一种电磁脉冲识别方法、电子设备和存储介质技术

本发明专利技术提供一种电磁脉冲识别方法，包括以下步骤：将待识别信号进行经验模态分解，提取待识别信号的本征模函数分量以及希尔伯特边际谱；对经验模态分解后的前两个本征模函数进行特征选择，选择出前两个本征模函数的时域特征和小波域特征；对前两个本征模函数对应的希尔伯特边际谱提取边际谱特征；根据提取的所述时域特征、所述小波域特征和所述边际谱特征构建希尔伯特

【技术实现步骤摘要】
一种电磁脉冲识别方法、电子设备和存储介质


[0001]本专利技术涉及电磁脉冲
，特别涉及一种基于自适应信号分解和集成学习的电磁脉冲识别方法。

技术介绍

[0002]核爆炸具有电磁脉冲效应，能够向外辐射核爆电磁脉冲。现有技术中，利用电磁脉冲探测方法对核爆电磁脉冲进行有效识别是国内外专家学者长期以来共同研究的课题之一，开展核爆电磁脉冲探测研究，是未来空间作战中有效鉴别核爆电磁脉冲的迫切需要。
[0003]自然环境中存在着大量的电磁干扰信号，核爆电磁脉冲信号在复杂的电磁环境中传播，其中干扰强度最大、最难排除的电磁信号便是闪电电磁脉冲。由于核爆电磁脉冲与闪电电磁脉冲的持续时间相似且频率相近，因此排除核爆电磁脉冲探测过程中的闪电电磁脉冲干扰是制约核爆电磁脉冲探测发展的关键问题，一直以来是研究的热点和难点。
[0004]为有效识别核爆电磁脉冲和闪电电磁脉冲，许多专家学者针对两种信号开展特征分析及识别研究。之前的学者采用幅度
‑
空间
‑
归一化谱特征值筛选综合选择法、信号相关特性分析、主频分析、小波分析、短时AR模型、Fisher判别法、联合时频分析、分形特征分析、Hilbert谱分析等方法，对核爆电磁脉冲和闪电电磁脉冲特征进行研究。王涛等人提出一种500km范围内的时域自动识别算法，该算法能够有效识别近区范围内的核爆电磁脉冲波形。王浩骅等人提出一种基于广义回归神经网络的识别算法，为核爆电磁脉冲和闪电电磁脉冲分类提供了一种可行的技术手段。这些电磁脉冲识别与分类方法有各自的局限性，如短时傅里叶变换易受窗函数的影响，小波变换的分辨率不是很高且不具备自适应能力。

