CN109005024B - 一种判别混沌信号几何特征的级联压缩方法及装置 - Google Patents

一种判别混沌信号几何特征的级联压缩方法及装置 Download PDF

Info

Publication number
CN109005024B
CN109005024B CN201810796945.7A CN201810796945A CN109005024B CN 109005024 B CN109005024 B CN 109005024B CN 201810796945 A CN201810796945 A CN 201810796945A CN 109005024 B CN109005024 B CN 109005024B
Authority
CN
China
Prior art keywords
information
distinguished
time domain
domain signal
dimensional
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
Application number
CN201810796945.7A
Other languages
English (en)
Other versions
CN109005024A (zh
Inventor
李文石
蔡金伟
吴森林
李瑶天
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Suzhou University
Original Assignee
Suzhou University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Suzhou University filed Critical Suzhou University
Priority to CN201810796945.7A priority Critical patent/CN109005024B/zh
Publication of CN109005024A publication Critical patent/CN109005024A/zh
Application granted granted Critical
Publication of CN109005024B publication Critical patent/CN109005024B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
    • H04L9/001—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols using chaotic signals
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L69/00—Network arrangements, protocols or services independent of the application payload and not provided for in the other groups of this subclass
    • H04L69/04—Protocols for data compression, e.g. ROHC

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Security & Cryptography (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Compression, Expansion, Code Conversion, And Decoders (AREA)

Abstract

本发明公开了一种判别混沌信号几何特征的级联压缩方法、装置、设备及计算机可读存储介质，该方法包括：获取待判别信息，并将待判别信息处理为三维时域信号；获取双曲正切函数及自定义分段函数，其中，双曲正切函数的自变量为待判别信息的累和，自定义分段函数通过判断待判别信息的某维某值是否满足对应阈值条件选取特定映射值集合；将待判别信息依次乘以双曲正切函数及自定义分段函数，累和所得结果得到三个维度的新变量，并确定与新变量对应的三维图；基于三维图的几何特征确定待判别信息的信号特性，信号特性包括周期或者准周期特性、混沌特性及随机数特性。本发明无需主观定义参数、计算复杂度低且判别准确度高。

