CN105067924A - 基于Feature Selective Validation方法的信号辨识系统及方法 - Google Patents

Abstract

基于Feature？Selective？Validation方法的信号辨识系统及方法，属于信号分析与处理领域。为了解决现有的信号来源的辨识方法辨识出的结果不够直观且复杂的问题。本发明把FSV方法引入到信号辨识中，将不同模式信号和待辨识信号分别进行傅立叶变换，获得相应的直流分量、低频分量和高频分量，进而获得不同模式信号与待辨识信号的幅度差异量、特征差异量和总体差异量；获得的幅度差异量、特征差异量和总体差异量，判定差异量最小对应的模式信号的来源为待辨识信号的来源。本发明的系统利用LabVIEW和Matlab编程联合实现。本发明适用于辨识任意长度的一维信号。

Description

基于Feature Selective Validation方法的信号辨识系统及方法

技术领域

本发明属于信号分析与处理领域。

背景技术

现有的信号分析与处理中，很多时候需要对信号的来源进行辨识，确定是否为干扰信号，再进一步分析。所以信号来源的辨识在信号分析与处理领域十分重要。

但是现有的信号来源的辨识方法辨识出的结果不够直观，需要复杂的分析才能确定。

发明内容

本发明的目的是为了解决现有的信号来源的辨识方法辨识出的结果不够直观且复杂的问题，本发明提供一种基于FeatureSelectiveValidation方法的信号辨识系统及方法。

本发明的基于FeatureSelectiveValidation方法的信号辨识系统，所述系统包括如下模块：

模式信号提取模块，用于采集不同来源、不同模式的信号，进行统计，获得不同模式信号的一维数据点；

应用LabVIEW的文件输入模块，用于输入采集的不同模式信号的一维数据点，并存储到一维矩阵A中；

应用NImyDAQ的测试模块，用于输入待辨识信号，转换为一维数据点，存储至一维矩阵B中；

应用Matlab脚本的FeatureSelectiveValidation方法实现模块，采用FeatureSelectiveValidation方法对一维矩阵A中和一维矩阵B中的数据点进行处理，获得不同模式的信号和待辨识信号的差异性，判定所述差异性最小的对应的模式信号的来源为待辨识信号的来源；

应用LabVIEW的显示模块，用于显示不同模式的信号和待辨识信号的差异性；

所述应用Matlab脚本的FeatureSelectiveValidation方法实现模块包括如下模块：

将不同模式信号和待辨识信号分别进行傅立叶变换，获得相应的直流分量、低频分量和高频分量的模块；

根据获得的直流分量和低频分量，获得不同模式信号与待辨识信号的幅度差异量的模块；

根据获得的高频分量和低频分量，获得不同模式信号与待辨识信号的特征差异量的模块；

将不同模式信号与待辨识信号的幅度差异量和特征差异量合成，获得不同模式信号与待辨识信号的总体差异量的模块；

根据不同模式信号与待辨识信号的幅度差异量、特征差异量和总体差异量，判定差异量最小对应的模式信号的来源为待辨识信号的来源的模块。

获得相应的直流分量、低频分量和高频分量的模块的过程为：

分别取傅立叶变换后的不同模式信号和待辨识信号的频谱中频率最低的四个频点为相应信号的直流分量，以所述频谱中频率f_bp为低频分量和高频分量的分界点，获得相应信号的低频分量和高频分量，f_bp为除直流分量外频谱总能量的40％的频点。

根据获得的直流分量和低频分量，获得不同模式信号与待辨识信号的幅度差异量的模块的工作过程为：

根据获得的直流分量和低频分量，获得不同模式信号与待辨识信号的幅度差异量：

$ADM\left(f\right)=\left|\frac{\mathrm{\α}}{\mathrm{\β}}\right|+\left|\frac{\mathrm{\χ}}{\mathrm{\δ}}\right|\exp \left\{\right|\frac{\mathrm{\χ}}{\mathrm{\δ}}\left|\right\};$

其中，中间变量α＝(|Lo₁(f)|-|Lo₂(f)|)，中间变量中间变量χ＝(|DC₁(f)|-|DC₂(f)|)，中间变量Lo₁(f)表示不同模式信号的低频分量，Lo₂(f)表示待辨识信号的低频分量，N表示信号的数据点个数，DC₁(f)表示不同模式信号的直流分量，DC₂(f)表示表示待辨识信号的直流分量。

