本发明专利技术公开了一种基于HMM校正与神经网络延拓的EMD端点效应抑制方法，该方法包括以下步骤：A、利用传感器获得信号；B、利用神经网络延拓算法对信号端点内部分已知数据进行估计，计算估计误差，并对端点外数据进行预测；C、利用HMM算法对估计误差建立模型，利用模型的参数预测所用的延拓算法的延拓误差；D、利用预测误差数据对延拓数据进行校正获得最终延拓数据；E、对延拓后的信号进行经验模式分解，抛弃两端延拓数据，得到原信号的IMF分量；F、通过分析端点抑制后的IMF分量提取信号特征。本发明专利技术可以对神经网络延拓算法进行校正，降低数据延拓方法存在的误差，有效的抑制经验模式分解的端点效应。
【技术实现步骤摘要】
【专利摘要】本专利技术公开了一种基于HMM校正与神经网络延拓的EMD端点效应抑制方法，该方法包括以下步骤：A、利用传感器获得信号；B、利用神经网络延拓算法对信号端点内部分已知数据进行估计，计算估计误差，并对端点外数据进行预测；C、利用HMM算法对估计误差建立模型，利用模型的参数预测所用的延拓算法的延拓误差；D、利用预测误差数据对延拓数据进行校正获得最终延拓数据；E、对延拓后的信号进行经验模式分解，抛弃两端延拓数据，得到原信号的IMF分量；F、通过分析端点抑制后的IMF分量提取信号特征。本专利技术可以对神经网络延拓算法进行校正，降低数据延拓方法存在的误差，有效的抑制经验模式分解的端点效应。【专利说明】基于H圖校正与神经网络延拓的EMD端点效应抑制方法
本专利技术涉及信号处理
,特别涉及一种基于HMM (hidden markov modle,隐马尔科夫)校正和神经网络延拓的经验模态分解的端点效应抑制方法。
技术介绍
经验模态分解(empiricalmode decomposition,简称EMD)由 N.E.Huang提出后，因其优异的时频分析能力被广泛应用到各种信号处理领域。EMD时频分析方法的特色是使非平稳信号通过EMD分解平稳化，将不同尺度的波动或趋势逐级分解，获得本征模态函数(Intrinsic mode function,简称IMF)。既适合非线性、非平稳信号的分析,也适合于线性、平稳的信号分析。经过20多年的发展，EMD方法的理论仍在不断完善，然而其中端点效应的存在严重影响到了 EMD方法的分解效果。国内外针对端点效应提出了一些抑制的方法，其中一部分是利用数据预测延拓技术抑制端点效应的。较为普遍的方法有:利用神经网络建模对数据序列进行延拓的技术；应用自回归模型处理端点效应问题和利用支持向量回归机的数据预测延拓技术来抑制端点效应。这些方法对抑制端点效应都有一定的效果，但仍然存在着各自的局限性，其主要原因是由于非线性、非平稳信号是一个不确定的信号，无规律可循，所以无法准确预测它将要出现的信号值，只能借助一些现有算法对其进行估计，因此就会存在估计误差。研究发现实际序列与估计序列之间的估计误差是属于一个双随机过程，一方面，数据预测算法对真实数据的预测能力不同，预测数据与真实数据比较存在三种情况:偏高、正常、或偏低。另一方面，数据偏高、正常或偏低的表现范围不同，偏高可能是稍稍偏高，也可能是偏离很多，偏低也存在同样情况，预测误差服从特定的概率分布。若能从各预测算法的预测数据中找到预测误差的变化规律，就可以对估计预测误差和预测数据进行修正。
技术实现思路
本专利技术所要解决的问题是克服现有技术解决经验模式分解的端点效应的缺陷，提供一种基于HMM校正与神经网络延拓的EMD端点效应抑制方法。为了实现上述目的，本专利技术是通过以下技术方案实现的:一种基于HMM校正和神经网络延拓的EMD端点效应抑制方法，所述方法包括以下步骤:A、利用传感器采集获得振动信号；B、利用神经网络延拓算法对信号端点内部分已知数据进行估计，计算估计误差，并对端点外数据进行预测；所述步骤B具体包括如下内容:B1、用神经网络预测技术对端点以外的数据进行预测，得到预测序列.9B2、利用所选用的预测技术对已知的端点内部分数据进行估计，得到估计数据；B3、用真实数据减去B2得到的估计数据得到估计误差序列et。C、利用HMM算法对估计误差建立模型，利用模型的参数预测所用的延拓算法的延拓误差;所述步骤C具体包括如下内容:Cl、利用HMM对估计误差序列et进行学习前，先对误差序列进行预处理，利用聚类算法将观测数据分为五类:偏高值较大、偏高值较小、较接近真实数据、偏低值较大和偏低值较小与偏低值较大五类数据，并分别用1、2、3、4、5来代表；C2、对处理过的数据进行学习，建立HMM模型，得到误差序列模型参数λ =(A, B, );式中A为状态转移概率矩阵，B为观测值概率矩阵，Π为初始状态概率分布；C3、根据下面公式预测延拓序列的误差，【权利要求】1.