[0045] C、分別對(duì)分解后的每一層系數(shù)進(jìn)行重構(gòu)，設(shè)第j層上的重構(gòu)信號(hào)為化={山化)}，假 設(shè)要重構(gòu)1個(gè)η維相空間，那么η維相空間第1個(gè)矢量為化中的山（1)，d2(2)，…，山(η)，然后右 移1步，第2個(gè)矢量為di(2)，cb(3)，···，山(η+1)，依次類推，可構(gòu)造一個(gè)(Ν-η+1)Χη維的矩陣：
[0046]
[0047] 其中，Ν表示第j層上的重構(gòu)信號(hào)化={山化)}ke [1，Ν]中k的取值范圍，從巧IJN;
[0048] D、對(duì)一組信號(hào)的每層矩陣Aj進(jìn)行奇異值分解，計(jì)算信號(hào)的奇異譜賭，將各層的賭 值組合起來(lái)，即得到特征向量，按照運(yùn)種方法將Ξ種類型聲發(fā)射信號(hào)共3*m組的奇異譜賭求 出來(lái)，每一組信號(hào)得到一組特征向量；
[0049] E、分別取每類信號(hào)的兩組特征向量作為訓(xùn)練集、兩組作為測(cè)試集，用它們訓(xùn)練分 類器，選用高斯徑向基核函數(shù)，gamma參數(shù)為1，懲罰因子C為200;
[0050] F、選定了分類器參數(shù)之后，取每類信號(hào)的a組特征向量作為訓(xùn)練集，剩余組的特征 向量作為測(cè)試集，用訓(xùn)練好的分類器對(duì)測(cè)試集進(jìn)行分類測(cè)試。
[0051] 實(shí)施例2:如圖1-9所示，基于多分辨奇異譜賭和SVM的泄漏聲發(fā)射信號(hào)識(shí)別方法， 首先采用數(shù)字聲發(fā)射系統(tǒng)進(jìn)行實(shí)驗(yàn)數(shù)據(jù)采集，分別采集敲擊、砂紙和斷鉛巧巾模擬聲發(fā)射信 號(hào);然后對(duì)采集的聲發(fā)射信號(hào)分別進(jìn)行小波多尺度分解;再求得每一層的奇異譜賭，將其組 成一個(gè)特征向量;最后將特征向量分為訓(xùn)練集和測(cè)試集，訓(xùn)練集用于訓(xùn)練得到支持向量機(jī) 分類器參數(shù)，用訓(xùn)練好的分類器對(duì)測(cè)試集進(jìn)行分類測(cè)試，其結(jié)果就是對(duì)不同聲發(fā)射信號(hào)的 分類識(shí)別。
[0052] 所述基于多分辨奇異譜賭和SVM的泄漏聲發(fā)射信號(hào)識(shí)別方法的具體步驟如下：
[0053] A、聲發(fā)射信號(hào)采集:采用數(shù)字聲發(fā)射系統(tǒng)進(jìn)行實(shí)驗(yàn)數(shù)據(jù)采集，分別采集敲擊、砂紙 和斷鉛巧巾模擬聲發(fā)射信號(hào)各m組，信號(hào)記為x(t);
[0054] B、對(duì)原始信號(hào)x(t)進(jìn)行小波變換，設(shè)分解尺度為j，則x(t)的小波分解信號(hào)為di, cb，…，山，依次表示從高頻段到低頻段信號(hào)；
[0055] C、分別對(duì)分解后的每一層系數(shù)進(jìn)行重構(gòu)，設(shè)第j層上的重構(gòu)信號(hào)為化={山化）}，假 設(shè)要重構(gòu)1個(gè)η維相空間，那么η維相空間第1個(gè)矢量為化中的山（1)，d2(2)，…，山(η)，然后右 移1步，第2個(gè)矢量為di(2)，cb(3)，···，山(η+1)，依次類推，可構(gòu)造一個(gè)(Ν-η+1)Χη維的矩陣：
[0化6]
[0057] 其中，Ν表示第j層上的重構(gòu)信號(hào)Dj= {山化)}ke [1，Ν忡k的取值范圍，從巧帆