根据获得的高频分量和低频分量，获得不同模式信号与待辨识信号的特征差异量的模块的过程为：

根据获得的高频分量和低频分量，获得不同模式信号与待辨识信号的三个特征差异分量FDM₁(f)、FDM₂(f)和FDM₃(f)：

${\mathrm{FDM}}_1\left(f\right)=\frac{|{\mathrm{Lo}}_1^{\′}\left(f\right)|-|{\mathrm{Lo}}_2^{\′}\left(f\right)|}{\frac{2}{N}\underset{f=1}{\overset{N}{\Σ}}\[\left(\right|{\mathrm{Lo}}_1^{\′}\left(f\right)|+|{\mathrm{Lo}}_2^{\′}\left(f\right)\left|\right)\]},$

${\mathrm{FDM}}_2\left(f\right)=\frac{|{\mathrm{Hi}}_1^{\′}\left(f\right)|-|{\mathrm{Hi}}_2^{\′}\left(f\right)|}{\frac{6}{N}\underset{f=1}{\overset{N}{\Σ}}\[\left(\right|{\mathrm{Hi}}_1^{\′}\left(f\right)|+|{\mathrm{Hi}}_2^{\′}\left(f\right)\left|\right)\]},$

${\mathrm{FDM}}_3\left(f\right)=\frac{|{\mathrm{Hi}}_1^{\′\′}\left(f\right)|-|{\mathrm{Hi}}_2^{\′\′}\left(f\right)|}{\frac{7.2}{N}\underset{f=1}{\overset{N}{\Σ}}\[\left(\right|{\mathrm{Hi}}_1^{\′\′}\left(f\right)|+|{\mathrm{Hi}}_2^{\′\′}\left(f\right)\left|\right)\]},$

|Hi′₁(f)|表示不同模式信号的高频分量的一阶导数，Hi′₂(f)表示待辨识信号的高频分量的一阶导数，|Hi″₁(f)|表示不同模式信号的高频分量的二阶导数，Hi″₂(f)表示待辨识信号的高频分量的二阶导数；

根据三个特征差异量FDM₁(f)、FDM₂(f)和FDM₃(f)，获得获得不同模式信号与待辨识信号的特征差异量：

FDM(f)＝2(|FDM₁(f)+FDM₂(f)+FDM₃(f)|)。

将不同模式信号与待辨识信号的幅度差异量和特征差异量合成，获得不同模式信号与待辨识信号的总体差异量的模块的工作过程为：

根据不同模式信号与待辨识信号的幅度差异量ADM(f)和特征差异量FDM(f)，获得不同模式信号与待辨识信号的总体差异量GDM(f)：

$GDM\left(f\right)=\sqrt{ADM{\left(f\right)}^2+FDM{\left(f\right)}^2}.$

一种基于FeatureSelectiveValidation方法的信号辨识方法，所述方法包括如下步骤：

输入不同来源、不同模式的信号，进行统计，得到不同模式信号的一维数据点的步骤；

输入待辨识信号,得到待辨识信号的一维数据点的步骤；

将不同模式信号和待辨识信号分别进行傅立叶变换，获得相应的直流分量、低频分量和高频分量的步骤；

根据获得的直流分量和低频分量，获得不同模式信号与待辨识信号的幅度差异量的步骤；

根据获得的高频分量和低频分量，获得不同模式信号与待辨识信号的特征差异量的步骤；

将不同模式信号与待辨识信号的幅度差异量和特征差异量合成，获得不同模式信号与待辨识信号的总体差异量的步骤；

根据不同模式信号与待辨识信号的幅度差异量、特征差异量和总体差异量，判定差异量最小对应的模式信号的来源为待辨识信号的来源的步骤。

获得相应的直流分量、低频分量和高频分量的步骤包括：

分别取傅立叶变换后的不同模式信号和待辨识信号的频谱中频率最低的四个频点为相应信号的直流分量，以所述频谱中频率f_bp为低频分量和高频分量的分界点，获得相应信号的低频分量和高频分量，f_bp为除直流分量外频谱总能量的40％的频点。

