基于模糊小波包分解的小波特征提取方法技术

本发明专利技术属于信号处理和模式识别技术，具体公开一种基于模糊小波包分解的小波特征提取方法，取平稳信号或非平稳信号为信号样本，包括对已标明类别的信号样本的训练过程和新未知类别的信号样本的特征提取过程，以训练过程为主体；即通过训练过程找最优小波分解Ω↑［＊］；以最优小波分解Ω↑［＊］为基础，提取鉴别能力强的小波系数特征；在新未知类别样本的特征提取过程中提取已定位的小波系数作为最终特征。采用本发明专利技术对平稳或非平稳信号（包括剧烈变化信号）进行处理，提取出鉴别力强的小波系数特征，使同类信号的类内距尽量小，而不同类信号之间的类间距尽量大，最终实现平稳或非平稳信号的分类。

【技术实现步骤摘要】

本专利技术涉及信号处理和模式识别的信号分类技术，具体地说是一种基于 模糊小波包分解的小波特征提取方法。
技术介绍
在信号处理和模式识别领域，信号的特征提取一直是研究的关键之处， 提取出好的特征既能减小工作量又能实现好的分类效果。目前有很多种数学变换，如傅立叶变换、K-L变换、离散小波变换、小波包(WP: Wavelet Packet)分解等，这些变换的目的都是想从另外一个角度来分析信号。傅立 叶变换在频域来分析信号；K-L变换只考虑到信号的二阶能量特性；小波变 换利用小波时频局部化特性能够从平稳或非平稳信号(包括剧烈变化信号) 中提取出鉴别能力强的小波特征。离散小波变换逐级分解低频部分，如Mallat的离散小波分解可描述为其中x为原始信号，xer。， ^+1=/^， ^+产G^， 7f和G分别为二抽 取后的低通和高通滤波器，y为分解级数。具体参见图l.l。小波包分解不仅逐级分解低频部分还逐级分解高频部分，所以小波包可 看作是离散小波变换的拓展，能够提取出比离散小波变换更多的小波特征， 如Wickerhauser的小波包分解可描述为其中<formula>formula see original document page 4</formula>附为第乂级子空间的索引值。具体参见图1.2。在小波包分解中， 一个一维信号有很多种分解方式，比如V0Q，<formula>formula see original document page 4</formula> 等。假定g(/)代表)层分解中原始信号的总分解数，那么_/+1层的总分解数g(Z+l)-g(/y+l。其中g(l"2，根节点亦被认为是 一个分解。当7=5时，大约有4.6xl07个有效分解，如果釆用穷举的方法对每 个分解都进行评价，将是一项非常困难的工作。可见，从小波包分解中找到 最优小波分解是一项具挑战性的工作。目前基于小波包分解的特征提取优化方法都是基于信号能量特性，如香衣熵(Shannon entropy)、能量集势(Energy concentration)、联合最优蕃 (Joint Best basis ) 、 ^f部鉴别基(Local discriminant base)，它们均只考虑 到信号的二阶统计特性，而忽略其它阶次特性。下面以一个例子来说明它们 的不足之处有两类样本， 一类服从高斯分布iV(-lO，l)，另一类服从高斯分布；v(io，i),只考虑信号的能量大小是无法将这两类区分开的，然而直观上这两类信号是很容易分开的，从信号分类角度看，上述基于信号能量的四种小 波包分解方法都不是最优的。模糊理论能够在信号分类中发挥巨大作用现已得到广泛认可。将小波包 分解的强特征提取能力和模糊理论在信号分类中的优势结合在一起，并以此 从输入平稳或非平稳信号中提取出分类能力强的小波系数特征的方法目前还 尚未见报道。
技术实现思路
