当前位置:文档之家› 车辆振动信号的特征提取方法比较

车辆振动信号的特征提取方法比较

车辆振动信号的特征提取方法比较
车辆振动信号的特征提取方法比较

第37卷 第4期吉林大学学报(工学版) Vol.37 No.4 2007年7月Journal o f Jilin U niv ersity(Engineering and T echnolo gy Edition) July2007车辆振动信号的特征提取方法比较

廖庆斌1,李舜酩1,覃小攀2

(1.南京航空航天大学能源与动力学院,南京210016; 2.吉林大学汽车工程学院,长春130022)

摘 要:针对用于车辆振动信号分析的常用方法:小波分析方法和H ilbert H uang变换方法,以及作者新近提出的时序多相关 经验模式分解方法,通过仿真对比分析了它们各自的特点以及它们在振动信号特征提取中的适用性。非线性信号的仿真分析表明,在没有噪声或分析对象背景噪声较小的情况下,后两种方法能提取到特征信号,小波分析不适合非线性信号的分析;在强背景噪声下,前两种方法均不能得到满意的特征信息,而时序多相关 经验模式分解方法能提取到所需的目标信息。最后将时序多相关 经验模式分解方法用于某特种车辆特征信号的提取,得到了满意的结果,验证了该方法在车辆振动信号特征提取中的有效性。

关键词:信息处理技术;振动信号;特征提取;小波分析;H ilbert H uang变换;时间序列多相关;经验模式分解

中图分类号:T N911;U270 文献标识码:A 文章编号:1671 5497(2007)04 0910 06

Comparison of feature extraction methods of vehicle vibration signal

Liao Qing bin1,Li Shun m ing1,Qin Xiao pan2

(1.College of E ner gy and P ower E ngineer ing,N anj ing Univer sity of A er onautics and A s tronautics,N anj ing210016, China;2.College of A uto motiv e Engineer ing,J ilin Univ er sity,Changchun130022,China)

Abstract:The v ibration signals o f a vehicle alw ay s car ry the dynamic info rmation of the vehicle.These signals are very useful for the health monitoring and fault diag no sis.H ow ever,in many cases, because these sig nals have v ery low signal to no ise ratio(SNR),to ex tract feature co mpo nents beco mes difficult and the applicability of info rmation drops dow n.T he characters of feature extraction of vibration signal w er e compared,among the tw o popular m ethods named w avelet analy sis(WA)and H ilbert H uang translatio n(H H T)and the multi correlatio n o f tim e series and empirical mo de decom po sitio n(M CT S EM D),via simulation.And the applicability of them w as analyzed using the simulatio n signal.The H H T and M CTS EM D can extract the feature signal in no interference of noise or the SNR is a larg e number,w hile the WA is not suit for the featur e ex tr actio n o f nonlinear signal. In the str ong backgro und noise,the WA and H H T can not w ork w ell,contrasting them;the M CTS EM D can ex tract the w anted object inform ation.A t last,T he M CTS EM D method w as used to ex tract the featur e sig nal of som e special vehicle,a satisfactor y result can be g et,this validity of MCT S EMD w as validated in the feature ex traction of v ehicle vibration sig nal.

Key words:info rmatio n processing;v ibration signal;feature extraction;w avelet analy sis;H ilbert H uang

收稿日期:2006 06 22.

基金项目:航空科学基金资助项目(04I52066);国家自然科学基金资助项目(50675099).

作者简介:廖庆斌(1979 ),男,博士研究生.研究方向:振动、噪声的分析与控制.E mail:qb_liao@https://www.doczj.com/doc/aa2270660.html, 通讯联系人:李舜酩(1962 ),男,教授,博士生导师.研究方向:振动噪声分析与控制,现代信号处理,转子振动监测与诊断.E ma il:lishunm ing69@https://www.doczj.com/doc/aa2270660.html,

第4期廖庆斌,等:车辆振动信号的特征提取方法比较tr anslation;multi correlatio n of time series;em pirical mode decomposition

作者就目前广泛应用于振动、噪声信号分析

中的两种方法:小波分析(Wavelet Analy sis,

WA)方法和H ilbert H uang变换(H ilbert H uang

Translation,H H T)方法以及作者提出的时序多

相关 经验模式分解(M ulti Co rrelation of T ime

Series and Em pirical M ode Deco mposition,

MCT S EMD)方法[1]进行了对比分析。首先通过

仿真信号考察3种方法在信号特征提取中的有效

性,然后检验它们在噪声背景下对信号的分析能

力,找出它们在信号特征提取中的各自特点。最

后将M CTS EM D应用到某特种车辆振动信号的

特征提取当中,考察该方法在实际车辆运行中振

动信号分析的可行性。

1 三种方法概述

小波分析,就是利用小波函数系,即通过基本小波函数在不同尺度的伸缩和平移,来表示或者逼近信号。小波分析方法在机械系统振动、噪声信号的分析及其特征提取中得到了广泛的应用[2,3];H H T是H uang等[4,5]于1998年提出的一种全新的信号处理方法,其核心是经验模式分解(Em pirical Mo de Decomposition,EMD)。

H H T及其改进方法在振动、噪声信号的分析中已经得到了若干应用[6,7]。

MCT S EMD方法是在EMD的基础上发展起来的一种信号特征提取方法。目的是为了弥补在强噪声背景下,H H T不能有效的提取到机械系统振动信号中所需特征信息的不足。为了使得文献[1]中的方法能够应用到非平稳车辆信号的特征提取,在应用M CT S EM D时,先取采样得到的一段时间序列,对其做多个周期的延拓,这样得到具有循环平稳特性的时间序列,然后对延拓得到的时间序列应用M CTS EM D方法提取其特征信号。

在不减少原信号中信息量的同时,通过MCT S前处理,达到去除噪声干扰的目的,再通过相关性选择并依据确定的阈值,以达到选取各个真实IM F分量的目的,确保对信号特征成分的准确提取。

2 仿真信号分析

车辆运行时,受路面激励、风激励以及车辆运行时各种传动部件激励等的影响,其振动信号往往是各种复杂的调制信号。在此,作者构造调幅 调频信号以及含噪声情况的调幅 调频信号进行仿真,然后对它们分别进行WA、H H T分析以及MCT S EMD分析。

2.1 不含噪声的调幅 调频信号分析

考虑到车辆振动信号的复杂性,构造如下的调幅 调频的非线性信号:

s1(t)=[1+sin(5 t)]co s[20( )t+

0.2sin(10 t)]+sin(80 t)(1) 文献[8]对与式(1)描述类似的时间序列给出了详细的数学分析。由式(1)描述的时间序列图如图1所示,下面对这一信号分别做WA、H H T 以及M CTS EM D分析。

图1 仿真信号无噪声情况下的时间序列图Fig.1 Time series of simulation signal in no noise

根据文献[9]的分析,选用正交小波中的Daubechies小波作为小波基函数,并采用MAT LAB小波工具箱中的db10对由式(1)给出的时间序列做5层小波分解,然后对得到的细节信号进行重构,再对重构得到的信号做边际谱分析,得到如图2所示的边际谱图。

