一种基于贝塞尔非线性变换刻度时序信号时频谱提取与识别算法制造技术

本发明专利技术涉及序列信号特征提取方法技术领域，且公开了一种基于贝塞尔非线性变换刻度时序信号时频谱提取与识别算法，通过S1~S6步骤，完成了针对序列信号输入的监测应用场景，改变了滤波器组的非线性特性，同时利用Bessel曲线的灵活性，使得在本申请中的非线性变换可以根据信号时频特征进行方便的调节，使得算法可以更加灵活的分布频谱分辨率。同时本申请采用DCNN分类方法可以更好的适应不同噪声的影响，使得本申请算法的监测更具有鲁棒性，同时更加符合监测对象的特性，通过加载训练后的模型，实现了对实时采集的时序信号进行即时分类的检测功能，深度学习模型的引入，更好地解决了复杂时序信号时频谱的特征提取和信号类别分类问题。

【技术实现步骤摘要】

本专利技术涉及时序信号特征提取方法，具体为一种基于贝塞尔非线性变换刻度时序信号时频谱提取与识别算法。

技术介绍

1、设备状态的监测与加工的监控，在智能制造背景下是一个备受关注的领域，这类应用场景包含，信号的采集、信号预处理、特征提取和模式识别。采集的数据以时序信号为主，如振动信号、声音信号、声发射信号、电机电压信号、电流信号等。在人工智能技术高度发展的时代，越来越多的序列信号识别方法引入神经网络作为模式识别方法基础，但是在此之前仍然需要对采集的原始数据进行预处理来加快神经网络模型的训练。同时也保证模型训练的有效性。

2、现有技术中提出了一种基于mfcc-cnn（mel frequency cepstral coefficient-convolutional neural networks，梅尔倒谱系数-卷积神经网络）的矿井提升机故障声学分析方法（公开号为：cn 113192532a），该申请了一种基于mfcc-cnn的矿井提升机故障声学分析方法，包括对采集的提升机运行时音频信号进行预加重、分帧、门限端点检测和加窗的预处理，之后对数据进行短时傅里本文档来自技高网...

【技术保护点】

1.一种基于贝塞尔非线性变换刻度时序信号时频谱提取与识别算法，其特征在于：具体步骤如下：

2.根据权利要求1所述的基于贝塞尔非线性变换刻度时序信号时频谱提取与识别算法，其特征在于：所述S3步骤中的短时傅里叶变化包括加窗计算和傅里叶变化计算，计算公式分别如下：

3.根据权利要求1所述的基于贝塞尔非线性变换刻度时序信号时频谱提取与识别算法，其特征在于：所述S3步骤中的Hp(k)通过下述公式计算获取：

4.根据权利要求3所述的基于贝塞尔非线性变换刻度时序信号时频谱提取与识别算法，其特征在于：所述第p个Bessel非线性变换滤波器的中心频率f[p]，通过下述公...

【技术特征摘要】

1.一种基于贝塞尔非线性变换刻度时序信号时频谱提取与识别算法，其特征在于：具体步骤如下：

2.根据权利要求1所述的基于贝塞尔非线性变换刻度时序信号时频谱提取与识别算法，其特征在于：所述s3步骤中的短时傅里叶变化包括加窗计算和傅里叶变化计算，计算公式分别如下：

3.根据权利要求1所述的基于贝塞尔非线性变换刻度时序信号时频谱提取与识别算法，其特征在于：所述s3步骤中的hp(k)通过下述公式计算获取：

4.根据权利要求3所述的基于贝塞尔非线性变换刻度时序信号时频谱提取与识别算法，其特征在于：所述第p个bessel非线性变换滤波器的中心频率f[p]，通过下述公式计算获取：

5.根据权利要求4所述的基于贝塞尔非线性变换刻度时序信号时频谱提取与识别算法，其特征在于：所述bessel曲线绘制的非线性刻度，通过下述公式计算获取：

6.根据权利要求1所述的基于贝塞尔非线性变换刻度时序信号时频谱提取与识别算法，其特征...

【专利技术属性】
技术研发人员：陈鹏，刘禹，李东亚，周志雄，何理，黄平，樊辰阳，戴飞龙，许吉辉，陆佳贝，朱玺霖，周涛，张秀恒，
申请(专利权)人：无锡斯帝尔科技有限公司，
类型：发明
国别省市：