【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...
【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
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。