CN110458071A - 一种基于dwt-dfpa-gbdt的光纤振动信号特征提取与分类方法 - Google Patents

Abstract

本发明涉及基于DWT‑DFPA‑GBDT的光纤振动信号特征提取与分类方法，是一种对光纤振动信号进行特征提取与分类的方法，属于信号处理与机器学习领域，其特征在于采用如下步骤：(1)确定原始振动信号的时域特征；(2)确定原始振动信号的频域特征；(3)确定原始振动信号的小波域特征；(4)计算马氏距离；(5)获得特征向量按可分性大小的排序；(6)确定损失函数；(7)确定拟合函数；(8)确定本轮迭代的强学习分类器。本发明实现了时域、频域及小波域三个不同域的特征提取，构建了完备的振动信号特征向量，将GBDT与DWT相结合，为振动信号特征提取与分类领域提供了一种在保证分类精度的基础上降低模型的复杂度的方法。

Description

一种基于DWT-DFPA-GBDT的光纤振动信号特征提取与分类 方法

技术领域

本发明涉及信号处理与机器学习领域，主要是一种对光纤振动信号进行特征提取与分类的方法。

背景技术

目前，针对光纤振动信号特征提取与分类问题，主要是利用传统的机器学习算法实现，一般的处理流程是先对信号进行去噪，分解，提取有用特征，最后根据提取的特征训练模型实现分类。对于振动信号特征提取问题，常用的特征提取主要包括时域和频域特征的提取，由于光纤振动信号具有随机性，时域和频域两个域中提取的特征有可能出现无法完备表征振动信号复杂分布特征的情况。虽然有些特征提取方法特征提取全面，处理效率较高，但算法鲁棒性低，特征分类依据不明显，这些均有可能对后续信号分类的准确程度造成影响。对于振动信号分类问题，大多数模型的分类效果较好，能对振动信号实现准确的识别，分类准确率较高。但是模型泛化能力较差，特别是一些模型对缺失值、异常值、样本数据不平衡等问题非常敏感。此外，在模型训练过程中还可能出现过拟合的情况。

关于光纤振动信号分类的应用，在很多领域的发展都相对成熟。例如，利用随机森林、BP神经网络、RBF神经网络等各种神经网络算法在周界入侵预警、智能交通、桥梁结构监测等方面都实现了较好的振动信号识别分类。随着分布式光纤传感技术在地下管道、土木工程、电力通信等领域的广泛应用，在振动信号的分类精度和速度方面，都提出了相对较高的要求。因此，要实时准确地实现振动信号分类，达到振动信号分类的要求，必须要建立一种实时、准确的光纤振动信号分类方法，有效的减少识别时间，提高光纤振动信号的分类准确率，为分布式光纤传感技术的众多应用领域提供实时、准确的异常信号分类，以便于及时发现问题，提前做出决策。

发明内容

针对上述现有技术中存在的问题，本发明要解决的技术问题是提供一种基于DWT-DFPA-GBDT的光纤振动信号特征提取与分类方法，其具体流程如图1所示。

技术方案实施步骤如下：

(1)确定原始振动信号x(t)的时域特征T：

先对原始振动信号进行加窗分帧和去噪处理，得到去噪信号s(n)，计算s(n)的短时能量T₁和短时过零率T₂：

式中，N表示帧长，s(n)表示去噪信号，T₁表示短时能量，T₂表示短时过零率，从而得到振动信号的时域特征为T＝{T₁，T₂}。

(2)确定原始振动信号x(t)的频域特征P：

采用功率谱分析方法实现光纤振动信号从时域到频域的转换，计算去噪信号s(n)的功率谱：

式中，P(k)表示去噪信号s(n)的功率谱，s^*(n-c)表示s(n)向右平移c个单位长度后的共轭信号，s(n)表示去噪信号，Q表示所获得的样本点数，k表示去噪信号s(n)的IMF分量个数，m表示信号分解次数。