Description

一种判别混沌信号几何特征的级联压缩方法及装置
技术领域
本发明涉及信号特征判别技术领域，更具体地说，涉及一种判别混沌信号几何特征的级联压缩方法、装置、设备及计算机可读存储介质。
背景技术
在混沌工程学中，快速有效地识别混沌信号是基础性的研究驱动力。无论是作为待检测与估计信号的主要成分(信源)还是次要成分(噪声)，混沌信号的识别特征，理应明显区别于周期信号、准周期信号以及随机信号。
一般认为，混沌信号复杂性(结构/行为)介于周期信号和随机信号之间。从信号复杂性度量角度考察，混沌信号判据的研究趋势为：(1)将信号复杂性转化为计算复杂性；(2)计算复杂性方法降维；(3)始终充分理解混沌信号的已知特征(例如：初值敏感，能量有界，轨道不重合，遍历性，功率谱连续，庞截面分形，熵增，李指数正值，等等)。
基于梳理文献，探究混沌判据演进源流，其所呈现规律的亮点与尚且存在的问题包括：(1)混沌判据可分类为几何特征和计算特征；(2)混沌判据的主流技术是Lyapunov指数，其计算复杂度近O(n2)；(3)0-1混沌测试已将计算复杂度降为O(n)，虽则判别周期准周期或者混沌状态容易，但是存在明显的弱点和缺点，弱点是需要主观选择混沌敏感因子c的值(基于0和2π之间)，缺点是仍然无法识别随机信号。
综上所述，现有技术中用于实现混沌信号识别的技术方案存在无法同时保持较低的计算复杂度及较高的识别性能的问题。
发明内容
本发明的目的是提供一种判别混沌信号几何特征的级联压缩方法、装置、设备及计算机可读存储介质，能够同时保持较低的计算复杂度及较高的识别性能。
为了实现上述目的，本发明提供如下技术方案：
一种判别混沌信号几何特征的级联压缩方法，包括：
获取待判别信息，并将所述待判别信息处理为三维时域信号；
获取双曲正切函数及自定义分段函数，其中，所述双曲正切函数的自变量为所述待判别信息的累和，所述自定义分段函数通过判断所述待判别信息的某维某值是否满足对应阈值条件选取特定映射值集合；
将所述待判别信息依次乘以所述双曲正切函数及所述自定义分段函数，累和所得结果得到三个维度的新变量，并确定与所述新变量对应的三维图；
基于所述三维图的几何特征确定所述待判别信息的信号特性，所述信号特性包括周期或者准周期特性、混沌特性及随机数特性。
优选的，基于所述三维图的几何特征确定所述待判别信息的信号特性，包括：
如果所述三维图为对称的弹簧图形，则确定所述待判别信息具有周期性或者准周期特性；如果所述三维图为非对称的已损坏的弹簧图形，则确定所述待判别信息具有混沌特性；如果所述三维图为锯齿状长线条图形或者布朗运动图形，则确定所述待判别信息具有随机数特性。
优选的，将所述待判别信息处理为三维时域信号，包括：
如果所述待判别信息为三维时域信号，则设定所述待判别信息中每一维的时域信号数据长度均相同；
如果所述待判别信息为每一维的时域信号数据长度均相同的二维时域信号，则将所述待判别信息中的一维时域信号折半成二维时域信号，另一维时域信号取后一半数据长度的时域信号，由折半得到的二维时域信号及取后一半数据长度的时域信号组成三维时域信号；
如果所述待判别信息为一维时域信号，则将所述待判别信息等分为三维时域信号。
优选的，获取自定义分段函数，包括：
获取自定义分段函数，所述自定义分段函数如下式所示：
Figure BDA0001736153710000031
其中，ωj表示自定义分段函数，j表示待判别信息中的任一维时域信号，jmax、jmean及jmin分别表示j的最大值、平均值及最小值，ρ及σ均为设定的阈值，n＝1,2,...,N，N表示待判别信息中每维时域信号的数据长度。
一种判别混沌信号几何特征的级联压缩装置，包括：
预处理模块，用于：获取待判别信息，并将所述待判别信息处理为三维时域信号；
函数获取模块，用于：获取双曲正切函数及自定义分段函数，其中，所述双曲正切函数的自变量为所述待判别信息的累和，所述自定义分段函数通过判断所述待判别信息的某维某值是否满足对应阈值条件选取特定映射值集合；
级联压缩模块，用于：将所述待判别信息依次乘以所述双曲正切函数及所述自定义分段函数，累和所得结果得到三个维度的新变量，并确定与所述新变量对应的三维图；
特性判定模块，用于：基于所述三维图的几何特征确定所述待判别信息的信号特性，所述信号特性包括周期或者准周期特性、混沌特性及随机数特性。
优选的，所述特性判定模块包括：
特性判定单元，用于：如果所述三维图为对称的弹簧图形，则确定所述待判别信息具有周期性或者准周期特性；如果所述三维图为非对称的已损坏的弹簧图形，则确定所述待判别信息具有混沌特性；如果所述三维图为锯齿状长线条图形或者布朗运动图形，则确定所述待判别信息具有随机数特性。