图2 无噪声时由WA得到的边际谱

Fig.2 Marginal spectrum from WA in no noise

对式(1)给出的时间序列做H H T分析,得到的边际谱如图3所示。接下来再对由式(1)给出的时间序列做M CT S EMD分析,得到的边际谱如图4所示。

从图2的特征信号成分可以看出,小波分析

911

吉林大学学报(工学版)第37

图3 无噪声时由HHT 得到的边际谱Fig.3 Marginal spectrum f rom HHT in no

noise

图4 无噪声情况下由MC TS EMD 得到的边际谱Fig.4 Marginal spectrum from MC TS EMD in no noise

不能从式(1)确定的时间序列得到正确的特征信号成分,这主要是由于小波分析本身是一种线性信号的分析方法,并不适合分析像式(1)那样的非线性信号。

图3和图4的特征信号成分都能正确地反应式(1)的特性。H H T 分析明确地表达了特征信号的瞬时频率变化,且谐波分量(40H z 频率分量)表达的也非常明确。从图4中可知,M CTS EM D 分析同样具有好的效果。2.2 噪声情况下的调幅 调频信号分析

将零均值的噪声加入到由式(1)构造的调幅 调频信号中,得到下式:

s 2(t)=[1+sin (5 t)]co s [20( )t +

0.2sin (10 t)]+sin (80 t)+n(t)

(2)

式中:n(t)为零均值、方差为25的随机噪声。由式(2)描述的一段时间序列如图5所示,分别对它做WA 、H H T 以及M CTS EMD 分析。

由WA 方法得到的边际谱如图6。对由式(2)得到的时间序列做H H T 分析,得到的边际谱如图7所示。由MCT S EMD 方法处理得到的边际谱如图8所示。

从图6可知,由于WA 本身的特点以及仿真信号中加入的噪声信号,使得特征信号成分中出现了较多的虚假谐波分量。

在由H H T 分析得到的图7中,由于仿真信

图5 噪声情况下仿真信号的时间序列图Fig.5 Time series of simulation signal in

the condition of noise

图6 有噪声时由WA 得到的边际谱Fig.6 M arginal spectrum from WA in the

condition of noise

图7 有噪声时由HHT 得到的边际谱Fig.7 Marginal spectrum from HHT in the

condition of noise

图8 有噪声情况下由MC TS EMD 得到的边际谱Fig.8 Marginal spectrum f rom MCTS EMD

in the condition of noise

号加入了零均值噪声,使得特征信号中同样出现了较多的虚假谐波分量,因而从图7中不能得到有效的特征信号成分。图8中,出现了和无噪声情况一样的特征信号成分,这表明了M CTS EMD 分析方法同样能提取到特征信号成分,具有很好的鲁棒性。

912

第4期

廖庆斌,等:车辆振动信号的特征提取方法比较

2.3 仿真结果分析

从图2和图6可以看出,小波分析不仅不能有效地提取非线性信号中的特征信号成分,而且在强背景噪声下也不能有效地提取到信号中的特征信号成分。由图3和图7可知,当仿真信号中加入零均值的强噪声时,H H T 方法不能有效地

提取到信号中的特征信号成分。同样,通过图4和图8的对比可以知道,当仿真信号中加入强的零均值噪声时,M CTS EM D 分析方法能够提取到信号中的特征成分。

结合3种方法的基本原理及以上分析,将它们各自的特点进行归纳,如表1所示。

表1 3种方法的原理和特点

Table 1 Principle and characterization of three methods

方法

基本原理

特点

优点

缺点

W A

首先通过确定的小波基函数对时间序列做小波分解,然后对重构后的细节分量做H ilbert 变换的边际谱分析,以得到相应的特征信号。

建立在完备的数学基础

之上,分解之后的各个分量能完全正交,可以避免冗余数据的引入。

对具体情况,难于选择合适的小波

基函数。基函数一旦选定,具有不变性。适宜于线性信号的分析,对非平稳信号易产生虚假谐波,不适合用于非线性信号的分析。

HH T

假设信号是由一系列IM F 函数组成,通过EM D 分解,将信号表达为若干个IM F 分量和一个余量的和,然后通过做H ilbert 变换的边际谱分析得到相应的特征信号。

对不同的信号,可以自适

应的选择分解基函数,得到相应的IM F 分量。对非线性信号具有很好的分解能力。 建立在经验之上的分解方法,没有

充分的数学基础。由于分解过程的自适应性,使得其对噪声敏感,故对同一故障,可能得到不同的IM F 分量。

M CT S EM D

首先对时序序列做多相关处理,

再对得到的多相关序列做E M D,再通过设定的阈值对得到的IM F 分量做相关性选择,然后对选择得到的IM F 分量做Hilber t 变换的边际谱分析得到相应的特征信号。

预先对时间序列做多相

关分析,可克服噪声对后继分解过程的影响,使得分解具有很强的鲁棒性。分解后的相关性选择,可以避免由于EM D 而生成的虚假谐波。

时序多相关分析增加了分析的计算量。

3 实际应用

车辆振动信号往往混叠有噪声信号,而对于特种车辆,由于恶劣的工作条件,使得振动信号中的信噪比往往很小,所以车辆振动信号的特征提取难度很大。作者尝试用M CT S EMD 方法来提取某特种车辆工作时,测量得到的振动信号中的

特征信号成分。

图9 特种车工作时测量得到的振动信号Fig.9 Vibration signal measured form special

vehicle at working condition

图9是该特种车辆在某次高级公路路面上,

以40~80km/h 的车速行驶时采集的一段车辆振动信号。

图10 时序多相关处理后得到的一段时间序列Fig.10 Time series form tri correlation of period of time

应用M CTS EM D 方法得到的信号的特征成分如图10所示。从图10的边际谱图可以看到,在频率分别为140H z 、210H z 及230H z 的3个频率点处出现了较大的相对幅值,故在这些频率成分中可能有特定的特征信号成分。通过对该车的模态实验分析可知,在这3个频率点处分别对应着该车的3个低阶模态。也就是说,车辆在该

913

吉林大学学报(工学版)第37卷

行驶状态下,出现了对应于低阶模态阶次的共振频率,对应该车的状况,分析可知这些频率成分是由该特种车辆上的分动箱上某部件的松动产生的。为了验证上述判断的正确性,在用户的要求下,生产厂商对该车进行了开箱检验,检验结果与上述分析是一致的。这也证实了M CTS EM D方法在实际车辆振动信号特征提取中的有效性。

4 结 论

(1)小波分析方法是一种分段线性的信号分析方法,不适用于一般的非线性信号的分析,且在强的背景噪声下,亦不能得到期望的特征信号成分。

(2)在没有背景噪声干扰或者背景噪声较小时,H H T方法和M CTS EM D方法均能提取到信号中的特征成分,且能明确地表达出信号中瞬时频率的变化情况。

(3)当时间序列中混叠有零均值的强背景噪声时,由H H T方法得到的特征信号成分中含有较多的虚假信息,不能有效地提取到分析对象中的特征成分。在这种情况下,M CTS EM D方法却能够得到满意的特征信号成分,证明了该方法在噪声背景下特征信号提取的有效性。

(4)将M CT S EM D方法应用到某特种车辆振动信号的特征成分提取中,成功地提取到了所需的特征信号成分,证明了该方法在实际应用中的可行性,为强噪声背景下车辆振动信号的分析提供了一种可供选择的措施。

参考文献:

[1]廖庆斌,李舜酩.一种旋转机械振动信号特征提取

的新方法[J].中国机械工程,2006,17(16):1675 1679.

L iao Q ing bin,Li Shun ming.A nov el method for featur e ex tr act ion o f r otating machinery v ibration

signals[J].China M echanical Eng ineer ing,2006,17

(16):1675 1679.

[2]L in J.Feature extr action of machine sound using

w avelet and its applicatio n in fault diagnosis[J].

