The invention relates to a method for feature extraction and classification of optical fiber vibration signal based on DWT \u2011 dfpa \u2011 gbdt, which is a method for feature extraction and classification of optical fiber vibration signal, belonging to the field of signal processing and machine learning, and characterized in the following steps: (1) determining the time-domain features of the original vibration signal; (2) determining the frequency-domain features of the original vibration signal; (3) determining the original vibration signal The wavelet domain features of the signal; (4) calculate the Mahalanobis distance; (5) obtain the order of the feature vectors according to the separability; (6) determine the loss function; (7) determine the fitting function; (8) determine the strong learning classifier of this iteration. The invention realizes feature extraction in time domain, frequency domain and wavelet domain, constructs a complete vibration signal feature vector, combines gbdt with DWT, and provides a method for vibration signal feature extraction and classification field to reduce the complexity of the model on the basis of ensuring classification accuracy.
【技术实现步骤摘要】
一种基于DWT-DFPA-GBDT的光纤振动信号特征提取与分类方法
本专利技术涉及信号处理与机器学习领域,主要是一种对光纤振动信号进行特征提取与分类的方法。
技术介绍
目前,针对光纤振动信号特征提取与分类问题,主要是利用传统的机器学习算法实现,一般的处理流程是先对信号进行去噪,分解,提取有用特征,最后根据提取的特征训练模型实现分类。对于振动信号特征提取问题,常用的特征提取主要包括时域和频域特征的提取,由于光纤振动信号具有随机性,时域和频域两个域中提取的特征有可能出现无法完备表征振动信号复杂分布特征的情况。虽然有些特征提取方法特征提取全面,处理效率较高,但算法鲁棒性低,特征分类依据不明显,这些均有可能对后续信号分类的准确程度造成影响。对于振动信号分类问题,大多数模型的分类效果较好,能对振动信号实现准确的识别,分类准确率较高。但是模型泛化能力较差,特别是一些模型对缺失值、异常值、样本数据不平衡等问题非常敏感。此外,在模型训练过程中还可能出现过拟合的情况。关于光纤振动信号分类的应用,在很多领域的发展都相对成熟。例如,利用随机森林、BP神经网络、RBF神经网络等各种神经网络算法在周界入侵预警、智能交通、桥梁结构监测等方面都实现了较好的振动信号识别分类。随着分布式光纤传感技术在地下管道、土木工程、电力通信等领域的广泛应用,在振动信号的分类精度和速度方面,都提出了相对较高的要求。因此,要实时准确地实现振动信号分类,达到振动信号分类的要求,必须要建立一种实时、准确的光纤振动信号分类方法,有效的减少识别时间,提高光纤 ...
【技术保护点】
1.本专利技术特征在于:(1)确定原始振动信号的时域特征;(2)确定原始振动信号的频域特征;(3)确定原始振动信号的小波域特征;(4)计算马氏距离;(5)获得特征向量按可分性大小的排序;(6)确定损失函数;(7)确定拟合函数;(8)确定本轮迭代的强学习分类器;具体包括以下八个步骤:/n步骤一:确定原始振动信号x(t)的时域特征T:/n先对原始振动信号进行加窗分帧和去噪处理,得到去噪信号s(n),计算s(n)的短时能量T
【技术特征摘要】
1.本发明特征在于:(1)确定原始振动信号的时域特征;(2)确定原始振动信号的频域特征;(3)确定原始振动信号的小波域特征;(4)计算马氏距离;(5)获得特征向量按可分性大小的排序;(6)确定损失函数;(7)确定拟合函数;(8)确定本轮迭代的强学习分类器;具体包括以下八个步骤:
步骤一:确定原始振动信号x(t)的时域特征T:
先对原始振动信号进行加窗分帧和去噪处理,得到去噪信号s(n),计算s(n)的短时能量T1和短时过零率T2:
式中,N表示帧长,s(n)表示去噪信号,T1表示短时能量,T2表示短时过零率,从而得到振动信号的时域特征为T={T1,T2};
步骤二:确定原始振动信号x(t)的频域特征P:
采用功率谱分析方法实现光纤振动信号从时域到频域的转换,计算去噪信号s(n)的功率谱:
式中,P(k)表示去噪信号s(n)的功率谱,s*(n-c)表示s(n)向右平移c个单位长度后的共轭信号,s(n)表示去噪信号,Q表示所获得的样本点数,k表示去噪信号s(n)的IMF分量个数,m表示信号分解次数;
根据功率谱统计峰值p及对应频率f、方差s2、期望作为振动信号的频域特征,即频域特征为
步骤三:确定原始振动信号x(t)的小波域特征E:
利用DWT方法将去噪信号s(n)进行多层分解,提取信号能量值构建小波域特征:
s(n)=q+d1+d2+...+dn-1
式中,s(n)表示去噪信号,q表示去噪信号的高频成分,dl(l=1,2,...,n-1)表示在不同小波尺度下的低频成分,L表示不同分辨率下的信号点数,z表示小波系数的个数,dl(z)表示dl的第z个小波系数,El表示信号能量值,通过分析其小波能值,确定小波域特征为E=[E1,E2,...,El];
以上,得到光纤振动信号的全部特征
步骤四:计算马氏距离Jt:
第i类信号的特征向量Fi,t=[fi,1,fi,2,...,fi,t]和第j类信号的特征向量Fj,t=[fj,1,fj,2,...
【专利技术属性】
技术研发人员:王松,胡燕祝,刘娜,熊之野,
申请(专利权)人:北京邮电大学,
类型:发明
国别省市:北京;11
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。