[發(fā)明專利]基于HMM校正與神經(jīng)網(wǎng)絡延拓的EMD端點效應抑制方法

在審

• 申請?zhí)枺?/td>: 201310256239.0
• 申請日: 2013-06-26
• 公開（公告）號: CN103440226A
• 公開（公告）日: 2013-12-11
• 發(fā)明（設計）人: 孟宗;閆曉麗;樊鳳杰
• 申請（專利權）人: 燕山大學
• 主分類號: G06F17/10
• 分類號: G06F17/10;G06N3/02
• 代理公司: 石家莊一誠知識產權事務所 13116
• 代理人: 李合印

1.一種基于HMM校正和神經(jīng)網(wǎng)絡延拓的EMD端點效應抑制方法，其特征在于：所述方法包括以下步驟：

A、利用傳感器采集獲得振動信號；

B、利用神經(jīng)網(wǎng)絡延拓算法對信號端點內部分已知數(shù)據(jù)進行估計，計算估計誤差，并對端點外數(shù)據(jù)進行預測；

C、利用HMM算法對估計誤差建立模型，利用模型的參數(shù)預測所用的延拓算法的延拓誤差；

D、利用預測誤差數(shù)據(jù)對延拓數(shù)據(jù)進行校正獲得最終延拓數(shù)據(jù)，

利用得到的預測誤差序列對預測延拓序列進行校正，校正公式為：

Y^t=y^t+e^t]]>

其中為經(jīng)HMM校正后的延拓序列，t為時間；

E、對延拓后的信號進行經(jīng)驗模式分解，拋棄兩端延拓數(shù)據(jù)，得到原信號的IMF分量；

F、通過分析端點抑制后分解的IMF分量提取信號特征。

2.一種基于HMM校正和神經(jīng)網(wǎng)絡延拓的EMD端點效應抑制方法，其特征在于：所述步驟B具體包括如下內容：

B1、用神經(jīng)網(wǎng)絡預測技術對端點以外的數(shù)據(jù)進行預測，得到預測序列y^t^;]]>

B2、利用所選用的預測技術對已知的端點內部分數(shù)據(jù)進行估計，得到估計數(shù)據(jù)；

B3、用真實數(shù)據(jù)減去B2得到的估計數(shù)據(jù)得到估計誤差序列e_t。

3.一種基于HMM校正和神經(jīng)網(wǎng)絡延拓的EMD端點效應抑制方法，其特征在于：所述步驟C具體包括如下內容：

C1、利用HMM對估計誤差序列e_t進行學習前，先對誤差序列進行預處理，利用聚類算法將觀測數(shù)據(jù)分為五類：偏高值較大、偏高值較小、較接近真實數(shù)據(jù)、偏低值較大和偏低值較小與偏低值較大五類數(shù)據(jù)，并分別用1、2、3、4、5來代表；

C2、對處理過的數(shù)據(jù)進行學習，建立HMM模型，得到誤差序列模型參數(shù)λ=（A,B,π）；式中A為狀態(tài)轉移概率矩陣，B為觀測值概率矩陣，π為初始狀態(tài)概率分布；

C3、根據(jù)下面公式預測延拓序列的誤差，

e^t=Σj=1QΣi=1Oat-1,jbj,iHi]]>

式中，e_t為t時刻延拓序列的預測誤差值，a_t-1，j為t-1時刻的狀態(tài)向第j個狀態(tài)轉移的概率，b_j，i為在j狀態(tài)時第i個觀測值出現(xiàn)的概率，H_i為第i個觀測值，Q為隱狀態(tài)數(shù)目，O為觀察值數(shù)目，且滿足1≤i≤O，1≤j≤Q。

4.一種基于HMM校正和神經(jīng)網(wǎng)絡延拓的EMD端點效應抑制方法，其特征在于：所述步驟E具體包括如下內容：

E1、將校正以后的延拓序列與原信號組成新的信號y(t)；

E2、確定y(t)的所有局部極值點，用三次樣條線將所有的局部極大值點連接起來形成上包絡線，用三次樣條線將所有的局部極小值點連接起來形成下包絡線，使兩條包絡線間包含所有的信號數(shù)據(jù)；

E3、計算所述上包絡線與所述下包絡線的平均值m(t)；

E4、從信號中減去m(t)，得h(t)；

E5、判斷h(t)是否滿足IMF的條件，如果是，則h(t)為信號的第1個IMF分量；否則，將h(t)作為待分解信號重復步驟C1、C2和C3，直到滿足IMF的條件，記該值為imf₁，則imf₁為信號的第1個IMF分量；

E6、從中減去imf₁，得到r₁(t)；將r₁(t)作為待分解信號重復步驟E2至E5，得到信號的第2個IMF分量imf₂，重復循環(huán)n次，得到信號的n個IMF分量；當r_n(t)成為單調函數(shù)時，停止循環(huán)，得到被分解為n個本征模函數(shù)和一個趨勢項的信號x^(t)=Σj=1nimfj+rn(t);]]>

E7、對得到的IMF進行處理，截去延長部分的數(shù)據(jù)，得到與原始信號相對應的IMF分量。