根据功率谱统计峰值p及对应频率f、方差s²、期望作为振动信号的频域特征，即频域特征为

(3)确定原始振动信号x(t)的小波域特征E：

利用DWT方法将去噪信号s(n)进行多层分解，提取信号能量值构建小波域特征：

s(n)＝q+d₁+d₂+…+d_n-1

式中，s(n)表示去噪信号，q表示去噪信号的高频成分，d_l(l＝1，2，…，n-1)表示在不同小波尺度下的低频成分，L表示不同分辨率下的信号点数，z表示小波系数的个数，d_l(z)表示d_l的第z个小波系数，E_l表示信号能量值。通过分析其小波能值，确定小波域特征为E＝[E₁，E₂，…，E_l]。

以上，得到光纤振动信号的全部特征

(4)计算马氏距离J_t：

第i类信号的特征向量F_i，t＝[f_i，1，f_i，2，…，f_i，t]和第j类信号的特征向量F_j，t＝[f_j，1，f_j，2，…，f_j，t]间的马氏距离如下：

式中，J_t表示马氏距离，F_i，t表示第i类信号的特征向量，F_j，t表示第j类信号的特征向量，C_i，j，t表示F_i，t和F_j，t的协方差矩阵，t表示向量维数，i，j表示不同类别。

(5)获得特征向量按可分性大小的排序F′＝[f′₁，f′₂，…，f′_l+6]：

在初始振动信号特征集F中遍历所有特征元素，计算类间马氏距离，并按从大到小的顺序进行排序，取具有类间最大距离的特征元素f′₁。将F中未被选取的特征元素依次增添到新得到的特征集中，并计算类间马氏距离，排序后获得具有最大类间距离、维数增加的特征集。重复上述步骤，直到原始振动信号特征集F中所有元素均被选取，获得特征元素按可分性大小的排序F′＝[f′₁，f′₂，…，f′_l+6]，完成基于DFPA的约简光纤振动信号特征选择。

(6)确定损失函数L(y，h_w-1(F′))：

式中，L(y，h_w-1(F′))表示损失函数，w＝1，2，…，W表示模型训练总次数，y表示振动信号的所属类别，h_w-1(F′)表示第w-1轮迭代得到的强学习分类器。

(7)确定拟合函数h(F′)：

针对每个节点样本，求出使损失函数最小的节点输出值c_ξ：

式中，c_ξ表示节点输出值，θ_m表示最佳拟合值，，L(y，h_w-1(F′)+θ_m)表示损失函数。从而得到本轮的拟合函数如下：

式中，h(F′)表示模型拟合函数，c_ξ表示节点输出值，ξ＝1，2，…，J表示节点个数，J表示节点总数。

(8)确定本轮迭代的强学习分类器h_w(F′)：

式中，h_w(F′)表示分类器，h_w-1(F′)表示上一轮模型拟合函数，h(F′)表示本轮模型拟合函数，c_ξ表示节点输出值，ξ表示节点个数，J表示节点总数。

以上，完成GBDT模型的构建。对训练好的GBDT模型，利用测试集样本对模型进行测试，得到光纤振动信号分类结果，完成基于DWT-DFPA-GBDT的光纤振动信号特征提取与分类。

本发明比现有技术具有的优点：

(1)本发明克服了单一域内特征无法完备表征振动信号的复杂分布特征和特征向量维度过高导致信息冗余、计算复杂等问题，实现了时域、频域及小波域三个不同域的特征提取，并对其进行了特征融合处理，降低了特征向量维度，构建了完备的振动信号特征向量。

(2)本发明将GBDT可以处理非线性数据、分类精度高的优势应用到光纤振动信号的识别分类中，与DWT相结合取得了较高的分类准确率。这说明本发明在保证了分类精度的基础上降低了模型的复杂度，能够更好的完成光纤振动信号分类任务。

