基于EEMD特征提取和PNN的非平稳电磁干扰信号模式识别方法技术

本发明专利技术公开了基于EEMD特征提取和PNN的非平稳电磁干扰信号模式识别方法，属于电磁信号识别与分析研究领域；具体步骤为：首先，利用频谱仪分别测量不同类电磁设备的电磁干扰信号，并划分为训练样本和测试样本；然后，对所有训练样本进行层次EEMD分解，得到每个训练样本每层的固有模态函数IMF；接着，分别计算每个训练样本所有层IMF的能量分布和峭度，作为该训练样本的特征向量；并将特征向量和电磁设备的类别标签，进行训练得到PNN分类器；最后，利用PNN分类器，识别不同测试样本的频谱数据所属的类型；优点在于：利用EEMD方法对信号提取特征，具有更好的自适应性；将峭度和IMF能量分布作为特征向量，有效区分不同类型的电磁干扰信号。

Pattern recognition method of non-stationary electromagnetic interference signals based on EEMD feature extraction and PNN

The invention discloses a non-stationary electromagnetic interference signal pattern recognition method of feature extraction based on PNN and EEMD, which belongs to the field of electromagnetic signal recognition and analysis; includes the steps of: firstly, the electromagnetic interference signals of different kinds of electromagnetic devices were measured by spectrum analyzer, and divided into training samples and test samples; then, on all the training samples the level of EEMD decomposition, get all the training samples of each layer of intrinsic mode function IMF; then, were calculated for each sample all layers of IMF energy distribution and kurtosis as the feature vector of the training samples; and the feature vector and the electromagnetic equipment category labels, PNN classifier; finally, using PNN classifier the type, the spectral data to identify different test samples; advantages: feature extraction of the signal using EEMD method with Better adaptability. The kurtosis and IMF energy distribution are used as feature vectors to distinguish different types of electromagnetic interference signals effectively.

