CN101832471A - 一种信号识别分类方法 - Google Patents

Abstract

本发明提供的是一种信号识别分类方法。首先利用小波变换的方法对含有较高噪声的原始数据进行降噪，在数据分析中将信号分解为高频和低频信息，采用软阈值法对信号进行消噪，然后进行信号重构；在继承小波变换所具有的良好时频局部化优点的同时，对多尺度分析没有细分的高频部分进行进一步的分解；利用小波包变换在多层分解后的不同频带内分析信号，提取出反映系统状态的特征信息；通过非线性变换将输入信号特征向量变换到高维特征空间，然后在这个高维特征空间求取最优线性分类面。本发明克服了神经网络学习中网络结构难以确定、收敛速度慢以及训练时需要大量数据样本等不足，使其具有面向工程实际应用精度高、实时强的特点。

Description

一种信号识别分类方法

技术领域

本发明涉及现代检测技术领域，具体是一种管道压力检测与识别技术。

背景技术

由于管道输送具有成本低、节省能源、安全性高及供给稳定等优点，管道运输在世界范围内得到迅速发展，已成为现代社会不可缺少的组成部分。然而，由于长时间的运行磨损、设备的自然老化、地理和气候环境的变化以及人为损坏等原因，泄漏故障时有发生，给人们的生命、财产和生存环境造成了巨大的潜在威胁，同时也造成严重的资源浪费。因此，及时准确地识别输油管道泄漏具有重要的现实意义。

随着计算机、信号处理和模式识别等技术的发展，基于监控与数据采集系统(SCADA)的实时泄漏检测技术受到了越来越多的关注，并逐渐成为检测技术发展的主流方向。这类方法主要是对采集的压力、流量等信号进行实时分析处理，以此来检测并定位泄漏点。负压波法是指当管道发生泄漏时，泄漏处立即出现瞬时的压力降低，作为减压波源通过管线和流体介质向泄漏点的上下游以一定的速度传播，泄漏时产生的减压波就称为负压波。设置在泄漏点两端的传感器根据压力信号的变化和泄漏产生的负压波传播到上下游的时间差，就可以确定泄漏位置，该方法灵敏准确，原理简单，适用性很强。我国自行研制的自动检测系统多采用负压波原理对管道泄漏进行检测和定位，但是无论定位精度和自动化程度都还和国外自动检测系统有很大的差距。

小波变换是近年来发展起来的一种很好的信号分析手段，它具有良好的时频局域化特性，能通过伸缩和平移对信号进行多尺度分析，能聚焦到对象的任意细节，这恰恰符合实际问题中高频信号持续时间短，低频信号持续时间较长的自然规律。在统计学习理论基础上发展的一种新的机器学习方法-支持向量机(Support vector machine，SVM)较好地解决了小样本、非线性和高维模式识别等实际问题，并克服了神经网络学习方法中网络结构难以确定、收敛速度慢、局部极小点、过学习与欠学习以及训练时需要大量数据样本等不足，提高了学习方法的推广能力。最小二乘支持向量机(Least Squares SupportVector Machines，LSSVM)是支持向量机的一种改进，它是将传统支持向量机中的不等式约束改为等式约束，将求解二次规划问题转化为求解线性方程组问题，提高求解问题的速度和收敛精度。将小波理论与LSSVM方法的优势结合起来，能够进一步提高信号识别精度。

经对现有的技术文献检索发现，没有发现与本发明主题相同或类似的文献报道。

发明内容

本发明的目的在于提供一种具有面向工程实际应用精度高、实时强的特点的信号识别分类方法。

本发明的目的是这样实现的：

步骤一小波变换降噪，首先利用小波变换的方法对含有较高噪声的原始数据进行降噪，在数据分析中将信号分解为高频和低频信息，采用软阈值法对信号进行消噪，然后进行信号重构；

步骤二小波包分解，在继承小波变换所具有的良好时频局部化优点的同时，对多尺度分析没有细分的高频部分进行进一步的分解；

步骤三信号特征提取，在小波包分解基础上，利用小波包变换在多层分解后的不同频带内分析信号，提取出反映系统状态的特征信息。

步骤四最小二乘支持向量机(Least Squares Support Vector Machines，LSSVM)识别，通过非线性变换将输入信号特征向量变换到高维特征空间，然后在这个高维特征空间求取最优线性分类面，这种非线性变换通过定义内积函数来实现，将正常状态与泄漏状态作为输出，通过训练LSSVM，使LSSVM网络实现给定的输入输出映射关系。

本发明的主要特点体现在：

(1)采用小波变换进行信号的降噪，抑制信号中夹杂着各种频率的信号和噪声，这种方法原理简单，实现方便，有效的剔除了信号噪声。

(2)使用小波包对降噪后数据进行分解，提取特征向量，可在大量数据中选出最能表征信号特点的少数向量，作为最小二乘支持向量机的训练数据，提高了系统的工作效率，为训练准确的LSSVM网络奠定了基础。

