[發明專利]一種基于LMD-ICA-PNN的Φ-OTDR振動信號分類算法

有效

• 申請號: 201910708045.7
• 申請日: 2019-08-01
• 公開（公告）號: CN110472540B
• 公開（公告）日: 2020-12-29
• 發明（設計）人: 王松;胡燕祝;劉娜;熊之野
• 申請（專利權）人: 北京郵電大學
• 主分類號: G06K9/00
• 分類號: G06K9/00
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于LMD-ICA-PNN的Φ-OTDR振動信號分類方法 ，其特征在于：(1)確定相鄰極值點的平均值和包絡估計值；(2)確定剩余信號；(3)確定調頻信號和包絡信號；(4)進行LMD分解，確定第一個PF分量；(5)建立ICA數學模型；(6)構建PNN神經網絡；(7)確定輸出變量的判別函數，具體包括以下七個步驟：

步驟一：確定原始振動信號x(t)的相鄰極值點的平均值m_i和包絡估計值a_i：

式中，m_i表示相鄰極值點的平均值，a_i表示包絡估計值，n_i和n_i+1分別表示第i個和第i+1個局部極值點；

步驟二：確定剩余信號h₁₁(t)：

將m_i和a_i用折線連接起來，再利用滑動平均法對其進行平滑處理，從而得到局部均值函數m₁₁(t)和局部包絡估計函數a₁₁(t)，將局部均值函數m₁₁(t)從原始振動信號x(t)中分離出來，得到剩余信號h₁₁(t)，即：

h₁₁(t)＝x(t)-m₁₁(t)

式中，h₁₁(t)表示剩余信號，x(t)表示原始振動信號，m₁₁(t)表示局部均值函數；

步驟三：確定調頻信號s_1l(t)和包絡信號a₁(t)：

對h₁₁(t)進行解調，得到調頻信號s₁₁(t)：

式中，s₁₁(t)表示調頻信號，h₁₁(t)表示剩余信號，a₁₁(t)表示局部包絡估計函數；

重復以上步驟，直至第i+1次的局部包絡估計函數a_1(i+1)(t)滿足條件a_1(i+1)(t)＝1為止，最后得到l個局部包絡估計函數a₁₁(t)，a₁₂(t)，...，a_1l(t)和最后一次解調出的純調頻信號s_1l(t)，將所有局部包絡估計函數相乘，便可得到包絡信號a₁(t)為：

式中，a₁(t)表示包絡信號，a₁₁(t)，a₁₂(t)，...，a_1l(t)分別表示局部包絡估計函數，l表示局部包絡函數的個數，q表示當前第q個包絡函數；

步驟四：進行LMD分解，確定第一個PF分量P₁：

P₁＝a₁(t)s_1l(t)

式中，a₁(t)表示包絡信號，s_1l(t)表示調頻信號；

將第一個PF分量從原始振動信號x(t)中分離出來，得到一個新的信號u₁(t)，將u₁(t)作為新的原始信號并重復上述步驟，循環k次，直至u_k(t)滿足單調條件為止，至此，得到k個PF分量，即

P＝{P₁，P₂，...，P_k}；

步驟五：建立ICA數學模型：

P＝A·S

式中，A表示未知的混合矩陣，S＝[S₁，S₂，...，S_d]^T表示源信號，d表示源信號的維數，P＝[P₁，P₂，...，P_k]^T表示k維觀測到的信號特征向量；

最終，確定振動信號的特征向量Y：

Y＝W·P

式中，Y表示振動信號的特征向量，W表示混合矩陣A的逆矩陣，P＝[P₁，P₂，...，P_k]^T表示k維觀測到的信號特征向量；

步驟六：構建PNN神經網絡：

式中，h表示特征維數，u表示樣本的類別數，υ＝1，2，...，M表示每類樣本的樣本數，M表示每類樣本的樣本總數，Y表示輸入特征向量，Y_uv表示第u個神經元的第υ個數據，w表示平滑參數；

步驟七：確定輸出變量的判別函數H_u(Y)：

式中，M表示每類樣本的樣本總數，υ＝1，2，...，M表示每類樣本的樣本數，在輸出層，使得判別函數H_u(Y)取得最大值的類別作為樣本x(t)的分類結果。