技术实现思路

[0005]为了解决现有技术存在的问题，本专利技术提供一种电磁脉冲识别方法，提高了对核爆电磁脉冲和闪电电磁脉冲的识别分类准确率，降低误报率，能够适应未来空间作战中对于有效鉴别核爆电磁脉冲信号的迫切需要。
[0006]为实现上述目的，本专利技术提供的一种电磁脉冲识别方法，包括以下步骤：将待识别信号进行经验模态分解，提取待识别信号的本征模函数分量以及希尔伯特边际谱；对经验模态分解后的前两个本征模函数进行特征选择，选择出前两个本征模函数的时域特征和小波域特征；对前两个本征模函数对应的希尔伯特边际谱提取边际谱特征；根据提取的所述时域特征、所述小波域特征和所述边际谱特征构建希尔伯特
‑
黄变换混合特征向量；将所述希尔伯特
‑
黄变换混合特征向量输入训练好的集成学习网络分类器进行识别，输出识别的类型。
[0007]进一步地，在所述将待识别信号进行经验模态分解，提取待识别信号的本征模函数分量以及希尔伯特边际谱的步骤中，包括，将待识别信号经过经验模态分解后表示为有限个本征模函数与一个残差项的和：其中，为本征模态函数的个数，表示连续时间，表示残差项，表示第个本征模态函数：其中，表示分解后信号第个本征模态的瞬时幅度，表示分解后第个本征模态的瞬时相位。
[0008]进一步地，还包括，将所述待识别信号表示为：其中，表示时刻第个傅里叶变换角频率。
[0009]进一步地，还包括，对每一个本征模函数分量做希尔伯特变换，得到其瞬时幅度和瞬时频率，将所有本征模函数的瞬时幅度和瞬时频率进行汇总，得到的时频分布为希尔伯特谱，根据希尔伯特谱对时间的积分定义希尔伯特边际谱：。
[0010]进一步地，所述将所述希尔伯特
‑
黄变换混合特征向量输入训练好的集成学习网络分类器进行识别，输出识别的类型的步骤，还包括，对用于训练的核爆电磁脉冲和闪电电磁脉冲进行预处理，得到训练样本的时域信号；对核爆电磁脉冲数据进行数据增强；对所述核爆电磁脉冲数据和闪电电磁脉冲数据分别进行希尔伯特
‑
黄变换，构建每个训练样本的时域信号的希尔伯特
‑
黄变换混合特征向量；对得到的所述混合特征向量进行特征选择，优化特征数量，选择符合特征重要性要求的特征作为集成学习分类器的输入特征向量；将所有训练样本的希尔伯特
‑
黄变换混合特征向量作为集成学习分类器的输入，训练集成学习网络分类器。
[0011]进一步地，在所述对用于训练的核爆电磁脉冲和闪电电磁脉冲进行预处理，得到训练样本的时域信号的步骤中，包括，对所述核爆电磁脉冲数据进行插值和带通滤波处理，对所述核爆电磁脉冲和所述闪电电磁脉冲训练样本数据进行去直流分量和小波去噪处理，形成时域信号。
[0012]进一步地，在所述对所述核爆电磁脉冲数据和闪电电磁脉冲数据分别进行希尔伯特
‑
黄变换，构建每个训练样本的时域信号的希尔伯特
‑
黄变换混合特征向量的步骤中，包括，对闪电电磁脉冲数据以及数据增强后的核爆电磁脉冲数据分别进行经验模态分解，得到本征模态分量和残差项；对所述本征模函数分量进行希尔伯特变换得到描述频率随时间变化的希尔伯特幅值谱；获取所述本征模函数分量的包络信息，对其进行时域积分得到瞬时频率与瞬时幅值的对应关系，得到希尔伯特边际谱；对所述希尔伯特边际谱提取边际谱特征。
[0013]更进一步地，在所述将所有训练样本的希尔伯特
‑
黄变换混合特征向量作为集成学习分类器的输入，训练集成学习网络分类器的步骤中，包括，选择多种分类器对样本数据进行训练得到基分类器，将每个模型分别训练并保存训练结果，对所述基分类器的预测结果进行整合，得到最终训练的集成学习网络分类器。
[0014]为实现上述目的，本专利技术还提供一种电子设备，包括存储器和处理器，所述存储器上储存有在所述处理器上运行的程序，所述处理器运行所述程序时执行上述的电磁脉冲识别方法的步骤。
[0015]为实现上述目的，本专利技术还提供一种计算机可读存储介质，其上存储有计算机指令，所述计算机指令运行时执行上述的电磁脉冲识别方法的步骤。
[0016]本专利技术的电磁脉冲识别方法，具有以下有益效果：1）为准确高效识别出核爆电磁脉冲和闪电电磁脉冲的目标而设计，对核爆电磁脉冲有着很高的识别准确率；2）充分利用了希尔伯特
‑
黄变换对于信号的自适应性和对处理非平稳信号的优势，提取的高维特征量能够充分描述电磁脉冲信号的特征；3）使用特征选择方法降低特征向量维度，有利于减少核爆电磁脉冲和闪电电磁脉冲识别所需时间，实现实时识别；4）使用集成学习分类器进行目标的分类和识别，能够减少数据不均衡导致的过拟合问题，提高识别准确率，降低误报率。
[0017]本专利技术的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本专利技术而了解。
附图说明
[0018]附图用来提供对本专利技术的进一步理解，并且构成说明书的一部分，并与本专利技术的实施例一起，用于解释本专利技术，并不构成对本专利技术的限制。在附图中：图1为根据本专利技术实施例的电磁脉冲识别方法的流程图；图2为根据本专利技术实施例中的核爆电磁脉冲经验模态分解结果和边际谱结果示意图；图3为根据本专利技术实施例中的闪电电磁脉冲经验模态分解结果和本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种电磁脉冲识别方法，包括以下步骤：将待识别信号进行经验模态分解，提取待识别信号的本征模函数分量以及希尔伯特边际谱；对经验模态分解后的前两个本征模函数进行特征选择，选择出前两个本征模函数的时域特征和小波域特征；对前两个本征模函数对应的希尔伯特边际谱提取边际谱特征；根据提取的所述时域特征、所述小波域特征和所述边际谱特征构建希尔伯特
‑
黄变换混合特征向量；将所述希尔伯特
‑
黄变换混合特征向量输入训练好的集成学习网络分类器进行识别，输出识别的类型。2.根据权利要求1所述的电磁脉冲识别方法，其特征在于，在所述将待识别信号进行经验模态分解，提取待识别信号的本征模函数分量以及希尔伯特边际谱的步骤中，包括，将待识别信号经过经验模态分解后表示为有限个本征模函数与一个残差项的和：其中，为本征模态函数的个数，表示连续时间，表示残差项，表示第个本征模态函数：其中，表示分解后信号第个本征模态的瞬时幅度，表示分解后第个本征模态的瞬时相位。3.根据权利要求2所述的电磁脉冲识别方法，其特征在于，还包括，将所述待识别信号表示为：其中，表示时刻第个傅里叶变换角频率。4.根据权利要求2所述的电磁脉冲识别方法，其特征在于，还包括，对每一个本征模函数分量做希尔伯特变换，得到其瞬时幅度和瞬时频率，将所有本征模函数的瞬时幅度和瞬时频率进行汇总，得到的时频分布为希尔伯特谱，根据希尔伯特谱对时间的积分定义希尔伯特边际谱：。5.根据权利要求1所述的电磁脉冲识别方法，其特征在于，所述将所述希尔伯特
‑
黄变换混合特征向量输入训练好的集成学习网络分类器进行识别，输出识别的类型的步骤，还包括，
对用于训练的核爆电磁脉冲和闪电电磁脉冲进行预处理，得到训练样本的时域信号；对核爆电磁脉冲数据进行数据增强；对所述核爆电磁脉冲数据和闪电电磁脉冲数据分别进行希尔伯特
‑
黄变换，构建每个训练样本的时域信号的希尔伯特
‑
黄变换混合特征向量；对得到的所述混合特征向量进行特征选择...

【专利技术属性】
技术研发人员：苗家友，谌夏，王道军，吴红莉，
申请(专利权)人：中国人民解放军九六九零一部队，
类型：发明
国别省市：