頻譜數(shù)據(jù)所屬的類型；具體步驟如下：步驟501、針對(duì)某個(gè)測(cè)試樣本，進(jìn)行層次EEMD分解，得到每層的固有模態(tài)函數(shù)IMF；獲取測(cè)試樣本：通過測(cè)試電磁設(shè)備獲取電磁干擾信號(hào)測(cè)試樣本；并重復(fù)步驟二進(jìn)行層次EEMD分解，得到固有模態(tài)函數(shù)IMF；步驟502、分別計(jì)算每層IMF的能量分布和峭度，作為該測(cè)試樣本的特征向量；EEMD特征提?。簩?duì)測(cè)試樣本重復(fù)步驟三，得到該測(cè)試樣本的特征向量。步驟503、將測(cè)試樣本的特征向量輸入PNN分類器進(jìn)行匹配，得到該電磁干擾信號(hào)所屬類型。PNN識(shí)別：將得到的測(cè)試樣本的特征向量輸入PNN分類器進(jìn)行識(shí)別，輸出其所屬類別的結(jié)果。實(shí)施例：第一步：通過測(cè)試獲取電磁干擾信號(hào)頻譜數(shù)據(jù)；利用頻譜儀分別測(cè)量實(shí)際電磁環(huán)境中的4種設(shè)備，每類設(shè)備獲得8個(gè)電磁干擾信號(hào)頻譜數(shù)據(jù)，其中每類數(shù)據(jù)中7個(gè)作為訓(xùn)練樣本，1個(gè)作為測(cè)試樣本。實(shí)測(cè)電磁干擾信號(hào)的頻譜數(shù)據(jù)的設(shè)備名稱如表1所示。表1第二步：對(duì)所有28個(gè)訓(xùn)練樣本進(jìn)行6層EEMD分解，獲得28組固有模態(tài)函數(shù)，每組包含6個(gè)固有模態(tài)函數(shù)。第三步：分別計(jì)算每組固有模態(tài)函數(shù)的能量分布和峭度。每類訓(xùn)練樣本選取一個(gè)信號(hào)，計(jì)算各組固有模態(tài)函數(shù)IMF的能量分布，結(jié)果如表2所示；表2計(jì)算各組固有模態(tài)函數(shù)IMF的峭度，結(jié)果如表3所示；表3訓(xùn)練樣本來(lái)源K1K2K3K4K5K6筆記本1.95232.35612.78022.89452.98011.3512電吹風(fēng)1.86462.63462.91323.16453.65432.0465未發(fā)動(dòng)汽車1.91232.71943.24523.65433.98122.1632發(fā)動(dòng)中汽車1.75292.14522.35672.62362.72361.2251第四步：將以上得到的所有特征向量和相應(yīng)的類別指標(biāo)(標(biāo)簽)輸入PNN進(jìn)行訓(xùn)練。各類電磁干擾信號(hào)訓(xùn)練樣本的標(biāo)簽如表4所示。表4訓(xùn)練樣本來(lái)源標(biāo)簽筆記本1電吹風(fēng)2未發(fā)動(dòng)汽車3發(fā)動(dòng)中汽車4第五步：計(jì)算電磁干擾信號(hào)4組測(cè)試樣本的特征向量，并輸入PNN進(jìn)行識(shí)別。測(cè)試樣本的分類識(shí)別結(jié)果輸出如表5所示。表5測(cè)試樣本來(lái)源分類結(jié)果筆記本1電吹風(fēng)2未發(fā)動(dòng)汽車3發(fā)動(dòng)中汽車4通過對(duì)表5的結(jié)果分析可見，訓(xùn)練后的PNN分類器可以將測(cè)試樣本正確地分到其所屬的類別，從而可以有效地完成模式識(shí)別任務(wù)。因此，本發(fā)明提出的模式識(shí)別系統(tǒng)，通過讀取訓(xùn)練樣本數(shù)據(jù)，對(duì)訓(xùn)練樣本的進(jìn)行EEMD特征提取，再將得到的特征向量輸入PNN進(jìn)行訓(xùn)練，得到可以用來(lái)識(shí)別新的電磁干擾信號(hào)的PNN分類器，通對(duì)于新的未知類型的電磁干擾信號(hào)，對(duì)其進(jìn)行相同的特征提取并輸入PNN分類器進(jìn)行識(shí)別，便可得知其所屬類型。綜合了特征提取、概率統(tǒng)計(jì)和人工智能方面的知識(shí)，能夠有效地對(duì)電磁干擾信號(hào)頻譜數(shù)據(jù)進(jìn)行分類識(shí)別，具有重要意義。當(dāng)前第1頁(yè)1 2 3