N DT and E Inter national,2001,34(1):25 30. [3]P eng Z K,Chu F L.A pplication of the w avelet

tr ansfo rm in machine co ndition monito ring and fault diag no stics:a rev iew w ith bibliog raphy[J].M e chanical Systems and Sig nal P rocessing,2004,18

(2):199 221.

[4]H uang N E,Shen Z,L ong S R,et al.T he empir i

cal mo de decomposit ion and the Hilbert spectr um for no nlinear and non stat ionary t ime ser ies analy sis[J].

Pro ceedings of R oya l Societ y o f L ondo n Series A,

1998,454:903 995.

[5]H uang N E,Shen Z,L o ng S R.A new view of non

linear w ater w aves:the H ilbert spectrum[J].A nnu al Review of F luid M echanics,1999,31:417 457. [6]Peng Z K,Peter W T,Chu F L.An impr oved Hil

bert Huang transfor m and its applicatio n in v ibration analysis[J].Journal of Sound and V ibration,2005,

286(1/2):187 205.

[7]Shinde A,H ou Z.A w avelet packet based sifting

pr ocess and its application fo r st ruct ur al health mo nito ring[C]Pr oceeding s of the A merican Co ntr ol Co nfer ence,2004:4219 4224.

[8]杨世锡,胡劲松,吴昭同,等.旋转机械振动信号基

于EM D的希尔伯特变换和小波变换时频分析比较[J].中国电机工程学报,2003,23(6):102 107.

Yang Shi x i,Hu Jin so ng,W u Z hao tong,et al.

T he comparison of v ibratio n sig na ls'time frequency analysis betw een EM D based HT and W T metho d in rot ating machinery[J].P ro ceedings o f the CSEE,

2003,23(6):102 107.

[9]Wang W J,M cF adden P D.A pplication of o rthog o

nal w avelets to early g ea r damag e detectio n[J].M e chanical Systems and Signal Pr ocessing,1995,9

(5):497 507.

914

滚动轴承的振动机理与信号特征

滚动轴承的振动机理与信号特征 滚动轴承的振动可由外部振源引起,也可由轴承本身的结构特点及缺陷引起。此外,润滑剂在轴承运转时产生的流体动力也可以是振动(噪声)源。上述振源施加于轴承零件及附近的结构件上时都会激励起振动。 一、滚动轴承振动的基本参数 1.滚动轴承的典型结构 滚动轴承的典型结构如图1所示,它由内圈、外圈、滚动体和保持架四部分组成。 图1 滚动轴承的典型结构 图示滚动轴承的几何参数主要有: 轴承节径D:轴承滚动体中心所在的圆的直径 滚动体直径d:滚动体的平均直径 内圈滚道半径r1:内圈滚道的平均半径 外圈滚道半径r2:外圈滚道的平均半径 接触角α:滚动体受力方向与内外滚道垂直线的夹角 滚动体个数Z:滚珠或滚珠的数目 2.滚动轴承的特征频率 为分析轴承各部运动参数,先做如下假设:

(1)滚道与滚动体之间无相对滑动; (2)承受径向、轴向载荷时各部分无变形; (3)内圈滚道回转频率为fi; (4)外圈滚道回转频率为fO; (5)保持架回转频率(即滚动体公转频率为fc)。 参见图1,则滚动轴承工作时各点的转动速度如下: 内滑道上一点的速度为:V i=2πr1f i=πf i(D-dcosa) 外滑道上一点的速度为:V O=2πr2f O=πf O(D+dcosa) 保持架上一点的速度为:V c=1/2(V i+V O)=πf c D 由此可得保持架的旋转频率(即滚动体的公转频率)为: 从固定在保持架上的动坐标系来看,滚动体与内圈作无滑动滚动,它的回转频率之比与d/2r1成反比。由此可得滚动体相对于保持架的回转频率(即滚动体的自转频率,滚动体通过内滚道或外滚道的频率)fbc 根据滚动轴承的实际工作情况,定义滚动轴承内、外圈的相对转动频率为 一般情况下,滚动轴承外圈固定,内圈旋转,即: 同时考虑到滚动轴承有Z个滚动体,则滚动轴承的特征频率如下:滚动体在外圈滚道上的通过频率zfoc为:

汽车发动机振动噪声测试标准系统

附件1 汽车发动机振动噪声测试系统 1用途及基本要求: 该设备主要用于教学和科研中的振动和噪声测量,要求能够测量试验对象的振动噪声特性(频率、阶次、声强等),能对试验数据进行综合分析。该产品的生产厂应具有多年振动噪声行业从业经验,有较高的知名度和影响力。系统软件和硬件应该为成熟的模块化设计,同时具有很强的扩展能力,能保证将来软件和硬件同时升级。 2设备技术要求及参数 2.1设备系统配置 2.1.1数据采集系统一套; 2.1.2数据测试分析软件一套; 2.1.3传声器 2个; 2.1.4加速度计 2个; 2.1.5声强探头 1套; 2.1.6声级校准器 1个; 2.1.7笔记本电脑一台 2.2数据采集、控制系统技术要求 2.2.1主机箱一个;供电采用9~36V直流和 200~240V交流; 2.2.2便携式采集前端,适用于实验室及现场环境; 2.2.3整机消耗功率<150W; 2.2.4工作环境温度:-10?C ~50?C; 2.2.5中文或英文WindowsXP下运行,操作主机采用笔记本电脑; 2.2.6输入通道数:4个以上,其中2个200V极化电压输入通道、不少一个转速输入通道; 2.2.7输入通道拥有Dyn-X技术,动态范围160dB; 2.2.8每通道最高采样频率:≥65.5kHz,最大分析带宽:≥25.6kHz; 2.2.9系统留有扩充板插槽,根据需要可以进一步扩充;数据采集前端可同时连接多种形式传感器,包括加速度计、转速探头、传声器、声强探头等; 2.2.10系统具有堆叠和分拆能力,多个小系统可组成多通道大系统进行测量。大系统可分拆成多个小系统独立运行; 2.2.11采集前端的数据传输具备二种方式之一:①通过10/100M自适应以太网传输至PC; ②通过无线通讯以太网技术传输至PC,通信距离在100米以上。使测量过程更为灵活方便,方便硬件通道和计算机系统扩展升级;

语音信号特征的提取

语音信号特征的提取 摘要 随着计算机技术的发展,语音交互已经成为人机交互的必要手段,语音特征参数的精确度直接影响着语音合成的音质和语音识别的准确率。因此语音信号参数提取是语音信号处理研究中一项非常有意义的工作。 本文采用Matlab软件提取语音信号特征参数,首先对语音信号进行数字化处理,其次,进行预处理,包括预加重、加窗和分帧,本文讨论了预处理中各种参数的选择,以使信号特征提取更加准确。第三,讨论了各种时域特征参数的算法,包括短时能量、短时过零率等。 关键词:语音信号, 特征参数, 提取, Matlab 目录 第一章绪论 1.1语音信号特征提取概况 1.1.1研究意义 语音处理技术广泛应用于语音通信系统、声控电话交换、数据查询、计算机控制、工业控制等领域,带有语音功能的计算机也将很快成为大众化产品,语音将可能取代键盘和鼠标成为计算机的主要输入手段,为用户界面带来一次飞跃。 语音信号特征的提取是语音信号处理的前提和基础,只有分析出可表示语音信号本质特征的参数,才有可能利用这些参数进行高效的语音通信和准确的语音识别,才能建立语音合成的语音库。因此语音信号参数提取是语音信号处理研究中一项非常有意义的工作。 1.1.2 发展现状 语音信号处理是一门综合性的学科,包括计算机科学、语音学、语言学、声学和数学等诸多领域的内容。它的发展过程中,有过两次飞跃。第一次飞跃是1907年电子管的发明和1920年无线电广播的出现,电子管放大器使很微弱的声