[0058] D、對(duì)一組信號(hào)的每層矩陣Aj進(jìn)行奇異值分解，計(jì)算信號(hào)的奇異譜賭，將各層的賭 值組合起來(lái)，即得到特征向量，按照運(yùn)種方法將Ξ種類型聲發(fā)射信號(hào)共3*m組的奇異譜賭求 出來(lái)，每一組信號(hào)得到一組特征向量；
[0059] E、分別取每類信號(hào)的兩組特征向量作為訓(xùn)練集、兩組作為測(cè)試集，用它們訓(xùn)練分 類器，選用高斯徑向基核函數(shù)，gamma參數(shù)為1，懲罰因子C為200;
[0060] F、選定了分類器參數(shù)之后，取每類信號(hào)的a組特征向量作為訓(xùn)練集，剩余組的特征 向量作為測(cè)試集，用訓(xùn)練好的分類器對(duì)測(cè)試集進(jìn)行分類測(cè)試。
[0061 ] 所述m值選用20，a值選用6。
[0062] 實(shí)施例3:如圖1-9所示，基于多分辨奇異譜賭和SVM的泄漏聲發(fā)射信號(hào)識(shí)別方法， 首先采用北京聲華興業(yè)科技有限公司生產(chǎn)的SAKJ2S數(shù)字聲發(fā)射系統(tǒng)進(jìn)行實(shí)驗(yàn)數(shù)據(jù)采集，分 別采集敲擊、砂紙和斷鉛巧巾模擬聲發(fā)射信號(hào)各20組;然后對(duì)采集的聲發(fā)射信號(hào)分別進(jìn)行小 波多尺度分解;再求得每一層的奇異譜賭，將其組成一個(gè)特征向量;最后將特征向量分為訓(xùn) 練集和測(cè)試集，訓(xùn)練集用于訓(xùn)練得到支持向量機(jī)分類器參數(shù)，用訓(xùn)練好的分類器對(duì)測(cè)試集 進(jìn)行分類測(cè)試，其結(jié)果就是對(duì)不同聲發(fā)射信號(hào)的分類識(shí)別。
[0063] 所述基于多分辨奇異譜賭和SVM的泄漏聲發(fā)射信號(hào)識(shí)別方法的具體步驟如下：
[0064] A、聲發(fā)射信號(hào)采集:采用北京聲華興業(yè)科技有限公司生產(chǎn)的SAKJ2S數(shù)字聲發(fā)射系 統(tǒng)進(jìn)行實(shí)驗(yàn)數(shù)據(jù)采集，分別采集敲擊、砂紙和斷鉛3種模擬聲發(fā)射信號(hào)各20組，信號(hào)記為X (t);每類聲發(fā)射信號(hào)各列舉一個(gè)，其時(shí)域波形和頻譜圖分別如圖2和圖3所示；
[0065] B、對(duì)原始信號(hào)x(t)進(jìn)行小波變換，設(shè)分解尺度為6,則x(t)的小波分解信號(hào)為di, cb，…，山，依次表示從高頻段到低頻段信號(hào);分別對(duì)分解后的每一層系數(shù)進(jìn)行重構(gòu)，敲擊、砂 紙和斷鉛Ξ種類型聲發(fā)射信號(hào)重構(gòu)后的波形如圖4、圖5和圖6所示;其中橫軸代表采樣點(diǎn)， 縱軸代表幅值；
[0066] C、分別對(duì)分解后的每一層系數(shù)進(jìn)行重構(gòu)，設(shè)第j層上的重構(gòu)信號(hào)為化={山化)}，假 設(shè)要重構(gòu)1個(gè)η維相空間，那么η維相空間第1個(gè)矢量為化中的山（1)，d2(2)，…，山(η)，然后右 移1步，第2個(gè)矢量為di(2)，cb(3)，···，山(η+1)，依次類推，可構(gòu)造一個(gè)(Ν-η+1)Χη維的矩陣：
[0067]
[0068] 其中，N表示第j層上的重構(gòu)信號(hào)化={山化)}ke [1，N]中k的取值范圍，從巧IJN;