优选的，所述预处理模块包括：
预处理单元，用于：如果所述待判别信息为三维时域信号，则设定所述待判别信息中每一维的时域信号数据长度均相同；如果所述待判别信息为每一维的时域信号数据长度均相同的二维时域信号，则将所述待判别信息中的一维时域信号折半成二维时域信号，另一维时域信号取后一半数据长度的时域信号，由折半得到的二维时域信号及取后一半数据长度的时域信号组成三维时域信号；如果所述待判别信息为一维时域信号，则将所述待判别信息等分为三维时域信号。
优选的，所述函数获取模块包括：
分段函数获取单元，用于：获取自定义分段函数，所述自定义分段函数如下式所示：
Figure BDA0001736153710000041
其中，ωj表示自定义分段函数，j表示待判别信息中的任一维时域信号，jmax、jmean及jmin分别表示j的最大值、平均值及最小值，ρ及σ均为设定的阈值，n＝1,2,...,N，N表示待判别信息中每维时域信号的数据长度。
一种判别混沌信号几何特征的级联压缩设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如上任一项所述判别混沌信号几何特征的级联压缩方法的步骤。
一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上任一项所述判别混沌信号几何特征的级联压缩方法的步骤。
本发明提供了一种判别混沌信号几何特征的级联压缩方法、装置、设备及计算机可读存储介质，本发明公开的技术方案中，组合通用的双曲正切函数及自定义的分段函数作为压缩函数，将待判别信息处理成三维时域信号之后，利用双曲正切函数及自定义分段函数实现待判别信息的级联压缩，进而基于级联压缩得到的对应三维图的几何特征确定出待判别信息的信号特性。其中，本发明采用两重级联的压缩函数得到新变量构成三维图，扩展且利用了类似香农熵的滤波器计算构型；在本申请中，滤波系数首先采用双曲正切函数，由此强调了过零且对称映射的累和结果的初步特征压缩效果；并且，考虑到双曲正切函数的两端饱和与中间过于光滑特性的特征挖掘的局限性，本申请建立了自定义分段函数再次逼近双曲正切函数，作为级联的滤波系数乘子，由此继承了过零对称的优点的同时，强调了多个阈值的联合的阶梯映射效果；从而得到三元假设识别的效果，相比于0-1混沌测试，不仅计算量没有明显增加，且突破了0-1混沌测试无法判别随机数的窘境，还无需主观设定任何参数，因此，本申请公开的技术方案能够同时保持较低的计算复杂度及较高的识别性能。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的一种判别混沌信号几何特征的级联压缩方法的流程图；
图2为本发明实施例提供的一种判别混沌信号几何特征的级联压缩方法中三维一阶Li方程的xyz信号相图、3s图和pq图的第一种判别结果对比图；
图3为本发明实施例提供的一种判别混沌信号几何特征的级联压缩方法中三维一阶Li方程的xyz信号相图、3s图和pq图的第二种判别结果对比图；
图4为本发明实施例提供的一种判别混沌信号几何特征的级联压缩方法中Chua方程的xyz信号相图、3s图和pq图的判别结果对比图；
图5为本发明实施例提供的一种判别混沌信号几何特征的级联压缩装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1，其示出了本发明实施例提供的一种判别混沌信号几何特征的级联压缩方法的流程图，可以包括：
S11：获取待判别信息，并将待判别信息处理为三维时域信号。
需要说明的是，本发明实施例提供的一种判别混沌信号几何特征的级联压缩方法的执行主语可以为对应的装置，待判别信息为时域信号，将时域信号处理为三维时域信号，以基于该三维时域信号实现待判别信息的几何特征获取及判别。
S12：获取双曲正切函数及自定义分段函数，其中，双曲正切函数的自变量为待判别信息的累和，自定义分段函数通过判断待判别信息的某维某值是否满足对应阈值条件选取特定映射值集合。
其中，双曲正切函数与现有技术中对应概念定义相同，在此不再赘述。自定义分段函数可以由工作人员自行设定，将待判别信息与自定义分段函数相乘，能够判断出待判别信息的某维某值是否满足对应的阈值条件，进而基于上述判断结果确定出特定映射值集合。本步骤的目的为获取双曲正切函数及自定义分段函数，上述关于双曲正切函数及自定义分段函数的特征为实现步骤S13的计算时实现的。
S13：将待判别信息依次乘以双曲正切函数及自定义分段函数，累和所得结果得到三个维度的新变量，并确定与新变量对应的三维图。
