CN106443182B - 一种基于频谱特征的被试品电磁发射幅度频谱数据进行分类的方法 - Google Patents
一种基于频谱特征的被试品电磁发射幅度频谱数据进行分类的方法 Download PDFInfo
- Publication number
- CN106443182B CN106443182B CN201610808971.8A CN201610808971A CN106443182B CN 106443182 B CN106443182 B CN 106443182B CN 201610808971 A CN201610808971 A CN 201610808971A CN 106443182 B CN106443182 B CN 106443182B
- Authority
- CN
- China
- Prior art keywords
- electromagnetic launching
- data
- amplitude spectrum
- test item
- spectrum
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R23/00—Arrangements for measuring frequencies; Arrangements for analysing frequency spectra
- G01R23/16—Spectrum analysis; Fourier analysis
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/001—Measuring interference from external sources to, or emission from, the device under test, e.g. EMC, EMI, EMP or ESD testing
Abstract
本发明公开了一种基于频谱特征的对被试品电磁发射幅度频谱数据进行分类的方法。首先,针对被试品的电磁发射幅度频谱数据,提出七项频谱特征;然后,通过对从电磁发射幅度频谱数据中提取出的上述七项频谱特征进行量化处理,得到电磁发射幅度频谱数据归一化频谱特征结果;最后,基于模糊C均值聚类方法对归一化频谱特征结果进行分类,得到对若干组电磁发射幅度频谱数据的分类结果。本发明可用于对被试品的机理认识,以及对被试品产生的干扰问题进行定位等工作。
Description
技术领域
本发明涉及电磁发射幅度频谱数据中的频谱特征概念及对测试频谱数据进行分类的方法,属于电磁兼容技术领域。
背景技术
电子设备空间密度的迅速增长,导致电磁兼容性问题日益严重。各国逐步把电磁兼容性认证作为对一些电子产品认证的首要条件,并提出了许多关于电磁兼容性要求的强制性规定,尽可能使电子产品在使用过程中避免发生电磁兼容性问题。
电磁干扰(Electromagnetic Interference-EMI)现象在电磁兼容领域表现突出,可分为电磁发射和电磁敏感。依据电磁兼容的三要素,电磁发射是干扰源的表现,电磁发射的传播路径是耦合通道,而电磁敏感是敏感体的表现。为了减少电磁干扰的发生,抑制三要素中的任一要素均有效,其中抑制干扰源的电磁发射倍受重视。
在目前的电磁发射检测中,大部分通过对被试品进行试验测试,获得其电磁发射数据(电磁发射频谱),并评判其电磁发射是否超过标准。在如今大数据时代中,流通在各行业之间的核心便是数据。在电磁兼容领域,同样存在海量的测试数据。对于这些测试数据,通过数据挖掘等技术手段,可以提取出非常有用的信息。
通过对大量的测试数据与整改案例的分析,北航电磁兼容技术研究所研究团队发现被试品的电磁发射特性其实是其本身的一种固有属性,不同被试品的电磁发射幅度频谱数据与其内部电路元件或电路结构有直接关系。因此,针对被试品的电磁发射幅度频谱数据,可以进行特征提取分析,然后基于提取的若干频谱特征,建立被试品电磁发射特性与其内部元件或电路结构的对应关系,可用于对被试品的机理认识及对被试品产生的干扰问题进行准确定位。
发明内容
本发明技术解决问题:克服现有技术的人为主观性和局限性、缺乏科学性等不足,提供一种基于频谱特征的被试品电磁发射幅度频谱数据分类方法,该分类方法更具科学性和可靠性,使电磁发射干扰源的定位更准确。
