基于小波包分解的能量特征法、基于希尔伯特—黄变换的边际谱特征法、基于双谱估计的双谱特征法硕士学位论文Word格式.docx
《基于小波包分解的能量特征法、基于希尔伯特—黄变换的边际谱特征法、基于双谱估计的双谱特征法硕士学位论文Word格式.docx》由会员分享，可在线阅读，更多相关《基于小波包分解的能量特征法、基于希尔伯特—黄变换的边际谱特征法、基于双谱估计的双谱特征法硕士学位论文Word格式.docx（84页珍藏版）》请在冰豆网上搜索。
将信号进行双谱估计，将第一象限双谱绝对值按频率点加和，构造128维的双谱特征。
在分类器设计部分，神经网络相关理论介绍了BP神经网络、RBF神经网络和小波神经网络；
在支持向量机理论方面介绍了一对一（OAO）、一对多（OAA）、有向无环图（DAG）、非平衡二叉树（NBBT）策略下的多类支持向量机；
并且提出一种神经网络与支持向量机策略相结合的分类器设计方式，得到实验验证。
结果表明，小波能量特征法、三次改进的边际谱特征法和双谱特征法均能将三种实际光纤扰动信号准确识别。
小波方法和双谱估计方法能满足准确性和时效性，其中双谱估计的时效性稍差，但在准确性方面更优。
与支持向量机结合的方法相比，双谱特征提取法与神经网络分类器设计法结
I
ABSTRACT
合表现出更好的实用性能，对测试样本识别率高达100%。
关键词：
模式识别；
特征提取；
小波包分解；
希尔伯特-黄变换；
双谱估计；
神经网络；
支持向量机
II
All-opticalsecuritysystemisadistributedfiber-opticdisturbancelocationandsensordefensesystem,abletoobtainthemeasuredchangesinspaceandtimeintheregion.Thepaperdoseresearchonpatternrecognitionoffibersecurity-monitoringsystem.
Firstly, wavelet denoising method and Spectral subtraction method areintroduced.Applicableenvironmentfortwomethodsaregiventhroughexperiments;
Second, the energy characteristic method based on wavelet packetdecomposition（WPD）,marginalspectrumcharacteristicmethodbasedonHilbert-Huangtransform（ofHHT）,methodbasedonbispectrumestimationandanewmethodtoimprovesignaleigenvectorsareproposed.Thenthepaperintroducesneuralnetworksandsupportvectormachine;
Atlastthispaperpresentsthewholepatternrecognitionincombinationwithactualapplication.
Infeatureextractionpart,thispaperpresentsamethodtoextract32-DfeaturevectorusingWPD,amethodtoconstructa51-DmarginalspectralcharacteristicsbyHHT,amethodtogeta128-Dspectrumcharacteristicsusingbispectrumestimation.
Inthedesignpartoftheclassifierpart,thispaperintroducesneuralnetworktheoryandsupportvectormachinetheory,proposesanewmethodcombiningneuralnetworkandsupportvectormachinestrategy.
Theresultsshowthatthewaveletenergyfeaturemethod,threeimprovedmarginalspectrumcharacteristicmethodandthebispectrumcharacteristicsmethodcanrecognizethreedifferentfiberdisturbancesignalsaccurately.Thewaveletmethodandbispectrummethodcanbereal-time,accurate,highly-effective.Forbispectrumestimationmethodspendsmoretimeandpresentsbetteraccuracy.
Comparewithsupportvectormachinemethod,neuralnetworkclassifierisbetterforcombiningbispectrumfeatureextraction.Therecognitionrateis100%forthetestsamples.
