一种信号识别分类方法技术

本发明专利技术提供的是一种信号识别分类方法。首先利用小波变换的方法对含有较高噪声的原始数据进行降噪，在数据分析中将信号分解为高频和低频信息，采用软阈值法对信号进行消噪，然后进行信号重构；在继承小波变换所具有的良好时频局部化优点的同时，对多尺度分析没有细分的高频部分进行进一步的分解；利用小波包变换在多层分解后的不同频带内分析信号，提取出反映系统状态的特征信息；通过非线性变换将输入信号特征向量变换到高维特征空间，然后在这个高维特征空间求取最优线性分类面。本发明专利技术克服了神经网络学习中网络结构难以确定、收敛速度慢以及训练时需要大量数据样本等不足，使其具有面向工程实际应用精度高、实时强的特点。

【技术实现步骤摘要】

本专利技术涉及现代检测
，具体是一种管道压力检测与识别技术。
技术介绍
由于管道输送具有成本低、节省能源、安全性高及供给稳定等优点，管道运输在世 界范围内得到迅速发展，已成为现代社会不可缺少的组成部分。然而，由于长时间的运行磨 损、设备的自然老化、地理和气候环境的变化以及人为损坏等原因，泄漏故障时有发生，给 人们的生命、财产和生存环境造成了巨大的潜在威胁，同时也造成严重的资源浪费。因此， 及时准确地识别输油管道泄漏具有重要的现实意义。随着计算机、信号处理和模式识别等技术的发展，基于监控与数据采集系统 (SCADA)的实时泄漏检测技术受到了越来越多的关注，并逐渐成为检测技术发展的主流方 向。这类方法主要是对采集的压力、流量等信号进行实时分析处理，以此来检测并定位泄漏 点。负压波法是指当管道发生泄漏时，泄漏处立即出现瞬时的压力降低，作为减压波源通 过管线和流体介质向泄漏点的上下游以一定的速度传播，泄漏时产生的减压波就称为负压 波。设置在泄漏点两端的传感器根据压力信号的变化和泄漏产生的负压波传播到上下游的 时间差，就可以确定泄漏位置，该方法灵敏准确，原理简单，适用性很强。我国自行研制的自 动检测系统多采用负压波原理对管道泄漏进行检测和定位，但是无论定位精度和自动化程 度都还和国外自动检测系统有很大的差距。小波变换是近年来发展起来的一种很好的信号分析手段，它具有良好的时频局域 化特性，能通过伸缩和平移对信号进行多尺度分析，能聚焦到对象的任意细节，这恰恰符合 实际问题中高频信号持续时间短，低频信号持续时间较长的自然规律。在统计学习理论基 础上发展的一种新的机器学习方法-支持向量机(Support vector machine, SVM)较好地 解决了小样本、非线性和高维模式识别等实际问题，并克服了神经网络学习方法中网络结 构难以确定、收敛速度慢、局部极小点、过学习与欠学习以及训练时需要大量数据样本等不 足，提高了学习方法的推广能力。最小二乘支持向量机(Least Squares SupportVector Machines, LSSVM)是支持向量机的一种改进，它是将传统支持向量机中的不等式约束改为 等式约束，将求解二次规划问题转化为求解线性方程组问题，提高求解问题的速度和收敛 精度。将小波理论与LSSVM方法的优势结合起来，能够进一步提高信号识别精度。经对现有的技术文献检索发现，没有发现与本专利技术主题相同或类似的文献报道。
技术实现思路
本专利技术的目的在于提供一种具有面向工程实际应用精度高、实时强的特点的信号 识别分类方法。本专利技术的目的是这样实现的步骤一小波变换降噪，首先利用小波变换的方法对含有较高噪声的原始数据进行 降噪，在数据分析中将信号分解为高频和低频信息，采用软阈值法对信号进行消噪，然后进4行信号重构；步骤二小波包分解，在继承小波变换所具有的良好时频局部化优点的同时，对多 尺度分析没有细分的高频部分进行进一步的分解；步骤三信号特征提取，在小波包分解基础上，利用小波包变换在多层分解后的不 同频带内分析信号，提取出反映系统状态的特征信息。步骤四最小二乘支持向量机(LeastSquares Support Vector Machines,LSSVM) 识别，通过非线性变换将输入信号特征向量变换到高维特征空间，然后在这个高维特征空 间求取最优线性分类面，这种非线性变换通过定义内积函数来实现，将正常状态与泄漏状 态作为输出，通过训练LSSVM，使LSSVM网络实现给定的输入输出映射关系。本专利技术的主要特点体现在(1)采用小波变换进行信号的降噪，抑制信号中夹杂着各种频率的信号和噪声，这 种方法原理简单，实现方便，有效的剔除了信号噪声。