一种基于分级分解特征提取方法技术

本发明专利技术属于特征提取及信号分类技术领域，尤其涉及一种基于分级分解特征提取方法。所述方法，包括：将采集的二维时间序列进行预处理，得到多通道有效数据；建立分级分解特征提取结构；所述分级分解特征提取结构，包括接收域矩阵、调制域矩阵和脉冲生成域矩阵；初始化循环参数、特征提取结构参数以及方阵；初始化接收域矩阵、调制域矩阵和脉冲生成域矩阵为全0矩阵；将多通道有效数据进行分级分解，得到分级分解特征提取结果；将脉冲信号矩阵输入分类器中进行数据分类，得到分类结果。所述方法能较好地提取出复杂环境中采集的信号及数据特征，进一步提高数据分类准确率；所述方法特征提取结构简单，不需要通过机器学习训练提取特征，计算复杂度低。计算复杂度低。计算复杂度低。

【技术实现步骤摘要】
一种基于分级分解特征提取方法


[0001]本专利技术属于特征提取及信号分类
，尤其涉及一种基于分级分解特征提取方法。

技术介绍

[0002]信号分类一般是先通过生成器提取特征，再将提取出的特征输入分类器中进行分类。信号特征提取的质量将会直接影响后续信号分类的精度。近年来，随着深度学习在机器学习，神经网络在信号分类中得到了良好的应用，特征提取的精度和速率都在不断提升，但是仍然有很多不足需要不断优化。一方面，大部分的神经网络模型结构较为复杂，对算力的要求较高；另一方面，模型针对特定数据集进行处理，并且需要进行不断的训练。
[0003]本专利技术将利用一种分级分解的方法来进行信号特征提取，本专利技术的目的是较好地提取出复杂环境中采集的信号及数据的特征，并提高后续分类的准确率。为了完成此目标，本专利技术提出了一种基于分级分解特征提取方法，建立了包括接收域、调制域和脉冲生成域的特征提取结构，并对该结构的参数和相关矩阵进行了初始化。之后以循环的方式将有效数据通过分级分解生成有序的元素因子，获取从粗到细的顺序细节。在后续的实验中，结合现有的神经网络进行分类，发现分类的准确率大大提升。

