一种基于CMEEMD-GAIW-SW-DFA的分布式光纤信号听觉信息融合方法技术

本发明专利技术涉及基于CMEEMD‑GAIW‑SW‑DFA的分布式光纤信号听觉信息融合方法，是一种对分布式光纤振动信号进行信息融合的方法，属于信号处理与机器学习领域，其特征在于采用如下步骤：(1)确定引入白噪声信号后的光纤信号；(2)确定第一个IMF分量序列集合；(3)确定剩余分量；(4)确定各类信号的IMF分量的互信息；(5)确定信号各IMF分量的初始权值；(6)确定自适应动态惯性权重调整函数；(7)确定融合后光纤信号的方差均值；(8)确定奇异指数和多重分形谱。本发明专利技术结合CMEEMD‑GAIW方法与SW‑DFA方法，充分考虑了光纤信号各分量包含信息量的多少，设置了融合权重并利用GAIW算法对其进行了全局自适应动态分配，为光纤信号听觉得融合提供了一种有效实用的方法。

【技术实现步骤摘要】
一种基于CMEEMD-GAIW-SW-DFA的分布式光纤信号听觉信息融合方法
本专利技术涉及信号处理与机器学习领域，主要是一种对分布式光纤信号进行信息融合的方法。
技术介绍
随着分布式光纤传感技术的发展，分布式光纤传感器凭借其优点在工业和军事等领域得到了广泛应用，作为获取分布式听觉信息的传感技术，其在快速发展并广泛应用的过程中，由多种分布式光纤传感器采集获得的信号存在特征不明显、信息冗余严重等问题，因此需要对分布式光纤信号进行信息融合处理。目前，针对分布式光纤信号听觉信息的融合研究，主要是对点式分布式光纤传感器信号的融合，该方法主要是对点式传感器和分布式传感器采集的光纤信号进行融合，这种融合方法并不适用于全分布式光纤信号之间的融合。此外，也有对全分布式信号之间的融合研究，这种方法主要是通过提取分布式信号在时域、频域以及小波域上的特征，实现分布式信号的多特征提取，然后对提取的特征进行融合约简，从而达到分布式光纤信号融合的目的。该类方法忽略了对信号各特征所包含信息量多少的衡量，只是将包含信息量多的特征进行融合，将包含信息量较少的特征进行删除本文档来自技高网...

【技术保护点】
1.本专利技术涉及一种基于CMEEMD-GAIW-SW-DFA的分布式光纤信号听觉信息融合方法，其特征在于：确定引入白噪声信号后的光纤信号，确定第一个IMF分量序列集合，确定剩余分量，确定各类信号的IMF分量的互信息，确定信号各IMF分量的初始权值，确定自适应动态惯性权重调整函数，确定融合后光纤信号的方差均值，确定奇异指数和多重分形谱，具体包括以下八个步骤：/n步骤一：确定引入白噪声信号后的光纤信号

【技术特征摘要】
1.本发明涉及一种基于CMEEMD-GAIW-SW-DFA的分布式光纤信号听觉信息融合方法，其特征在于：确定引入白噪声信号后的光纤信号，确定第一个IMF分量序列集合，确定剩余分量，确定各类信号的IMF分量的互信息，确定信号各IMF分量的初始权值，确定自适应动态惯性权重调整函数，确定融合后光纤信号的方差均值，确定奇异指数和多重分形谱，具体包括以下八个步骤：
步骤一：确定引入白噪声信号后的光纤信号和
在光纤信号x(t)中引入白噪声信号np(t)和-np(t)，得到；



式中，和表示引入白噪声信号后的光纤信号，x(t)表示原始光纤信号，np(t)和-np(t)表示白噪声信号，ap表示第p次引入噪声信号的幅值，p＝1,2,...,Nnoise，Nnoise表示引入噪声总次数，在处理后得到的结果的基础上，对两端的数据利用GRNN神经网络进行延拓，在两端延拓的数据上加余弦窗函数进行处理；
步骤二：确定第一个IMF分量序列集合I1(t)；
对和分别进行EMD分解，得到第一组分量序列集合和将序列集合中下角标序号一致的分量进行求和、累加、平均计算，得到I1(t)；



式中，I1(t)表示第一个IMF分量序列集合，和表示第一组IMF分量序列集合，p＝1,2,...,Nnoise，Nnoise表示引入噪声的总次数；
步骤三：确定剩余分量r(t)；
计算I1(t)的排列熵S(t)；



式中，g＝1,2,...,k代表序号的种类，m为空间重构维数，
设置S(t)的阈值，当S(t)低于该阈值时，判断I1(t)为非异常信号，并将其作为第一个IMF分量从原始信号x(t)中去除，即r(t)＝x(t)-I1(t)，得到剩余分量I1(t)；
对r(t)...

【专利技术属性】
技术研发人员：王松，胡燕祝，高莉茁，
申请(专利权)人：北京邮电大学，
类型：发明
国别省市：北京;11