基於EEMD特徵提取和PNN的非平穩電磁幹擾信號模式識別方法與流程
2023-06-19 19:30:31
本發明屬於電磁信號識別與分析研究領域，涉及基於EEMD(全局經驗模態分解)特徵提取和PNN(概率神經網絡)的非平穩電磁幹擾信號模式識別方法。
背景技術：
：隨著電子信息技術的發展，日益增多的電子設備造成的電磁幹擾問題，嚴重影響電子設備的正常運作。為了解決電磁幹擾問題，電磁兼容設計應運而生。實際環境下電子設備中的電磁幹擾源發出的電磁信號，往往具有很高的非線性性、非高斯性和非穩定性，導致識別它們非常困難，給電磁兼容設計造成了極大的困難。模式識別(PatternRecognition)，是通過計算機用數學方法來研究模式的自動處理和判讀的過程。這裡將實際中的電磁幹擾信號與相應的環境統稱為「模式」。模式識別是人類的一項基本智能。隨著20世紀40年代計算機的出現以及50年代人工智慧的興起，人們希望能用計算機來代替或擴展人類的模式識別能力。模式識別在20世紀60年代初迅速發展並成為一門新學科，其基本過程是將客觀環境中的模式進行特徵提取轉化為數學模型，再利用計算機完成分類和識別工作人工神經網絡(ArtificialNeuralNetwork，ANN)，是20世紀80年代以來人工智慧領域興起的研究熱點。它模仿人腦神經元網絡的連接方式，建立起簡單的計算機神經元網絡模型。人工神經網絡是一種運算模型，由大量的節點(或稱神經元)之間相互聯接構成。每個節點代表一種特定的輸出函數，稱為激勵函數(activationfunction)。每兩個節點間的連接都代表一個對於通過該連接的信號的加權值，稱之為權重，這相當於神經網絡的記憶。網絡的輸出則取決於網絡的連接方式、權重值和激勵函數。網絡自身通常都是對自然界某種算法、函數或邏輯的近似表達。概率神經網絡(ProbabilisticNeuralNetworks,PNN)由D.F.Specht在1990年提出，是一類特殊的基於統計原理的前饋網絡模型，通常被用來實現聚類功能。其主要策略是利用貝葉斯決策規則，在多維輸入空間內分離決策空間，使得錯誤分類的期望風險最小。PNN的主要優點有以下三點：(1)訓練速度快；(2)在足夠訓練樣本下，總可以保證獲得貝葉斯準則下的最優解；(3)只考慮樣本空間的概率特性，允許增加訓練樣本而無須重新進行長時間的訓練。PNN結合了徑向基神經網絡與經典的概率密度估計原理的優點，相比其他前饋神經網絡，在實現聚類任務時有著顯著的優越性能。技術實現要素：本發明針對實際的電磁幹擾信號頻譜範圍大、數據點多，直接對數據進行分析計算很困難，提出了一種基於EEMD特徵提取和PNN的非平穩電磁幹擾信號模式識別方法。具體步驟如下：步驟一、利用頻譜儀分別測量實際電磁設備，獲取不同類設備的電磁幹擾信號，並將頻譜數據劃分為訓練樣本和測試樣本；步驟二、針對所有訓練樣本，分別進行層次EEMD分解，得到每個訓練樣本每層的固有模態函數IMF；具體步驟如下：步驟201、針對頻譜數據中的某個訓練樣本X，初始化EEMD的數目，構造不同幅值的高斯白噪聲；訓練樣本X長度為n，X＝[x1,x2,...,xj,...xn]；EEMD的數目為M；不同幅值的高斯白噪聲為M組，第m組幅值的高斯白噪聲Nm＝[n1(m),n2(m),...nj(m),...nn(m)]；m＝1,2,...M；步驟202、在訓練樣本X上依次添加給定幅值的高斯白噪聲，得到M個幹擾信號；第m個被高斯白噪聲幹擾的信號為：Xm＝X-Nm；M個幹擾信號集合為：[X1,X2,...Xm,...XM]；步驟203、將每個幹擾信號利用EMD方法，分別分解為I層固有模態函數IMF，得到M×I個固有模態函數。M×I個固有模態函數集合表示如下：ci,m表示第m個幹擾信號Xm分解的第i層固有模態函數；i＝1,2,3,...I；m＝1,2,3,...M；步驟204、針對每層固有模態函數IMF，分別計算該層M個固有模態函數的平均值作為該層最終的IMF值，得到訓練樣本X的每層固有模態函數IMF；訓練樣本X的第i層固有模態函數IMFi值為該層所有IMF的平均值，公式如下：步驟205、對所有訓練樣本重複上述步驟，得到每個訓練樣本每層的固有模態函數IMF。