根据获得的直流分量和低频分量，获得不同模式信号与待辨识信号的幅度差异量的步骤为：

根据获得的直流分量和低频分量，获得不同模式信号与待辨识信号的幅度差异量：

$ADM\left(f\right)=\left|\frac{\mathrm{\α}}{\mathrm{\β}}\right|+\left|\frac{\mathrm{\χ}}{\mathrm{\δ}}\right|\exp \left\{\right|\frac{\mathrm{\χ}}{\mathrm{\δ}}\left|\right\};$

其中，中间变量α＝(|Lo₁(f)|-|Lo₂(f)|)，中间变量中间变量χ＝(|DC₁(f)|-|DC₂(f)|)，中间变量Lo₁(f)表示不同模式信号的低频分量，Lo₂(f)表示待辨识信号的低频分量，N表示信号的数据点个数，DC₁(f)表示不同模式信号的直流分量，DC₂(f)表示表示待辨识信号的直流分量。

所述根据获得的高频分量和低频分量，获得不同模式信号与待辨识信号的特征差异量的步骤包括：

根据获得的高频分量和低频分量，获得不同模式信号与待辨识信号的三个特征差异分量FDM₁(f)、FDM₂(f)和FDM₃(f)：

${\mathrm{FDM}}_1\left(f\right)=\frac{|{\mathrm{Lo}}_1^{\′}\left(f\right)|-|{\mathrm{Lo}}_2^{\′}\left(f\right)|}{\frac{2}{N}\underset{f=1}{\overset{N}{\Σ}}\[\left(\right|{\mathrm{Lo}}_1^{\′}\left(f\right)|+|{\mathrm{Lo}}_2^{\′}\left(f\right)\left|\right)\]},$

${\mathrm{FDM}}_2\left(f\right)=\frac{|{\mathrm{Hi}}_1^{\′}\left(f\right)|-|{\mathrm{Hi}}_2^{\′}\left(f\right)|}{\frac{6}{N}\underset{f=1}{\overset{N}{\Σ}}\[\left(\right|{\mathrm{Hi}}_1^{\′}\left(f\right)|+|{\mathrm{Hi}}_2^{\′}\left(f\right)\left|\right)\]},$

${\mathrm{FDM}}_3\left(f\right)=\frac{|{\mathrm{Hi}}_1^{\′\′}\left(f\right)|-|{\mathrm{Hi}}_2^{\′\′}\left(f\right)|}{\frac{7.2}{N}\underset{f=1}{\overset{N}{\Σ}}\[\left(\right|{\mathrm{Hi}}_1^{\′\′}\left(f\right)|+|{\mathrm{Hi}}_2^{\′\′}\left(f\right)\left|\right)\]},$

|Hi′₁(f)|表示不同模式信号的高频分量的一阶导数，Hi′₂(f)表示待辨识信号的高频分量的一阶导数，|Hi″₁(f)|表示不同模式信号的高频分量的二阶导数，Hi″₂(f)表示待辨识信号的高频分量的二阶导数；