针对被试品电磁发射幅度频谱数据,提出了七项频谱特征,即谐波基频个数、波峰个数、幅值动态范围、频谱期望、频谱方差、尖峰个数和单位频率下功率;并针对上述七项频谱特征,给出归一化处理机制。
本发明针对电磁发射测试数据的分类以及干扰源定位问题,基于上述七项频谱特征,给出对电磁发射幅度频谱数据进行分类的方法,其特点在于步骤如下:
(1)对若干组电磁发射幅度频谱数据进行分组编号;
(2)使用小波分析对步骤(1)中的电磁发射幅度频谱数据进行宽带分量和窄带分量分离,分别得到宽带分量和窄带分量数据;
(3)对步骤(2)得到的数据,进行谐波基频个数、波峰个数、幅值动态范围、频谱期望、频谱方差、尖峰个数和单位频率下功率七项频谱特征的提取;
(4)对步骤(3)中提取出的若干组七项频谱特征,按照归一化处理机制进行归一化处理;
(5)基于步骤(4)中的归一化处理结果,利用模糊C均值聚类方法对若干组电磁发射幅度频谱数据进行分类。
所述步骤(4)中,本发明研究对象是电磁发射幅度频谱数据,一组接近“理想”的电磁发射幅度频谱数据应具有整体发射水平低,无尖峰信号,波动范围小的特点。对应于七项特征指标,其特点是无谐波特征频率,波峰个数少,幅值动态范围小,频谱期望小,频谱方差小,尖峰个数少且单位频率下功率小。因此,从“理想”状态出发制定各项频谱特征的归一化处理机制,各频谱特征取值越接近上述特点则评分越高,建立如表1所列的频谱特征归一化处理机制。
表1七项特征指标归一化处理机制
所述步骤(5)中,利用模糊C均值聚类方法对电磁发射幅度频谱数据归一化频谱特征结果进行分类处理,得到对若干组电磁发射幅度频谱数据数的分类结果,具体实现步骤如下:
(5-1)将被试品电磁发射幅度频谱数据可分成P类,根据模糊C均值聚类的方法,得到相应的隶属矩阵U和聚类中心C;
(5-2)利用步骤(5-1)中得到的隶属矩阵U和聚类中心C计算出价值函数J;
(5-3)利用步骤(5-2)中得到的价值函数J,计算新的隶属矩阵U、新的聚类中心C。如此重复步骤(5-2)和步骤(5-3),直至前后两次计算的J的改变量小于设定的值(取10-5),停止步骤(5-2)和步骤(5-3)的重复,得到最终的隶属矩阵U和聚类中心C;
(5-4)根据若干组数据在隶属矩阵U中的最大隶属度,可以确定出被分析的电磁发射幅度频谱数据所属于的类别,并由对应的聚类中心C的结果可得到聚类中心。
本发明方法的优点在于:
(1)利用小波分析的方法,将被试品电磁发射幅度频谱数据进行宽带分量和窄带分量的分离,分离结果的物理意义明确;
(2)所提出的七项频谱特征,物理意义明确,能够指导被试品电磁发射特性与电路内部机理关系的构建;
(3)通过建立科学的分类指标体系,以及使用模糊C均值聚类的方法,克服传统分类的主观性和局限性,提高了分类的科学性和可靠性;
(4)本发明易于编程实现,可编写为专用软件,读入电磁发射幅度频谱数据后,可直接输出数据的频谱特征以及对数据的分类结果,使得对干扰源归类的整个过程更加方便快捷;
(5)本发明得到的分类结果,可用于对未知干扰源的分类中,使电磁发射干扰源的定位更准确对电磁发射。
附图说明
图1为本发明的分析步骤流程图;
图2为电磁发射幅度频谱图;
图3为电磁发射幅度频谱数据小波变换结果;
图4为16组电磁发射幅度频谱数据分类后第一类结果;(a):编号为1;(b):编号为8;(c):编号为9;(d):编号为10;(e):编号为11;
图5为16组电磁发射幅度频谱数据分类后第二类结果;(a):编号为2;(b):编号为13;(c):编号为14;(d):编号为15;(e):编号为16;
图6为16组电磁发射幅度频谱数据分类后第三类结果;(a):编号为3;(b):编号为4;(c):编号为5;(d):编号为6;(e):编号为7;(a):编号为1;(f):编号为12。
具体实施方式
下面通过一个具体的实施例对本发明提出的被试品电磁发射幅度频谱数据分类方法做出进一步阐述。
如图1所示,本发明实现步骤如下:
(1)对若干组电磁发射幅度频谱数据进行分组编号。
对若干组电磁发射幅度频谱数据进行编号,记为1~16(电磁发射幅度频谱数据共有16组)组数据。
(2)使用小波分析对步骤(1)中的电磁发射幅度频谱数据进行宽带分量和窄带分量分离。
对第1组数(图2曲线)进行小波多分辨分析处理,通过调节分辨率,提取出电磁发射幅度频谱数据的近似分量,作为宽带分量(图3上曲线中粗实线);用电磁发射幅度频谱数据减去宽带分量,结果作为窄带分量(图3下曲线)。对其他组15数据重复步骤(2),得到16组电磁发射幅度频谱数据的宽带分量和窄带分量。