Key words:
pattern recognition;
feature extraction;
wavelet package
decomposition;
hilbert-huang translation;
bispectrum estimation;
neuralnetwork;
supportvectormachine
目录
摘要 I
ABSTRACT II
目录 III
第1章 绪论 1
1.1.模式识别 1
1.1.1.模式识别的基本概念 1
1.1.2.模式识别系统 1
1.2.光纤传感器及全光纤安防系统 2
1.2.1.光纤传感器 2
1.2.2.全光纤安防系统 2
1.3.模式识别方法的发展现状 3
1.3.1.信号去噪方法 3
1.3.2.时频分析特征提取 4
1.3.3.分类器设计 5
1.4.全文工作介绍 5
1.4.1.全文工作的安排 5
1.4.2.全文工作的意义 6
第2章 信号去噪 8
2.1.傅立叶变换与小波变换 8
2.1.1.傅立叶变换 8
2.1.2.小波变换 8
2.2.谱相减去噪 9
2.2.1.谱相减去噪法 9
2.2.2.改进后的谱相减去噪法 10
2.3.小波去噪 11
2.3.1.小波基 11
2.3.2.模极大值去噪法 12
V
东南大学硕士学位论文
2.3.3.小波阈值去噪法 13
2.4.谱相减去噪与小波能量阈值去噪的比较 16
2.4.1.基于不同小波基的仿真实验 16
2.4.2.对于不同信噪比信号的仿真实验 18
2.4.3.实验小结 20
2.5.本章小结 20
第3章 信号特征提取与选择 21
3.1小波包分解 21
3.1.1小波包分解定义 21
3.1.2小波包的空间分解 22
3.1.3小波包分析能量特征提取 22
3.1.4仿真实验 23
3.2希尔伯特-黄变换 27
3.2.1希尔伯特-黄变换概述 28
3.2.2希尔伯特-黄变换特征提取 30
3.2.3仿真实验 31
3.2.4希尔伯特-黄变换应用 33
3.3双谱估计 34
3.3.1双谱的定义 35
3.3.2双谱特征提取 35
3.3.3仿真实验 36
3.4一种改进特征向量的方法 37
3.4.1样品与样品之间的距离 37
3.4.2类与类之间的距离 38
3.4.3一种扩大类间距离的方法 38
3.5实验结果与讨论 39
3.6本章小结 40
第4章 分类器设计 41
4.1神经网络 41
4.1.1BP神经网络和RBF神经网络 42
4.1.2小波神经网络 43
4.1.3三种神经网络比较 44
4.2支持向量机 45
4.2.1一对一（OAO） 46
4.2.2一对多（OAA） 46
4.2.3有向无环图（DAG） 46
4.2.4非平衡二叉树（NBBT） 47
4.3神经网络与支持向量机 48
4.3.1神经网络与支持向量机策略的结合 48
4.3.2实验结果与讨论 49
4.4本章小结 50
第5章 实验结果与分析 51
5.1实验信号 51
5.2小波包能量特征法 51
5.3希尔伯特—黄变换特征法 52
5.3.1改进的边际谱特征 53
5.4双谱估计法 55
5.5本章小结 57
第6章 总结与展望 58
致谢 59
参考文献 61
硕士期间参与的科研项目 65
第一章绪论
第1章 绪论
本章主要介绍模式识别概念、全光纤安防系统的基本原理、模式识别实际应用及其研究方法的国内外发展现状以及前人在光纤信号模式识别方面的工作基础，最后介绍全文工作和结构安排。
1.1.模式识别
1.1.1.模式识别的基本概念
模式识别（PatternRecognition），即机器识别、计算机识别或机器自动识别，使机器能够自动识别事物[1]。
这些事物与应用领域有关，它们可以是图像、信号波形或者任何可测量且需要分类的对象，亦可称为“模式”（Pattern）。
模式识别从20世纪20年代到60年代迅速发展，在很多科学和技术领域中得到重视，推动了人工智能和计算机应用的发展[2]。
到现今，模式识别技术已被成功应用于人工智能、计算机工程、生物医学、考古学、地址勘探等众多重要领域，在语音识别、指纹识别、人脸识别、工业故障检测等方面都得到了广泛应用。
1.1.2.模式识别系统
分类器设计
信息获取
预处理
特征提取
和选择
分
升级会员 