根据三个特征差异量FDM₁(f)、FDM₂(f)和FDM₃(f)，获得获得不同模式信号与待辨识信号的特征差异量：

FDM(f)＝2(|FDM₁(f)+FDM₂(f)+FDM₃(f)|)。

将不同模式信号与待辨识信号的幅度差异量和特征差异量合成，获得不同模式信号与待辨识信号的总体差异量的步骤为：

根据不同模式信号与待辨识信号的幅度差异量ADM(f)和特征差异量FDM(f)，获得不同模式信号与待辨识信号的总体差异量GDM(f)：

$GDM\left(f\right)=\sqrt{ADM{\left(f\right)}^2+FDM{\left(f\right)}^2}.$

本发明的有益效果在于，本发明应用FeatureSelectiveValidation(特征选择验证)方法分别计算待辨识信号与不同模式的标准曲线的总体差异量，使总体差异量最小的标准曲线的来源便是待评估信号最有可能的来源。与现有的信号辨识方法相比，本发明能够反映有经验专家对数据可信度的直观判断，本发明将待辨识信号和模式号分为直流、低频和高频分量，再利用幅值差异量(ADM：AmplitudeDifferenceMeasure)来衡量数据在总体数值上的一致性，用特征差异量(FDM：FeatureDifferenceMeasure)衡量数据之间的“特征”差异(细节差异)，最后给出整体评价总体差异量GDM。因此基于FSV方法的信号识别方法具有简明的数学意义，能全面的反映数据差异(ADM和FDM)，同时提供定量评价标准和定性评价标准。因此，基于FSV方法的信号辨识结果，更加接近人们对信号的直观感受，这便是本发明与其他信号辨识方法有所区别的地方。本发明利用LabVIEW和Matlab编程联合实现FSV方法，并将FSV方法应用在信号识别上，可以实现模式信号文本的读入、被测信号的测量与读入、基于FSV方法的数据差异、定量评价标准和定性评价标准。

附图说明

图1为具体实施方式一所述的的基于FeatureSelectiveValidation方法的信号辨识系统的原理示意图。

具体实施方式

具体实施方式一：结合图1说明本实施方式，本实施方式所述的基于FeatureSelectiveValidation方法的信号辨识系统，所述系统包括如下模块：

模式信号提取模块，用于采集不同来源、不同模式的信号，进行统计，获得不同模式信号的一维数据点；

根据不同的来源，选择不同的模式信号，通过多次测量进行统计或是查找相关文献获取，得到不同模式信号的一维数据点，将数据存储在txt格式的文档中；

应用LabVIEW的文件输入模块，用于输入采集的不同模式信号的一维数据点，并存储到一维矩阵A中；应用Matlab脚本文件计算矩阵的维度，该维度值便可作为测量待辨识信号时的采样点个数。

应用NImyDAQ的测试模块，用于输入待辨识信号，转换为一维数据点，存储至一维矩阵B中；

利用NImyDAQ进行测量，选择模拟输入通道，通过测序可以设置采样的是电压信号值，采样电压的上下界为±10V。在模拟输入AI0的两端夹持信号的输入线。应用LabVIEW中自有的计时功能，可以获取进行采样所需要的时间。

应用Matlab脚本的FeatureSelectiveValidation方法实现模块，采用FeatureSelectiveValidation方法对一维矩阵A中和一维矩阵B中的数据点进行处理，获得不同模式的信号和待辨识信号的差异性，判定所述差异性最小的对应的模式信号的来源为待辨识信号的来源；在获得了模式信号的一维矩阵A和待辨识信号一维矩阵B的后，将它们分别输入至Matlab脚本中，应用Matlab来实现FeatureSelectiveValidation方法，从而定量化待评估信号和某一模式信号之间的差异；

应用LabVIEW的显示模块，用于显示不同模式的信号和待辨识信号的差异性；

所述应用Matlab脚本的FeatureSelectiveValidation方法实现模块包括如下模块：

将不同模式信号和待辨识信号分别进行傅立叶变换，获得相应的直流分量、低频分量和高频分量的模块；

根据获得的直流分量和低频分量，获得不同模式信号与待辨识信号的幅度差异量的模块；

根据获得的高频分量和低频分量，获得不同模式信号与待辨识信号的特征差异量的模块；

将不同模式信号与待辨识信号的幅度差异量和特征差异量合成，获得不同模式信号与待辨识信号的总体差异量的模块；

根据不同模式信号与待辨识信号的幅度差异量、特征差异量和总体差异量，判定差异量最小对应的模式信号的来源为待辨识信号的来源的模块。

具体实施方式二：本实施方式所述的基于FeatureSelectiveValidation方法的信号辨识方法，所述方法包括如下步骤：

输入不同来源、不同模式的信号，进行统计，得到不同模式信号的一维数据点的步骤；

输入待辨识信号,得到待辨识信号的一维数据点的步骤；

将不同模式信号和待辨识信号分别进行傅立叶变换，获得相应的直流分量、低频分量和高频分量的步骤；

根据获得的直流分量和低频分量，获得不同模式信号与待辨识信号的幅度差异量的步骤；

根据获得的高频分量和低频分量，获得不同模式信号与待辨识信号的特征差异量的步骤；

将不同模式信号与待辨识信号的幅度差异量和特征差异量合成，获得不同模式信号与待辨识信号的总体差异量的步骤；

根据不同模式信号与待辨识信号的幅度差异量、特征差异量和总体差异量，判定差异量最小对应的模式信号的来源为待辨识信号的来源的步骤。

具体实施方式三：本实施方式是对具体实施方式一或二的进一步限定，

获得相应的直流分量、低频分量和高频分量的过程为：

分别取傅立叶变换后的不同模式信号和待辨识信号的频谱中频率最低的四个频点为相应信号的直流分量，以所述频谱中频率f_bp为低频分量和高频分量的分界点，获得相应信号的低频分量和高频分量；