技术实现思路

[0004]本专利技术的目的在于针对复杂环境采集的信号及数据特征提取困难以及提取特征不明显，导致分类识别准确率低的缺陷，提出了一种基于分级分解特征提取方法。
[0005]为了达到上述目的，本专利技术采取如下技术方案：
[0006]所述基于分级分解特征提取方法，包括如下步骤：
[0007]S1、将采集的二维时间序列进行预处理，得到多通道有效数据；
[0008]S2、建立分级分解特征提取结构；
[0009]所述分级分解特征提取结构，包括接收域矩阵、调制域矩阵和脉冲生成域矩阵；
[0010]所述接收域矩阵，包括馈送通道矩阵和链接通道矩阵；
[0011]所述调制域矩阵，包括内部活动项矩阵；
[0012]所述脉冲生成域矩阵，包括脉冲信号矩阵和阈值矩阵；
[0013]S3、初始化循环参数、特征提取结构参数以及方阵；
[0014]所述循环参数，包括循环次数以及总循环次数；
[0015]所述特征提取参数，包括链接场半径、阈值幅度缩放项、阈值衰减项、链接衰减项、链接幅度缩放项、链接强度、衰减时间常数及阈值放大系数；
[0016]所述方阵的维度为2*链接场半径+1；
[0017]S4、初始化分级分解特征提取结构中的各矩阵为全0矩阵；
[0018]所述分级分解特征提取结构中的各矩阵，包括接收域矩阵、调制域矩阵和脉冲生成域矩阵；
[0019]S5、将多通道有效数据进行分级分解，得到分级分解特征提取结果；
[0020]S5，具体为：
[0021]S51、初始化循环次数为1；
[0022]S52、将脉冲信号矩阵与方阵卷积，得到卷积结果；
[0023]S53、将阈值衰减项的负指数函数值与馈送通道矩阵相乘再与阈值幅度缩放项与卷积结果相乘的结果相加，再加上多通道有效数据，得到更新后的馈送通道矩阵；
[0024]S54、将链接衰减项的负指数与链接通道矩阵相乘，再加上链接幅度缩放项与卷积结果相乘的结果，得到更新后的链接通道矩阵；
[0025]S55、将链接强度加1后与链接通道矩阵相乘，再与馈送通道矩阵相乘得到内部活动项矩阵；
[0026]S56、将内部活动项矩阵与阈值矩阵进行比较，若内部活动项矩阵的元素值大于阈值矩阵的元素值，则将脉冲信号矩阵对应位置上的元素值置为1，反之则置为0，得到脉冲信号矩阵；
[0027]S57、将衰减时间常数的负指数函数值与阈值矩阵的乘积加上阈值放大系数与脉冲信号矩阵的乘积，并将两个乘积和赋值给阈值矩阵；
[0028]S58、判断循环次数是否等于总循环次数，若不等，则令循环次数加1，跳至S52；若循环次数等于总循环次数，则循环结束，保存S56脉冲信号矩阵为有效数据的分级分解特征提取结果并跳至S6；
[0029]S6、将脉冲信号矩阵输入分类器中进行数据分类，得到分类结果。
[0030]S1所述预处理包括归一化、滤波、信号截断、去噪及增强。
[0031]S1所述二维时间序列中的二维，分别指时间和通道两个维度，且通道的维度与多通道的通道数相同。
[0032]S2所述馈送通道矩阵和链接通道矩阵、内部活动项矩阵、脉冲信号矩阵和阈值矩阵的维度与单通道有效数据的维度相同。
[0033]S3所述总循环次数的取值范围为20到50；所述循环次数的取值范围为1到总循环次数。
[0034]S3所述方阵中心位置的值被初始化为0，其他位置的值为该位置与中心位置的距离平方和的倒数值；
[0035]所述链接衰减项的取值范围为1到5；
[0036]所述阈值衰减项的取值范围为1到5；
[0037]所述衰减时间常数的取值范围为1到5；
[0038]所述链接强度的取值范围为0到1；
[0039]所述链接幅度缩放项的取值范围为0.1到0.9；
[0040]所述阈值幅度缩放项的取值范围为0.1到0.9；
[0041]所述阈值放大系数的取值范围为15到25；
[0042]所述链接场半径的取值范围为2.5～3.5；
[0043]方阵中心位置的值被初始化为0，其他位置的值为该位置与中心位置的距离平方和的倒数值。
[0044]有益效果
[0045]本专利技术所述的一种基于分级分解特征提取方法，与现有特征提取方法相比，具有如下有益效果：
[0046]1、所述分级分解特征提取方法能较好地提取出复杂环境中采集的信号及数据特征，进一步提高后续数据分类的准确率；
[0047]2、所述分级分解特征提取方法的特征提取结构简单，与传统的神经网路提取特征的方法相比，不需要通过机器学习训练提取特征，计算复杂度低。
附图说明
[0048]图1是本专利技术一种基于分级分解特征提取方法的整体流程图。
具体实施方式
[0049]下面结合附图和实施例对本专利技术所述一种基于分级分解特征提取方法做进一步说明和详细描述。
[0050]本专利技术基于分级分解特征提取方法，可应用于多种场景下的特征提取及后续信号分类，尤其适用于复杂环境下采集的信号及数据的特征提取。
[0051]具体实施时，本专利技术所述一种基于分级分解特征提取方法，首先将采集的二维时间序列进行预处理，得到单通道有效数据；然后建立分级分解特征提取结构，并初始化分级分解特征提取结构的参数和各个相关矩阵；之后以循环的方式将单通道有效数据通过分级分解生成有序的元素因子，获取从粗到细的顺序细节，输出有效数据的分级分解特征提取的结果，最后将该结果送到分类器中进行数据分类，得到分类结果，具体包括如下步骤：
[0052]一种基于分级分解特征提取方法。
[0053]为了达到上述目的，本专利技术采取如下技术方案：
[0054]所述本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于分级分解特征提取方法，其特征在于，包括如下步骤：S1、将采集的二维时间序列进行预处理，得到多通道有效数据；S2、建立分级分解特征提取结构；所述分级分解特征提取结构，包括接收域矩阵、调制域矩阵和脉冲生成域矩阵；所述接收域矩阵，包括馈送通道矩阵和链接通道矩阵；所述调制域矩阵，包括内部活动项矩阵；所述脉冲生成域矩阵，包括脉冲信号矩阵和阈值矩阵；S3、初始化循环参数、特征提取结构参数以及方阵；所述循环参数，包括循环次数以及总循环次数；所述特征提取参数，包括链接场半径、阈值幅度缩放项、阈值衰减项、链接衰减项、链接幅度缩放项、链接强度、衰减时间常数及阈值放大系数；所述方阵的维度为2*链接场半径+1；S4、初始化分级分解特征提取结构中的各矩阵为全0矩阵；所述分级分解特征提取结构中的各矩阵，包括接收域矩阵、调制域矩阵和脉冲生成域矩阵；S5、将多通道有效数据进行分级分解，得到分级分解特征提取结果；S5，具体为：S51、初始化循环次数为1；S52、将脉冲信号矩阵与方阵卷积，得到卷积结果；S53、将阈值衰减项的负指数函数值与馈送通道矩阵相乘再与阈值幅度缩放项与卷积结果相乘的结果相加，再加上多通道有效数据，得到更新后的馈送通道矩阵；S54、将链接衰减项的负指数与链接通道矩阵相乘，再加上链接幅度缩放项与卷积结果相乘的结果，得到更新后的链接通道矩阵；S55、将链接强度加1后与链接通道矩阵相乘，再与馈送通道矩阵相乘得到内部活动项矩阵；S56、将内部活动项矩阵与阈值矩阵进行比较，若内部活动项矩阵的元素值大于阈值矩阵的元素值，则将脉冲信号矩阵对应位置上的元素值置为1，反之则置为0，得到脉冲信号矩阵；S57、将衰减时间常数的负指数函数值与阈值矩阵的乘积加上阈...

【专利技术属性】
技术研发人员：卢继华，吴编，冯立辉，陈威，刘德威，凌梓健，倪润峰，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：