音也可以放大和定量测量,从而使电声学和语言声学的一些研究成果扩展到通信和广播部门;第二次飞跃是在20世纪70年代初,电子计算机和数字信号处理的发展使声音信号特别是语音信号,可以通过模数转换器(A/D)采样和量化转换为数字信号,这样就可以用数字计算方法对语音信号进行处理和加工,提高了语音信号处理的准确性和高效性。 语音信号处理在现代信息科学中的地位举足轻重,但它仍有些基础的理论问题和技术问题有待解决,这些难题如听觉器官的物理模型和数学表示及语音增强的技术理论等,目前还有待发展。 1.2 本课题研究内容 本文主要介绍语音信号处理的理论及Matlab的相关内容,然后从Matlab仿真角度验证了录音、预处理、提取语音信号时域特征参数,主要讨论了预处理中各种参数的选择,以使信号特征提取更加准确。再次讨论了各种时域特征参数的算法,包括短时能量、短时过零率等,介绍了各环节的不同软件实现方法。最后对基于Matlab的语音信号特征参数提取进行总结。 第二章Matlab简介 MATLAB是国际上仿真领域最权威、最实用的计算机工具。它是MathWork 公司于1984年推出,它以强大的科学计算与可视化功能、简单易用、开放式可扩展环境,特别是所附带的30多种面向不同领域的工具箱支持,使得它在许多科学领域中成为计算机辅助设计和分析、算法研究和应用开发的基本工具和首选平台。 2.1 发展概况 Matlab是Matrix Laboratory(矩阵实验室的缩写),最初由美国Cleve Moler 博士在70年代末讲授矩阵理论和数据分析等课程时编写的软件包Linpack与Eispack组成,旨在使应用人员免去大量经常重复的矩阵运算和基本数学运算等繁琐的编程工作。1984年成立的Math Works公司正式把Matlab推向市场,并从事Matlab的研究和开发。1990年,该公司推出了以框图为基础的控制系统仿真工具Simulink,它方便了系统的研究与开发,使控制工程师可以直接构造系统框图进行仿真,并提供了控制系统中常用的各种环节的模块库。1993年,Math Works 公司推出的Matlab4.0版在原来的基础上又作了较大改进,并推出了Windows版,

文本特征提取方法

https://www.doczj.com/doc/aa2270660.html,/u2/80678/showart_1931389.html 一、课题背景概述 文本挖掘是一门交叉性学科,涉及数据挖掘、机器学习、模式识别、人工智能、统计学、计算机语言学、计算机网络技术、信息学等多个领域。文本挖掘就是从大量的文档中发现隐含知识和模式的一种方法和工具,它从数据挖掘发展而来,但与传统的数据挖掘又有许多不同。文本挖掘的对象是海量、异构、分布的文档(web);文档内容是人类所使用的自然语言,缺乏计算机可理解的语义。传统数据挖掘所处理的数据是结构化的,而文档(web)都是半结构或无结构的。所以,文本挖掘面临的首要问题是如何在计算机中合理地表示文本,使之既要包含足够的信息以反映文本的特征,又不至于过于复杂使学习算法无法处理。在浩如烟海的网络信息中,80%的信息是以文本的形式存放的,WEB文本挖掘是WEB内容挖掘的一种重要形式。 文本的表示及其特征项的选取是文本挖掘、信息检索的一个基本问题,它把从文本中抽取出的特征词进行量化来表示文本信息。将它们从一个无结构的原始文本转化为结构化的计算机可以识别处理的信息,即对文本进行科学的抽象,建立它的数学模型,用以描述和代替文本。使计算机能够通过对这种模型的计算和操作来实现对文本的识别。由于文本是非结构化的数据,要想从大量的文本中挖掘有用的信息就必须首先将文本转化为可处理的结构化形式。目前人们通常采用向量空间模型来描述文本向量,但是如果直接用分词算法和词频统计方法得到的特征项来表示文本向量中的各个维,那么这个向量的维度将是非常的大。这种未经处理的文本矢量不仅给后续工作带来巨大的计算开销,使整个处理过程的效率非常低下,而且会损害分类、聚类算法的精确性,从而使所得到的结果很难令人满意。因此,必须对文本向量做进一步净化处理,在保证原文含义的基础上,找出对文本特征类别最具代表性的文本特征。为了解决这个问题,最有效的办法就是通过特征选择来降维。 目前有关文本表示的研究主要集中于文本表示模型的选择和特征词选择算法的选取上。用于表示文本的基本单位通常称为文本的特征或特征项。特征项必须具备一定的特性:1)特征项要能够确实标识文本内容;2)特征项具有将目标文本与其他文本相区分的能力;3)特征项的个数不能太多;4)特征项分离要比较容易实现。在中文文本中可以采用字、词或短语作为表示文本的特征项。相比较而言,词比字具有更强的表达能力,而词和短语相比,词的切分难度比短语的切分难度小得多。因此,目前大多数中文文本分类系统都采用词作为特征项,称作特征词。这些特征词作为文档的中间表示形式,用来实现文档与文档、文档与用户目标之间的相似度计算。如果把所有的词都作为特征项,那么特征向量的维数将过于巨大,从而导致计算量太大,在这样的情况下,要完成文本分类几乎是不可能的。特征抽取的主要功能是在不损伤文本核心信息的情况下尽量减少要处理的单词数,以此来降低向量空间维数,从而简化计算,提高文本处理的速度和效率。文本特征选择对文本内容的过滤和分类、聚类处理、自动摘要以及用户兴趣模式发现、知识发现等有关方面的研究都有非常重要的影响。通常根据某个特征评估函数计算各个特征的评分值,然后按评分值对这些特征进行排序,选取若干个评分值最高的作为特征词,这就是特征抽取(Feature Selection)。

语音信号特征参数提取方法

语音信号特征参数提取方法 阮雄飞微电子学与固体电子学 摘要:在语音技术的发展过程中使用了大量的语音信号特征参数, 好的语音信号特征参数能对语音识别起至关重要的作用。本文对语音信号特征参数提取方法以及国内外研究现状进行了介绍,最后介绍了Hilbert-Huang 这一新兴理论成果以及在特征提取中的应用。 关键词:语音技术特征提取HHT 1 引言 语音信号是一种短时平稳信号,即时变的,十分复杂,携带很多有用的信息,这些信息包括语义、个人特征等,其特征参数的准确性和唯一性将直接影响语音识别率的高低,并且这也是语音识别的基础[1]。特征参数应该能够比较准确地表达语音信号的特征具有一定的唯一性。 上世纪40年代,potter等人提出了“visiblespeech”的概念,指出语谱图对语音信号有很强的描述能力,并且试着用语谱信息进行语音识别,这就形成了最早的语音特征,直到现在仍有很多的人用语谱特征来进行语音识别[2]。后来,人们发现利用语音信号的时域特征可以从语音波形中提取某些反映语音特性的参数,比如:幅度、短时帧平均能量、短时帧过零率、短时自相关系数、平均幅度差函数等。这些参数不但能减小模板数目运算量及存储量而且还可以滤除语音信号中无用的冗余信息。语音信号特征参数是分帧提取的, 每帧特征参数一般构成一个矢量, 所以语音信号特征是一个矢量序列。我们将语音信号切成一帧一帧, 每帧大小大约是20-30ms。帧太大就不能得到语音信号随时间变化的特性, 帧太小就不能提取出语音信号的特征, 每帧语音信号中包含数个语音信号的基本周期。有时希望相邻帧之间的变化不是太大, 帧之间就要有重叠, 帧叠往往是帧长的1/2或1/3。帧叠大, 相应的计算量也大[3]。随着语音识别技术的不断发展时域特征参数的种种不足逐渐暴露出来,如这些特征参数缺乏较好稳定性且区分能力不好。于是频域参数开始作为语音信号的特征比如频谱共振峰等。经典的特征提取方法主要有LPCC(线性预测倒谱系数)、MFCC(美尔频率倒谱系数)、HMM(隐马尔科夫模型)、DTW(动态时间规整)等。 2 语音信号特征参数提取方法