将待判别信息中的每维时域信号分别执行依次乘以双曲正切函数及自定义分段函数，并累和所得结果的步骤，也即将待判别信息中的每维时域信号分别执行上述级联压缩的步骤，从而得到与三维时域信号中每维时域信号具有一一对应关系的三个新变量s，三个新变量sss构成三维特征空间，可以表达以3s图(即三维图)，以通过该三维图确定待判别信息的信号特性。
S14：基于三维图的几何特征确定待判别信息的信号特性，信号特性包括周期或者准周期特性、混沌特性及随机数特性。
三维图的几何特征及待判别信息的信号特性之间具有对应关系，也即确定出三维图的几何特征之后，即可确定该几何特征对应的信号特性为待判别信息的信号特性，本申请中的信号特性包括周期或者准周期特性、混沌特性及随机数特性，也即本申请能够基于三维图的几何特征判断出待判别信息具有上述信号特性中的哪一种。
本发明公开的技术方案中，组合通用的双曲正切函数及自定义的分段函数作为压缩函数，将待判别信息处理成三维时域信号之后，利用双曲正切函数及自定义分段函数实现待判别信息的级联压缩，进而基于级联压缩得到的对应三维图的几何特征确定出待判别信息的信号特性。其中，本发明采用两重级联的压缩函数得到新变量构成三维图，扩展且利用了类似香农熵的滤波器计算构型；在本申请中，滤波系数首先采用双曲正切函数，由此强调了过零且对称映射的累和结果的初步特征压缩效果；并且，考虑到双曲正切函数的两端饱和与中间过于光滑特性的特征挖掘的局限性，本申请建立了自定义分段函数再次逼近双曲正切函数，作为级联的滤波系数乘子，由此继承了过零对称的优点的同时，强调了多个阈值的联合的阶梯映射效果；从而得到三元假设识别的效果，相比于0-1混沌测试，不仅计算量没有明显增加，且突破了0-1混沌测试无法判别随机数的窘境，还无需主观设定任何参数，因此，本申请公开的技术方案能够同时保持较低的计算复杂度及较高的识别性能。
本发明实施例提供的一种判别混沌信号几何特征的级联压缩方法，基于所述三维图的几何特征确定所述待判别信息的信号特性，可以包括：
如果所述三维图为对称的弹簧图形，则确定所述待判别信息具有周期性或者准周期特性；如果所述三维图为非对称的已损坏的弹簧图形，则确定所述待判别信息具有混沌特性；如果所述三维图为锯齿状长线条图形或者布朗运动图形，则确定所述待判别信息具有随机数特性。
需要说明的是，本申请在基于三维图的几何特征确定待判别信息的信号特性时，存在以下几种情况：
(1)三维图为对称的形似弹簧图形(此处的形似可以指三维图与弹簧图形的相似度达到根据实际需要设定的对应阈值之上，如90％，当然包括三维图为弹簧图形这种情况)，说明待判别信息具有周期性或者准周期特性；
(2)三维图为非对称的形似损坏的弹簧图形(此处的形似可以指三维图与损坏的弹簧图形的相似度达到根据实际需要设定的对应阈值之上，如90％，当然包括三维图为损坏的弹簧图形这种情况；而损坏的弹簧图形可以指发生弹簧图形发生任意形变后的图形)，说明待判别信息具有混沌特性；
(3)三维图为锯齿状长线条的几何结构特征(即锯齿状长线条图形),说明待判别信息趋近于平均分布的随机数特性；
(4)三维图为纷乱的形似布朗运动图形(此处的形似可以指三维图与布朗运动图形的相似度达到根据实际需要设定的对应阈值之上，如90％，当然包括三维图为布朗运动图形这种情况)，说明待判别信息趋近于高斯分布的随机数特性。
需要说明的是，上述(3)及(4)中的趋近于包括数学含义中趋近于(如变量x趋近于0中的趋近于)这种情况的同时，还包括“为”这种情况，也即待判别信息趋近于对应随机数特性包括待判别信息数学含义上的待判别信息趋近于对应随机数特性，还包括待判别信息即为对应随机数特性。
可见，本申请公开的技术方案，能够基于三维图的几何特征确定出待判别信息的信号特性，不仅能够识别随机数特性，操作简便，且准确度高。
本发明实施例提供的一种判别混沌信号几何特征的级联压缩方法，将所述待判别信息处理为三维时域信号，可以包括：
如果所述待判别信息为三维时域信号，则设定所述待判别信息中每一维的时域信号数据长度均相同；
如果所述待判别信息为每一维的时域信号数据长度均相同的二维时域信号，则将所述待判别信息中的一维时域信号折半成二维时域信号，另一维时域信号取后一半数据长度的时域信号，由折半得到的二维时域信号及取后一半数据长度的时域信号组成三维时域信号；
如果所述待判别信息为一维时域信号，则将所述待判别信息等分为三维时域信号。
需要说明的是，本申请中的待判别信息可以为一维时域信号、二维时域信号及三维时域信号，如果待判别信息为一维时域信号或二维时域信号，则按照上述方法将其处理成三维时域信号；如果待判别信号本身即为三维时域信号，则将其处理成每一维的时域信号数据长度均相同的三维时域信号即可；从而通过上述步骤简便快速的实现待判别信息的处理，保证后续步骤的顺利实现。