[0069] D、對(duì)每一組重構(gòu)后的信號(hào)進(jìn)行奇異值分解（singular value decomposition, SVD)，計(jì)算信號(hào)的奇異譜賭。將各層的賭值組合起來(lái)，即得到特征向量。按照運(yùn)種方法將Ξ 種類型聲發(fā)射信號(hào)共60組信號(hào)的奇異譜賭求出來(lái)，每一組信號(hào)得到一組特征向量。其中部 分特征向量參數(shù)如表1所示;其中yi，y2,...，ys分別表示6層小波奇異譜賭值，代表從高頻段 到低頻段信號(hào)，類別1、2、3分別表示敲擊、砂紙、斷鉛信號(hào)。
[0070] 表1部分特征向量參數(shù)
[0071]
[0072] E、分別取每類信號(hào)的兩組特征向量作為訓(xùn)練集、兩組作為測(cè)試集，用它們訓(xùn)練分 類器，選用高斯徑向基核函數(shù)，gamma參數(shù)為1，懲罰因子C為200;具體如圖8所示，共6組訓(xùn)練 集，6組測(cè)試集，圖中6個(gè)樣本點(diǎn)表示訓(xùn)練樣本；
[0073] F、選定了分類器參數(shù)之后，取每類信號(hào)的6組特征向量作為訓(xùn)練集，剩余組的特征 向量作為測(cè)試集，用訓(xùn)練好的分類器對(duì)測(cè)試集進(jìn)行分類測(cè)試。具體如圖9所示，共18組訓(xùn)練 集，30組測(cè)試集，圖中30個(gè)樣本點(diǎn)表示測(cè)試樣本。
[0074] 具體的，此時(shí)SVM分類器的分類結(jié)果如圖8所示，待測(cè)樣本的識(shí)別正確率為100%。 通過(guò)步驟E中選定了合適的分類器參數(shù)之后，取每類信號(hào)的6組特征向量作為訓(xùn)練集，剩余 10組特征向量作為測(cè)試集。分類結(jié)果如圖9所示，具體識(shí)別正確率如表2所示，可見8￥1對(duì)^ 種泄漏聲發(fā)射信號(hào)的分類結(jié)果正確率很高，SVM的綜合識(shí)別率達(dá)到了96.7%，只有一個(gè)砂紙 信號(hào)沒(méi)有識(shí)別正確，敲擊信號(hào)和斷鉛信號(hào)的識(shí)別正確率都達(dá)到了 100%。
[0075] 表2識(shí)別正確率
[0076]
[0077] 上面結(jié)合附圖對(duì)本發(fā)明的【具體實(shí)施方式】作了詳細(xì)說(shuō)明，但是本發(fā)明并不限于上述 實(shí)施方式，在本領(lǐng)域普通技術(shù)人員所具備的知識(shí)范圍內(nèi)，還可W在不脫離本發(fā)明宗旨的前 提下作出各種變化。
【主權(quán)項(xiàng)】
1. 基于多分辨奇異譜熵和SVM的泄漏聲發(fā)射信號(hào)識(shí)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(shí)驗(yàn)數(shù)據(jù)采集，分別采集敲擊、砂紙和斷鉛3種模擬聲發(fā)射信號(hào);然后對(duì)采 集的聲發(fā)射信號(hào)分別進(jìn)行小波多尺度分解;再求得每一層的奇異譜熵，將其組成一個(gè)特征 向量;最后將特征向量分為訓(xùn)練集和測(cè)試集，訓(xùn)練集用于訓(xùn)練得到支持向量機(jī)分類器參數(shù)， 用訓(xùn)練好的分類器對(duì)測(cè)試集進(jìn)行分類測(cè)試，其結(jié)果就是對(duì)不同聲發(fā)射信號(hào)的分類識(shí)別。2. 