(3)最小二乘支持向量机针对小样本训练可以很好的解决神经网络训练速度慢，容易陷入局部极值等缺点，并且求解优化问题最终转为求解线性方程组，计算过程得到了极大的简化。

本发明利用小波变换具有很强的信号分析处理能力和最小二乘支持向量机小样本学习及多维向量空间下的模式识别优点，提出一种基于小波变换和最小二乘支持向量机的管道泄露识别技术，克服了神经网络学习中网络结构难以确定、收敛速度慢以及训练时需要大量数据样本等不足，使其具有面向工程实际应用精度高、实时强的特点。

附图说明

图1信号识别分类结构图；

图2小波一维信号降噪结果图；

图3三层小波包分解示意图；

图4支持向量机结构图。

具体实施方式

下面结合附图举例对本发明做更详细地描述：

结合图1，U1为小波变换降噪，首先利用小波变换的方法对含有较高噪声的原始数据进行降噪，在数据分析中将信号分解为高频和低频信息，为了得到较好的消噪效果，采用软阈值法对信号进行消噪，然后进行信号重构即可达到去噪的作用；小波包分解U2在继承小波变换所具有的良好时频局部化优点的同时，对多尺度分析没有细分的高频部分进行进一步的分解，从而具有更好的时频特性，在理论上，小波包分解可以无限地进行下去，直到最底层的细节中只有一个点的数据为止，但是在实际应用中，根据信号的特点和实际的需要来决定分解的层数；信号特征提取U3是信号识别成功与否的关键所在，在小波包分解基础上的特征提取能够捕捉到隐藏在信号中的特征信息，所提取的信号特征信息对不同的信号具有充分的敏感性；最小二乘支持向量机识别U4通过非线性变换将输入信号特征向量变换到高维特征空间，然后在这个高维特征空间求取最优线性分类面，这种非线性变换通过定义内积函数来实现。

结合图2，在管道压力、流量等信号中，有用的信号通常表现为低频信号或是一些比较平稳的信号，噪声则往往表现为高频信号，含噪声一维信号的模型可以表示成如下的形式：

s(k)＝f(k)+εe(k)，k＝0，1，...，n-1                        (1)

其中，s(k)为含噪信号，f(k)为有用信号，e(k)为噪声信号，ε为噪声系数的标准偏差。

小波去噪的基本思想就是根据噪声与信号在各尺度上的小波系数具有不同表现这一特点，将各尺度上由噪声产生的小波分量，特别是将那些噪声分量占主导地位的尺度上的噪声分量去掉，这样保留下来的小波系数基本上就是原始信号的小波系数，然后利用小波重构算法，重构出原信号。采用db4小波来进行噪声的消除。与小波基函数相比，分解层数的确定，对于信号消噪的效果影响更大，分解层数过多会使信号的有用信息丟失，层数过少降噪效果会下降。在判断信号分解层数的依据上，根据对于管道的压力信号研究，分解到第三层为最佳，因此，对信号进行三层小波分解。在小波系数的取舍问题上，采用Donoho提出的通用阈值算法。

小波分解算法递推公式的矩阵表达形式：

$\left\{\begin{array}{c}{C}_{j+1,k}=\underset{m}{\mathrm{\Σ}}{h}_0(m-2k)C_{j,m}\\ D_{j+1,k}=\underset{m}{\mathrm{\Σ}}{h}_1(m-2k)C_{j,m}\end{array}\right.---\left(2\right)$

其中，C_j，D_j分别是由离散小波变换将信号分解成尺度函数和小波函数分量时的系数，h₀、h₁分别为尺度函数系数和小波函数系数。

信号的重构是信号分解的逆过程，要重构原来的系数，则有相应的重构公式：

$C_{j-1,k}=\underset{m}{\mathrm{\Σ}}{h}_0(k-2m)C_{j,m}+\underset{m}{\mathrm{\Σ}}{h}_1(k-2m)D_{j,m}---\left(3\right)$

结合图3，管道泄漏时，压力信号和流量信号发生了突变，小波包分解是多尺度分析的推广，对信号进行更加精细的分析，在继承了小波变换所具有的良好的时频局部化优点的同时，对多尺度分析没有细分的高频部分进行进一步的分解，从而具有更好的时频特性。