本发明实施例提供的一种判别混沌信号几何特征的级联压缩方法，获取自定义分段函数，可以包括：
获取自定义分段函数，所述自定义分段函数如下式所示：
Figure BDA0001736153710000091
其中，ωj表示自定义分段函数，j表示待判别信息中的任一维时域信号，jmax、jmean及jmin分别表示j的最大值、平均值及最小值，ρ及σ均为设定的阈值，n＝1,2,...,N，N表示待判别信息中每维时域信号的数据长度。具体来说，ρ及σ可以通过下列公式获得：
ρ＝μ(jmax-jmean)+jmean；
σ＝(1-μ)(jmean-jmin)+jmin。
其中，μ的具体取值为黄金分割率，即μ＝0.618。需要说明的是，实现步骤将待判别信息包含的每维时域信号分别依次乘以双曲正切函数及自定义分段函数，累和所得结果得到三个维度的新变量的公式可以如下：
Figure BDA0001736153710000092
Figure BDA0001736153710000093
其中，j＝x、y、or z，x、y及z分别表示三维时域信号中的每维时域信号，sj则表示三维时域信号中任一维时域信号j对应的新变量，具体来说，一维时域信号x对应新变量为sx＝sx(1),sx(2),...,sx(N)，一维时域信号y对应新变量为sy＝sy(1),sy(2),...,sy(N)，一维时域信号z对应新变量为sz＝sz(1),sz(2),...,sz(N)；tanh为双曲正切函数的字符表示；i＝1,2,...,n。
需要说明的是，本申请中采用上述五阈值，且五个映射值属于闭区间[-1,1]的分段函数作为自定义分段函数，其中，映射数值法则强调了过零与对称，阈值定义重视各维时域信号的均值和黄金分割率的应用，由于强调了多个硬阈值的联合的阶梯映射效果，阈值利用了时域信号自身的均值和最值，阈值间距关系嵌入了黄金分割率优值，因此，保证能够得到三元假设识别的效果，进而保障了本发明的识别性能。下面以三维一阶Li方程和Chua方程为测试例对本发明提供的一种判别混沌信号几何特征的级联压缩方法进行具体说明，主要包括以下步骤：
步骤一：待判别信息为三维一阶Li方程，该方程的特点是包括一个平方项z2和一个乘积项xy,系数k的选值范围是[0,0.06]，具体如公式(1)所示：
●x＝y
●y＝-0.3x+ky+0.6z2
●z＝-0.6z+xy (1)
对于待判别信息的处理可以包括以下两种情况：(1)xyz信号数据长度分别是8000点，先去头1000点，显示数据长度为7000，形成由xyz信号组成的长度相等的三维时域信号；(2)x信号数据长度7000点，去头1000点后，等分折为三段，显示数据长度为2000，形成由x信号处理得到的长度相等的三维时域信号。
步骤二：获取双曲正切函数，其自变量为待识别信息的累和；具体来说，在MATLAB2016b中，可以调用双曲正切函数tansig()，其自变量的累和范围为第一个数据到该迭代次数内的数据。解算三维一阶混沌方程主要使用常微分方程数值解工具箱中的ode45指令。
步骤三：定义一个分段函数(自定义分段函数)，通过判断待判别信号某维某值是否满足同一组阈值条件(五阈值)来选择特定的映射值集合(五个映射值属于闭区间[-1,1])；其中，映射数值法则强调了过零与对称；阈值定义重视各维被测信号的均值、最值和黄金分割率的应用。
步骤四：本申请中级联压缩方法就是将三维时域信号依次乘以上述两个函数并且累和，从而得到三个维度的新变量sss，构成三维特征空间，表达以3s图供判读。
针对步骤一中对待判别信息的处理的第一种情况，Li方程中的系数k分别取为0和0.06，Li方程的xyz初值选为[0.1 0.1 0.1]，显示数据长度7000点，间距比例优值μ＝0.618，对比判据应用0-1混沌测试，其必需的主观定义参数c取值5.9；判别结果参见图2。
针对步骤一中对待判别信息的处理的第二种情况，Li方程中的系数k分别取为0和0.06，Li方程的xyz初值选为[0.1 0.1 0.1]，显示数据长度2000点，间距比例优值μ＝0.618，对比判据应用0-1混沌测试，其必需的主观定义参数c取值1；判别结果参见图3。图2和图3中的pq图为利用0-1混沌测试实现判别时对应图形。
另外，以Chua方程作为待判别信息，利用本发明提供的方法对待判别信息进行识别所得结果如图4所示。
本发明的实现原理为：为了提取信号复杂性的特征，特别是混沌信号的几何特征，从信息熵的算法构型出发，连续两次乘性压缩待判别信息，初步压缩是利用双曲正切函数，再次压缩是利用自定义的多阈值压缩分段函数(自定义分段函数)，基于过零对称的两重映射，基于启发自信号均值和最值还有黄金分割比率的硬阈值集合设定，所构建的新变量可以张成三维特征空间，其中的几何特征方便判读与辨别待判别信息的信号属性是三种状态中的哪一种：例如周期或者准周期特性(弹簧)、混沌特性(坏弹簧)或者随机数特性(锯齿长线或者布朗运动)。