【技术实现步骤摘要】
基于EEMD特征提取和PNN的非平稳电磁干扰信号模式识别方法
本专利技术属于电磁信号识别与分析研究领域，涉及基于EEMD(全局经验模态分解)特征提取和PNN(概率神经网络)的非平稳电磁干扰信号模式识别方法。
技术介绍
随着电子信息技术的发展，日益增多的电子设备造成的电磁干扰问题，严重影响电子设备的正常运作。为了解决电磁干扰问题，电磁兼容设计应运而生。实际环境下电子设备中的电磁干扰源发出的电磁信号，往往具有很高的非线性性、非高斯性和非稳定性，导致识别它们非常困难，给电磁兼容设计造成了极大的困难。模式识别(PatternRecognition)，是通过计算机用数学方法来研究模式的自动处理和判读的过程。这里将实际中的电磁干扰信号与相应的环境统称为“模式”。模式识别是人类的一项基本智能。随着20世纪40年代计算机的出现以及50年代人工智能的兴起，人们希望能用计算机来代替或扩展人类的模式识别能力。模式识别在20世纪60年代初迅速发展并成为一门新学科，其基本过程是将客观环境中的模式进行特征提取转化为数学模型，再利用计算机完成分类和识别工作人工神经网络(ArtificialNeuralNetwork，ANN)，是20世纪80年代以来人工智能领域兴起的研究热点。它模仿人脑神经元网络的连接方式，建立起简单的计算机神经元网络模型。人工神经网络是一种运算模型，由大量的节点(或称神经元)之间相互联接构成。每个节点代表一种特定的输出函数，称为激励函数(activationfunction)。每两个节点间的连接都代表一个对于通过该连接的信号的加权值，称之为权重，这相当于神经网络的记忆。网络的输出则取决于网络的连接方式、权重值和激励函数。网络自身通常都是对自然界某种算法、函数或逻辑的近似表达。概率神经网络(ProbabilisticNeuralNetworks,PNN)由D.F.Specht在1990年提出，是一类特殊的基于统计原理的前馈网络模型，通常被用来实现聚类功能。其主要策略是利用贝叶斯决策规则，在多维输入空间内分离决策空间，使得错误分类的期望风险最小。PNN的主要优点有以下三点：(1)训练速度快；(2)在足够训练样本下，总可以保证获得贝叶斯准则下的最优解；(3)只考虑样本空间的概率特性，允许增加训练样本而无须重新进行长时间的训练。PNN结合了径向基神经网络与经典的概率密度估计原理的优点，相比其他前馈神经网络，在实现聚类任务时有着显著的优越性能。
技术实现思路
本专利技术针对实际的电磁干扰信号频谱范围大、数据点多，直接对数据进行分析计算很困难，提出了一种基于EEMD特征提取和PNN的非平稳电磁干扰信号模式识别方法。具体步骤如下：步骤一、利用频谱仪分别测量实际电磁设备，获取不同类设备的电磁干扰信号，并将频谱数据划分为训练样本和测试样本；步骤二、针对所有训练样本，分别进行层次EEMD分解，得到每个训练样本每层的固有模态函数IMF；具体步骤如下：步骤201、针对频谱数据中的某个训练样本X，初始化EEMD的数目，构造不同幅值的高斯白噪声；训练样本X长度为n，X＝[x1,x2,...,xj,...xn]；EEMD的数目为M；不同幅值的高斯白噪声为M组，第m组幅值的高斯白噪声Nm＝[n1(m),n2(m),...nj(m),...nn(m)]；m＝1,2,...M；步骤202、在训练样本X上依次添加给定幅值的高斯白噪声，得到M个干扰信号；第m个被高斯白噪声干扰的信号为：Xm＝X-Nm；M个干扰信号集合为：[X1,X2,...Xm,...XM]；步骤203、将每个干扰信号利用EMD方法，分别分解为I层固有模态函数IMF，得到M×I个固有模态函数。M×I个固有模态函数集合表示如下：ci,m表示第m个干扰信号Xm分解的第i层固有模态函数；i＝1,2,3,...I；m＝1,2,3,...M；步骤204、针对每层固有模态函数IMF，分别计算该层M个固有模态函数的平均值作为该层最终的IMF值，得到训练样本X的每层固有模态函数IMF；训练样本X的第i层固有模态函数IMFi值为该层所有IMF的平均值，公式如下：步骤205、对所有训练样本重复上述步骤，得到每个训练样本每层的固有模态函数IMF。步骤三、针对每个训练样本，分别计算所有层IMF的能量分布和峭度，作为该训练样本的特征向量；首先、计算所有层IMF的能量分布和熵；所有层IMF的能量分布特征为I层能量分布的熵Pi为第i层IMF的能量：为训练样本X的第i层IMF的元素集合中的一个元素，第i层IMF的元素集合表示为：P为训练样本X的总能量：然后、计算该训练样本所有层IMF中每层IMF的峭度。第i层IMF峭度K(IMFi)定义为：为第i层IMF元素集合IMFi中所有点的平均值：n为第i层IMF信号的长度，与训练样本的长度相同；σ为相应的标准差：训练样本X最终的特征向量为：步骤四、将所有训练样本的特征向量和电磁设备的类别标签，输入未训练的PNN进行训练得到PNN分类器；PNN分类器用来识别未知电磁扰信号。步骤五、对于每个测试样本，输入PNN分类器，识别频谱数据所属的类型；本专利技术的优点在于：1)、基于EEMD特征提取和PNN的非平稳电磁干扰信号模式识别方法，在信号的特征提取过程中，利用EEMD方法对信号进行分解相比小波分解、傅里叶分析等具有更好的自适应性。2)、基于EEMD特征提取和PNN的非平稳电磁干扰信号模式识别方法，将峭度和IMF能量分布作为特征向量可以反应数据的不确定性和分布不稳定性等，这些统计特性可以有效地区分不同类型的电磁干扰信号。3)、基于EEMD特征提取和PNN的非平稳电磁干扰信号模式识别方法，建立PNN对电磁干扰信号进行模式识别实现了高度自动化和集成化；而且在实际应用中，随着训练样本的不断扩充，PNN的识别准确率将会不断增加。附图说明图1为本专利技术基于EEMD特征提取和PNN的非平稳电磁干扰信号模式识别方法流程图；图2为本专利技术对训练样本进行层次EEMD分解得到固有模态函数IMF方法流程图。具体实施方式下面将结合附图对本专利技术作进一步的详细说明。本专利技术提供了一种针对实际环境中的非平稳电磁干扰信号的模式识别系统，具体是基于EEMD特征提取和PNN的非平稳电磁干扰信号的模式识别系统，首先需要利用EEMD技术提取信号的数学特征以代表原信号，然后概率神经网络将会被引入完成对特征向量的模式识别工作。具体来讲，分为两个主要过程：训练过程和识别过程。在训练过程中，电磁干扰信号训练样本通过EEMD被转化为相应的特征向量，并输入PNN网络进行训练，使其具有对非平稳电磁干扰信号的识别能力；在识别过程中，未知的电磁干扰信号通过同样的特征提取技术被转化为特征向量，然后被输入训练过程得到的成熟的PNN网络进行识别。如图1所示，具体步骤如下：步骤一、利用频谱仪分别测量实际电磁设备，通过测试获取不同类设备的电磁干扰信号，并将对应的频谱数据划分为训练样本和测试样本；步骤二、针对所有训练样本，分别进行层次EEMD分解，得到每个训练样本每层的固有模态函数IMF；利用EEMD分解所有电磁干扰信号训练样本得到相应的IMF，所有训练样本的固有模特函数数量相同；如图2所示，具体步骤如下：步骤201、针对频谱数据中的某个训练样本X，初始化EE本文档来自技高网...