步驟三、針對每個訓練樣本，分別計算所有層IMF的能量分布和峭度，作為該訓練樣本的特徵向量；首先、計算所有層IMF的能量分布和熵；所有層IMF的能量分布特徵為I層能量分布的熵Pi為第i層IMF的能量：為訓練樣本X的第i層IMF的元素集合中的一個元素，第i層IMF的元素集合表示為：P為訓練樣本X的總能量：然後、計算該訓練樣本所有層IMF中每層IMF的峭度。第i層IMF峭度K(IMFi)定義為：為第i層IMF元素集合IMFi中所有點的平均值：n為第i層IMF信號的長度，與訓練樣本的長度相同；σ為相應的標準差：訓練樣本X最終的特徵向量為：步驟四、將所有訓練樣本的特徵向量和電磁設備的類別標籤，輸入未訓練的PNN進行訓練得到PNN分類器；PNN分類器用來識別未知電磁擾信號。步驟五、對於每個測試樣本，輸入PNN分類器，識別頻譜數據所屬的類型；本發明的優點在於：1)、基於EEMD特徵提取和PNN的非平穩電磁幹擾信號模式識別方法，在信號的特徵提取過程中，利用EEMD方法對信號進行分解相比小波分解、傅立葉分析等具有更好的自適應性。2)、基於EEMD特徵提取和PNN的非平穩電磁幹擾信號模式識別方法，將峭度和IMF能量分布作為特徵向量可以反應數據的不確定性和分布不穩定性等，這些統計特性可以有效地區分不同類型的電磁幹擾信號。3)、基於EEMD特徵提取和PNN的非平穩電磁幹擾信號模式識別方法，建立PNN對電磁幹擾信號進行模式識別實現了高度自動化和集成化；而且在實際應用中，隨著訓練樣本的不斷擴充，PNN的識別準確率將會不斷增加。附圖說明圖1為本發明基於EEMD特徵提取和PNN的非平穩電磁幹擾信號模式識別方法流程圖；圖2為本發明對訓練樣本進行層次EEMD分解得到固有模態函數IMF方法流程圖。具體實施方式下面將結合附圖對本發明作進一步的詳細說明。本發明提供了一種針對實際環境中的非平穩電磁幹擾信號的模式識別系統，具體是基於EEMD特徵提取和PNN的非平穩電磁幹擾信號的模式識別系統，首先需要利用EEMD技術提取信號的數學特徵以代表原信號，然後概率神經網絡將會被引入完成對特徵向量的模式識別工作。具體來講，分為兩個主要過程：訓練過程和識別過程。在訓練過程中，電磁幹擾信號訓練樣本通過EEMD被轉化為相應的特徵向量，並輸入PNN網絡進行訓練，使其具有對非平穩電磁幹擾信號的識別能力；在識別過程中，未知的電磁幹擾信號通過同樣的特徵提取技術被轉化為特徵向量，然後被輸入訓練過程得到的成熟的PNN網絡進行識別。如圖1所示，具體步驟如下：步驟一、利用頻譜儀分別測量實際電磁設備，通過測試獲取不同類設備的電磁幹擾信號，並將對應的頻譜數據劃分為訓練樣本和測試樣本；步驟二、針對所有訓練樣本，分別進行層次EEMD分解，得到每個訓練樣本每層的固有模態函數IMF；利用EEMD分解所有電磁幹擾信號訓練樣本得到相應的IMF，所有訓練樣本的固有模特函數數量相同；如圖2所示，具體步驟如下：步驟201、針對頻譜數據中的某個訓練樣本X，初始化EEMD的數目，構造不同幅值的高斯白噪聲；訓練樣本X＝[x1,x2,...,xj,...xn]，長度為n；EEMD的數目為M，不同幅值的高斯白噪聲為M組，表示為N＝[N1,N2,...Nm,...NM]；Nm＝[n1(m),n2(m),...nj(m),...nn(m)]為第m組幅值的高斯白噪聲；m＝1,2,...M步驟202、在訓練樣本X上依次添加給定幅值的高斯白噪聲，得到M個幹擾信號；第m個被高斯白噪聲幹擾的信號為：所有的M個幹擾信號集合為：[X1,X2,...Xm,...XM]步驟203、將每個幹擾信號利用EMD方法,分別分解為I層固有模態函數IMF，得到M×I個IMF。