综上所述，本发明公开了一种判别混沌信号几何特征的级联压缩方法，所构建的新变量s的本质是计算得到待判别信息的广义的信息熵，继而可在三维的3s图中，根据特异的简约的几何结构特征，对应判断三元假设，例如弹簧(周期准周期)、坏弹簧(混沌)或者锯齿长线或者布朗运动(平均分布或者高斯分布的随机)。新算法的计算时间代价，以Li方程为实例，仅仅相较于对比判据例如0-1混沌测试算法多出约6％；新算法不需要主观设定的参数。也即本发明适用于一维到三维时域信号，具有原理明确、计算量小，几何特征特异的优点，且方便代码编程和技术推广。
本发明实施例还提供了一种判别混沌信号几何特征的级联压缩装置，如图5所示，可以包括：
预处理模块11，用于：获取待判别信息，并将所述待判别信息处理为三维时域信号；
函数获取模块12，用于：获取双曲正切函数及自定义分段函数，其中，所述双曲正切函数的自变量为所述待判别信息的累和，所述自定义分段函数通过判断所述待判别信息的某维某值是否满足对应阈值条件选取特定映射值集合；
级联压缩模块13，用于：将所述待判别信息依次乘以所述双曲正切函数及所述自定义分段函数，累和所得结果得到三个维度的新变量，并确定与所述新变量对应的三维图；
特性判定模块14，用于：基于所述三维图的几何特征确定所述待判别信息的信号特性，所述信号特性包括周期或者准周期特性、混沌特性及随机数特性。
本发明实施例提供的一种判别混沌信号几何特征的级联压缩装置，所述特性判定模块可以包括：
特性判定单元，用于：如果所述三维图为对称的弹簧图形，则确定所述待判别信息具有周期性或者准周期特性；如果所述三维图为非对称的已损坏的弹簧图形，则确定所述待判别信息具有混沌特性；如果所述三维图为锯齿状长线条图形或者布朗运动图形，则确定所述待判别信息具有随机数特性。
本发明实施例提供的一种判别混沌信号几何特征的级联压缩装置，所述预处理模块可以包括：
预处理单元，用于：如果所述待判别信息为三维时域信号，则设定所述待判别信息中每一维的时域信号数据长度均相同；如果所述待判别信息为每一维的时域信号数据长度均相同的二维时域信号，则将所述待判别信息中的一维时域信号折半成二维时域信号，另一维时域信号取后一半数据长度的时域信号，由折半得到的二维时域信号及取后一半数据长度的时域信号组成三维时域信号；如果所述待判别信息为一维时域信号，则将所述待判别信息等分为三维时域信号。
本发明实施例提供的一种判别混沌信号几何特征的级联压缩装置，所述函数获取模块可以包括：
分段函数获取单元，用于：获取自定义分段函数，所述自定义分段函数如下式所示：
Figure BDA0001736153710000121
其中，ωj表示自定义分段函数，j表示待判别信息中的任一维时域信号，jmax、jmean及jmin分别表示j的最大值、平均值及最小值，ρ及σ均为设定的阈值，n＝1,2,...,N，N表示待判别信息中每维时域信号的数据长度。
本发明实施例还提供了一种判别混沌信号几何特征的级联压缩设备，可以包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如上任一项所述判别混沌信号几何特征的级联压缩方法的步骤。
本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时可以实现如上任一项所述判别混沌信号几何特征的级联压缩方法的步骤。
需要说明的是，本发明实施例提供的一种判别混沌信号几何特征的级联压缩方法、装置、设备及计算机可读存储介质可以应用于机械设备的故障检修技术领域，具体来说，振动是回传机械运转时的重要特性，本申请中获取的待判别信息可以为采集的需要实现故障检修的机械设备的振动信息，进而通过本申请公开的技术方案得到振动信息的信号特性，工作人员可以通过振动信息的信号特性快速、准确地诊断出如转子不平衡、转轴弯曲、轴承损坏与松动、轴系不对中等故障存在的原因，从而做到故障早期发现、诊断迅速及时、结论定点定量、机理清楚明白的目的。
本发明实施例提供的一种判别混沌信号几何特征的级联压缩装置、设备及计算机可读存储介质中相关部分的说明请参见本发明实施例提供的一种判别混沌信号几何特征的级联压缩方法中对应部分的详细说明，在此不再赘述。另外本发明实施例提供的上述技术方案中与现有技术中对应技术方案实现原理一致的部分并未详细说明，以免过多赘述。
对所公开的实施例的上述说明，使本领域技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (4)

