[發明專利]一種基于小波核極限學習機的昆蟲刺吸電位波形識別方法

在審

• 申請號: 202210059466.3
• 申請日: 2022-01-19
• 公開（公告）號: CN114417925A
• 公開（公告）日: 2022-04-29
• 發明（設計）人: 吳莉莉;白潤娥;李靜靜;邢玉清;潘建斌;趙晨晨;湯清波;盧少華;閆鳳鳴
• 申請（專利權）人: 河南農業大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 鄭州優盾知識產權代理有限公司 41125
• 代理人: 栗改

1.一種基于小波核極限學習機的昆蟲刺吸電位波形識別方法，其特征在于，包括以下步驟：

步驟(1)：對采集的EPG信號進行預處理，利用改進閾值量化方法去除預處理后的EPG信號的噪聲，得到去噪后的EPG波形；

步驟(2)：利用非線性共振模型對去噪后的EPG波形進入增強，得到增強EPG波形；

步驟(3)：對增強EPG波形進行特征提取，融合提取的特征組建成特征向量；

步驟(4)：將特征向量輸入小波核極限學習機進行分類識別，得到波形識別結果。

2.根據權利要求1所述的基于小波核極限學習機的昆蟲刺吸電位波形識別方法，其特征在于，所述的步驟(1)中，EPG信號的預處理包括自動分幀和改進小波閾值去噪；所述自動分幀為通過加窗對采集的EPG信號分幀，每幀長度為1024，計算每幀的功率譜密度；改進小波閾值去噪的方法為：對分幀后的信號進行小波變換，小波基函數選用Sym4小波，6層分解。把小波分解的第1層高頻系數置零，去除工頻干擾；把第6層的低頻系數置零，去除基線漂移；對小波分解第2～5層的高頻系數，先在Stein無偏風險估計準則下獲得閾值，再利用改進閾值量化方法對這幾層的系數進行閾值量化，去除白噪聲。

3.根據權利要求2所述的基于小波核極限學習機的昆蟲刺吸電位波形識別方法，其特征在于，所述改進閾值量化方法的量化公式為：

式中，θ為閾值，I(·)是單位函數，sgn(·)是符號函數，λ為調節參數；為閾值處理后的小波系數，x為小波系數，通過調節參數λ可得到最佳去噪效果。

4.根據權利要求1或3所述的基于小波核極限學習機的昆蟲刺吸電位波形識別方法，其特征在于，所述非線性共振模型為：

式中，x(t)是去噪后的EPG波形，z代表快變的生物神經元膜電壓，y為慢變的恢復變量，τ為時間常數，y和z為增強的信號；A為臨界閾值常數，n(t)為高斯白噪聲，a，b為可調參數。

5.根據權利要求4所述的基于小波核極限學習機的昆蟲刺吸電位波形識別方法，其特征在于，所述去噪后的EPG波形x(t)取離散值X(n)，即，系統參數τ＝0.03，a＝0.8，b＝0.25，A＝0.35mV，當高斯白噪聲n(t)中的噪聲強度取值為0.085時，神經元動作電位發放較多，與輸入信號間有較好的相關性，出現了“共振”，可增強信號。

6.根據權利要求1或4所述的基于小波核極限學習機的昆蟲刺吸電位波形識別方法，其特征在于，所述的步驟(3)中提取增強EPG波形的特征，包括小波能量特征，分形特征和時頻變換特征，所述分形特征包括盒維數和Hurst指數，時頻變換特征包括HHT中的譜質心和加權頻率值；將提取的增強EPG波形中的小波能量、分形特征和時頻變換特征串聯融合成一個6維特征向量。

7.根據權利要求6所述的基于小波核極限學習機的昆蟲刺吸電位波形識別方法，其特征在于，所述小波能量特征的提取方法為：

(1)對增強EPG波形進行i層小波分解，得到第i層小波系數第j個小波分解系數C_i,j；i取值從1到6；每層的小波系數的個數是不同的，每分解一層，系數的個數減半；

(2)計算各分解層的平均能量分布：將某層的小波分解系數先平方再求和，即第i層小波系數的小波能量：其中，i為小波分解層數，L_i為第i層小波系數的長度。

(3)篩選得到的各層小波系數的平均能量，組建特征向量。