本专利技术的目的在于提供一种， 对平稳或非平稳信号(包括剧烈变化信号)进行处理，提取出鉴别力强的小 波系数特征，使同类信号的类内距尽量小，而不同类信号之间的类间距尽量 大，最终实现平稳或非平稳信号的分类。为了实现上述目的，本专利技术的技术方案是取平稳信号或非平稳信号为 信号样本，包括对已标明类别的信号样本的训练过程和新未知类别的信号样 本的特征提取过程，以训练过程为主体；即通过训练过程找最优小波分解 Q*;以最优小波分解0*为基础，提取鉴别能力强的小波系数特征；在新未知 类别样本的特征提取过程中提取已定位的小波系数作为最终特征；其中所述训练过程是通过训练找最优小波分解^^过程，即基于模糊隶属 度函数的代价函数评价小波包分解中子空间的分类能力，得到最优小波分解 并提取出鉴别能力的小波系数特征；具体操作如下首先，定义代价函数1) 定义模糊隶属度函数<formula>formula see original document page 5</formula>其中<formula>formula see original document page 5</formula>是第/类样本的均值，A,.是第z'类样本的序号A集合，W是第/类的训练样本数，l卜ll是欧式度量距离，c是分类数；"为样本 信号A的维数；2) 基于模糊隶属度的代价函数<formula>formula see original document page 6</formula>将所有样本信号A所属类别的隶属度函数"'&相加，累加和构成了代价函 数F(X);代价函数F(X)用来衡量特征空间X的分类能力； 其次，搜索最优小波分解Q"在小波包分解中，利用代价函数F(X)衡量每个分解子空间的分类能力； 先选取代价函数最大的子空间，然后删除该子空间的所有后代节点和前辈节 点；再从剩余的子空间内选取代价函数最大的子空间，然后再删除该子空间的所有后代节点和前辈节点；重复上述过程直到没有子空间可删除为止，此 时所有保留的节点组合就是本专利技术要搜索的最优小波分解。*;再次，提取鉴别能力强的小波系数特征对于最优小波分解空间内的每个小波系数特征/，利用代价函数F(/)来评 价它们的分类能力，并根据代价函数F(/)值的大小对这些特征进行排序，提取鉴别能力强的小波系数特征；所述新未知类别样本的特征提取过程为当输入新样本时按最优小波分解 ^*对新样本进行分解，再提取已定位的小波系数作为最终特征。本专利技术的有益效果是1. 本专利技术在小波包分解中引入了模糊理论，发挥了小波对平稳或非平稳 信号的时频局部化特征的提取能力，又利用模糊理论在模式识别中的强分类 能力。本专利技术是一种从信号分类角度出发的且基于模糊小波包分解的小波特征提取方法。2. 本专利技术定义了一种模糊隶属度函数，能够将特征空间由《维("是样 本jq的维数)降低到c维(c是分类数)且c<<"。它是基于有导师学习的， 其计算简单，而不象FCM算法那样需要迭代来计算隶属度函数。3. 本专利技术定义了一种基于模糊隶属度的代价函数F(X)，代价函数F(X) 反映所有样本属于它们该属类别的程度。代价函数F(X)既可评价特征空间X 的分类能力，又可评价单一特征的分类能力。代价函数F(X)越大，特征空间 X的分类能力越强。4. 本专利技术提出了一种最优小波分解0*的搜索策略。在小波包分解树 中，认为分类能力强的特征存在于代价函数大的特征空间。首先选取代价函 数F(X)最大的子空间，然后删除该空间的所有后代节点和前辈节点；再从剩 余的子空间内选取代价函数最大的子空间，然后再删除该空间的所有后代节 点和前辈节点；重复上述过程直到没有子空间可删除为止。5. 在最优小波分解0*中，再次利用模糊代价函数评价所有小波系数的 分类能力，并对它们的分类能力进行排序，定位出分类能力强的小波系数。6. 本专利技术所涉及到的代价函数计算、最优小波分解。*的搜索、鉴别能 力强小波特征位置的确定都是在训练过程中离线完成的。训练结束后，当有 一个新未知类别的样本输入时，先按最优小波分解。*分解，然后到指定位置 提取小波系数作为特征即可，对新样本的特征提取过程简单，本文档来自技高网...

【技术保护点】
一种基于模糊小波包分解的小波特征提取方法，其特征是：取平稳信号或非平稳信号为信号样本，包括对已标明类别的信号样本的训练过程和新未知类别的信号样本的特征提取过程，以训练过程为主体；即通过训练过程找最优小波分解Ω↑［＊］；以最优小波分解Ω↑［＊］为基础，提取鉴别能力强的小波系数特征；在新未知类别样本的特征提取过程中提取已定位的小波系数作为最终特征。

【技术特征摘要】

【专利技术属性】
技术研发人员：李德强，史泽林，
申请(专利权)人：中国科学院沈阳自动化研究所，
类型：发明
国别省市：89[中国|沈阳]