1.一种判别混沌信号几何特征的级联压缩方法，其特征在于，包括：
获取待判别信息，并将所述待判别信息处理为三维时域信号；
获取双曲正切函数及自定义分段函数，其中，所述双曲正切函数的自变量为所述待判别信息的累和，所述自定义分段函数通过判断所述待判别信息的某维某值是否满足对应阈值条件选取特定映射值集合；
将所述待判别信息依次乘以所述双曲正切函数及所述自定义分段函数，累和所得结果得到三个维度的新变量，并确定与所述新变量对应的三维图；
基于所述三维图的几何特征确定所述待判别信息的信号特性，所述信号特性包括周期或者准周期特性、混沌特性及随机数特性；
基于所述三维图的几何特征确定所述待判别信息的信号特性，包括：
如果所述三维图为对称的弹簧图形，则确定所述待判别信息具有周期性或者准周期特性；如果所述三维图为非对称的已损坏的弹簧图形，则确定所述待判别信息具有混沌特性；如果所述三维图为锯齿状长线条图形或者布朗运动图形，则确定所述待判别信息具有随机数特性；
将所述待判别信息处理为三维时域信号，包括：
如果所述待判别信息为三维时域信号，则设定所述待判别信息中每一维的时域信号数据长度均相同；
如果所述待判别信息为每一维的时域信号数据长度均相同的二维时域信号，则将所述待判别信息中的一维时域信号折半成二维时域信号，另一维时域信号取后一半数据长度的时域信号，由折半得到的二维时域信号及取后一半数据长度的时域信号组成三维时域信号；
如果所述待判别信息为一维时域信号，则将所述待判别信息等分为三维时域信号；
获取自定义分段函数，包括：
获取自定义分段函数，所述自定义分段函数如下式所示：
Figure FDA0002860025200000021
其中，ωj表示自定义分段函数，j表示待判别信息中的任一维时域信号，jmax、jmean及jmin分别表示j的最大值、平均值及最小值，ρ及σ均为设定的阈值，n＝1,2,...,N，N表示待判别信息中每维时域信号的数据长度。
2.一种判别混沌信号几何特征的级联压缩装置，其特征在于，包括：
预处理模块，用于：获取待判别信息，并将所述待判别信息处理为三维时域信号；
函数获取模块，用于：获取双曲正切函数及自定义分段函数，其中，所述双曲正切函数的自变量为所述待判别信息的累和，所述自定义分段函数通过判断所述待判别信息的某维某值是否满足对应阈值条件选取特定映射值集合；
级联压缩模块，用于：将所述待判别信息依次乘以所述双曲正切函数及所述自定义分段函数，累和所得结果得到三个维度的新变量，并确定与所述新变量对应的三维图；
特性判定模块，用于：基于所述三维图的几何特征确定所述待判别信息的信号特性，所述信号特性包括周期或者准周期特性、混沌特性及随机数特性；
所述特性判定模块包括：
特性判定单元，用于：如果所述三维图为对称的弹簧图形，则确定所述待判别信息具有周期性或者准周期特性；如果所述三维图为非对称的已损坏的弹簧图形，则确定所述待判别信息具有混沌特性；如果所述三维图为锯齿状长线条图形或者布朗运动图形，则确定所述待判别信息具有随机数特性；
所述预处理模块包括：
预处理单元，用于：如果所述待判别信息为三维时域信号，则设定所述待判别信息中每一维的时域信号数据长度均相同；如果所述待判别信息为每一维的时域信号数据长度均相同的二维时域信号，则将所述待判别信息中的一维时域信号折半成二维时域信号，另一维时域信号取后一半数据长度的时域信号，由折半得到的二维时域信号及取后一半数据长度的时域信号组成三维时域信号；如果所述待判别信息为一维时域信号，则将所述待判别信息等分为三维时域信号；
所述函数获取模块包括：
分段函数获取单元，用于：获取自定义分段函数，所述自定义分段函数如下式所示：
Figure FDA0002860025200000031
其中，ωj表示自定义分段函数，j表示待判别信息中的任一维时域信号，jmax、jmean及jmin分别表示j的最大值、平均值及最小值，ρ及σ均为设定的阈值，n＝1,2,...,N，N表示待判别信息中每维时域信号的数据长度。
3.一种判别混沌信号几何特征的级联压缩设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1所述判别混沌信号几何特征的级联压缩方法的步骤。
4.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1所述判别混沌信号几何特征的级联压缩方法的步骤。
CN201810796945.7A 2018-07-19 2018-07-19 一种判别混沌信号几何特征的级联压缩方法及装置 Active CN109005024B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810796945.7A CN109005024B (zh) 2018-07-19 2018-07-19 一种判别混沌信号几何特征的级联压缩方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810796945.7A CN109005024B (zh) 2018-07-19 2018-07-19 一种判别混沌信号几何特征的级联压缩方法及装置