附图说明

为了更好地理解本发明，下面结合附图作进一步的说明。

图1是建立基于DWT-DFPA-GBDT的光纤振动信号特征提取与分类方法的步骤流程图；

图2是建立基于DWT-DFPA-GBDT的光纤振动信号特征提取与分类方法算法流程图；

图3是四种振动信号的小波域特征图；

图4是本发明与其它两种光纤振动信号特征提取与分类方法的实验结果对比图；

具体实施方案

下面通过实施案例对本发明作进一步详细说明。

本实施案例选用的数据集共包含敲击、攀越、车辆路过和自然状态下四种情况的光纤振动信号，每类振动信号的采集次数为50次，采集频率为2KHz，对应于四种振动信号，一共有200组实验数据。将每组数据分为10段，将1到5段信号划分为一个样本，2到6段划分为一个样本，依次类推，每组信号可得6个样本，50组数据可得300个样本。所以，数据集的样本总数为1200，随机选取其中960个作为训练样本，剩余的240个作为测试样本。

本发明所提供的光纤振动信号特征提取与分类算法整体流程如图1所示，具体步骤如下：

(1)确定原始振动信号x(t)的时域特征T：

先对原始振动信号进行加窗分帧和去噪处理，得到去噪信号s(n)，计算s(n)的短时能量T₁和短时过零率T₂：

式中，s(n)表示去噪信号，T₁表示短时能量，T₂表示短时过零率。本案例中，帧长的值为1024，从而得到振动信号的时域特征为T＝{T₁，T₂}。将敲击、攀越、车辆路过和自然状态下四种振动信号各一条数据样本代入上式可得对应的时域特征分别为{0.168，0.072}，{0.146，0.035}，{0.178，0.026}和{0.116，0.013}。

(2)确定原始振动信号x(t)的频域特征P：

采用功率谱分析方法实现光纤振动信号从时域到频域的转换，计算去噪信号s(n)的功率谱：

式中，P(k)表示去噪信号s(n)的功率谱，s^*(n-c)表示s(n)向右平移c个单位长度后的共轭信号，s(n)表示去噪信号，m表示信号分解次数。本案例中，去噪信号s(n)的IMF分量个数k为13，所获得的样本点数Q为1024。

根据功率谱统计峰值p及对应频率f、方差s²、期望作为振动信号的频域特征，即频域特征为将敲击、攀越、车辆路过和自然状态下四种振动信号各一条数据样本代入上式，并统计峰值p及对应频率f、方差s²、期望可得对应的频域特征分别为{0.0168,37，0.022，0.0018}，{0.0126,28，0.003，0.0024}，{0.0138,92，0.026，0.0021}和{0.0152,12,0.016，0.0013}。

(3)确定原始振动信号x(t)的小波域特征E：

利用DWT方法将去噪信号s(n)进行多层分解，提取信号能量值构建小波域特征：

s(n)＝q+d₁+d₂+…+d₇

式中，s(n)表示去噪信号，q表示去噪信号的高频成分，d_l(l＝1，2，…，n-1)表示在不同小波尺度下的低频成分，L表示不同分辨率下的信号点数，z表示小波系数的个数，d_l(z)表示d_l的第z个小波系数，E_l表示信号能量值。本案例中，对信号进行8层小波分解，得到的小波域特征为E＝[E₁，E₂，…，E₈]。敲击、攀越、车辆路过和自然状态下四种振动信号各一条数据样本对应的小波域特征分别为{14.37，1.75，0.0168,37，0.022，0.0018，0.68，0.27，0.15，0.05，0.03，0.02}，{11.96，9.87，0.0126,28，0.003，0.0024，3.65，1.34，0.99，0.54，0.32，0.21}，{8.13，2.46，0.0138,92，0.026，0.0021，1.87，0.46，0.19，0.08，0.07，0.03}和{10.27，4.51，3.12，1.46，0.95，0.86，0.51，0.21}。

以上，得到一条敲击信号的特征为{0.168，0.072，14.37，1.75，0.68，0.27，0.15，0.05，0.03，0.02}，一条攀越信号的特征为{0.146，0.035，11.96，9.87，3.65，1.34，0.99，0.54，0.32，0.21}，一条车辆路过信号的特征为{0.178，0.026，8.13，2.46，1.87，0.46，0.19，0.08，0.07，0.03}和一条自然状态下信号的特征为{0.116，0.013，0.0152,12，0.016，0.0013，10.27，4.51，3.12，1.46，0.95，0.86，0.51，0.21}。

