χ)為第1~n-1尺度上求得的高頻信號,dn(x)為第η尺度上求 得的低頻信號;
[0042] Step3、計算各個尺度相應(yīng)頻段上的譜能量Ei及多尺度形態(tài)分解能譜熵HE;其中, 為數(shù)據(jù)窗;T為采樣周期,X = kT,k為采樣序數(shù), K
*-+·*·
表示信號在第i尺度的譜能量Ei占總能
丨勺概率;
[0043] Step4、在求取形態(tài)分解能譜熵的基礎(chǔ)上,分別求取每一尺度所占能譜熵的比例 每組信號經(jīng)過公式計算后得到不同尺度下的比例Pl(i = 1,2,…,n),將 所有的Pi組合起來,得到1 X η維的特征向量矩陣P = [Pi,P2,…,Pn],按照這個方法,可以求 取每一組泄漏聲發(fā)射信號的特征向量;
[0044] Step5、取每類信號的N1組特征向量作為訓(xùn)練集,剩余N2組特征向量作為測試集, 進(jìn)行SVM測試,得到分類識別結(jié)果;其中,N1+N2 = N。
[0045]所述模擬泄漏聲發(fā)射信號選取敲擊、砂紙和斷鉛模擬泄漏聲發(fā)射信號中的任意兩 種或以上。
[0046]實施例2:如圖1-7所示,一種基于多尺度形態(tài)分解能譜熵和支持向量機的泄漏聲 發(fā)射信號識別方法,首先采用數(shù)字聲發(fā)射系統(tǒng)進(jìn)行實驗數(shù)據(jù)采集;對采集的模擬泄漏聲發(fā) 射信號進(jìn)行多尺度形態(tài)分解,分別計算其在不同尺度上的譜能量,并計算能譜熵值;再計算 每一尺度所占能譜熵的比例,將其組成特征向量;最后利用支持向量機對特征向量進(jìn)行訓(xùn) 練和測試。
[0047]所述方法的具體步驟如下:
[0048] Stepl、聲發(fā)射信號采集:通過數(shù)字聲發(fā)射系統(tǒng)采集模擬泄漏聲發(fā)射信號N組,信號 記為f(X);
[0049] Step2、結(jié)構(gòu)元素采用扁平結(jié)構(gòu)元素 g= [000],對信號f(x)進(jìn)行多尺度形態(tài)分解; 其中,分解尺度為n,則f (X)的多尺度形態(tài)分解信號為di(x),d2(x),…,di(x),…,dn(x),di (x),d2(x),···,di(x),…,dn-ι(χ)為第1~n-1尺度上求得的高頻信號,dn(x)為第η尺度上求 得的低頻信號;
[0050] Step3、計算各個尺度相應(yīng)頻段上的譜能量Ei及多尺度形態(tài)分解能譜熵HE;其中, ;M為數(shù)據(jù)窗;T為采樣周期,X = kT,k為采樣序數(shù), k=n -Μ
η
?示信號在第i尺度的譜能量EiA總能量
丨勺概率;
[0051 ] Step4、在求取形態(tài)分解能譜熵的基礎(chǔ)上,分別求取每一尺度所占能譜熵的比例 每組信號經(jīng)過公式計算后得到不同尺度下的比例Pl(i = 1,2,…,n),將 所有的Pi組合起來,得到1 X η維的特征向量矩陣P = [Pi,P2,…,Pn],按照這個方法,可以求 取每一組泄漏聲發(fā)射信號的特征向量;
[0052] Step5、取每類信號的N1組特征向量作為訓(xùn)練集,剩余N2組特征向量作為測試集, 進(jìn)行SVM測試,得到分類識別結(jié)果;其中,N1+N2 = N。
[0053]實施例3:如圖1-7所示,一種基于多尺度形態(tài)分解能譜熵和支持向量機的泄漏聲 發(fā)射信號識別方法,首先采用數(shù)字聲發(fā)射系統(tǒng)進(jìn)行實驗數(shù)據(jù)采集;對采集的模擬泄漏聲發(fā) 射信號進(jìn)行多尺度形態(tài)分解,分別計算其在不同尺度上的譜能量,并計算能譜熵值;再計算 每一尺度所占能譜熵的比例,將其組成特征向量;最后利用支持向量機對特征向量進(jìn)行訓(xùn) 練和測試。