MATLAB在机械振动信号中的应用

MATLAB在机械振动信号中的应用 申振 (山东理工大学交通与车辆工程学院) 摘要:综述了现代信号分析处理理论、方法如时域分析(包括时域参数识别、相关分析等)、频域分析(包括傅立叶变换、功率谱分解等),并结合MATLAB中的相关函数来对所拟合的振动信号进行时域分析和频域分析,并对绘出的频谱图进行说明。 关键词:时域分析频域分析 MATLAB 信号是信息的载体,采用合适的信号分析处理方法以获取隐藏于传感观测信号中的重要信息(包括时域与频域信息等),对于许多工程应用领域均具有重要意义。对获取振动噪声信号的分析处理,是进行状态监测、故障诊断、质量检查、源识别、机器产品的动态性能测试与优化设计等工作的重要环节,它可以预先发现机械部件的磨损和缺陷等故障,从而可以提高产品的质量,降低维护费用。随着测试技术的迅速发展,各种信号分析方法也随之涌现,并广泛应用在各个领域[1]。 时域描述简单直观,只能反映信号的幅值随时间的变化,而不能明确的揭示信号随时间的变化关系。为了研究信号的频率组成和各频率成分的幅值大小、相位关系,应对信号进行频谱分析,即把时域信号通过适当的数学方法处理变成频率f(或角频率 )为独立变量,相应的幅值或相位为因变量的频域描述。频域分析法将时域分析法中的微分或差分方程转换为代数方程,有利于问题的分析[2]。 MATLAB是MathWorks公司于1982年推出的一种功能强大、效率高、交互性好的数值计算和可视化计算机高级语言,它将数值分析、矩阵运算、信号处理和图形显示有机地融合为一体,形成了一个极其方便、用户界面良好的操作环境。随着其自身版本的不断提高,MATLAB的功能越来越强大,应用范围也越来越广,如广泛应用于信号处理、数字图像处理、仿真、自动化控制、小波分析及神经网络等领域[3]。 本文主要运用了MATLAB R2014a对机械振动信号进行分析。分析过程包括时域分析和频域分析两大部分,时域分析的指标包括随机信号的均值、方差以及均方值。频域分析的性能指标包括对功率谱分析、倒频谱分析。在进行上述分析之前先要对振动信号进

特征提取方法

4.2.2 特征提取方法 图像经过一系列的预处理之后,原来大小不同、分布不规则的各个字符变成了一个个大小相同、排列整齐的字符。下面接要从被分割归一处理完毕的字符中,提取最能体现这个字符特点的特征向量。将提取出训练样本中的特征向量代入BP网络之中就可以对网络进行训练,提取出待识别的样本中的特征向量代入到训练好的BP网络中,就可以对汉字进行识别。 特征向量的提取方法多种多样,可以分为基于结构特征的方法和基于像素分布特征的方法,下面给予简单介绍,并说明本文所用的方法。 (1)结构特征。结构特征充分利用了字符本身的特点,由于车牌字符通常都是较规范的印刷体,因此可以较容易地从字符图像上得到它的字符笔画信息,并可根据这些信息来判别字符。例如,汉字的笔画可以简化为4类:横、竖、左斜和右斜。根据长度不同又可分为长横、短横、长竖和短竖等。将汉字分块,并提取每一块的笔画特征,就可得到一个关于笔画的矩阵,以此作为特征来识别汉字。 (2)像素分布特征。像素分布特征的提取方法很多,常见的有水平、垂直投影的特征,微结构特征和周边特征等。水平、垂直投影的特征是计算字符图像在水平和垂直方向上像素值的多少,以此作为特征。微结构法将图像分为几个小块,统计每个小块的像素分布。周边特征则计算从边界到字符的距离。优点是排除了尺寸、方向变化带来的干扰,缺点是当字符出现笔划融合、断裂、部分缺失时不适用。 ①逐像素特征提取法 这是一种最简单的特征提取方法。它可以对图像进行逐行逐列的扫描,当遇到黑色像素时取其特征值为1,遇到白色像素时取其特征值为0,这样当扫描结束后就获得一个维数与图像中的像素点的个数相同的特征向量矩阵。 这种特征提取方法的特点就是算法简单,运算速度快,可以使BP网络很快的收敛,训练效果好,更重要的是对于数字图像这样特征较少的图像,这种方法提取的信息量最大,所以对于本系统来说,这种方法较为适用。但是它的缺点也很明显,就是适应性不强,所以本文没有选用这种方法。 ②骨架特征提取法

滚动轴承的振动信号特征分析报告

南昌航空大学实验报告 课程名称:数字信号处理 实验名称:滚动轴承的振动信号特征分析实验时间: 2013年5月14日 班级: 100421 学号: 10042134 姓名:吴涌涛 成绩:

滚动轴承的振动信号特征分析 一、实验目的 利用《数字信号处理》课程中学习的序列运算、周期信号知识、DFT 知识,对给定的正常轴承数据、内圈故障轴承数据、外圈故障轴承数据、滚珠故障轴承数据进行时域特征或频域特征提取和分析,找出能区分四种状态(滚动轴承的外圈故障、内圈故障、滚珠故障和正常状态)的特征。 二、实验原理 振动机理分析:机械在运动时,由于旋转件的不平衡、负载的不均匀、结构刚度的各向异性、间隙、润滑不良、支撑松动等因素,总是伴随着各种振动。 振动的幅值、频率和相位是振动的三个基本参数,称为振动三要素。 幅值:幅值是振动强度的标志,它可以用峰值、有效值、平均值等方法来表示。 频率:不同的频率成分反映系统内不同的振源。通过频谱分析可以确定主要频率成分及其幅值大小,从而寻找振源,采取相应的措施。 相位:振动信号的相位信息十分重要,如利用相位关系确定共振点、测量振型、旋转件动平衡、有源振动控制、降噪等。对于复杂振动的波形分析,各谐波的相位关系是不可缺少的。 在振动测量时,应合理选择测量参数,如振动位移是研究强度和变形的重要依据;振动加速度与作用力或载荷成正比,是研究动力强度和疲劳的重要依据;振动速度决定了噪声的高低,人对机械振动的敏感程度在很大频率范围内是由速度决定的。速度又与能量和功率有关,并决定动量的大小。 提取振动信号的幅域、时域、频域、时频域特征,根据特征进行故

障有无、故障类型和故障程度三个层次的判断。 三、 实验内容 Step1、使用importdata ()函数导入振动数据。 Step2、把大量数据分割成周期为单元的数据,分割方法为: 设振动信号为{x k }(k =1,2,3,…,n )采样频率为f s ,传动轴的转动速率为V r 。 采样间隔为: 1 s t f ?= (1) 旋转频率为: 60 r r V f = (2) 传动轴的转动周期为: 1 r T f = (3) 由式(1)和(3)可推出振动信号一个周期内采样点数N : 1 1s r r s f f T N t f f = ==? (4) 由式(2)可得到传动轴的转动基频f r =29.95Hz ,再由式(3)可得到一个周期内采样点数N=400.67,取N =400。 Step3、提取振动信号的特征,分析方法包括: 1、时域统计分析指标(波形指标(Shape Factor)、峰值指标(Crest Factor)、脉冲指标(Impulse Factor)、裕度指标(Clearance Factor)、峭度指标(KurtosisValue) )等,相关计算公式如下: (1)波形指标: P f X WK X = (5) 其中,P X 为峰值,X 为均值。p X 计算公式如下:

肺结节检测中特征提取方法研究

小型微型计算机系统JournalofChineseComputerSystems2009年10月第10期V01.30No.102009 肺结节检测中特征提取方法研究 何中市1,梁琰1,黄学全2,王健2 1(重庆大学计算机学院,重庆400044) 2(第三军医大学西南医院放射科,重庆400038) E—mail:zshe@cqu.edu.ca 摘要:计算机辅助诊断(Computer—AidedDiagnosis,CAD)系统为肺癌的早期检测和诊断提供了有力的支持.本文对孤立性肺结节特征提取问题进行研究.通过对肺结节和肺内各组织在序列CT图像上的医学征象分析和研究对比,结合专家提供的知识,提出了肺结节特征提取总体方案.该方案分别从肺部CT图像的灰度特征、肺结节形态、纹理、空间上下文特征等几个方面,对关键的医学征象进行图像分析,从而实现对ROI(RegionsofInterest)区域的特征提取和量化;提出特征提取的评价方案,实验结果表明,本文提取的特征提取方案是有效的.利用本文提取的特征,肺结节检测正确率达到93.05%,敏感率为94.53%. 关键词:孤立性;肺结节;特征提取;CT图像;特征评价 中图分类号:TP391文献标识码:A文章编号:1000—1220(2009)10—2073-05 ResearchontheFeatureExtractionApproachforSPNsDetection 腼Zhong—shil,LIANGYanl,HUANGXue—quan2,WANGJian2 1(CollegeofComputerScience,c‰增幻增Univers毋,Chongqing400044,China) 2(DepartmentofRadiology,Southwest丑却池z,ThirdMilitaryMedwalUniversityofChinesePL4,Chongqing400038,China) Abstract:Imageprocessingtechniqueshaveprovedtobeeffectiveforimprovementofradiologists7diagnosisofpubmonarynodules.Inthispaper,wepresentastrategybasedonfeatureextractiontechniqueaimedatSolitaryPulmonaryNodules(SPN)detection.Infeatureextractionscheme,36featureswereobtained,contained3greylevelfeatures,16morphologicalfeatures,10texturefeaturesand7spatialcontextfeatures.Andtheclassifier(SVM)runningwiththeextractedfeaturesachievescomparativeresults,withare-suitof93.05%innoduledetectionaccuracyand94.53%insensitivity. Keywords:isolated;solitarypulmonarynodules;featureextraction;CTimages;featureassessment 1引言 近几年,随着影像检查技术的改进,临床结果初步证明CT扫描是检测早期无症状肺癌最有效的影像学方法。1J.肺部疾病在CT影像上通常表现为孤立性肺结节(SolitaryPul—monaryNodules,SPNs),因此,对孤立性肺结节的检测和识别是对肺部疾病诊断最重要的途径.计算机辅助诊断系统一方面,大大减轻了医生的工作量,提高了工作效率;另一方面,使影像诊断更加客观化,提高诊断的效率和正确效率.因此,用计算机进行肺结节辅助诊断,提取肺结节特征,检测肺结节,是具有十分重要的意义和研究价值的. 在孤立性肺结节自动识别中,肺结节的特征提取及表示是其关键问题之一,它是进行识别的重要手段.关于肺结节检测方法有很多。2…,但对肺结节医学征象描述并不充分.目前一般常用面积、周长等形态方面进行肺结节特征提取.对肺结节的形态、全局、局部上下文特征以及病理征象的分析不足,使得特征提取描述不到位,影响识别准备率.同时也欠缺对识别结果的解释.正因为对提取的特征与肺结节医学征象问的对应关系分析不足,无法对识别结果进行医学知识上的解释, 特征提取特征评价 懂歪母 I里斗1显查鲎堑卜_倒1J躺l 帽霭瓣||描述程度l 1絮嚣卜 lJs、,M识 --|别性能 图1SPNs诊断框架图 Fig.1OverviewofSPNsdetection 而只有”是”或”否”的识别结果,无法给医生提供更多的信息.本文围绕以上几个问题,意在提供全面的、系统的量化信息,便于医学专家诊断的客观化、效率化.本文对孤立性肺结节特征提取问题进行研究.通过对肺结节和肺内各组织在序列CT图像上的医学征象分析和研究对比,提出了肺结节特征提取总体方案.该方案分别从肺部CT图像的灰度特征、形 收稿日期:2008-08-30基金项目:重庆市重大科技专项项目(CSTC,2008AB5038)资助;重庆市自然科学基金项目(CSTC,2007BB2134))资助.作者简介:何中市,男,1965年生,博士,教授,研究方向为人工智能、机器学习与数据挖掘等;梁琰,女,1982年生,博士研究生,图像处理、模式识别;黄学金,男,1966年生,博士,副教授,研究方向为影像诊断和介入放射学;王健,男,1964年生,博士,教授,研究方向为影像诊断和介入放射学.

图像特征提取方法

图像特征提取方法 摘要 特征提取是计算机视觉和图像处理中的一个概念。它指的是使用计算机提取图像信息,决定每个图像的点是否属于一个图像特征。特征提取的结果是把图像上的点分为不同的子集,这些子集往往属于孤立的点、连续的曲线或者连续的区域。 至今为止特征没有万能和精确的图像特征定义。特征的精确定义往往由问题或者应用类型决定。特征是一个数字图像中“有趣”的部分,它是许多计算机图像分析算法的起点。因此一个算法是否成功往往由它使用和定义的特征决定。因此特征提取最重要的一个特性是“可重复性”:同一场景的不同图像所提取的特征应该是相同的。 特征提取是图象处理中的一个初级运算,也就是说它是对一个图像进行的第一个运算处理。它检查每个像素来确定该像素是否代表一个特征。假如它是一个更大的算法的一部分,那么这个算法一般只检查图像的特征区域。作为特征提取的一个前提运算,输入图像一般通过高斯模糊核在尺度空间中被平滑。此后通过局部导数运算来计算图像的一个或多个特征。 常用的图像特征有颜色特征、纹理特征、形状特征、空间关系特征。当光差图像时,常 常看到的是连续的纹理与灰度级相似的区域,他们相结合形成物体。但如果物体的尺寸很小 或者对比度不高,通常要采用较高的分辨率观察:如果物体的尺寸很大或对比度很强,只需 要降低分辨率。如果物体尺寸有大有小,或对比有强有弱的情况下同事存在,这时提取图像 的特征对进行图像研究有优势。 常用的特征提取方法有:Fourier变换法、窗口Fourier变换(Gabor)、小波变换法、最 小二乘法、边界方向直方图法、基于Tamura纹理特征的纹理特征提取等。

设计内容 课程设计的内容与要求(包括原始数据、技术参数、条件、设计要求等):一、课程设计的内容 本设计采用边界方向直方图法、基于PCA的图像数据特征提取、基于Tamura纹理特征的纹理特征提取、颜色直方图提取颜色特征等等四种方法设计。 (1)边界方向直方图法 由于单一特征不足以准确地描述图像特征,提出了一种结合颜色特征和边界方向特征的图像检索方法.针对传统颜色直方图中图像对所有像素具有相同重要性的问题进行了改进,提出了像素加权的改进颜色直方图方法;然后采用非分割图像的边界方向直方图方法提取图像的形状特征,该方法相对分割方法具有简单、有效等特点,并对图像的缩放、旋转以及视角具有不变性.为进一步提高图像检索的质量引入相关反馈机制,动态调整两幅图像相似度中颜色特征和方向特征的权值系数,并给出了相应的权值调整算法.实验结果表明,上述方法明显地优于其它方法.小波理论和几个其他课题相关。所有小波变换可以视为时域频域的形式,所以和调和分析相关。所有实际有用的离散小波变换使用包含有限脉冲响应滤波器的滤波器段(filterbank)。构成CWT的小波受海森堡的测不准原理制约,或者说,离散小波基可以在测不准原理的其他形式的上下文中考虑。 通过边缘检测,把图像分为边缘区域和非边缘区域,然后在边缘区域内进行边缘定位.根据局部区域内边缘的直线特性,求得小邻域内直线段的高精度位置;再根据边缘区域内边缘的全局直线特性,用线段的中点来拟合整个直线边缘,得到亚像素精度的图像边缘.在拟合的过程中,根据直线段转角的变化剔除了噪声点,提高了定位精度.并且,根据角度和距离区分出不同直线和它们的交点,给出了图像精确的矢量化结果 图像的边界是指其周围像素灰度有阶跃变化或屋顶变化的那些像素的集合,边界广泛的存在于物体和背 景之间、物体和物体之间,它是图像分割所依赖的重要特征.边界方向直方图具有尺度不变性,能够比较好的 描述图像的大体形状.边界直方图一般是通过边界算子提取边界,得到边界信息后,需要表征这些图像的边 界,对于每一个边界点,根据图像中该点的梯度方向计算出该边界点处法向量的方向角,将空间量化为M级, 计算每个边界点处法向量的方向角落在M级中的频率,这样便得到了边界方向直方图. 图像中像素的梯度向量可以表示为[ ( ,),),( ,),)] ,其中Gx( ,),),G ( ,),)可以用下面的

车辆振动信号的特征提取方法比较

第37卷 第4期吉林大学学报(工学版) Vol.37 No.4 2007年7月Journal o f Jilin U niv ersity(Engineering and T echnolo gy Edition) July2007车辆振动信号的特征提取方法比较 廖庆斌1,李舜酩1,覃小攀2 (1.南京航空航天大学能源与动力学院,南京210016; 2.吉林大学汽车工程学院,长春130022) 摘 要:针对用于车辆振动信号分析的常用方法:小波分析方法和H ilbert H uang变换方法,以及作者新近提出的时序多相关 经验模式分解方法,通过仿真对比分析了它们各自的特点以及它们在振动信号特征提取中的适用性。非线性信号的仿真分析表明,在没有噪声或分析对象背景噪声较小的情况下,后两种方法能提取到特征信号,小波分析不适合非线性信号的分析;在强背景噪声下,前两种方法均不能得到满意的特征信息,而时序多相关 经验模式分解方法能提取到所需的目标信息。最后将时序多相关 经验模式分解方法用于某特种车辆特征信号的提取,得到了满意的结果,验证了该方法在车辆振动信号特征提取中的有效性。 关键词:信息处理技术;振动信号;特征提取;小波分析;H ilbert H uang变换;时间序列多相关;经验模式分解 中图分类号:T N911;U270 文献标识码:A 文章编号:1671 5497(2007)04 0910 06 Comparison of feature extraction methods of vehicle vibration signal Liao Qing bin1,Li Shun m ing1,Qin Xiao pan2 (1.College of E ner gy and P ower E ngineer ing,N anj ing Univer sity of A er onautics and A s tronautics,N anj ing210016, China;2.College of A uto motiv e Engineer ing,J ilin Univ er sity,Changchun130022,China) Abstract:The v ibration signals o f a vehicle alw ay s car ry the dynamic info rmation of the vehicle.These signals are very useful for the health monitoring and fault diag no sis.H ow ever,in many cases, because these sig nals have v ery low signal to no ise ratio(SNR),to ex tract feature co mpo nents beco mes difficult and the applicability of info rmation drops dow n.T he characters of feature extraction of vibration signal w er e compared,among the tw o popular m ethods named w avelet analy sis(WA)and H ilbert H uang translatio n(H H T)and the multi correlatio n o f tim e series and empirical mo de decom po sitio n(M CT S EM D),via simulation.And the applicability of them w as analyzed using the simulatio n signal.The H H T and M CTS EM D can extract the feature signal in no interference of noise or the SNR is a larg e number,w hile the WA is not suit for the featur e ex tr actio n o f nonlinear signal. In the str ong backgro und noise,the WA and H H T can not w ork w ell,contrasting them;the M CTS EM D can ex tract the w anted object inform ation.A t last,T he M CTS EM D method w as used to ex tract the featur e sig nal of som e special vehicle,a satisfactor y result can be g et,this validity of MCT S EMD w as validated in the feature ex traction of v ehicle vibration sig nal. Key words:info rmatio n processing;v ibration signal;feature extraction;w avelet analy sis;H ilbert H uang 收稿日期:2006 06 22. 基金项目:航空科学基金资助项目(04I52066);国家自然科学基金资助项目(50675099). 作者简介:廖庆斌(1979 ),男,博士研究生.研究方向:振动、噪声的分析与控制.E mail:qb_liao@https://www.doczj.com/doc/aa2270660.html, 通讯联系人:李舜酩(1962 ),男,教授,博士生导师.研究方向:振动噪声分析与控制,现代信号处理,转子振动监测与诊断.E ma il:lishunm ing69@https://www.doczj.com/doc/aa2270660.html,

基于S变换的信号瞬时频率特征提取

基于S 变换的信号瞬时频率特征提取 摘要: S 变换是一种优越的时频分析方法,能够清晰表达信号瞬时频率的变化特征。与传统时频分析方法相对比,S 变换的抗噪性较强,无交叉项干扰。本文提出了采用S 变换来提取调制信号的瞬时频率。仿真实验结果表明,S 变换时频谱能够清晰表示出不同信号的瞬时频率特征。 关键词:时频分析;S 变换;时频图;调制信号;瞬时频率 1 引言 信号的瞬时频率特征可以反映信号在不同时刻的频率变化规律。与传统的时频分析方法相比较,S 变换的时频分析方法具有频率分辨率高、抗噪性强、无交叉项干扰等优点,这使得S 变换能够准确提取信号的瞬时频率。 2S 变换的基本原理 2.1S 变换的提出 S 变换由短时傅里叶变换发展而来,借鉴了短时傅里叶变换加窗的思想。将短时傅里叶变换中的高斯窗函数进行相关伸缩和平移,从而使信号的频率分辨率具备随频率的适应性。这个特点使得S 变换在信号的时频分析中具有明显的优势。 S 变换[1]是由地球物理学家Stockwell 于1996年首次提出的。它可由短时傅里叶变换推导而来,对于连续信号()h t 的短时傅里叶变换为: 2(,)()()j ft STFT f x t w t e dt π+∞ --∞τ=-τ?(1) 其中, 22()t t -δω= (2) 若窗函数为归一化的高斯函数,且对窗函数进行依赖频率的伸缩和平移,那么 22()2(,)t f t f τ τ--ω-= (3) 这样就得到了连续信号()h t 的S 变换定义式: 22()22(,)(f t i ft ST f h t e dt πτ-+∞---∞τ=? (4) 其中,τ为时移因子。 利用S 变换与傅里叶变换之间的紧密联系,可实现信号从S 变换中的无损恢复。S 变换的逆变换形式如式(5)所示: {} 2()(,)j ft h t S f d e df πττ+∞ +∞-∞-∞=?? (5) S 变换还可以看成是信号的小波变换与相位因子的乘积。它采用平移、伸缩的局部高斯窗函数作为母小波,具有频率分辨率高、抗噪性强的优点,且不需满足小波变换的容许性条件。因此,S 变换并不是严格意义上的小波变换,但可以看成是小波变换的一种扩展。 2.2S 变换的瞬时频率表达 由于S 变换为复数,包含实部和虚部,所以S 变换可以表示为: (,)(,)(,)j f S f A f e τττΦ= (6) 其中(,)A f τ为振幅谱,(,)f τΦ为相位谱: (,)f τA =[][]Im (,)(,)arctan Re (,)S f f S f τττ????Φ=?????? (8)

