【技术实现步骤摘要】
一种基于小波核极限学习机的昆虫刺吸电位波形识别方法
[0001]本专利技术涉及生物信号处理及识别的
，尤其涉及一种基于小波核极限学习机的昆虫刺吸电位波形识别方法，实现昆虫刺吸电位波形的智能识别。
技术介绍
[0002]刺吸式昆虫多数是农林生产上重要且难控制的害虫，很多植物病毒都是由这类昆虫传播的，控制这类害虫及其所传播的植物病毒成为农业和植保领域的重要课题。昆虫刺吸电位(electrical penetration graph，EPG)仪是进行昆虫取食行为、昆虫传毒机制、作物抗虫机制等方面研究的有力工具，可以为包括蚜虫在内的刺吸式昆虫的防控方法研究及其所传播植物病毒的机理研究提供技术支撑，目前已成功应用于蚜虫、粉虱、飞虱、叶蝉、蓟马、蝽等50多种昆虫的相关研究。
[0003]EPG波形属于生物电信号，具有幅度小、频率低、噪声强、非线性和非平稳性等特点，与普通的人体生物电信号(如心电、肌电、脑电等)相比，波形识别上更具有难度，主要体现在数据量大和波形多样。根据研究内容不同，以蚜虫为例，需要识别7种EPG波形(np...
【技术保护点】
【技术特征摘要】
1.一种基于小波核极限学习机的昆虫刺吸电位波形识别方法，其特征在于，包括以下步骤：步骤(1)：对采集的EPG信号进行预处理，利用改进阈值量化方法去除预处理后的EPG信号的噪声，得到去噪后的EPG波形；步骤(2)：利用非线性共振模型对去噪后的EPG波形进入增强，得到增强EPG波形；步骤(3)：对增强EPG波形进行特征提取，融合提取的特征组建成特征向量；步骤(4)：将特征向量输入小波核极限学习机进行分类识别，得到波形识别结果。2.根据权利要求1所述的基于小波核极限学习机的昆虫刺吸电位波形识别方法，其特征在于，所述的步骤(1)中，EPG信号的预处理包括自动分帧和改进小波阈值去噪；所述自动分帧为通过加窗对采集的EPG信号分帧，每帧长度为1024，计算每帧的功率谱密度；改进小波阈值去噪的方法为：对分帧后的信号进行小波变换，小波基函数选用Sym4小波，6层分解。把小波分解的第1层高频系数置零，去除工频干扰；把第6层的低频系数置零，去除基线漂移；对小波分解第2～5层的高频系数，先在Stein无偏风险估计准则下获得阈值，再利用改进阈值量化方法对这几层的系数进行阈值量化，去除白噪声。3.根据权利要求2所述的基于小波核极限学习机的昆虫刺吸电位波形识别方法，其特征在于，所述改进阈值量化方法的量化公式为：式中，θ为阈值，I(
·
)是单位函数，sgn(
·
)是符号函数，λ为调节参数；为阈值处理后的小波系数，x为小波系数，通过调节参数λ可得到最佳去噪效果。4.根据权利要求1或3所述的基于小波核极限学习机的昆虫刺吸电位波形识别方法，其特征在于，所述非线性共振模型为：式中，x(t)是去噪后的EPG波形，z代表快变的生物神经元膜电压，y为慢变的恢复变量，τ为时间常数，y和z为增强的信号；A为临界阈值常数，n(t)为高斯白噪声，a，b为可调参数。5.根据权利要求4所述的基于小波核极限学习机的昆虫刺吸电位波形识别方法，其特征在于，所述去噪后的EPG波形x(t)取离散值X(n)，即，系统参数τ＝0.03，a＝0.8，b＝0.25，A＝0.35mV，当高斯白噪声n(t)中的噪声强度取值为0.085时，神经元动作电位发放较多，与输入信号间有较好的相关性，出现了“共振”，可增强信号。6.根据权利要求1或4所述的基于小波核极限学习机的昆虫刺吸电位波形识别方法，其特征在于，所述的步骤(3)中提取增强EPG波形的特征，包括小波能量特征，分形特征和时频变换特征，所述分形特征包括盒维数和Hurst指数，时频变换特征包括HHT中的谱质心和加权频率值；将提取的增强EPG波形中的小波能量、分形特征和时频变换特征串联融合成一个6维特征向量。7.根据权利要求6所述的基于小波核极限学习机的昆虫刺吸电位波形识别方法，其特征在于，所述小波能量特征的提取方法为：
(1)对增强EPG波形进行i层小波分解，得到第i层小波系数第j个小波分解系数C
i,j
；i取值从1到6；每层的小波系数的个数是不同的，每分解一层，系数的个数减半；(2)计算各分解层的平均能量分布：将某层的小波...
【专利技术属性】
技术研发人员：吴莉莉，白润娥，李静静，邢玉清，潘建斌，赵晨晨，汤清波，卢少华，闫凤鸣，
申请(专利权)人：河南农业大学，
类型：发明
国别省市：
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。