$S=\underset{f=5}{\overset{N}{\Σ}}TWDS\left(f\right)$

$\underset{f=5}{\overset{f_{40\%}}{\Σ}}TWDS\left(f\right)\≥0.4S$

f_bp＝f_40％+5

其中，TWDS(f)是第f个频点的能量值，而S是除了第四个点之外的总的能量值，f_bp是高低频的分界点，N是数据长度，某一特殊频点f_40％。

ADM主要用来评估两组数据在总体趋势上的差异，根据获得的直流分量和低频分量，获得不同模式信号与待辨识信号的幅度差异量：

$ADM\left(f\right)=\left|\frac{\mathrm{\α}}{\mathrm{\β}}\right|+\left|\frac{\mathrm{\χ}}{\mathrm{\δ}}\right|\exp \left\{\right|\frac{\mathrm{\χ}}{\mathrm{\δ}}\left|\right\};$

其中，中间变量α＝(|Lo₁(f)|-|Lo₂(f)|)，中间变量中间变量χ＝(|DC₁(f)|-|DC₂(f)|)，中间变量Lo₁(f)表示不同模式信号的低频分量，Lo₂(f)表示待辨识信号的低频分量，N表示信号的数据点个数，DC₁(f)表示不同模式信号的直流分量，DC₂(f)表示表示待辨识信号的直流分量。

FDM可以评估数据之前的细节特征差异，根据获得的高频分量和低频分量，获得不同模式信号与待辨识信号的三个特征差异分量FDM₁(f)、FDM₂(f)和FDM₃(f)：

${\mathrm{FDM}}_1\left(f\right)=\frac{|{\mathrm{Lo}}_1^{\′}\left(f\right)|-|{\mathrm{Lo}}_2^{\′}\left(f\right)|}{\frac{2}{N}\underset{f=1}{\overset{N}{\Σ}}\[\left(\right|{\mathrm{Lo}}_1^{\′}\left(f\right)|+|{\mathrm{Lo}}_2^{\′}\left(f\right)\left|\right)\]},$

${\mathrm{FDM}}_2\left(f\right)=\frac{|{\mathrm{Hi}}_1^{\′}\left(f\right)|-|{\mathrm{Hi}}_2^{\′}\left(f\right)|}{\frac{6}{N}\underset{f=1}{\overset{N}{\Σ}}\[\left(\right|{\mathrm{Hi}}_1^{\′}\left(f\right)|+|{\mathrm{Hi}}_2^{\′}\left(f\right)\left|\right)\]},$

${\mathrm{FDM}}_3\left(f\right)=\frac{|{\mathrm{Hi}}_1^{\′\′}\left(f\right)|-|{\mathrm{Hi}}_2^{\′\′}\left(f\right)|}{\frac{7.2}{N}\underset{f=1}{\overset{N}{\Σ}}\[\left(\right|{\mathrm{Hi}}_1^{\′\′}\left(f\right)|+|{\mathrm{Hi}}_2^{\′\′}\left(f\right)\left|\right)\]},$

|Hi′₁(f)|表示不同模式信号的高频分量的一阶导数，Hi′₂(f)表示待辨识信号的高频分量的一阶导数，|Hi″₁(f)|表示不同模式信号的高频分量的二阶导数，Hi″₂(f)表示待辨识信号的高频分量的二阶导数；

根据三个特征差异量FDM₁(f)、FDM₂(f)和FDM₃(f)，获得获得不同模式信号与待辨识信号的特征差异量：

FDM(f)＝2(|FDM₁(f)+FDM₂(f)+FDM₃(f)|)。

GDM则用来描述两组数据之间总体的吻合度，根据不同模式信号与待辨识信号的幅度差异量ADM(f)和特征差异量FDM(f)，获得不同模式信号与待辨识信号的总体差异量GDM(f)：

