[發(fā)明專利]基于自適應啁啾小波濾波的聯(lián)合特征提取與分類方法

有效

• 申請?zhí)枺?/td>: 201910549365.2
• 申請日: 2019-06-24
• 公開（公告）號: CN110297238B
• 公開（公告）日: 2023-03-31
• 發(fā)明（設計）人: 郭尊華;李怡霏
• 申請（專利權）人: 山東大學
• 主分類號: G01S13/89
• 分類號: G01S13/89;G01S7/41
• 代理公司: 北京科龍寰宇知識產(chǎn)權代理有限責任公司 11139
• 代理人: 孫皓晨

1.一種基于自適應啁啾小波濾波的聯(lián)合特征提取與分類方法，其特征在于自適應啁啾小波濾波器基于多層神經(jīng)網(wǎng)絡結構，輸入層通過啁啾小波原子變換實現(xiàn)目標信號的特征提取，輸出層由自適應濾波算法完成特征分類，識別方法包括以下步驟：

步驟S1：離線訓練自適應啁啾小波濾波器；

步驟S2：利用步驟S1得到的自適應啁啾小波濾波器對目標進行特征提取與分類，輸出識別結果；

其中，步驟S1包括子步驟S11：輸入訓練樣本向量x_n；隨機初始化自適應啁啾小波濾波器的啁啾小波原子參數(shù)集β_k＝{u_k,ξ_k,s_k,c_k}；初始化濾波器權值w_km＝1；

其中，n＝1,2,...,N為樣本數(shù)，k＝1,2,…,K為輸入層原子數(shù)，m＝1,2,…,M為輸出層節(jié)點數(shù)；β_k＝{u_k,ξ_k,s_k,c_k}包括時移參數(shù)u_k、頻移參數(shù)ξ_k、尺度參數(shù)s_k和線性調(diào)頻率c_k；w_km為輸入層與輸出層之間的抽頭權重，

在子步驟S11之后，步驟S1還包括子步驟S12：

子步驟S12：包括子步驟S12A-S12B；

子步驟S12A：根據(jù)公式1，根據(jù)時間序列t_l和啁啾小波原子參數(shù)集β_k，來計算啁啾小波原子，

并據(jù)此形成啁啾小波原子向量

其中，上標T為矩陣轉置，l＝1,2,…,L為樣本長度，e為自然常數(shù)；

其中，啁啾小波原子參數(shù)集β_k能從子步驟S11得到；

子步驟S12B：根據(jù)公式2，利用在子步驟S12A中得到的啁啾小波原子向量c_k及在子步驟S11中輸入的訓練樣本向量x_n，計算所有樣本在每個原子節(jié)點的特征值即c_k與x_n的向量內(nèi)積絕對值：

其中，由于一維高分辨率距離像數(shù)據(jù)x_n＝[x_n(t₁),x_n(t₂),…,x_n(t_l)]^T為離散信號，且為實數(shù)，故公式2中的積分式可變?yōu)榍蠛褪剑鋸蛿?shù)部分只取實部，

在子步驟S12之后，步驟S1還包括：

子步驟S13：將從子步驟S12B所得到的樣本的特征值輸入自適應濾波器，根據(jù)公式3，計算輸出層的輸出結果y_nm：

其中，n＝1,2,...,N為樣本數(shù)，m＝1,2,...,M為輸出層節(jié)點數(shù)，k＝1,2,...,K為輸入層原子數(shù)，l＝1,2,...,L為樣本長度；x_n(t_l)為輸入樣本序列，即目標的一維高分辨率距離像。

2.如權利要求1所述的基于自適應啁啾小波濾波的聯(lián)合特征提取與分類方法，其特征在于，在子步驟S13之后，步驟S1還包括子步驟S14：

子步驟S14：包括子步驟S14A-S14B；

子步驟S14A：令樣本的期望輸出d_nm為1或-1；d_nm為1表示屬于預設的目標；d_nm為-1表示不屬于預設的目標；

子步驟S14B：根據(jù)期望輸出d_nm和實際輸出y_nm，利用公式4，計算均方誤差E：