对于多尺度分析中的标准正交尺度函数

和小波函数ψ，有双尺度方程：

其中h_0k和h_1k分别为相应的尺度函数系数和小波函数系数。

在小波多尺度分析中，把L₂(R)空间分解成由尺度函数组成的子空间{V_j}，j∈Z和由小波函数组成的子空间{W_j}，j∈Z。为了讨论小波包组成的空间，引入符号

和

由多尺度分析可知

将其推广到小波包，为便于比较，用W_j ⁿ表示U_j ⁿ，因此小波包空间分解为：

$W_j^n=U_j^n=U_{j+1}^{2n}\⊕U_{j+1}^{2n+1}---\left(5\right)$

因为n＝0对应着小波分解，所以只考虑n＝1，2，...和j＝1，2，...，递推下去得小波包分解的一般表达式为：

$W_j=U_{j+1}^2=U_{j+1}^3$

$W_j=U_{j+1}^4\⊕U_{j+1}^5\⊕U_{j+1}^6\⊕U_{j+1}^7---\left(6\right)$

……

$W_j=U_{j+k}^{2^k+1}\⊕U_{j+k}^{2^k+2}\⊕...\⊕U_{j+k}^{2^k-1}$

由小波包的空间分解可以得到，小波包系数递推公式为：

$d_k^{j+\mathrm{1,2}n}=\underset{l}{\mathrm{\Σ}}{h}_0(2l-k)d_n^{j,n}---\left(7\right)$

$d_k^{j+\mathrm{1,2}n+1}=\underset{l}{\mathrm{\Σ}}{h}_1(2l-k)d_n^{j,n}$

所以小波包的重建公式为：

$d_l^{j,n}=\underset{n}{\mathrm{\Σ}}[h_0(l-2k)d_k^{j+\mathrm{1,2}n}+h_1(l-2k)d_k^{j+\mathrm{1,2}n+1}]---\left(8\right)$

其中d_k ^j+1，2n和d_k ^j+1，2n+1分别为信号在子空间U_j+1 ²ⁿ和U_j+1 ²ⁿ⁺¹上的小波包系数。

根据信号的特点和实际的需要来决定分解的层数，三层小波包分解即可满足要求。图3中，A表示低频，D表示高频，数字表示分解的层数，因此三层小波包分解关系为：

S＝AAA₃+DAA₃+ADA₃+DDA₃+AAD₃+DAD₃+ADD₃+DDD₃

从能量角度分析，当管道泄漏时，压力信号发生了突变，其输出信号能量的空间分布与正常系统输出相比会发生相应变化，即输出能量的改变包含着丰富的信号变化特征信息。因此，如果从信号能量在各子空间中的分布来提取特征，即利用小波包变换在多层分解后的不同频带内分析信号，使本不明显的信号频率特征在各尺度上的若干子空间中以显著的能量变化的形式表现出来，并与系统的正常输出相比较，提取出反映系统状态的特征信息。基本步骤为：

(1)提取第三层中每个频率成分的信号特征，并设S代表原始信号，提取各频带范围的信号S_ij，小波包分解系数为D_ij，其中i＝0，1，2，3，j＝0，1，…，2³-1；

(2)求各频带信号的总能量，设信号S_ij对应的能量为E_ij，则有：

$E_{3j}={\∫\left|S_{3j}\left(t\right)\right|}^2\mathrm{dt}=\underset{l=1}{\overset{n}{\mathrm{\Σ}}}{\left|x_{\mathrm{jk}}\right|}^2---\left(7\right)$

式中，x_jk表示重构信号S_ij的离散点幅值，j＝0，1，…，7，k＝0，1，…，n，n为压力信号采样点数。

(3)构造特征向量。当管道发生泄漏时，会对各频带内信号的能量有较大的影响，因此，以能量为元素构造一个特征向量T来表示压力特征信号，并将特征向量进行归一化处理：

$T=\frac{[E_{30},E_{31},...E_{37}]}{{\left(\underset{j=1}{\overset{7}{\mathrm{\Σ}}}{\left(E_{3j}\right)}^2\right)}^{\frac{1}{\text{2}}}}---\left(8\right)$

其中：E_ij为信号S_ij对应的能量。

结合图4，最小二乘支持向量机是从线性可分情况下求解最优分类面问题发展而来的，通过某种事先选择的非线性变换将输入向量映射到一个高维特征空间，在这个特征空间中构造最优分类超平面，而这种非线性变换是通过定义适当的内积函数即核函数实现的。图中，

为核函数，{x_i，y_i}，i＝1，…，n，x_i∈R^N，y_i∈R。

在形式上LSSVM分类函数类似于一个神经网络，输出是中间节点的线性组合，每一个中间节点对应于一个支持向量，且采用最小二乘线性系统作为损失函数，代替传统的支持向量机的二次规划方法，把解二次规划问题转化为求解线性方程组问题，提高求解问题的速度和收敛精度。

管道压力特征向量样本集为n个样本{x_i，y_i}，其中i＝1，…，n，x_i∈R^N，y∈{-1，1}是类别标号。对于管道压力信号识别，采用多输入单输出的形式，将管道压力信号特征向量作为输入，将正常状态与泄漏状态作为输出，通过训练LSSVM，使网络实现给定的输入输出映射关系。在高维空间中，将正常状态与泄漏状态特征向量样本无错分开的分类超平面满足：