$GDM\left(f\right)=\sqrt{ADM{\left(f\right)}^2+FDM{\left(f\right)}^2}.$

FSV方法可以提供多种评估结果的表示形式，如GDMi、ADMi和FDMi是对上述不同差异的逐点比较，可以让使用者在某些细节部分分析计算的结果。GDMc、ADMc和FDMc给出了概率密度函数，可以分析出每个分量的比例。GDMtot、ADMtot、FDMtot、GDMconf、ADMconf、FDMconf、GDMpw、ADMpw和FDMpw，这些都是在比较中更综合的性能系数，都是从前面的各种参数中细化出来的。基于这些性能系数，就可以将两组数据集合间比较的质量进行分级：优秀、很好、好、一般、差、很差。

利用LabVIEW的前面板便可以将FSV分析结果表示出来。首先分别给出了待辨识信号和模式信号的图形，同时分别给出了幅度差异量(ADM)、特征差异量(FDM)和总体差异量(GDM)在每一个评价等级的百分比，最后给出了FSV方法的定量评价结果和定性评价结果。

Claims (10)

1.一种基于FeatureSelectiveValidation方法的信号辨识系统，其特征在于，所述系统包括如下模块：

模式信号提取模块，用于采集不同来源、不同模式的信号，进行统计，获得不同模式信号的一维数据点；

应用LabVIEW的文件输入模块，用于输入采集的不同模式信号的一维数据点，并存储到一维矩阵A中；

应用NImyDAQ的测试模块，用于输入待辨识信号，转换为一维数据点，存储至一维矩阵B中；

应用Matlab脚本的FeatureSelectiveValidation方法实现模块，采用FeatureSelectiveValidation方法对一维矩阵A中和一维矩阵B中的数据点进行处理，获得不同模式的信号和待辨识信号的差异性，判定所述差异性最小的对应的模式信号的来源为待辨识信号的来源；

应用LabVIEW的显示模块，用于显示不同模式的信号和待辨识信号的差异性；

所述应用Matlab脚本的FeatureSelectiveValidation方法实现模块包括如下模块：

将不同模式信号和待辨识信号分别进行傅立叶变换，获得相应的直流分量、低频分量和高频分量的模块；

根据获得的直流分量和低频分量，获得不同模式信号与待辨识信号的幅度差异量的模块；

根据获得的高频分量和低频分量，获得不同模式信号与待辨识信号的特征差异量的模块；

将不同模式信号与待辨识信号的幅度差异量和特征差异量合成，获得不同模式信号与待辨识信号的总体差异量的模块；

根据不同模式信号与待辨识信号的幅度差异量、特征差异量和总体差异量，判定差异量最小对应的模式信号的来源为待辨识信号的来源的模块。

2.根据权利要求1所述的基于FeatureSelectiveValidation方法的信号辨识系统，其特征在于，获得相应的直流分量、低频分量和高频分量的模块的过程为：

分别取傅立叶变换后的不同模式信号和待辨识信号的频谱中频率最低的四个频点为相应信号的直流分量，以所述频谱中频率f_bp为低频分量和高频分量的分界点，获得相应信号的低频分量和高频分量，f_bp为除直流分量外频谱总能量的40％的频点。

3.根据权利要求2所述的基于FeatureSelectiveValidation方法的信号辨识系统，其特征在于，

根据获得的直流分量和低频分量，获得不同模式信号与待辨识信号的幅度差异量的模块的工作过程为：

根据获得的直流分量和低频分量，获得不同模式信号与待辨识信号的幅度差异量：

$ADM\left(f\right)=\left|\frac{\mathrm{\α}}{\mathrm{\β}}\right|+\left|\frac{\mathrm{\χ}}{\mathrm{\δ}}\right|\exp \left\{\right|\frac{\mathrm{\χ}}{\mathrm{\δ}}\left|\right\};$

其中，中间变量α＝(|Lo₁(f)|-|Lo₂(f)|)，中间变量中间变量χ＝(|DC₁(f)|-|DC₂(f)|)，中间变量Lo₁(f)表示不同模式信号的低频分量，Lo₂(f)表示待辨识信号的低频分量，N表示信号的数据点个数，DC₁(f)表示不同模式信号的直流分量，DC₂(f)表示表示待辨识信号的直流分量。