(3)对步骤(2)的数据,进行谐波基频个数、波峰个数、幅值动态范围、频谱期望、频谱方差、尖峰个数和单位频率下功率七项频谱特征的提取。
对第1组电磁发射幅度频谱数据,以及宽带分量和窄带分量分离结果,进行谐波基频个数、波峰个数、幅值动态范围、频谱期望、频谱方差、尖峰个数和单位频率下功率七项频谱特征的提取。得到谐波基频个数为2(如图2所示),波峰个数为26个,幅值动态范围为10.7815,期望为31.6780,方差为9.2664,尖峰个数为50个,单位频率下功率为5.6478×104。对其他15组数据重复步骤(3),得到16组数据的频谱特征结果,如表2所列。
表2 16组电磁发射幅度频谱数据的频谱特征
(4)对步骤(3)中提取出的16组七种频谱特征,按照归一化处理机制进行归一化处理,结果如表3所示。
表3 16组电磁发射幅度频谱数据的频谱特征归一化结果
(5)基于步骤(4)中的归一化处理结果,利用模糊C均值聚类方法对16组电磁发射幅度频谱数据进行分类。
步骤(5-1)设典型的被试品电磁发射幅度频谱数据可分成3类,根据模糊C均值聚类的方法,得到一个3行16列的隶属矩阵U,以及相应的聚类中心C。
步骤(5-2)利用步骤(5-1)中得到的隶属矩阵U和聚类中心C计算出价值函数J。
步骤(5-3)利用步骤(5-2)中得到的价值函数J,计算新的隶属矩阵U、新的聚类中心C。如此重复步骤(5-2)和步骤(5-3),直至前后两次计算的J的改变量小于设定的值(取10-5),停止步骤(5-2)和步骤(5-3)的重复,得到最终的隶属矩阵U和聚类中心C。
步骤(5-4)根据16组数据在隶属矩阵U中的最大隶属度,可以确定出被分析的电磁发射幅度频谱数据所属于的类别,并由对应的聚类中心C的结果可得到聚类中心。上述结果中,第一类数据的模糊中心是谐波基频数结果为8.0214,频谱期望结果为5.8887,频谱方差结果为5.2378,波峰个数结果为5.5535,幅值动态范围结果为6.330,尖峰个数结果为5.6902,单位频率下功率评分为5.2510。根据上述隶属矩阵U和聚类中心C,可以将这16组数据进行分类:
第一类数据编号:1,8,9,10,11,共5组数据,结果如图4所示;第二类数据编号:2,13,14,15,16,共5组数据,结果如图5所示;第三类数据编号:3,4,5,6,7,12,共6组数据,结果如图6所示。
从图4、5和6的分类结果可以看出,分类具有良好的效果。且第一类数据具有开关电源模块电磁发射频谱的特点即具有明显的幅度包络,同时还含有大量的谐波特点的尖峰信号。第三类数据具有频率源模块电磁发射频谱的特点即频谱中整体趋势比较平缓,但在个别的频点有非常明显的尖峰信号,而且尖峰之间具有相同的频率间隔。而第二类数据不具有上述两种模块的明显特征,这类频谱数据具有平缓的趋势和较小的噪声信号,与之前定义的“理想”频谱较为接近。
Claims (3)
1.一种基于频谱特征的对被试品电磁发射幅度频谱数据进行分类的方法,其特征在于:
(1)使用小波分析对若干组被试品电磁发射幅度频谱数据进行宽带分量和窄带分量分离,分别得到宽带分量和窄带分量数据;
(2)对步骤(1)得到的数据,进行谐波基频个数、波峰个数、幅值动态范围、频谱期望、频谱方差、尖峰个数和单位频率下功率七项频谱特征的提取;所述谐波基频个数是指被试品电磁发射幅度频谱数据窄带分量中与被试品所含晶振个数对应的不同基频的个数;所述波峰个数是指被试品电磁发射幅度频谱数据的宽带分量中,峰值的个数;所述幅度动态范围是指被试品电磁发射幅度频谱数据的宽带分量中,数值的变化范围;所述频谱期望是指被试品电磁发射幅度频谱数据的平均值;所述频谱方差是指被试品电磁发射幅度频谱数据的方差值;所述尖峰个数,指被试品电磁发射幅度频谱数据中,明显高于宽带分量数据的波峰个数;所述单位频率下功率,指被试品电磁发射幅度频谱数据的总功率与测试带宽之比;
(3)对步骤(2)中提取出的若干组七项频谱特征进行归一化处理,得到电磁发射幅度频谱数据归一化频谱特征结果;
(4)利用模糊C均值聚类方法对电磁发射幅度频谱数据归一化频谱特征结果进行分类处理,得到对若干组电磁发射幅度频谱数据的分类结果。
2.根据权利要求1所述的一种基于频谱特征的对被试品电磁发射幅度频谱数据进行分类的方法,其特征在于:所述步骤(3)中七项频谱特征进行归一化处理实现为:
(1)对于基频个数,当取值条件分别为0、1、2、3和4时,对应归一化值为10、8、6、4和2;