根據(jù)權(quán)利要求1所述的基于多分辨奇異譜熵和SVM的泄漏聲發(fā)射信號(hào)識(shí)別方法，其特 征在于:所述基于多分辨奇異譜熵和SVM的泄漏聲發(fā)射信號(hào)識(shí)別方法的具體步驟如下： A、 聲發(fā)射信號(hào)采集:采用數(shù)字聲發(fā)射系統(tǒng)進(jìn)行實(shí)驗(yàn)數(shù)據(jù)采集，分別采集敲擊、砂紙和斷 鉛3種模擬聲發(fā)射信號(hào)各m組，信號(hào)記為x(t); B、 對(duì)原始信號(hào)x(t)進(jìn)行小波變換，設(shè)分解尺度為j，則x(t)的小波分解信號(hào)為CUj2，…， 山，依次表示從高頻段到低頻段信號(hào)； C、 分別對(duì)分解后的每一層系數(shù)進(jìn)行重構(gòu)，設(shè)第j層上的重構(gòu)信號(hào)為Dj= {山(1〇}，假設(shè)要 重構(gòu)1個(gè)η維相空間，那么η維相空間第1個(gè)矢量為Dj中的Cl1(I)，d 2(2)，…，dj(n)，然后右移1 步，第2個(gè)矢量為Cl1 (2)，d2(3)，…，dj(n+1)，依次類推，可構(gòu)造一個(gè)(N-n+1) Xη維的矩陣：其中，N表示第j層上的重構(gòu)信號(hào)仏={山(k)}ke[l，N]中k的取值范圍，從1到Ν; D、 對(duì)一組信號(hào)的每層矩陣、進(jìn)行奇異值分解，計(jì)算信號(hào)的奇異譜熵，將各層的熵值組合 起來(lái)，即得到特征向量，按照這種方法將三種類型聲發(fā)射信號(hào)共3*m組的奇異譜熵求出來(lái)， 每一組信號(hào)得到一組特征向量； E、 分別取每類信號(hào)的兩組特征向量作為訓(xùn)練集、兩組作為測(cè)試集，用它們訓(xùn)練分類器， 選用高斯徑向基核函數(shù)，ga_a參數(shù)為1，懲罰因子C為200; F、 選定了分類器參數(shù)之后，取每類信號(hào)的a組特征向量作為訓(xùn)練集，剩余組的特征向量 作為測(cè)試集，用訓(xùn)練好的分類器對(duì)測(cè)試集進(jìn)行分類測(cè)試。3. 根據(jù)權(quán)利要求2所述的基于多分辨奇異譜熵和SVM的泄漏聲發(fā)射信號(hào)識(shí)別方法，其特 征在于:所述m值選用20, a值選用6。
【專利摘要】本發(fā)明涉及基于多分辨奇異譜熵和SVM的泄漏聲發(fā)射信號(hào)識(shí)別方法，屬于聲發(fā)射信號(hào)模式識(shí)別技術(shù)領(lǐng)域。本發(fā)明包括步驟：首先采用數(shù)字聲發(fā)射系統(tǒng)進(jìn)行實(shí)驗(yàn)數(shù)據(jù)采集，分別采集敲擊、砂紙和斷鉛3種模擬聲發(fā)射信號(hào)；然后對(duì)采集的聲發(fā)射信號(hào)分別進(jìn)行小波多尺度分解；再求得每一層的奇異譜熵，將其組成一個(gè)特征向量；最后將特征向量分為訓(xùn)練集和測(cè)試集，訓(xùn)練集用于訓(xùn)練得到支持向量機(jī)分類器參數(shù)，用訓(xùn)練好的分類器對(duì)測(cè)試集進(jìn)行分類測(cè)試，其結(jié)果就是對(duì)不同聲發(fā)射信號(hào)的分類識(shí)別。本發(fā)明采用小波多尺度分解和多分辨奇異譜熵相結(jié)合的特征提取方法可以很好地描述各類樣本的特征，采用SVM的識(shí)別方法對(duì)聲發(fā)射信號(hào)的識(shí)別率更高。
【IPC分類】G06K9/62, G06K9/00
【公開號(hào)】CN105488520
【申請(qǐng)?zhí)枴緾N201510822478
【發(fā)明人】張壽明, 于蕊, 畢貴紅
【申請(qǐng)人】昆明理工大學(xué)
【公開日】2016年4月13日
【申請(qǐng)日】2015年11月24日