基于ceemd和奇異值分解的識(shí)別方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種基于CEEMD和奇異值分解的識(shí)別方法，屬于人工智能技術(shù)領(lǐng)域。
【背景技術(shù)】
[0002] 在利用神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)和馬氏距離等人工智能方法識(shí)別過(guò)程中，都需要建 立合適的特征因子作為，將這些特征因子值作為訓(xùn)練標(biāo)準(zhǔn)樣本，訓(xùn)練識(shí)別模型，作為偵測(cè)的 信號(hào)而言，其特征因子常常為頻率、相位和振幅等等，這些特征因子通常是利用信號(hào)分析工 具獲取。
[0003] 現(xiàn)實(shí)中的信號(hào)通常都是非平穩(wěn)和非線性的，小波變化是過(guò)去20年來(lái)信號(hào)處理領(lǐng) 域最成功的工具，但小波基的選擇仍然缺乏適應(yīng)性，而經(jīng)驗(yàn)?zāi)Ｊ椒纸夥ǎ╡mpirical model decomposition，EMD)將復(fù)雜的信號(hào)分解為一系列簡(jiǎn)單信號(hào)，是自適應(yīng)、高效的。當(dāng)信號(hào)中 含有在多個(gè)具有顯著不同時(shí)間尺度的分量時(shí)，EMD方法無(wú)法正確分離出不同的特征分量，產(chǎn) 生模式混疊，為此學(xué)者通過(guò)在信息中加入白噪聲，再集總平均得出各個(gè)分量，該方法稱(chēng)為集 總經(jīng)驗(yàn)?zāi)Ｊ椒纸夥ǎ╡nsemble EMD，EEMD)。EEMD方法在一定程度上能有效對(duì)不同尺度的 特征分量分離出來(lái)，但該方法集總過(guò)程中，進(jìn)行上百次以上重復(fù)運(yùn)算，嚴(yán)重壓低了方法的使 用效率，雖然多次集總平均可以抵消絕大部分噪聲影響，但殘留的噪聲是無(wú)法消除的，互補(bǔ) 集總經(jīng)驗(yàn)?zāi)Ｊ椒纸夥ǎ–omplementary EEMD，CEEMD)，利用施加兩個(gè)振幅相同符合相反的噪 聲，CEEMD法不但大大提高了計(jì)算效率，而且去除平均后的殘余噪聲，是對(duì)EEMD方法極大的 改進(jìn)。
[0004] 本發(fā)明正是在這種背景下產(chǎn)生，方法通過(guò)CEEMD變換得出一組本征模式函數(shù)，由 本征模式函數(shù)構(gòu)造出特征向量矩陣，利用奇異值分解得出矩陣的奇異值和奇異熵，最后通 過(guò)馬氏距離判別測(cè)試樣本的屬類(lèi)，該方法最大限度提升人工智能算法對(duì)樣本識(shí)別的準(zhǔn)確性 和計(jì)算效率。

【發(fā)明內(nèi)容】

[0005] 目的：為了克服現(xiàn)有技術(shù)中存在的不足，本發(fā)明提供一種基于CEEMD和奇異值分 解的識(shí)別方法，提高對(duì)目標(biāo)分類(lèi)的準(zhǔn)確性，增強(qiáng)算法的實(shí)用性和可靠性。
[0006] 技術(shù)方案：為解決上述技術(shù)問(wèn)題，本發(fā)明采用的技術(shù)方案為：
[0007] -種基于CEEMD和奇異值分解的識(shí)別方法，其特征在于，包括以下幾個(gè)步驟：
[0008] 1)對(duì)探測(cè)信號(hào)進(jìn)行CEEMD分解，得出特征模式分量；
[0009] 2)將各分量表示為各特征向量矩陣形式A ;
[0010] 3)對(duì)特征向量進(jìn)行奇異分解變換，得出各特征向量的奇異值σ ;
[0011] 4)對(duì)特征向量奇異值歸一化，計(jì)算出特征向量矩陣的奇異熵Η ;
[0012] 5)計(jì)算出同類(lèi)別Ν參考樣本的奇異上的平均值座和標(biāo)準(zhǔn)差V;
[0013] 6)計(jì)算出需識(shí)別信號(hào)的特征值，與各類(lèi)別平均值馬氏距離Md，將其中最小距離的 類(lèi)別作為該信號(hào)的類(lèi)別。
[0014] 所述CEEMD分解是指：
[0015] 1)向源信號(hào)中加入η組正負(fù)對(duì)輔助噪聲，從而形成兩合成信號(hào)
[0017] 式中：S為源信號(hào)，Ν為輔助白噪聲；
[0018] 2)對(duì)每個(gè)信號(hào)進(jìn)行EMD分解，每個(gè)信號(hào)將得到一組特征模量，即c1];
[0019] 3)通過(guò)多組分量組合得出分解結(jié)果：
[0021] 式中，Cj為j個(gè)特征模量，2n為輔助噪聲總數(shù)，1 < j彡Μ ;
[0022] 所述奇異分解變換是指：
[0023] 1)特征向量矩陣Α，利用奇異值分解轉(zhuǎn)化為對(duì)角陣Λ，設(shè)
[0026] 2)將矩陣Λ中的奇異值，進(jìn)行歸一化
[0028] 式中
Ρ為奇異值總數(shù)；
[0029] 3)由公式計(jì)算出奇異熵
[0031] 有益效果：本發(fā)明提供的一種基于CEEMD和奇異值分解的識(shí)別方法，通過(guò)CEEMD方 法分解信號(hào)，并利用奇異分解建立特征因子；是一種人工智能方法。方法克服了現(xiàn)有信號(hào) 識(shí)別過(guò)程中對(duì)存在對(duì)提取特征因子的不足，能最大限度提升算法的識(shí)別性能。該方法利用 CEEMD方法分量出訓(xùn)練樣本的本征模量，由本征模量構(gòu)建的特征矩陣通過(guò)奇異分解得奇異 熵，得出不同類(lèi)別的平均奇異熵和標(biāo)準(zhǔn)差，通過(guò)馬氏距離判別出測(cè)試樣本的類(lèi)別。由訓(xùn)練樣 本建立預(yù)測(cè)模型，并不僅限定于本文提出的馬氏距離方法，奇異值特征因子同樣適用于其 他常規(guī)人工智能方法，例如支持向量機(jī)模型、人工神經(jīng)網(wǎng)絡(luò)等等；可用于信號(hào)的分類(lèi)識(shí)別， 也可用于目標(biāo)的定量回歸預(yù)測(cè)；CEEMD方法分解信號(hào)后，判別標(biāo)準(zhǔn)并不僅限于奇異值特征， 也可平均能量、偏度和峰度作為特征因子。
【附圖說(shuō)明】
[0032] 圖1為本發(fā)明基于CEEMD和奇異值分解法識(shí)別流程圖。
【具體實(shí)施方式】
[0033] 下面結(jié)合具體實(shí)施例對(duì)本發(fā)明作更進(jìn)一步的說(shuō)明。
[0034] 如圖1所示，一種基于CEEMD和奇異值分解的識(shí)別方法，包括以下幾個(gè)步驟：
[0035] 1)對(duì)探測(cè)信號(hào)進(jìn)行CEEMD分解，得出特征模式分量；
[0036] 2)將各分量表示為各特征向量矩陣形式A ;
[0037] 3)對(duì)特征向量進(jìn)行奇異分解變換，得出各特征向量的奇異值σ ;
[0038] 4)對(duì)特征向量奇異值歸一化，計(jì)算出特征向量矩陣的奇異熵Η ;
[0039] 5)計(jì)算出同類(lèi)別Ν參考樣本的奇異上的平均值#和標(biāo)準(zhǔn)差V;
[0040] 6)計(jì)算出需識(shí)別信號(hào)的特征值，與各類(lèi)別平均值馬氏距離Md，將其中最小距離的 類(lèi)別作為該信號(hào)的類(lèi)別。
[0041] 本發(fā)明中，涉及CEEMD、奇異分解變換：
[0042] 在CEEMD，它是由以下三個(gè)步驟完成：
[0043] 1)向源信號(hào)中加入η組正負(fù)對(duì)輔助噪聲，從而形成兩合成信號(hào)
[0045] 式中：S為源信號(hào)，Ν為輔助白噪聲；
[0046] 2)對(duì)每個(gè)信號(hào)進(jìn)行EMD分解，每個(gè)信號(hào)將得到一組特征模量，即c1];
