[發明專利]一種基于確定學習和時空LZ復雜度的動態特征提取方法

在審

• 申請號: 201710844582.5
• 申請日: 2017-09-19
• 公開（公告）號: CN107657317A
• 公開（公告）日: 2018-02-02
• 發明（設計）人: 王聰;王乾
• 申請（專利權）人: 華南理工大學
• 主分類號: G06N3/08
• 分類號: G06N3/08;G06K9/00
• 代理公司: 廣州市華學知識產權代理有限公司44245
• 代理人: 李斌

技術領域

本發明涉及系統動態特征提取領域，具體涉及一種基于確定學習理論和時空Lempel-Ziv復雜度算法的非線性系統動態特征提取方法。

背景技術

在實際的工程應用中，對非線性系統產生的非線性非平穩信號進行有效的特征表達是特征提取領域重要且困難的問題。特征提取主要是通過對所采集的信號進行有效的分析和處理，提取出能反映系統當前狀態的特征信息，是后續對系統進行狀態監測和分析的前提。早期的信號處理方法如時域分析(均值、方差等)、頻域分析(傅里葉分析)，雖然簡單方便，但是只對平穩和線性的信號有作用。

在實際對象中，系統所產生的信號本質上都是非線性非平穩的，如何從這些非線性非平穩信號中得到有效的特征描述是研究者所關心的主要研究方向之一。隨著技術的發展，一些適用于非線性非平穩信號的時頻分析方法被提出，如：小波變換、Hilbert-Huang變換、局部均值分解等。一些研究者同時也提出了能用于刻畫系統非線性程度的動力學不變量特征指標，如Lyapunov指數、熵及復雜度等。

盡管上述非線性系統特征提取方法取得了一定的進展，但它們大多是基于系統的狀態軌跡對系統進行特征提取和分析。系統的狀態軌跡是指系統的狀態向量隨時間的變化在狀態空間中形成的軌跡。這樣容易導致所提取出來的特征都是系統內在的動態信息，對于實際系統中潛在的微弱系統信息(如系統的初始故障等)，系統的狀態并不能對其進行敏感的顯示，因此，只從系統狀態軌跡的角度較難識別出系統早期微弱的系統信息。因此，如何從原始系統信號中得到既包含系統狀態信息也包含系統動態信息的數據，并對這些數據進行特征表達是一個新的研究重點和難點。

發明內容

本發明的目的是針對現有技術的不足，提供了一種基于確定學習理論和時空Lempel-Ziv復雜度算法的非線性系統動態特征提取方法，所述方法通過確定學習算法對非現行動力學系統的動態進行建模，并將系統的狀態軌跡帶入到建模結果中，可得到系統的動力學軌跡，這里的系統動力學軌跡指的是動力學向量隨時間的變化在動力學空間中形成的軌跡，由于動力學軌跡是沿著系統的狀態建模得到的，因此它包含了系統狀態和內在動態的全部信息，可以從系統動力學的角度對系統進行有效和敏感的特征提取；然后使用Lempel-Ziv復雜度算法對得到的動力學軌跡進行時空復雜度特征表達，能夠準確且敏感地反映出系統所處的實際狀態。

本發明的目的可以通過如下技術方案實現：

一種基于確定學習和時空LZ復雜度的非線性系統動態特征提取方法，所述方法包括以下步驟：

(1)系統內在動態的學習：采用徑向基神經網絡，沿被測量系的狀態軌跡對系統動態進行學習訓練，所述學習訓練采用基于Lyapunov的學習方法并根據確定學習理論，實現徑向基神經網絡的權值收斂和徑向基神經網絡對系統當前狀態的內部動態逼近；

(2)獲取動力學軌跡：將步驟(1)中徑向基神經網絡權值收斂后的一段時間內各權值的均值作為學習結果進行保存，組成系統的動力學軌跡；

(3)建立時空LZ復雜度：使用常規的Lempel-Ziv復雜度算法，對系統產生的數據序列提取到的復雜度定義為時間LZ復雜度，對系統數據序列的方向導數提取到的復雜度定義為空間LZ復雜度，其中方向導數數據序列反映了系統動力學軌跡在空間上的變化速率；

(4)動態特征提取：利用步驟(3)中的時空LZ復雜度，對步驟(2)中得到的系統動力學軌跡進行復雜度特征提取，得到系統每一個狀態上時間LZ復雜度指標和空間LZ復雜度指標，然后通過均方根值，得到有效的系統時空LZ復雜度，從而在時間域和空間域上對非線性系統進行動態特征提取。

進一步地，步驟(1)中對系統當前狀態的內部動態逼近有兩種情況，一種是當系統軌跡的徑向基神經網絡的神經元滿足持續激勵條件，其權值收斂到最優值，沿系統軌跡的內部動態進行逼近；另一種是遠離系統軌跡的內部動態，其徑向基神經網絡的神經元不受激勵，其權值基本為零，因而系統軌跡的內部動態不被逼近。

進一步地，步驟(2)中所述系統的動力學軌跡是通過確定學習理論對系統的內在動態進行準確建模，將系統的狀態軌跡帶入到建模結果中得到的，并取步驟(1)中徑向基神經網絡權值收斂一段時間后的平均值作為系統內在動態的徑向基神經網絡權值。

進一步地，步驟(3)中所述時空LZ復雜度反映了一個數據序列隨著序列長度的增加出現新模式的速率，能夠定量分析復雜數據序列的有序性，復雜度值越大代表越復雜、無序、不規則的動態系統，復雜度值越小代表動態系統越規則、有序。