Publications (2)

Publication Number Publication Date
CN109005024A CN109005024A (zh) 2018-12-14
CN109005024B true CN109005024B (zh) 2021-03-26

Family

ID=64596754

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810796945.7A Active CN109005024B (zh) 2018-07-19 2018-07-19 一种判别混沌信号几何特征的级联压缩方法及装置

Country Status (1)

Country Link
CN (1) CN109005024B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103595568A (zh) * 2013-11-17 2014-02-19 吉林大学 一种基于ls-svm的互联网实时信号传输方法
WO2017083797A1 (en) * 2015-11-13 2017-05-18 Chaologix, Inc. Data compression system
CN107591678A (zh) * 2017-09-08 2018-01-16 太原理工大学 一种基于相干域的混沌激光外腔时延的识别方法
CN108028669A (zh) * 2015-07-28 2018-05-11 约翰·大卫·特里 在数字混沌协作网络中通信数据的方法和设备

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103595568A (zh) * 2013-11-17 2014-02-19 吉林大学 一种基于ls-svm的互联网实时信号传输方法
CN108028669A (zh) * 2015-07-28 2018-05-11 约翰·大卫·特里 在数字混沌协作网络中通信数据的方法和设备
WO2017083797A1 (en) * 2015-11-13 2017-05-18 Chaologix, Inc. Data compression system
CN107591678A (zh) * 2017-09-08 2018-01-16 太原理工大学 一种基于相干域的混沌激光外腔时延的识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于压缩感知的混沌模型预测;徐震;《中国优秀硕士学位论文全文数据库》;20140228;全文 *
电子系统中混沌现象的判据与准则;郑博仁;《现代电子技术》;20070715;全文 *

Also Published As

Publication number Publication date
CN109005024A (zh) 2018-12-14

Similar Documents

Publication Publication Date Title
Wang et al. Prognostics and health management: A review of vibration based bearing and gear health indicators
Yongbo et al. Review of local mean decomposition and its application in fault diagnosis of rotating machinery
CN114323647A (zh) 通过轴承噪声检测进行故障诊断的方法及系统
Wen et al. Graph modeling of singular values for early fault detection and diagnosis of rolling element bearings
CN108760316A (zh) 变分模态分解的变参信息融合方法
Zhang et al. A new feature extraction approach using improved symbolic aggregate approximation for machinery intelligent diagnosis
De Baets et al. VI-based appliance classification using aggregated power consumption data
CN105588717A (zh) 一种齿轮箱故障诊断方法
CN111428755A (zh) 非侵入式负荷监测方法
CN117056764A (zh) 一种发电机组智能保护方法及系统
CN112633098A (zh) 一种旋转机械故障诊断方法、系统及存储介质
CN116679161A (zh) 一种电网线路故障诊断方法、设备和介质
Lee et al. Induction motor fault classification based on ROC curve and t-SNE
CN109828548B (zh) 基于时间序列变化突变点检测的性能退化特征评估方法
CN109005024B (zh) 一种判别混沌信号几何特征的级联压缩方法及装置
Qian et al. A new health indicator for rolling bearings based on impulsiveness and periodicity of signals
CN111626360B (zh) 用于检测锅炉故障类型的方法、装置、设备和存储介质
CN111595585B (zh) 柴油机气缸故障诊断方法、装置、设备及可读存储介质
Bulla et al. Feature extraction analysis using filter banks for faults classification in induction motors
Tian et al. Fault diagnosis based on LMD-SVD and information-geometric support vector machine for hydraulic pumps
Chen et al. A new method for fault diagnosis of hydraulic system based on improved empirical wavelet transform and kernel extreme learning machine
CN111985380B (zh) 轴承退化过程状态监测方法、系统、设备及存储介质
Xu et al. A Novel Empirical Variational Mode Decomposition for Early Fault Feature Extraction
Puchalski et al. Stable distributions, generalised entropy, and fractal diagnostic models of mechanical vibration signals
Liu et al. Data mining from haier air-conditioner equipment running data for fault prediction

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant