基于小波包分解的能量特征法、基于希尔伯特—黄变换的边际谱特征法、基于双谱估计的双谱特征法硕士学位论文

《基于小波包分解的能量特征法、基于希尔伯特—黄变换的边际谱特征法、基于双谱估计的双谱特征法硕士学位论文》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、摘要基于小波包分解的能量特征法、基于希尔伯特—黄变换的边际谱特征法、基于双谱估计的双谱特征法摘要全光纤安防系统是分布式干涉型的光纤扰动定位和传感防卫系统，能够获取被测区域空间和时间的变化，具有现场无源、抗电磁干扰、抗腐蚀、极高的灵敏度和监测范围大等特点。对检测的光纤扰动信号进行及时准确的识别对于保障保护区域安全有着重要意义。本文以光纤扰动信号为研究对象，研究信号模式识别方法。首先介绍了小波去噪法和谱相减去噪法,通过实验给出两种去噪方法的适用环境；其次重点研究三种特征提取方法：基于小波包分解（WPD

2、）的小波能量特征法、基于希尔伯特—黄变换（HHT）的边际谱特征法、基于双谱估计的双谱特征法，并提出一种改进特征向量的方法。接着介绍了两种分类器设计方法：神经网络和支持向量机；最后使用构建的模式识别系统对实际光纤扰动信号模式识别。在特征提取部分，论文详细介绍了三种时频联合分析方法，进行了理论分析和仿真实验。对信号进行5层小波包分解，将分解系数重构来构造32维特征向量的小波包能量特征提取方法；对信号进行希尔伯特—黄变换，计算希尔伯特谱，再对由希尔伯特谱积分求得的边际谱采样，构造51维的边际谱特征；将信

3、号进行双谱估计，将第一象限双谱绝对值按频率点加和，构造128维的双谱特征。在分类器设计部分，神经网络相关理论介绍了BP神经网络、RBF神经网络和小波神经网络；在支持向量机理论方面介绍了一对一（OAO）、一对多（OAA）、有向无环图（DAG）、非平衡二叉树（NBBT）策略下的多类支持向量机；并且提出一种神经网络与支持向量机策略相结合的分类器设计方式，得到实验验证。结果表明，小波能量特征法、三次改进的边际谱特征法和双谱特征法均能将三种实际光纤扰动信号准确识别。小波方法和双谱估计方法能满足准确性和时效性

4、，其中双谱估计的时效性稍差，但在准确性方面更优。I摘要与支持向量机结合的方法相比，双谱特征提取法与神经网络分类器设计法结合表现出更好的实用性能，对测试样本识别率高达100%。关键词：模式识别；特征提取；小波包分解；希尔伯特-黄变换；双谱估计；神经网络；支持向量机IABSTRACTABSTRACTAll-opticalsecuritysystemisadistributedfiber-opticdisturbancelocationandsensordefensesystem,abletoobtai

5、nthemeasuredchangesinspaceandtimeintheregion.Thepaperdoseresearchonpatternrecognitionoffibersecurity-monitoringsystem.Firstly,waveletdenoisingmethodandSpectralsubtractionmethodareintroduced. Applicableenvironmentfortwomethodsaregiventhroughexperiments

6、;Second,theenergycharacteristicmethodbasedonwaveletpacketdecomposition(WPD), marginalspectrumcharacteristicmethodbasedonHilbert-Huangtransform(ofHHT),methodbasedonbispectrumestimationandanewmethodtoimprovesignaleigenvectorsareproposed. Thenthepaperint

7、roducesneuralnetworksandsupportvectormachine; Atlastthispaperpresentsthewholepatternrecognitionincombinationwithactualapplication.Infeatureextractionpart,thispaperpresentsamethodtoextract32-DfeaturevectorusingWPD,amethodtoconstructa51-D marginalspectr

8、alcharacteristicsbyHHT,amethodtogeta128-Dspectrumcharacteristicsusingbispectrumestimation. Inthedesignpartoftheclassifierpart,thispaperintroducesneuralnetworktheoryandsupportvectormachinetheory,proposesanewmethodcombiningneuralnetworkandsuppor