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