ω∈R^N，b∈R                                (9)

其中

是非线性函数，将输入映射到特征空间，ω、b分别表示权系数和偏置。

LSSVM分类超平面的常数项b与Lagrange乘子向量α由线性方程组解出，得到的最优分类函数为：

$y\left(x\right)=\mathrm{sgn}\{\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\α}}_{i}K(x_i\·x)+b\}---\left(10\right)$

式中，sgn{}为符号函数。

最小二乘支持向量机方法的优点在于没有必要知道映射的具体形式，而只需定义高维空间中的内积运算K(x_i，x)(采用径向基核函数K(x_i，x)＝exp(-||x_i-x||²/2σ²)，其中σ²为核密度)即可，这样即使变换后空间维数增加很多，计算的复杂度也没有太大的变化。

Claims (4)

1.一种信号识别分类方法，其特征是：

步骤一小波变换降噪，首先利用小波变换的方法对含有较高噪声的原始数据进行降噪，在数据分析中将信号分解为高频和低频信息，采用软阈值法对信号进行消噪，然后进行信号重构；

步骤二小波包分解，在继承小波变换所具有的良好时频局部化优点的同时，对多尺度分析没有细分的高频部分进行进一步的分解；

步骤三信号特征提取，在小波包分解基础上，利用小波包变换在多层分解后的不同频带内分析信号，提取出反映系统状态的特征信息。

步骤四最小二乘支持向量机识别，通过非线性变换将输入信号特征向量变换到高维特征空间，利用结构风险最小原则，在这个高维特征空间求取最优线性分类面，这种非线性变换通过定义内积函数来实现。

2.根据权利要求1所述的一种信号识别分类方法，其特征是：所述的小波分解是对信号进行三层小波分解，所以小波的重建公式为：

$C_{j-1,k}=\underset{m}{\mathrm{\Σ}}{h}_0(k-2m)C_{j,m}+\underset{m}{\mathrm{\Σ}}{h}_1(k-2m)D_{j,m}$

其中：C_j，D_j分别是由离散小波变换将信号分解成尺度函数和小波函数分量时的系数，h₀、h₁分别为尺度函数系数和小波函数系数。

3.根据权利要求2所述的一种信号识别分类方法，其特征是：所述信号特征提取的基本步骤为：

(1)提取第三层中每个频率成分的信号特征，并设S代表原始信号，提取各频带范围的信号S_ij，小波包分解系数为D_ij，其中i＝0，1，2，3，j＝0，1，…，2³-1；

(2)求各频带信号的总能量，设信号S_ij对应的能量为E_ij，则有：

$E_{3j}=\∫{\left|S_{3j}\left(t\right)\right|}^2\mathrm{dt}=\underset{l=1}{\overset{n}{\mathrm{\Σ}}}{\left|x_{\mathrm{jk}}\right|}^2$

式中，x_jk表示重构信号S_ij的离散点幅值，j＝0，1，…，7，k＝0，1，…，n，n为压力信号采样点数；

(3)构造特征向量，以能量为元素构造一个特征向量T来表示压力特征信号，并将特征向量进行归一化处理：

$T=\frac{[E_{30},E_{31},...E_{37}]}{{\left(\underset{j=1}{\overset{7}{\mathrm{\Σ}}}{\left(E_{3j}\right)}^2\right)}^{\frac{1}{2}}}$

其中：E_ij为信号S_ij对应的能量。

4.根据权利要求3所述的一种信号识别分类方法，其特征是：所述最小二乘支持向量机识别的基本步骤为：

最小二乘支持向量机识别，通过非线性变换将输入信号特征向量变换到高维特征空间，然后在这个高维特征空间求取最优线性分类面，这种非线性变换通过定义内积函数来实现。管道压力特征向量样本集为n个样本{x_i，y_i}，其中i＝1，…，n，x_i∈R^N，y∈{-1，1}是类别标号。将信号特征向量作为输入，将正常状态与泄漏状态作为输出，通过训练LSSVM，使LSSVM网络实现给定的输入输出映射关系。在高维空间中，将正常状态与泄漏状态特征向量样本无错分开的分类超平面满足：

ω∈R^N，b∈R

其中

是非线性函数，将输入映射到特征空间，ω、b分别表示权系数和偏置。

LSSVM分类超平面的常数项b与Lagrange乘子向量α由线性方程组解出，得到的最优分类函数为：

$y\left(x\right)=\mathrm{sgn}\{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\α}}_{i}K(x_i\·x)+b\}$

式中，sgn{}为符号函数，采用径向基核函数K(x_i，x)＝exp(-||x_i-x||²/2σ²)，其中σ²为核密度。

Images