4.根据权利要求3所述的基于FeatureSelectiveValidation方法的信号辨识系统，其特征在于，根据获得的高频分量和低频分量，获得不同模式信号与待辨识信号的特征差异量的模块的过程为：

根据获得的高频分量和低频分量，获得不同模式信号与待辨识信号的三个特征差异分量FDM₁(f)、FDM₂(f)和FDM₃(f)：

${\mathrm{FDM}}_1\left(f\right)=\frac{|{\mathrm{Lo}}_1^{\′}\left(f\right)|-|{\mathrm{Lo}}_2^{\′}\left(f\right)|}{\frac{2}{N}\underset{f=1}{\overset{N}{\Σ}}\[\left(\right|{\mathrm{Lo}}_1^{\′}\left(f\right)|+|{\mathrm{Lo}}_2^{\′}\left(f\right)\left|\right)\]},$

${\mathrm{FDM}}_2\left(f\right)=\frac{|{\mathrm{Hi}}_1^{\′}\left(f\right)|-|{\mathrm{Hi}}_2^{\′}\left(f\right)|}{\frac{6}{N}\underset{f=1}{\overset{N}{\Σ}}\[\left(\right|{\mathrm{Hi}}_1^{\′}\left(f\right)|+|{\mathrm{Hi}}_2^{\′}\left(f\right)\left|\right)\]},$

${\mathrm{FDM}}_3\left(f\right)=\frac{|{\mathrm{Hi}}_1^{\′\′}\left(f\right)|-|{\mathrm{Hi}}_2^{\′\′}\left(f\right)|}{\frac{7.2}{N}\underset{f=1}{\overset{N}{\Σ}}\[\left(\right|{\mathrm{Hi}}_1^{\′\′}\left(f\right)|+|{\mathrm{Hi}}_2^{\′\′}\left(f\right)\left|\right)\]},$

|Hi′₁(f)|表示不同模式信号的高频分量的一阶导数，Hi′₂(f)表示待辨识信号的高频分量的一阶导数，|Hi″₁(f)|表示不同模式信号的高频分量的二阶导数，Hi″₂(f)表示待辨识信号的高频分量的二阶导数；

根据三个特征差异量FDM₁(f)、FDM₂(f)和FDM₃(f)，获得获得不同模式信号与待辨识信号的特征差异量：

FDM(f)＝2(|FDM₁(f)+FDM₂(f)+FDM₃(f)|)。

5.根据权利要求4所述的基于FeatureSelectiveValidation方法的信号辨识系统，其特征在于，将不同模式信号与待辨识信号的幅度差异量和特征差异量合成，获得不同模式信号与待辨识信号的总体差异量的模块的工作过程为：

根据不同模式信号与待辨识信号的幅度差异量ADM(f)和特征差异量FDM(f)，获得不同模式信号与待辨识信号的总体差异量GDM(f)：

$GDM\left(f\right)=\sqrt{ADM{\left(f\right)}^2+FDM{\left(f\right)}^2}.$

6.一种基于FeatureSelectiveValidation方法的信号辨识方法，其特征在于，所述方法包括如下步骤：

输入不同来源、不同模式的信号，进行统计，得到不同模式信号的一维数据点的步骤；

输入待辨识信号,得到待辨识信号的一维数据点的步骤；

将不同模式信号和待辨识信号分别进行傅立叶变换，获得相应的直流分量、低频分量和高频分量的步骤；

根据获得的直流分量和低频分量，获得不同模式信号与待辨识信号的幅度差异量的步骤；

根据获得的高频分量和低频分量，获得不同模式信号与待辨识信号的特征差异量的步骤；

将不同模式信号与待辨识信号的幅度差异量和特征差异量合成，获得不同模式信号与待辨识信号的总体差异量的步骤；

根据不同模式信号与待辨识信号的幅度差异量、特征差异量和总体差异量，判定差异量最小对应的模式信号的来源为待辨识信号的来源的步骤。

7.根据权利要求6所述的基于FeatureSelectiveValidation方法的信号辨识方法，其特征在于，获得相应的直流分量、低频分量和高频分量的步骤包括：

