基于CEEMD和奇异值分解的识别方法技术

本发明专利技术公开了一种基于CEEMD和奇异值分解的识别方法，通过CEEMD方法分解信号，并利用奇异分解建立特征因子；一种人工智能方法。本发明专利技术方法克服了现有信号识别过程中对存在对提取特征因子的不足，能最大限度提升算法的识别性能。该方法利用CEEMD方法分量出训练样本的本征模量，由本征模量构建的特征矩阵通过奇异分解得奇异熵，得出不同类别的平均奇异熵和标准差，通过马氏距离判别出测试样本的类别。

【技术实现步骤摘要】

本专利技术涉及一种基于CEEMD和奇异值分解的识别方法，属于人工智能

技术介绍
在利用神经网络、支持向量机和马氏距离等人工智能方法识别过程中，都需要建 立合适的特征因子作为，将这些特征因子值作为训练标准样本，训练识别模型，作为侦测的 信号而言，其特征因子常常为频率、相位和振幅等等，这些特征因子通常是利用信号分析工 具获取。 现实中的信号通常都是非平稳和非线性的，小波变化是过去20年来信号处理领 域最成功的工具，但小波基的选择仍然缺乏适应性，而经验模式分解法（empirical model decomposition，EMD)将复杂的信号分解为一系列简单信号，是自适应、高效的。当信号中 含有在多个具有显著不同时间尺度的分量时，EMD方法无法正确分离出不同的特征分量，产 生模式混叠，为此学者通过在信息中加入白噪声，再集总平均得出各个分量，该方法称为集 总经验模式分解法（ensemble EMD，EEMD)。EEMD方法在一定程度上能有效对不同尺度的 特征分量分离出来，但该方法集总过程中，进行上百次以上重复运算，严重压低了方法的使 用效率，虽然多次集总平均可以抵消绝大部分噪声影响，但残留的噪声是无法消除的，互补 集总经验模式分解法（Complementary EEMD，CEEMD)，利用施加两个振幅相同符合相反的噪 声，CEEMD法不但大大提高了计算效率，而且去除平均后的残余噪声，是对EEMD方法极大的 改进。 本专利技术正是在这种背景下产生，方法通过CEEMD变换得出一组本征模式函数，由 本征模式函数构造出特征向量矩阵，利用奇异值分解得出矩阵的奇异值和奇异熵，最后通 过马氏距离判别测试样本的属类，该方法最大限度提升人工智能算法对样本识别的准确性 和计算效率。
技术实现思路
目的：为了克服现有技术中存在的不足，本专利技术提供一种基于CEEMD和奇异值分 解的识别方法，提高对目标分类的准确性，增强算法的实用性和可靠性。 技术方案：为解决上述技术问题，本专利技术采用的技术方案为： -种基于CEEMD和奇异值分解的识别方法，其特征在于，包括以下几个步骤： 1)对探测信号进行CEEMD分解，得出特征模式分量； 2)将各分量表示为各特征向量矩阵形式A ; 3)对特征向量进行奇异分解变换，得出各特征向量的奇异值σ ; 4)对特征向量奇异值归一化，计算出特征向量矩阵的奇异熵Η ; 5)计算出同类别Ν参考样本的奇异上的平均值座和标准差V; 6)计算出需识别信号的特征值，与各类别平均值马氏距离Md，将其中最小距离的 类别作为该信号的类别。 所述CEEMD分解是指： 1)向源信号中加入η组正负对辅助噪声，从而形成两合成信号 式中：S为源信号，Ν为辅助白噪声； 2)对每个信号进行EMD分解，每个信号将得到一组特征模量，即c1]; 3)通过多组分量组合得出分解结果： 式中，Cj为j个特征模量，2n为辅助噪声总数，1 < j彡Μ ; 所述奇异分解变换是指： 1)特征向量矩阵Α，利用奇异值分解转化为对角阵Λ，设 2)将矩阵Λ中的奇异值，进行归一化 式中Ρ为奇异值总数； 3)由公式计算出奇异熵 有益效果：本专利技术提供的一种基于CEEMD和奇异值分解的识别方法，通过CEEMD方 法分解信号，并利用奇异分解建立特征因子；是一种人工智能方法。方法克服了现有信号 识别过程中对存在对提取特征因子的不足，能最大限度提升算法的识别性能。该方法利用 CEEMD方法分量出训练样本的本征模量，由本征模量构建的特征矩阵通过奇异分解得奇异 熵，得出不同类别的平均奇异熵和标准差，通过马氏距离判别出测试样本的类别。