(2)使用小波包对降噪后数据进行分解，提取特征向量，可在大量数据中选出最能 表征信号特点的少数向量，作为最小二乘支持向量机的训练数据，提高了系统的工作效率， 为训练准确的LSSVM网络奠定了基础。(3)最小二乘支持向量机针对小样本训练可以很好的解决神经网络训练速度慢， 容易陷入局部极值等缺点，并且求解优化问题最终转为求解线性方程组，计算过程得到了 极大的简化。本专利技术利用小波变换具有很强的信号分析处理能力和最小二乘支持向量机小样 本学习及多维向量空间下的模式识别优点，提出一种基于小波变换和最小二乘支持向量机 的管道泄露识别技术，克服了神经网络学习中网络结构难以确定、收敛速度慢以及训练时 需要大量数据样本等不足，使其具有面向工程实际应用精度高、实时强的特点。附图说明图1信号识别分类结构图；图2小波一维信号降噪结果图；图3三层小波包分解示意图；图4支持向量机结构图。具体实施例方式下面结合附图举例对本专利技术做更详细地描述结合图1，U1为小波变换降噪，首先利用小波变换的方法对含有较高噪声的原始 数据进行降噪，在数据分析中将信号分解为高频和低频信息，为了得到较好的消噪效果，采 用软阈值法对信号进行消噪，然后进行信号重构即可达到去噪的作用；小波包分解U2在继 承小波变换所具有的良好时频局部化优点的同时，对多尺度分析没有细分的高频部分进行 进一步的分解，从而具有更好的时频特性，在理论上，小波包分解可以无限地进行下去，直 到最底层的细节中只有一个点的数据为止，但是在实际应用中，根据信号的特点和实际的 需要来决定分解的层数；信号特征提取U3是信号识别成功与否的关键所在，在小波包分解 基础上的特征提取能够捕捉到隐藏在信号中的特征信息，所提取的信号特征信息对不同的5信号具有充分的敏感性；最小二乘支持向量机识别U4通过非线性变换将输入信号特征向 量变换到高维特征空间，然后在这个高维特征空间求取最优线性分类面，这种非线性变换 通过定义内积函数来实现。结合图2，在管道压力、流量等信号中，有用的信号通常表现为低频 信号或是一些 比较平稳的信号，噪声则往往表现为高频信号，含噪声一维信号的模型可以表示成如下的 形式<formula>formula see original document page 6</formula>其中，s(k)为含噪信号，f(k)为有用信号，e(k)为噪声信号，￡为噪声系数的标准偏差。小波去噪的基本思想就是根据噪声与信号在各尺度上的小波系数具有不同表现 这一特点，将各尺度上由噪声产生的小波分量，特别是将那些噪声分量占主导地位的尺度 上的噪声分量去掉，这样保留下来的小波系数基本上就是原始信号的小波系数，然后利用 小波重构算法，重构出原信号。采用db4小波来进行噪声的消除。与小波基函数相比，分解 层数的确定，对于信号消噪的效果影响更大，分解层数过多会使信号的有用信息丟失，层数 过少降噪效果会下降。在判断信号分解层数的依据上，根据对于管道的压力信号研究，分解 到第三层为最佳，因此，对信号进行三层小波分解。在小波系数的取舍问题上，采用Donoho 提出的通用阈值算法。小波分解算法递推公式的矩阵表达形式<formula>formula see original document page 6</formula>其中，Cp A分别是由离散小波变换将信号分解成尺度函数和小波函数分量时的系 数，ho.h!分别为尺度函数系数和小波函数系数。信号的重构是信号本文档来自技高网...

【技术保护点】
一种信号识别分类方法，其特征是：步骤一小波变换降噪，首先利用小波变换的方法对含有较高噪声的原始数据进行降噪，在数据分析中将信号分解为高频和低频信息，采用软阈值法对信号进行消噪，然后进行信号重构；步骤二小波包分解，在继承小波变换所具有的良好时频局部化优点的同时，对多尺度分析没有细分的高频部分进行进一步的分解；步骤三信号特征提取，在小波包分解基础上，利用小波包变换在多层分解后的不同频带内分析信号，提取出反映系统状态的特征信息。步骤四最小二乘支持向量机识别，通过非线性变换将输入信号特征向量变换到高维特征空间，利用结构风险最小原则，在这个高维特征空间求取最优线性分类面，这种非线性变换通过定义内积函数来实现。

【技术特征摘要】

【专利技术属性】
技术研发人员：傅荟璇，于占东，李冰，王宇超，杜春洋，
申请(专利权)人：哈尔滨工程大学，
类型：发明
国别省市：93[中国|哈尔滨]