(2)对于期望,当取值条件分别为-25~-10、-10~0、0~10、10~20、20~30、30~40、40~50、50~60、60~70和>70时,对应归一化值为10、9、8、7、6、5、4、3、2和1;
(3)对于方差,当取值条件分别为2~3、3~4、4~6、6~8、8~10、10~12、12~14、14~16、16~18和>18时,对应归一化值为10、9、8、7、6、5、4、3、2和1;
(4)对于波峰个数,当取值条件分别为<15、15~20、20~22、22~24、24~26、26~28、28~30、30~35、35~40和>40时,对应归一化值为10、9、8、7、6、5、4、3、2和1;
(5)对于幅值动态范围,当取值条件分别为<4.5、4.5~6、6~7.5、7.5~9、9~10.5、10.5~12、12~13.5、13.5~15、15~16.5和>16.5时,对应归一化值为10、9、8、7、6、5、4、3、2和1;
(6)对于尖峰个数,当取值条件分别为0~10、10~20、20~30、30~40、40~50、50~60、60~70、70~80、80~90和>90时,对应归一化值为10、9、8、7、6、5、4、3、2和1;
(7)对于单位频率下功率,当取值条件分别为0~10、10~100、100~1000、1e+3~1e+4、1e+4~1e+5、1e+5~1e+6、1e+6~1e+7、1e+7~1e+8、1e+8~1e+9和>1e+9时,对应归一化值为10、9、8、7、6、5、4、3、2和1。
3.根据权利要求1所述的一种基于频谱特征的对被试品电磁发射幅度频谱数据进行分类的方法,其特征在于:所述步骤(4)利用模糊C均值聚类方法对电磁发射幅度频谱数据归一化频谱特征结果进行分类处理,得到对若干组电磁发射幅度频谱数据的分类结果具体实现步骤如下:
(1)将被试品电磁发射幅度频谱数据可分成P类,根据模糊C均值聚类的方法,得到相应的隶属矩阵U和聚类中心C;
(2)利用步骤(1)中得到的隶属矩阵U和聚类中心C计算出价值函数J;
(3)利用步骤(2)中得到的价值函数J,计算新的隶属矩阵U、新的聚类中心C。如此重复步骤(2)和步骤(3),直至前后两次计算的J的改变量小于设定的值,所述设定的值为10-5,停止步骤(2)和步骤(3)的重复,得到最终的隶属矩阵U和聚类中心C;
(4)根据若干组数据在隶属矩阵U中的最大隶属度,确定出被分析的电磁发射幅度频谱数据所属于的类别,并由对应的聚类中心C的结果可得到聚类中心。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610808971.8A CN106443182B (zh) | 2016-09-08 | 2016-09-08 | 一种基于频谱特征的被试品电磁发射幅度频谱数据进行分类的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610808971.8A CN106443182B (zh) | 2016-09-08 | 2016-09-08 | 一种基于频谱特征的被试品电磁发射幅度频谱数据进行分类的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106443182A CN106443182A (zh) | 2017-02-22 |
CN106443182B true CN106443182B (zh) | 2018-02-02 |
Family
ID=58164164
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610808971.8A Active CN106443182B (zh) | 2016-09-08 | 2016-09-08 | 一种基于频谱特征的被试品电磁发射幅度频谱数据进行分类的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106443182B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111709445A (zh) * | 2020-05-14 | 2020-09-25 | 北京航空航天大学 | 一种基于频谱特征的电磁发射要素识别方法 |