(4)计算马氏距离J_t：

第i类信号的特征向量F_i，t＝[f_i，1，f_i，2，…，f_i，t]和第j类信号的特征向量F_j，t＝[f_j，1，f_j，z，…，f_j，t]间的马氏距离如下：

式中，J_t表示马氏距离，F_i，t表示第i类信号的特征向量，F_j，t表示第j类信号的特征向量，C_i，j，t表示F_i，t和F_j，t的协方差矩阵，t表示向量维数，i，j表示不同类别。本案例中，向量维数t的值为14，i，j的类别包括敲击、攀越、车辆路过和自然状态四种。

(5)获得特征向量按可分性大小的排序F′＝[f′₁，f′₂，…，f′_l+6]：

在初始振动信号特征集F中遍历所有特征元素，计算类间马氏距离，并按从大到小的顺序进行排序，取具有类间最大距离的特征元素f′₁。将F中未被选取的特征元素依次增添到新得到的特征集中，并计算类间马氏距离，排序后获得具有最大类间距离、维数增加的特征集。重复上述步骤，直到原始振动信号特征集F中所有元素均被选取，获得特征元素按可分性大小的排序F′＝[f′₁，f′₂，…，f′_l+6]，完成基于DFPA的约简光纤振动信号特征选择。

(6)确定损失函数L(y，h_ω-1(F′))：

式中，L(y，h_w-1(F′))表示损失函数，w＝1，2，…，W表示模型训练总次数，y表示振动信号的所属类别，h_w-1(F′)表示第w-1轮迭代得到的强学习分类器。本案例中，模型训练总次数w为500次，y的取值为0或1，当y所属该类别时，取值为1，否则取值为0。

(7)确定拟合函数h(F′)：

针对每个节点样本，求出使损失函数最小的节点输出值c_ξ：

式中，c_ξ表示节点输出值，θ_m表示最佳拟合值，，L(y，h_w-1(F′)+θ_m)表示损失函数。从而得到本轮的拟合函数如下：

式中，h(F′)表示模型拟合函数，c_ξ表示节点输出值，ξ＝1，2，…，J表示节点个数，J表示节点总数。

(8)确定本轮迭代的强学习分类器h_w(F′)：

式中，h_w(F′)表示分类器，h_w-1(F′)表示上一轮模型拟合函数，h(F′)表示本轮模型拟合函数，c_ξ表示节点输出值，ξ表示节点个数，J表示节点总数。

以上，完成GBDT模型的构建。对训练好的GBDT模型，利用测试集样本对模型进行测试，得到光纤振动信号分类结果，完成基于DWT-DFPA-GBDT的光纤振动信号特征提取与分类。

为了验证本发明对光纤振动信号特征提取与分类的准确性，对本发明和另外两种振动信号分类方法进行了振动信号分类实验，实验结果如图4所示。由图4可知，本发明所建立的光纤振动信号特征提取与分类方法对光纤振动信号进行分类的准确率可以达到99％以上，和另外两种振动信号分类方法相比，分类准确率更高，分类效果良好。这表明本发明建立的光纤振动信号特征提取与分类方法是精确的、有效的，为建立精确的振动信号分类模型提供了更好的方法，具有一定的实用性。

Claims (1)

1.本发明特征在于：(1)确定原始振动信号的时域特征；(2)确定原始振动信号的频域特征；(3)确定原始振动信号的小波域特征；(4)计算马氏距离；(5)获得特征向量按可分性大小的排序；(6)确定损失函数；(7)确定拟合函数；(8)确定本轮迭代的强学习分类器；具体包括以下八个步骤：