[0047] 3)通過(guò)多組分量組合得出分解結(jié)果：
[0049] 式中，Cj為j個(gè)特征模量，2n為輔助噪聲總數(shù)，1 < j彡Μ ;
[0050] 奇異分解變換，變換過(guò)程如下：
[0051] 1)特征向量矩陣Α，利用奇異值分解轉(zhuǎn)化為對(duì)角陣Λ，設(shè)
[0054] 2)將矩陣Λ中的奇異值，進(jìn)行歸一化
[0056] 式中，
Ρ為奇異值總數(shù)；
[0057] 3)由公式計(jì)算出奇異熵
[0059] 以上所述僅是本發(fā)明的優(yōu)選實(shí)施方式，應(yīng)當(dāng)指出：對(duì)于本技術(shù)領(lǐng)域的普通技術(shù)人 員來(lái)說(shuō)，在不脫離本發(fā)明原理的前提下，還可以做出若干改進(jìn)和潤(rùn)飾，這些改進(jìn)和潤(rùn)飾也應(yīng) 視為本發(fā)明的保護(hù)范圍。
【主權(quán)項(xiàng)】
1. 一種基于CEEMD和奇異值分解的識(shí)別方法，其特征在于，包括以下幾個(gè)步驟： 1) 對(duì)探測(cè)信號(hào)進(jìn)行CEEMD分解，得出特征模式分量； 2) 將各分量表不為各特征向量矩陣形式A ; 3) 對(duì)特征向量進(jìn)行奇異分解變換，得出各特征向量的奇異值σ ; 4) 對(duì)特征向量奇異值歸一化，計(jì)算出特征向量矩陣的奇異熵H ; 5) 計(jì)算出同類(lèi)別N參考樣本的奇異上的平均值身和標(biāo)準(zhǔn)差V ; 6) 計(jì)算出需識(shí)別信號(hào)的特征值，與各類(lèi)別平均值馬氏距離Md，將其中最小距離的類(lèi)別 作為該信號(hào)的類(lèi)別。2. 根據(jù)權(quán)利要求1所述的基于CEEMD和奇異值分解的識(shí)別方法，其特征在于：所述 CEEMD分解是指： 1) 向源信號(hào)中加入η組正負(fù)對(duì)輔助噪聲，從而形成兩合成信號(hào)式中：S為源信號(hào)，N為輔助白噪聲； 2) 對(duì)每個(gè)信號(hào)進(jìn)行EMD分解，每個(gè)信號(hào)將得到一組M特征模量，即c1]; 3) 通過(guò)多組分量組合得出分解結(jié)果：式中，Cj為j個(gè)特征模量，2n為輔助噪聲總數(shù)，I < j < M。3. 根據(jù)權(quán)利要求2所述的基于CEEMD和奇異值分解的識(shí)別方法，其特征在于：所述奇 異分解變換是指： 1) 特征向量矩陣A，利用奇異值分解轉(zhuǎn)化為對(duì)角陣Λ，設(shè)2) 將矩陣Λ中的奇異值，進(jìn)行歸一化 E1= 〇 χ/Ε 式中，P為奇異值總數(shù)； 3) 由公式計(jì)算出奇異熵
【專(zhuān)利摘要】本發(fā)明公開(kāi)了一種基于CEEMD和奇異值分解的識(shí)別方法，通過(guò)CEEMD方法分解信號(hào)，并利用奇異分解建立特征因子；一種人工智能方法。本發(fā)明方法克服了現(xiàn)有信號(hào)識(shí)別過(guò)程中對(duì)存在對(duì)提取特征因子的不足，能最大限度提升算法的識(shí)別性能。該方法利用CEEMD方法分量出訓(xùn)練樣本的本征模量，由本征模量構(gòu)建的特征矩陣通過(guò)奇異分解得奇異熵，得出不同類(lèi)別的平均奇異熵和標(biāo)準(zhǔn)差，通過(guò)馬氏距離判別出測(cè)試樣本的類(lèi)別。
【IPC分類(lèi)】G06F17/10
【公開(kāi)號(hào)】CN105354170
【申請(qǐng)?zhí)枴緾N201510701348
【發(fā)明人】許軍才, 任青文, 沈振中, 張衛(wèi)東
【申請(qǐng)人】河海大學(xué)
【公開(kāi)日】2016年2月24日
【申請(qǐng)日】2015年10月26日