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1.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1.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1.docx(80页珍藏版)》请在冰豆网上搜索。
摘要
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
摘要
全光纤安防系统是分布式干涉型的光纤扰动定位和传感防卫系统,能够获取
被测区域空间和时间的变化,具有现场无源、抗电磁干扰、抗腐蚀、极高的灵敏
度和监测范围大等特点。
对检测的光纤扰动信号进行及时准确的识别对于保障保
护区域安全有着重要意义。
本文以光纤扰动信号为研究对象,研究信号模式识别方法。
首先介绍了小波去噪法和谱相减去噪法,通过实验给出两种去噪方法的适用环境;其次重点研究三种特征提取方法:
基于小波包分解(WPD)的小波能量特征法、基于希尔伯特—黄变换(HHT)的边际谱特征法、基于双谱估计的双谱特征
法,并提出一种改进特征向量的方法。
接着介绍了两种分类器设计方法:
神经网
络和支持向量机;最后使用构建的模式识别系统对实际光纤扰动信号模式识别。
在特征提取部分,论文详细介绍了三种时频联合分析方法,进行了理论分析
和仿真实验。
对信号进行5层小波包分解,将分解系数重构来构造32维特征向量的
小波包能量特征提取方法;对信号进行希尔伯特—黄变换,计算希尔伯特谱,再
对由希尔伯特谱积分求得的边际谱采样,构造51维的边际谱特征;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
ABSTRACT
ABSTRACT
Allopticalsecuritysystemisadistributedfiberopticdisturbancelocationandsensordefensesystem,abletoobtainthemeasuredchangesinspaceandtimeintheregion.Thepaperdoseresearchonpatternrecognitionoffibersecuritymonitoringsystem.
Firstly, wavelet denoising method and Spectral subtraction method are
introduced.Applicableenvironmentfortwomethodsaregiventhroughexperiments;
Second,
the
energy
characteristic
method
based
on wavelet
packet
decomposition(WPD),marginalspectrumcharacteristicmethodbasedonHilbertHuangtransform(ofHHT),methodbasedonbispectrumestimationandanewmethodtoimprovesignaleigenvectorsareproposed.Thenthepaperintroducesneuralnetworksandsupportvectormachine;Atlastthispaperpresentsthewholepatternrecognitionincombinationwithactualapplication.
Infeatureextractionpart,thispaperpresentsamethodtoextract32DfeaturevectorusingWPD,amethodtoconstructa51DmarginalspectralcharacteristicsbyHHT,amethodtogeta128Dspectrumcharacteristicsusingbispectrumestimation.
Inthedesignpartoftheclassifierpart,thispaperintroducesneuralnetworktheoryandsupportvectormachinetheory,proposesanewmethodcombiningneuralnetworkandsupportvectormachinestrategy.
Theresultsshowthatthewaveletenergyfeaturemethod,threeimprovedmarginalspectrumcharacteristicmethodandthebispectrumcharacteristicsmethodcanrecognizethreedifferentfiberdisturbancesignalsaccurately.Thewaveletmethodandbispectrummethodcanberealtime,accurate,highlyeffective.Forbispectrumestimationmethodspendsmoretimeandpresentsbetteraccuracy.
Comparewithsupportvectormachinemethod,neuralnetworkclassifierisbetterforcombiningbispectrumfeatureextraction.Therecognitionrateis100%forthetest
samples.
Key
words:
pattern recognition; feature extraction; wavelet package
decomposition;
hilberthuang
translation;
bispectrum
estimation;
neural
network;supportvectormachine
II
目录
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
III
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
4.1.1 BP神经网络和RBF神经网络 42
IV
目录
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
V
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