【技术保护点】
一种基于EEMD特征提取和PNN的非平稳电磁干扰信号模式识别方法，其特征在于，具体步骤如下：步骤一、利用频谱仪分别测量实际电磁设备，获取不同类设备的电磁干扰信号，并将频谱数据划分为训练样本和测试样本；步骤二、针对所有训练样本，分别进行层次EEMD分解，得到每个训练样本每层的固有模态函数IMF；具体步骤为：步骤201、针对频谱数据中的某个训练样本X，初始化EEMD的数目，构造不同幅值的高斯白噪声；训练样本X长度为n，X＝[x

【技术特征摘要】
1.一种基于EEMD特征提取和PNN的非平稳电磁干扰信号模式识别方法，其特征在于，具体步骤如下：步骤一、利用频谱仪分别测量实际电磁设备，获取不同类设备的电磁干扰信号，并将频谱数据划分为训练样本和测试样本；步骤二、针对所有训练样本，分别进行层次EEMD分解，得到每个训练样本每层的固有模态函数IMF；具体步骤为：步骤201、针对频谱数据中的某个训练样本X，初始化EEMD的数目，构造不同幅值的高斯白噪声；训练样本X长度为n，X＝[x1,x2,...,xj,...xn]；EEMD的数目为M；不同幅值的高斯白噪声为M组，第m组幅值的高斯白噪声Nm＝[n1(m),n2(m),...nj(m),...nn(m)]；m＝1,2,...M；步骤202、在训练样本X上依次添加给定幅值的高斯白噪声，得到M个干扰信号；第m个被高斯白噪声干扰的信号为：Xm＝X-Nm；M个干扰信号集合为：[X1,X2,...Xm,...XM]；步骤203、将每个干扰信号利用EMD方法，分解为I层固有模态函数IMF，共得到M×I个固有模态函数；M×I个固有模态函数集合表示如下：ci,m表示第m个干扰信号Xm分解的第i层固有模态函数；i＝1,2,3,...I；m＝1,2,3,...M；步骤204、针对每层固有模态函数IMF，分别计算该层M个固有模态函数的平均值作为该层最终的IMF值，得到训练样本X的每层固有模态函数IMF；训练样本X的第i层固有模态函数IMFi值为该层所有IMF的平均值，公式如下：步骤...

【专利技术属性】
技术研发人员：李红裔，赵迪，苏东林，宁博明，赵连坤，黄子晏，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：北京,11