分别取傅立叶变换后的不同模式信号和待辨识信号的频谱中频率最低的四个频点为相应信号的直流分量，以所述频谱中频率f_bp为低频分量和高频分量的分界点，获得相应信号的低频分量和高频分量，f_bp为除直流分量外频谱总能量的40％的频点。

8.根据权利要求7所述的基于FeatureSelectiveValidation方法的信号辨识方法，其特征在于，

根据获得的直流分量和低频分量，获得不同模式信号与待辨识信号的幅度差异量的步骤为：

根据获得的直流分量和低频分量，获得不同模式信号与待辨识信号的幅度差异量：

$ADM\left(f\right)=\left|\frac{\mathrm{\α}}{\mathrm{\β}}\right|+\left|\frac{\mathrm{\χ}}{\mathrm{\δ}}\right|\exp \left\{\right|\frac{\mathrm{\χ}}{\mathrm{\δ}}\left|\right\};$

其中，中间变量α＝(|Lo₁(f)|-|Lo₂(f)|)，中间变量中间变量χ＝(|DC₁(f)|-|DC₂(f)|)，中间变量Lo₁(f)表示不同模式信号的低频分量，Lo₂(f)表示待辨识信号的低频分量，N表示信号的数据点个数，DC₁(f)表示不同模式信号的直流分量，DC₂(f)表示表示待辨识信号的直流分量。

9.根据权利要求8所述的基于FeatureSelectiveValidation方法的信号辨识方法，其特征在于，所述根据获得的高频分量和低频分量，获得不同模式信号与待辨识信号的特征差异量的步骤包括：

根据获得的高频分量和低频分量，获得不同模式信号与待辨识信号的三个特征差异分量FDM₁(f)、FDM₂(f)和FDM₃(f)：

${\mathrm{FDM}}_1\left(f\right)=\frac{|{\mathrm{Lo}}_1^{\′}\left(f\right)|-|{\mathrm{Lo}}_2^{\′}\left(f\right)|}{\frac{2}{N}\underset{f=1}{\overset{N}{\Σ}}\[\left(\right|{\mathrm{Lo}}_1^{\′}\left(f\right)|+|{\mathrm{Lo}}_2^{\′}\left(f\right)\left|\right)\]},$

${\mathrm{FDM}}_2\left(f\right)=\frac{|{\mathrm{Hi}}_1^{\′}\left(f\right)|-|{\mathrm{Hi}}_2^{\′}\left(f\right)|}{\frac{6}{N}\underset{f=1}{\overset{N}{\Σ}}\[\left(\right|{\mathrm{Hi}}_1^{\′}\left(f\right)|+|{\mathrm{Hi}}_2^{\′}\left(f\right)\left|\right)\]},$

${\mathrm{FDM}}_3\left(f\right)=\frac{|{\mathrm{Hi}}_1^{\′\′}\left(f\right)|-|{\mathrm{Hi}}_2^{\′\′}\left(f\right)|}{\frac{7.2}{N}\underset{f=1}{\overset{N}{\Σ}}\[\left(\right|{\mathrm{Hi}}_1^{\′\′}\left(f\right)|+|{\mathrm{Hi}}_2^{\′\′}\left(f\right)\left|\right)\]},$

|Hi′₁(f)|表示不同模式信号的高频分量的一阶导数，Hi′₂(f)表示待辨识信号的高频分量的一阶导数，|Hi″₁(f)|表示不同模式信号的高频分量的二阶导数，Hi″₂(f)表示待辨识信号的高频分量的二阶导数；

根据三个特征差异量FDM₁(f)、FDM₂(f)和FDM₃(f)，获得获得不同模式信号与待辨识信号的特征差异量：

FDM(f)＝2(|FDM₁(f)+FDM₂(f)+FDM₃(f)|)。

10.根据权利要求9所述的基于FeatureSelectiveValidation方法的信号辨识方法，其特征在于，将不同模式信号与待辨识信号的幅度差异量和特征差异量合成，获得不同模式信号与待辨识信号的总体差异量的步骤为：

根据不同模式信号与待辨识信号的幅度差异量ADM(f)和特征差异量FDM(f)，获得不同模式信号与待辨识信号的总体差异量GDM(f)：

$GDM\left(f\right)=\sqrt{ADM{\left(f\right)}^2+FDM{\left(f\right)}^2}.$