M×I個固有模態函數集合表示如下：集合中的每列表示每個幹擾信號分解的I層IMF，每行表示相同層的所有幹擾信號分解的IMF；ci,m表示第m個幹擾信號Xm分解的第i層固有模態函數；i＝1,2,3,...I；m＝1,2,3,...M；步驟204、針對每層固有模態函數IMF，分別計算該層M個IMF的平均值作為該層最終IMF值，得到訓練樣本X的每層固有模態函數IMF；訓練樣本X的第i層固有模態函數IMFi值為該層所有IMF的平均值，公式如下：步驟205、對所有訓練樣本重複上述步驟，得到每個訓練樣本每層的固有模態函數IMF。步驟三、針對每個訓練樣本，分別計算所有層IMF的能量分布和峭度，作為該訓練樣本的特徵向量；首先、計算所有層IMF的能量分布和熵；所有層IMF的能量分布特徵為將能量分布看做是一種概率分布，並計算I層能量分布的熵訓練樣本X的總能量為Pi為第i層IMF的能量：為訓練樣本X的第i層IMF的元素集合中的一個元素，第i層IMF的元素集合表示為：P1+P2+...Pi+...+PI＝P。然後、計算該訓練樣本所有I層IMF中每層IMF的峭度。第i層IMF峭度K(IMFi)的定義為：為第i層IMF元素集合IMFi中所有點的平均值：n為第i層IMF信號的長度，與訓練樣本的長度相同；σ為相應的標準差：最後、訓練樣本X最終的特徵向量為：步驟四、將所有訓練樣本的特徵向量和電磁設備的類別標籤，輸入未訓練的PNN進行訓練得到PNN分類器；PNN分類器可用來識別未知電磁擾信號。步驟五、對於每個測試樣本，輸入PNN分類器，識別頻譜數據所屬的類型；具體步驟如下：步驟501、針對某個測試樣本，進行層次EEMD分解，得到每層的固有模態函數IMF；獲取測試樣本：通過測試電磁設備獲取電磁幹擾信號測試樣本；並重複步驟二進行層次EEMD分解，得到固有模態函數IMF；步驟502、分別計算每層IMF的能量分布和峭度，作為該測試樣本的特徵向量；EEMD特徵提取：對測試樣本重複步驟三，得到該測試樣本的特徵向量。步驟503、將測試樣本的特徵向量輸入PNN分類器進行匹配，得到該電磁幹擾信號所屬類型。PNN識別：將得到的測試樣本的特徵向量輸入PNN分類器進行識別，輸出其所屬類別的結果。實施例：第一步：通過測試獲取電磁幹擾信號頻譜數據；利用頻譜儀分別測量實際電磁環境中的4種設備，每類設備獲得8個電磁幹擾信號頻譜數據，其中每類數據中7個作為訓練樣本，1個作為測試樣本。實測電磁幹擾信號的頻譜數據的設備名稱如表1所示。表1第二步：對所有28個訓練樣本進行6層EEMD分解，獲得28組固有模態函數，每組包含6個固有模態函數。第三步：分別計算每組固有模態函數的能量分布和峭度。每類訓練樣本選取一個信號，計算各組固有模態函數IMF的能量分布，結果如表2所示；表2計算各組固有模態函數IMF的峭度，結果如表3所示；表3訓練樣本來源K1K2K3K4K5K6筆記本1.95232.35612.78022.89452.98011.3512電吹風1.86462.63462.91323.16453.65432.0465未發動汽車1.91232.71943.24523.65433.98122.1632發動中汽車1.75292.14522.35672.62362.72361.2251第四步：將以上得到的所有特徵向量和相應的類別指標(標籤)輸入PNN進行訓練。各類電磁幹擾信號訓練樣本的標籤如表4所示。表4訓練樣本來源標籤筆記本1電吹風2未發動汽車3發動中汽車4第五步：計算電磁幹擾信號4組測試樣本的特徵向量，並輸入PNN進行識別。測試樣本的分類識別結果輸出如表5所示。表5測試樣本來源分類結果筆記本1電吹風2未發動汽車3發動中汽車4通過對表5的結果分析可見，訓練後的PNN分類器可以將測試樣本正確地分到其所屬的類別，從而可以有效地完成模式識別任務。因此，本發明提出的模式識別系統，通過讀取訓練樣本數據，對訓練樣本的進行EEMD特徵提取，再將得到的特徵向量輸入PNN進行訓練，得到可以用來識別新的電磁幹擾信號的PNN分類器，通對於新的未知類型的電磁幹擾信號，對其進行相同的特徵提取並輸入PNN分類器進行識別，便可得知其所屬類型。綜合了特徵提取、概率統計和人工智慧方面的知識，能夠有效地對電磁幹擾信號頻譜數據進行分類識別，具有重要意義。當前第1頁1 2 3