CN111579881B (zh) * | 2020-05-14 | 2021-02-26 | 北京航空航天大学 | 一种频域多特征融合电磁发射特征向量构建方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5543779A (en) * | 1995-03-09 | 1996-08-06 | Aspesi; Marc S. | EMI source detector |
CN1510426A (zh) * | 2002-12-16 | 2004-07-07 | 伟 吴 | 电磁干扰诊断方法及其系统 |
FR2871580B1 (fr) * | 2004-06-09 | 2006-10-27 | Inrets | Localisation d'une source de rayonnement electromagnetique sur un equipement electrique |
CN103018759B (zh) * | 2012-11-23 | 2014-06-11 | 北京航空航天大学 | 一种基于场强值的同频多辐射源定位方法 |
-
2016
- 2016-09-08 CN CN201610808971.8A patent/CN106443182B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN106443182A (zh) | 2017-02-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107894564B (zh) | 一种基于交叉小波特征的模拟电路故障诊断方法 | |
CN106295684B (zh) | 一种基于微多普勒特征的动态连续/非连续手势识别方法 | |
CN101551864B (zh) | 基于频域方向特征相关性的图像分类方法 | |
CN109633368A (zh) | 基于vmd和dfa的含分布式电源配电网电能质量扰动检测方法 | |
CN106096660B (zh) | 基于独立成分分析算法的卷积神经网络 | |
CN102680825A (zh) | 系统级电磁兼容故障诊断中的干扰源辨识方法 | |
CN108052863A (zh) | 基于最大方差展开法的电能质量扰动识别方法 | |
CN110515096B (zh) | 基于卷积神经网络的卫星导航干扰信号识别装置及其方法 | |
CN101383008A (zh) | 基于视觉注意模型的图像分类方法 | |
CN110298085A (zh) | 基于XGBoost和随机森林算法的模拟电路故障诊断方法 | |
CN103149514B (zh) | 一种gis内多绝缘缺陷模式识别方法 | |
CN104535905A (zh) | 基于朴素贝叶斯分类的局部放电诊断方法 | |
CN103839078A (zh) | 一种基于主动学习的高光谱图像分类方法 | |
CN106443182B (zh) | 一种基于频谱特征的被试品电磁发射幅度频谱数据进行分类的方法 | |
CN105426832A (zh) | 非稳定信噪比下的通信雷达辐射源识别方法 | |
CN106291275A (zh) | 一种局部放电超高频单次波形频域特征提取及识别方法 | |
CN103427791B (zh) | 一种基于粒子群优化的信号分离方法 | |
CN102509120A (zh) | 基于迁移字典学习的高光谱图像的有监督分割方法 | |
CN104408472A (zh) | 基于Wishart和SVM的极化SAR图像分类方法 | |
CN112347910A (zh) | 一种基于多模态深度学习的信号指纹识别方法 | |
CN104820840A (zh) | 基于字典和波段重组的最近邻高光谱图像分类方法 | |
CN104463210B (zh) | 基于面向对象和谱聚类的极化sar图像分类方法 | |
CN101964055B (zh) | 一种模仿视觉感知机制的自然场景类型辨识方法 | |
CN110569727B (zh) | 用于运动想象分类的结合类内距和类间距的迁移学习方法 | |
CN111983569A (zh) | 基于神经网络的雷达干扰抑制方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |