[发明专利]一种基于LMD-ICA-PNN的Φ-OTDR振动信号分类算法

摘要

本发明涉及基于LMD‑ICA‑PNN的Φ‑OTDR振动信号分类算法，是一种对振动信号进行识别分类的方法，属于信号处理与机器学习领域，其特征在于采用如下步骤：(1)确定相邻极值点的平均值和包络估计值；(2)确定剩余信号；(3)确定调频信号和包络信号；(4)进行LMD分解，确定第一个PF分量；(5)建立ICA数学模型；(6)构建PNN神经网络；(7)确定输出变量的判别函数。本发明克服了小波分解自适应较差和EMD分解的模态混叠与端点效应问题，利用PNN神经网络可以用线性学习算法完成非线性学习算法的优势，与LMD相结合，取得了较高的分类准确率。为振动信号识别分类领域提供了一种拥有较高分类准确率的方法。

主权项

1.本发明特征在于：(1)确定相邻极值点的平均值和包络估计值；(2)确定剩余信号；(3))确定调频信号和包络信号；(4)进行LMD分解，确定第一个PF分量；(5)建立ICA数学模型；(6)构建PNN神经网络；(7)确定输出变量的判别函数；具体包括以下七个步骤：/n步骤一：确定原始振动信号x(t)的相邻极值点的平均值m_i和包络估计值a_i：/n /n /n式中，m_i表示相邻极值点的平均值，a_i表示包络估计值，n_i和n_i+1分别表示第i个和第i+1个局部极值点；/n步骤二：确定剩余信号h₁₁(t)：/n将m_i和a_i用折线连接起来，再利用滑动平均法对其进行平滑处理，从而得到局部均值函数m₁₁(t)和局部包络估计函数a₁₁(t)，将局部均值函数m₁₁(t)从原始振动信号x(t)中分离出来，得到剩余信号h₁₁(t)，即：/nh₁₁(t)＝x(t)-m₁₁(t)；/n式中，h₁₁(t)表示剩余信号，x(t)表示原始振动信号，m₁₁(t)表示局部均值函数；/n步骤三：确定调频信号s_1l(t)和包络信号a₁(t)：/n对h₁₁(t)进行解调，得到调频信号s₁₁(t)：/n /n式中，s₁₁(t)表示调频信号，h₁₁(t)表示剩余信号，a₁₁(t)表示局部包络估计函数；/n重复以上步骤，直至第i+1次的局部包络估计函数a_1(i+1)(t)满足条件a_1(i+1)(t)＝1为止，最后得到l个局部包络估计函数a₁₁(t)，a₁₂(t)，...，a_1l(t)和最后一次解调出的纯调频信号s_1l(t)，将所有局部包络估计函数相乘，便可得到包络信号a₁(t)为：/n /n式中，a₁(t)表示包络信号，a₁₁(t)，a₁₂(t)，...，a_1l(t)分别表示局部包络估计函数，l表示局部包络函数的个数，q表示当前第q个包络函数；/n步骤四：进行LMD分解，确定第一个PF分量P₁：/nP₁＝a₁(t)s_1l(t)；/n式中，a₁(t)表示包络信号，s_1l(t)表示调频信号；/n将第一个PF分量从原始振动信号x(t)中分离出来，得到一个新的信号u₁(t)，将u₁(t)作为新的原始信号并重复上述步骤，循环k次，直至u_k(t)满足单调条件为止，至此，得到k个PF分量，即P＝{P₁，P₂，...，P_k}；/n步骤五：建立ICA数学模型：/nP＝A·S：/n式中，A表示未知的混合矩阵，S＝[S₁，S₂，...，S_d]^T表示源信号，d表示源信号的维数，P＝[P₁，P₂，...，P_k]^T表示k维观测到的信号特征向量；/n最终，确定振动信号的特征向量Y：/nY＝W·P：/n式中，Y表示振动信号的特征向量，W表示混合矩阵A的逆矩阵，P＝[P₁，P₂，...，P_k]^T表示k维观测到的信号特征向量；/n步骤六：构建PNN神经网络：/n /n式中，h表示特征维数，u表示样本的类别数，v＝1，2，...，M表示每类样本的样本数，M表示每类样本的样本总数，Y表示输入特征向量，Y_uv表示第u个神经元的第v个数据，w表示平滑参数；/n步骤七：确定输出变量的判别函数H_u(Y)：/n /n式中，M表示每类样本的样本总数，v＝1，2，...，M表示每类样本的样本数，在输出层，使得判别函数H_u(Y)取得最大值的类别作为样本x(t)的分类结果。/n