脑电信号特征提取及分类

脑电信号特征提取及分类

第 1 章绪论 1.1引言 大脑又称端脑,是脊椎动物脑的高级的主要部分,由左右两半球组成及连接两个半球的中间部分,即第三脑室前端的终板组成。它是控制运动、产生感觉及实现高级脑功能的高级神经中枢[1]。大脑是人的身体中高级神经活动中枢,控制着人体这个复杂而精密的系统,对人脑神经机制及高级功能进行多层次、多学科的综合研究已经成为当代脑科学发展的热点方向之一。 人的思维、语言、感知和运动能力都是通过大脑对人体器官和相应肌肉群的有效控制来实现的[2]。人的大脑由大约1011个互相连接的单元体组成,其中每个单元体有大约104个连接,这些单元体称做神经元。在生物学中,神经元是由三个部分组成:树突、轴突和细胞体。神经元的树突和其他神经元的轴突相连,连接部分称为突触。神经元之间的信号传递就是通过这些突触进行的。生物电信号的本质是离子跨膜流动而不是电子的流动。每有一个足够大的刺激去极化神经元细胞时,可以记录到一个持续1-2ERP的沿轴突波形传导的峰形电位-动作电位。动作电位上升到顶端后开始下降,产生一些小的超极化波动后恢复到静息电位(静息电位(Resting Potential,RP)是指细胞未受刺激时,存在于细胞膜内外两侧的外正内负的电位差)。人的神经细胞的静息电位为-70mV(就是膜内比膜外电位低70mV)。这个变化过程的电位是局部电位。局部电位是神经系统分析整合信息的基础。细胞膜的电特性决定着神经元的电活动[3]。当神经元受到外界刺激时,神经细胞膜内外两侧的电位差被降低从而提高了膜的兴奋性,当兴奋性超过特定阈值时就会产生神经冲动或兴奋,神经冲动或兴奋通过突触传递给下一个神经元。由上述可知,膜电位是神经组织实现正常功能的基本条件,是兴奋产生的本质。膜电位使神经元能够接收刺激信号并将这一刺激信号沿神经束传递下去。在神经元内部,树突的外形就像树根一样发散,由很多细小的神经纤维丝组成,可以接收电信号,然后传递给细胞体。如果说树突是树根的话,那么细胞体就是树桩,对树突传递进来的信号进行处理,如果信号超过特定的阈值,细胞体就把信号继续传递给轴突。轴突的形状像树干,是一根细长的纤维体,它把细胞体传递过来的信号通过突触发送给相邻神经元的树突。突触的连接强度和神经元的排列方式都影响着神经组织的输出结果。而正是这种错综复杂的神经组织结构和复杂的信息处理机制,才使得人脑拥有高度的智慧。我们的大脑无时无刻不在产生着脑电波,对脑来说,脑细胞就像是脑内一个个“微小的发电站”。早在1857年,英国的青年生理科学工作者卡通(R.Caton)就在猴脑和兔脑上记录

文本特征提取方法研究

文本特征提取方法研究 ______________________________________________________ 一、课题背景概述 文本挖掘是一门交叉性学科,涉及数据挖掘、机器学习、模式识别、人工智能、统计学、计算机语言学、计算机网络技术、信息学等多个领域。文本挖掘就是从大量的文档中发现隐含知识和模式的一种方法和工具,它从数据挖掘发展而来,但与传统的数据挖掘又有许多不同。文本挖掘的对象是海量、异构、分布的文档(web);文档内容是人类所使用的自然语言,缺乏计算机可理解的语义。传统数据挖掘所处理的数据是结构化的,而文档(web)都是半结构或无结构的。所以,文本挖掘面临的首要问题是如何在计算机中合理地表示文本,使之既要包含足够的信息以反映文本的特征,又不至于过于复杂使学习算法无法处理。在浩如烟海的网络信息中,80%的信息是以文本的形式存放的,WEB文本挖掘是WEB内容挖掘的一种重要形式。 文本的表示及其特征项的选取是文本挖掘、信息检索的一个基本问题,它把从文本中抽取出的特征词进行量化来表示文本信息。将它们从一个无结构的原始文本转化为结构化的计算机可以识别处理的信息,即对文本进行科学的抽象,建立它的数学模型,用以描述和代替文本。使计算机能够通过对这种模型的计算和操作来实现对文本的识别。由于文本是非结构化的数据,要想从大量的文本中挖掘有用的信息就必须首先将文本转化为可处理的结构化形式。目前人们通常采用向量空间模型来描述文本向量,但是如果直接用分词算法和词频统计方法得到的特征项来表示文本向量中的各个维,那么这个向量的维度将是非常的大。这种未经处理的文本矢量不仅给后续工作带来巨大的计算开销,使整个处理过程的效率非常低下,而且会损害分类、聚类算法的精确性,从而使所得到的结果很难令人满意。因此,必须对文本向量做进一步净化处理,在保证原文含义的基础上,找出对文本特征类别最具代表性的文本特征。为了解决这个问题,最有效的办法就是通过特征选择来降维。 目前有关文本表示的研究主要集中于文本表示模型的选择和特征词选择算法的选取上。用于表示文本的基本单位通常称为文本的特征或特征项。特征项必须具备一定的特性:1)特征项要能够确实标识文本内容;2)特征项具有将目标文本与其他文本相区分的能力;3)特征项的个数不能太多;4)特征项分离要比较容易实现。 在中文文本中可以采用字、词或短语作为表示文本的特征项。相比较而言,词比字具有更强的表达能力,而词和短语相比,词的切分难度比短语的切分难度小得多。因此,目前大多数中文文本分类系统都采用词作为特征项,称作特征词。这些特征词作为文档的中间表示形式,用来实现文档与文档、文档与用户目标之间的相似度计算。如果把所有的词都作为特征项,那么特征向量的维数将过于巨大,从而导致计算量太大,在这样的情况下,要完成文本分类几乎是不可能的。特征抽取的主要功能是在不损伤文本核心信息的情况下尽量减少要处理的单词数,以此来降低向量空间维数,从而简化计算,提高文本处理的速度和效率。文本特征选择对文本内容的过滤和分类、聚类处理、自动摘要以及用户兴趣模式发现、知识发现等有关方面的研究都有非常重要的影响。通常根据某个特征评估函数计算各个特征的评分值,然后按评分值对这些特征进行排序,选取若干个评分

相关主题
文本预览
相关文档 最新文档