[0054]所述模擬泄漏聲發(fā)射信號選取敲擊、砂紙和斷鉛模擬泄漏聲發(fā)射信號中的任意兩 種或以上。
[0055] 實施例4:如圖1-7所示,一種基于多尺度形態(tài)分解能譜熵和支持向量機的泄漏聲 發(fā)射信號識別方法,首先采用數(shù)字聲發(fā)射系統(tǒng)進(jìn)行實驗數(shù)據(jù)采集;對采集的模擬泄漏聲發(fā) 射信號進(jìn)行多尺度形態(tài)分解,分別計算其在不同尺度上的譜能量,并計算能譜熵值;再計算 每一尺度所占能譜熵的比例,將其組成特征向量;最后利用支持向量機對特征向量進(jìn)行訓(xùn) 練和測試。
[0056] 實施例5:如圖1-7所示,一種基于多尺度形態(tài)分解能譜熵和支持向量機的泄漏聲 發(fā)射信號識別方法,首先采用數(shù)字聲發(fā)射系統(tǒng)進(jìn)行實驗數(shù)據(jù)采集;對采集的模擬泄漏聲發(fā) 射信號進(jìn)行多尺度形態(tài)分解,分別計算其在不同尺度上的譜能量,并計算能譜熵值;再計算 每一尺度所占能譜熵的比例,將其組成特征向量;最后利用支持向量機對特征向量進(jìn)行訓(xùn) 練和測試。
[0057] 具體為:
[0058] 1、采用北京聲華興業(yè)科技有限公司生產(chǎn)的SAEU2S數(shù)字聲發(fā)射系統(tǒng)進(jìn)行實驗數(shù)據(jù) 采集,如實驗每次采集1200個點作為一組信號,分別采集敲擊、砂紙和斷鉛3種模擬泄露聲 發(fā)射信號各20組,信號記為f(x),每類聲發(fā)射信號各列舉一個,其時域波形分別如圖2所示;
[0059] 2、對原始信號f(x)進(jìn)行6尺度形態(tài)分解,則f(x)的多尺度形態(tài)分解信號為cU, d2,…,d6,其中,di(x),d2(x),···,di(x),…,d5(x)為第1-5尺度上求得的高頻信號,d6(x)為 第6尺度上求得的低頻信號,每種類型信號各選取一組原始信號及6尺度分解后各尺度幅 值,分別如圖3、圖4和圖5所示;
[0060] 3、每組信號可以求得一個譜熵,再按照求每一尺度所占比例的方法求得每一尺度 上所占譜熵的比例,構(gòu)成特征向量,其中每種類型信號求得20組特征向量,共求得60組特征 向量,其中部分結(jié)果如表1所示。其中類型1代表敲擊信號,類型2代表砂紙信號,類型3代表 敲擊信號。
[0061] 表1部分特征向量參數(shù)
[0062]
[0063] 4、支持向量機的體系結(jié)構(gòu)如圖6所示,取每類信號的10組特征向量作為訓(xùn)練集,剩 余特征向量作為測試集,選取最優(yōu)C、y值,進(jìn)行SVM測試,得到分類識別結(jié)果,通過實驗驗 證,C取值為20,γ取值為0.02時,分類正確率最高,圖7展示的是訓(xùn)練樣本的一個可視化的 圖,其中兩條線代表兩個最優(yōu)超平面把樣本分為3類,圓圈圈住的樣本表示在最優(yōu)超平面附 近的樣本,表2是具體的分類正確率,其中只有一個砂紙信號沒有被分類正確,敲擊信號和 斷鉛信號的分類正確率都達(dá)到了 100%。由此可見,選取合適的分類器參數(shù)可以有效對聲發(fā) 射信號類型進(jìn)行分類。
[0064] 表2識別正確率
[0065]
[0066] 上面結(jié)合附圖對本發(fā)明的【具體實施方式】作了詳細(xì)說明,但是本發(fā)明并不限于上述 實施方式,在本領(lǐng)域普通技術(shù)人員所具備的知識范圍內(nèi),還可以在不脫離本發(fā)明宗旨的前 提下做出各種變化。
【主權(quán)項】