一种基于HMM校正和神经网络延拓的EMD端点效应抑制方法，其特征在于:所述方法包括以下步骤: A、利用传感器采集获得振动信号； B、利用神经网络延拓算法对信号端点内部分已知数据进行估计，计算估计误差，并对端点外数据进行预测； C、利用HMM算法对估计误差建立模型，利用模型的参数预测所用的延拓算法的延拓误差; D、利用预测误差数据对延拓数据进行校正获得最终延拓数据， 利用得到的预测误差序列_对预测延拓序列&进行校正，校正公式为: 2.一种基于HMM校正和神经网络延拓的EMD端点效应抑制方法，其特征在于:所述步骤B具体包括如下内容: B1、用神经网络预测技术对端点以外的数据进行预测，得到预测序列i B2、利用所选用的预测技术对已知的端点内部分数据进行估计，得到估计数据； B3、用真实数据减去B2得到的估计数据得到估计误差序列et。3.一种基于HMM校正和神经网络延拓的EMD端点效应抑制方法，其特征在于:所述步骤C具体包括如下内容: Cl、利用HMM对估计误差序列et进行学习前，先对误差序列进行预处理，利用聚类算法将观测数据分为五类:偏高值较大、偏高值较小、较接近真实数据、偏低值较大和偏低值较小与偏低值较大五类数据，并分别用1、2、3、4、5来代表； C2、对处理过的数据进行学习，建立HMM模型，得到误差序列模型参数λ= (A, B, π)；式中A为状态转移概率矩阵，B为观测值概率矩阵，Π为初始状态概率分布； C3、根据下面公式预测延拓序列的误差， 4.一种基于HMM校正和神经网络延拓的EMD端点效应抑制方法，其特征在于:所述步骤E具体包括如下内容: E1、将校正以后的延拓序列与原信号组成新的信号y(t)； E2、确定y(t)的所有局部极值点，用三次样条线将所有的局部极大值点连接起来形成上包络线，用三次样条线将所有的局部极小值点连接起来形成下包络线，使两条包络线间包含所有的信号数据； E3、计算所述上包络线与所述下包络线的平均值m(t)； E4、从信号x(t)中减去m(t),得h (t)； E5、判断h(t)是否满足IMF的条件，如果是，则h(t)为信号x(t)的第I个MF分量；否贝U，将h (t)作为待分解信号重复步骤C1、C2和C3，直到满足MF的条件，记该值为imfp则Imf1为信号x(t)的第1个IMF分量； E6、从x(t)中减去imfp得到r (t)；将r (t)作为待分解信号重复步骤E2至E5，得到信号.价)的第2个MF分量imf2，重复循环η次，得到信号x(t)的n个IMF分量；当rn(t)成为单调函数时，停止循环，得到被分解为η个本征模函数和一个趋势项的信号 【文档编号】G06N3/02GK103440226SQ201310256239【公开日】2013年12月11日 申请日期:2013年6月26日 优先权日:2013年6月26日 【专利技术者】孟宗, 闫晓丽, 樊凤杰 申请人:燕山大学本文档来自技高网...
【技术保护点】
一种基于HMM校正和神经网络延拓的EMD端点效应抑制方法，其特征在于：所述方法包括以下步骤：A、利用传感器采集获得振动信号；B、利用神经网络延拓算法对信号端点内部分已知数据进行估计，计算估计误差，并对端点外数据进行预测；C、利用HMM算法对估计误差建立模型，利用模型的参数预测所用的延拓算法的延拓误差；D、利用预测误差数据对延拓数据进行校正获得最终延拓数据，利用得到的预测误差序列对预测延拓序列进行校正，校正公式为：Y^t=y^t+e^t其中为经HMM校正后的延拓序列，t为时间；E、对延拓后的信号进行经验模式分解，抛弃两端延拓数据，得到原信号的IMF分量；F、通过分析端点抑制后分解的IMF分量提取信号特征。FDA00003407322600012.jpg,FDA00003407322600013.jpg,FDA00003407322600014.jpg
【技术特征摘要】
【专利技术属性】
技术研发人员：孟宗，闫晓丽，樊凤杰，
申请(专利权)人：燕山大学，
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。