由训练样 本建立预测模型，并不仅限定于本文提出的马氏距离方法，奇异值特征因子同样适用于其 他常规人工智能方法，例如支持向量机模型、人工神经网络等等；可用于信号的分类识别， 也可用于目标的定量回归预测；CEEMD方法分解信号后，判别标准并不仅限于奇异值特征， 也可平均能量、偏度和峰度作为特征因子。【附图说明】 图1为本专利技术基于CEEMD和奇异值分解法识别流程图。【具体实施方式】 下面结合具体实施例对本专利技术作更进一步的说明。 如图1所示，一种基于CEEMD和奇异值分解的识别方法，包括以下几个步骤： 1)对探测信号进行CEEMD分解，得出特征模式分量； 2)将各分量表示为各特征向量矩阵形式A ; 3)对特征向量进行奇异分解变换，得出各特征向量的奇异值σ ; 4)对特征向量奇异值归一化，计算出特征向量矩阵的奇异熵Η ; 5)计算出同类别Ν参考样本的奇异上的平均值#和标准差V; 6)计算出需识别信号的特征值，与各类别平均值马氏距离Md，将其中最小距离的 类别作为该信号的类别。 本专利技术中，涉及CEEMD、奇异分解变换： 在CEEMD，它是由以下三个步骤完成： 1)向源信号中加入η组正负对辅助噪声，从而形成两合成信号 式中：S为源信号，Ν为辅助白噪声； 2)对每个信号进行EMD分解，每个信号将得到一组特征模量，即c1]; 3)通过多组分量组合得出分解结果： 式中，Cj为j个特征模量，2n为辅助噪声总数，1 < j彡Μ ; 奇异分解变换，变换过程如下： 1)特征向量矩阵Α，利用奇异值分解转化为对角阵Λ，设 2)将矩阵Λ中的奇异值，进行归一化 式中，Ρ为奇异值总数； 3)由公式计算出奇异熵 以上所述仅是本专利技术的优选实施方式，应当指出：对于本
的普通技术人 员来说，在不脱离本专利技术原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应 视为本专利技术的保护范围。【主权项】1. 一种基于CEEMD和奇异值分解的识别方法，其特征在于，包括以下几个步骤： 1) 对探测信号进行CEEMD分解，得出特征模式分量； 2) 将各分量表不为各特征向量矩阵形式A ; 3) 对特征向量进行奇异分解变换，得出各特征向量的奇异值σ ; 4) 对特征向量奇异值归一化，计算出特征向量矩阵的奇异熵H ; 5) 计算出同类别N参考样本的奇异上的平均值身和标准差V ; 6) 计算出需识别信号的特征值，与各类别平均值马氏距离Md，将其中最小距离的类别 作为该信号的类别。2. 根据权利要求1所述的基于CEEMD和奇异值分解的识别方法，其特征在于：所述 CEEMD分解是指： 1) 向源信号中加入η组正负对辅助噪声，从而形成两合成信号式中：S为源信号，N为辅助白噪声； 2) 对每个信号进行EMD分解，每个信号将得到一组M特征模量，即c1]; 3) 通过多组分量组合得出分解结果：式中，Cj为j个特征模量，2n为辅助噪声总数，I < j < M。3. 根据权利要求2所述的基于CEEMD和奇异值分解的识别方法，其特征在于：所述奇 异分解变换是指： 1) 特征向量矩阵A，利用奇异值分解转化为对角阵Λ，设2) 将矩阵Λ中的奇异值，进行归一化 E1= 〇 χ/Ε 式中，P为奇异值总数； 3) 由公式计算出奇异熵【专利摘要】本专利技术公开了一种基于CEEMD和奇异值分解的识别方法，通过CEEMD方法分解信号，并利用奇异分解建立特征因子；一种人工智能方法。本专利技术方法克服了现有信号识别过程中对存在对提取特征因子的不足，能最大限度提升算法的识别性能。该方法利用CEEM本文档来自技高网...

【技术保护点】
一种基于CEEMD和奇异值分解的识别方法，其特征在于，包括以下几个步骤：1)对探测信号进行CEEMD分解，得出特征模式分量；2)将各分量表示为各特征向量矩阵形式A；3)对特征向量进行奇异分解变换，得出各特征向量的奇异值σ；4)对特征向量奇异值归一化，计算出特征向量矩阵的奇异熵H；5)计算出同类别N参考样本的奇异上的平均值和标准差V；6)计算出需识别信号的特征值，与各类别平均值马氏距离Md，将其中最小距离的类别作为该信号的类别。

【技术特征摘要】

【专利技术属性】
技术研发人员：许军才，任青文，沈振中，张卫东，
申请(专利权)人：河海大学，
类型：发明
国别省市：江苏;32