1. 一種基于多尺度形態(tài)分解能譜熵和支持向量機的泄漏聲發(fā)射信號識別方法,其特征 在于:首先采用數(shù)字聲發(fā)射系統(tǒng)進(jìn)行實驗數(shù)據(jù)采集;對采集的模擬泄漏聲發(fā)射信號進(jìn)行多 尺度形態(tài)分解,分別計算其在不同尺度上的譜能量,并計算能譜熵值;再計算每一尺度所占 能譜熵的比例,將其組成特征向量;最后利用支持向量機對特征向量進(jìn)行訓(xùn)練和測試。2. 根據(jù)權(quán)利要求1所述的基于多尺度形態(tài)分解能譜熵和支持向量機的泄漏聲發(fā)射信號 識別方法,其特征在于:所述方法的具體步驟如下: Stepl、聲發(fā)射信號采集:通過數(shù)字聲發(fā)射系統(tǒng)采集模擬泄漏聲發(fā)射信號N組,信號記為 f(x); Step2、結(jié)構(gòu)元素采用扁平結(jié)構(gòu)元素g= [000],對信號f(x)進(jìn)行多尺度形態(tài)分解;其中, 分解尺度為n,則f(x)的多尺度形態(tài)分解信號為di(x),d2(x),···,di(x),···,dn(x),di(x),d2 (x),···,di(x),…,d n-i(x)為第1~n-1尺度上求得的高頻信號,dn(x)為第n尺度上求得的低 頻信號; Step3、計算各個尺度相應(yīng)頻段上的譜能量Ei及多尺度形態(tài)分解能譜熵HE;其中, η 2 η £,= [ (?紅)),//£ = -Σ/)/Ιη/々;Μ為數(shù)據(jù)窗;Τ為采樣周期,x = kT,k為采樣序數(shù), k:n-M i=\ f τι η Α_ =馬/ Σ馬表示信號在第i尺度的譜能量Ei占總能量五=Σ馬的概率; / /=] /=1 Step4、在求取形態(tài)分解能譜熵的基礎(chǔ)上,分別求取每一尺度所占能譜熵的比例Pi :Pi = -Pl In Pl/HE;每組信號經(jīng)過公式計算后得到不同尺度下的比例PdizlJ,…,n),將所 有的Pi組合起來,得到1 X η維的特征向量矩陣P = [Pi,P2,…,Pn],按照這個方法,可以求取 每一組泄漏聲發(fā)射信號的特征向量; Step5、取每類信號的N1組特征向量作為訓(xùn)練集,剩余N2組特征向量作為測試集,進(jìn)行 SVM測試,得到分類識別結(jié)果;其中,N1+N2 = N。3. 根據(jù)權(quán)利要求1或2所述的基于多尺度形態(tài)分解能譜熵和支持向量機的泄漏聲發(fā)射 信號識別方法,其特征在于:所述模擬泄漏聲發(fā)射信號選取敲擊、砂紙和斷鉛模擬泄漏聲發(fā) 射信號中的任意兩種或以上。
【專利摘要】本發(fā)明涉及一種基于多尺度形態(tài)分解能譜熵和支持向量機的泄漏聲發(fā)射信號識別方法,屬于聲發(fā)射信號模式識別領(lǐng)域。本發(fā)明首先采用數(shù)字聲發(fā)射系統(tǒng)進(jìn)行實驗數(shù)據(jù)采集;對采集的模擬泄漏聲發(fā)射信號進(jìn)行多尺度形態(tài)分解,分別計算其在不同尺度上的譜能量,并計算能譜熵值;再計算每一尺度所占能譜熵的比例,將其組成特征向量;最后利用支持向量機對特征向量進(jìn)行訓(xùn)練和測試。本發(fā)明可以同時區(qū)分敲擊、砂紙、斷鉛信號,且識別正確率很高,可實現(xiàn)自動分類;通過求聲發(fā)射信號的多尺度分解能譜熵值,并分別求取每一尺度所占能譜熵的比例,能較好的反映聲發(fā)射信號狀態(tài)信息,可以將其作為聲發(fā)射信號的特征向量。
【IPC分類】G06K9/62, G06K9/00
【公開號】CN105469049
【申請?zhí)枴緾N201510822523
【發(fā)明人】張壽明, 于蕊
【申請人】昆明理工大學(xué)
【公開日】2016年4月6日
【申請日】2015年11月24日