步骤一：确定原始振动信号x(t)的时域特征T：

先对原始振动信号进行加窗分帧和去噪处理，得到去噪信号s(n)，计算s(n)的短时能量T₁和短时过零率T₂：

式中，N表示帧长，s(n)表示去噪信号，T₁表示短时能量，T₂表示短时过零率，从而得到振动信号的时域特征为T＝{T₁，T₂}；

步骤二：确定原始振动信号x(t)的频域特征P：

采用功率谱分析方法实现光纤振动信号从时域到频域的转换，计算去噪信号s(n)的功率谱：

式中，P(k)表示去噪信号s(n)的功率谱，s^*(n-c)表示s(n)向右平移c个单位长度后的共轭信号，s(n)表示去噪信号，Q表示所获得的样本点数，k表示去噪信号s(n)的IMF分量个数，m表示信号分解次数；

根据功率谱统计峰值p及对应频率f、方差s²、期望作为振动信号的频域特征，即频域特征为

步骤三：确定原始振动信号x(t)的小波域特征E：

利用DWT方法将去噪信号s(n)进行多层分解，提取信号能量值构建小波域特征：

s(n)＝q+d₁+d₂+...+d_n-1

式中，s(n)表示去噪信号，q表示去噪信号的高频成分，d_l(l＝1，2，...，n-1)表示在不同小波尺度下的低频成分，L表示不同分辨率下的信号点数，z表示小波系数的个数，d_l(z)表示d_l的第z个小波系数，E_l表示信号能量值，通过分析其小波能值，确定小波域特征为E＝[E₁，E₂，...，E_l]；

以上，得到光纤振动信号的全部特征

步骤四：计算马氏距离J_t：

第i类信号的特征向量F_i，t＝[f_i，1，f_i，2，...，f_i，t]和第j类信号的特征向量F_j，t＝[f_j，1，f_j，2，...，f_j，t]间的马氏距离如下：

式中，J_t表示马氏距离，F_i，t表示第i类信号的特征向量，F_j，t表示第j类信号的特征向量，C_i，j，t表示F_i，t和F_j，t的协方差矩阵，t表示向量维数，i，j表示不同类别；

步骤五：获得特征向量按可分性大小的排序F′＝[f′₁，f′₂，...，f′_l+6]：

在初始振动信号特征集F中遍历所有特征元素，计算类间马氏距离，并按从大到小的顺序进行排序，取具有类间最大距离的特征元素f′₁，将F中未被选取的特征元素依次增添到新得到的特征集中，并计算类间马氏距离，排序后获得具有最大类间距离、维数增加的特征集，重复上述步骤，直到原始振动信号特征集F中所有元素均被选取，获得特征元素按可分性大小的排序F′＝[f′₁，f′₂，...，f′_l+6]，完成基于DFPA的约简光纤振动信号特征选择；

步骤六：确定损失函数L(y，h_w-1(F′))：

式中，L(y，h_w-1(F′))表示损失函数，w＝1，2，...，W表示模型训练总次数，y表示振动信号的所属类别，h_w-1(F′)表示第w-1轮迭代得到的强学习分类器；

步骤七：确定拟合函数h(F′)：

针对每个节点样本，求出使损失函数最小的节点输出值c_ξ：

式中，c_ξ表示节点输出值，θ_m表示最佳拟合值，，L(y，h_w-1(F′)+θ_m表示损失函数，从而得到本轮的拟合函数如下：

式中，h(F′)表示模型拟合函数，c_ξ表示节点输出值，ξ＝1，2，...，J表示节点个数，J表示节点总数；

步骤八：确定本轮迭代的强学习分类器h_w(F′)：

式中，h_w(F′)表示分类器，h_w-1(F′)表示上一轮模型拟合函数，h(F′)表示本轮模型拟合函数，c_ξ表示节点输出值，ξ表示节点个数，J表示节点总数；

以上，完成GBDT模型的构建，对训练好的GBDT模型，利用测试集样本对模型进行测试，得到光纤振动信号分类结果，完成基于DWT-DFPA-GBDT的光纤振动信号特征提取与分类。