[发明专利]振动信号特征参数识别方法

说明书

技术领域

本发明涉及安防信号处理领域，具体地，涉及一种振动信号特征参数识别方法。

背景技术

目前，人工神经网络对非线性映射具有出色的表达能力，1985年，Powell构造了多变量插值的RBF函数，1988年，Broomhead和Lowe将插值计算演绎为神经计算，将RBF应用于人工神经网络设计，构造了RBF函数网络。RBF网络是一种三层前向神经网络，隐层激活函数为径向对称核函数。输入样本传播到隐单元空间时，这组核函数构成了输入样本的一组“基”。

RBF网络结构见附图1。左端为输入层，完成将特征向量X引入网络。中间为隐含层，它与输入层完全连接，权值为1，其作用相当于对输入模式进行一次变换，将低维的模式输入数据变换到高维空间内，以利于输出层进行分类识别。隐层结点选取基函数作为转移函数，广泛使用的是高斯函数：

Φ_i(x)＝exp(-||x-c_i||²/2σ_i²),i＝1,2,…,p

式中x是n维输入向量；c_i是第j个基函数的中心，与x具有相同维数的向量；σ_i是第i个感知的变量，它决定了该基函数围绕中心点的宽度；p是隐含层节点数。||x-c_i||是向量x-c_i的范数，它表示x与c_i之间的距离；高斯函数在c_i处有一个唯一的最大值，随着||x-c_i||的增大，函数逐渐衰减到零。

在现有的振动信号特征参数识别方法中，通常直接人为地将振动信号样本划分为两组，一组用于网络训练，另一组用于网络测试。这种划分方法不能保证样本集划分的随机性，使得测试结果与样本集划分方法之间的独立性不能得到保证。从而造成现有的信号特征参数识别的精确性不够高。

发明内容

本发明的目的在于，针对上述问题，提出一种振动信号特征参数识别方法，以实现提高信号特征参数识别准确性的优点。

为实现上述目的，本发明采用的技术方案是：

一种振动信号特征参数识别方法，包括以下步骤：

步骤一、在振动信号样本集中随机选取一个样本作为当前样本点，并且将此样本放入训练集中；

步骤二、以上述当前样本点为中心，以r为半径做一个超球；

步骤三、将上述超球覆盖的上述振动信号样本集中的样本点，不包括球心样本点，放入测试集中；

步骤四、在上述步骤三中振动信号样本集中剩余的样本中再随机选取一个样本点作为当前样本点，放入训练集中；

步骤五、重复步骤二至步骤四，直至训练集中的样本数目首次超过样本集中样本数目的设定百分比，则样本集划分结束；如果训练集中的样本数没有达到样本集数目设定百分比时样本集中已经没有样本点，则减小上述超球半径r，重复步骤骤二至步骤四，直至满足条件；

步骤六、对上述步骤五完成划分的测试样本集归一化；

步骤七、计算步骤一中振动信号样本集所有样本的平均值，即中心向量，然后计算每个向量与中心向量的欧氏距离，标记出最大距离；

步骤八、构建以上述中心向量为中心点的多维正态分布，然后在上述步骤七中标记的最大距离范围内选取随机数，作为RBF人工神经网络的初始权值；

步骤九、使用上述步骤六归一化后的测试样本集对已进行权值优化的RBF人工神经网络进行训练；

步骤十、使用训练收敛的网络对上述步骤六归一化后的测试样本集进行识别。