本發(fā)明涉及非線性系統(tǒng)特征提取，尤其涉及一種基于改進多尺度分數(shù)階近似熵的信號特征提取方法。

背景技術(shù)：

1、對非線性系統(tǒng)產(chǎn)生的非線性非平穩(wěn)信號進行有效的特征表達是特征提取領(lǐng)域重要且困難的問題。近似熵是一種度量信號復(fù)雜性的數(shù)學(xué)指標，相比于其他熵理論特征提取方法，它更適用于分析和提取非線性系統(tǒng)中的特征。傳統(tǒng)多尺度近似熵存在當分割尺度增大時，熵值的穩(wěn)定性降低并可能造成關(guān)鍵故障信息的缺失的問題。

2、因此，提出一種基于改進多尺度分數(shù)階近似熵的信號特征提取方法，來解決現(xiàn)有技術(shù)存在的困難，是本領(lǐng)域技術(shù)人員亟需解決的問題。

技術(shù)實現(xiàn)思路

1、有鑒于此，本發(fā)明提供了一種基于改進多尺度分數(shù)階近似熵的信號特征提取方法，可以使獲得的信息更加細致的同時提高多尺度熵計算的精確度。

2、為了實現(xiàn)上述目的，本發(fā)明采用如下技術(shù)方案：一種基于改進多尺度分數(shù)階近似熵的信號特征提取方法，包括以下步驟：

3、s1、數(shù)據(jù)獲取步驟：采集非線性系統(tǒng)產(chǎn)生的非線性非平穩(wěn)信號，得到給定時間序列信號；

4、s2、數(shù)據(jù)預(yù)處理步驟：通過相空間重構(gòu)將s1中得到的給定時間序列信號映射成多維空間向量；

5、s3、改進多尺度分數(shù)階近似熵求取步驟：基于近似熵進行改進，得到改進后的多尺度分數(shù)階近似熵；

6、s4、特征提取步驟：基于s3中得到改進后的多尺度分數(shù)階近似熵，對非線性非平穩(wěn)信號進行特征提取，t-隨機鄰近嵌入對特征向量可視化顯示。

7、上述的方法，可選的，s3中基于近似熵進行改進包括：

8、s301、多尺度近似熵改進：基于近似熵的計算過程，對s1中給定時間序列信號，增加粗?；幚?，得到多尺度近似熵；

9、s302、多序列近似熵改進：對s301中得到的不同尺度的粗粒序列進行細化處理，將不同尺度因子所對應(yīng)的一個序列，生成多個粗粒序列，對多個序列的多尺度熵進行計算，得到多尺度多序列近似熵；

10、s303、分數(shù)階近似熵改進：基于分數(shù)階思想，將s302中得到的多尺度多序列近似熵推廣到分數(shù)階域，得到改進后的多尺度分數(shù)階近似熵。

11、上述的方法，可選的，s301中進行粗?；幚韮?nèi)容包括：

12、對于給定的時序信號x＝{x(i),i＝1,2,...,n}：

13、

14、式中，yj表示尺度為τ時的粗粒度序列，τ表示分割子序列的個數(shù)，即尺度因子，粗?；幚砜蓪⒃紩r序信號變?yōu)椴煌叨圈酉麻L度為n/τ的粗粒序列。

15、上述的方法，可選的，s302中細化處理包括：

16、(1)對于時序信號x＝{x(i),i＝1,2,...,n}，定義粗?；蛄屑矗?/p>

17、

18、其中，為尺度因子為τ時改進的粗?；蛄?，k表示第k個熵值，為便于理解，圖2給出了τ＝3時改進的粗粒化序列示意圖；

19、(2)計算每個粗粒序列的近似熵，再對k個熵值求平均即得到該尺度因子下的改進多尺度近似熵，即：

20、

21、上述的方法，可選的，s303中分數(shù)階近似熵計算如下：

22、s303中分數(shù)階近似熵計算如下：

23、①對于給定時間序列信號x＝{x(i),i＝1,2,...,n}，近似熵的計算方法如下：

24、ae＝φm(r)-φm+1(r)?(7)

25、ae＝φm(r)-φm+1(r)?(8)

26、

27、基于ae的計算過程和分數(shù)階思想的影響，定義分數(shù)階近似熵(fae)，計算公式如下：

28、

29、式中，α表示分數(shù)階階次γ、ψ分別表示伽瑪函數(shù)和雙伽瑪函數(shù)；

30、進一步得到imfae：

31、

32、其中，n表示時間序列x的長度；m為維數(shù)，一般取1或2；r為時間序列的容差，即閾值，一般取0.1～0.25倍序列的標準差，取0.15倍；num{d[x(i),x(j)]＜r}表示x(i)和x(j)之間距離小于容差r的計數(shù)；距離d[x(i),x(j)]為x(i)和x(j)對應(yīng)的標量分量的最大差值的絕對值。

33、上述的方法，可選的，s4中可視化的內(nèi)容包括：

34、①對于給定長度為n的時間序列信號x＝{x1,x2,x3,...,xn}，分別計算改進多尺度分數(shù)階近似熵、改進多尺度近似熵和多尺度近似熵；

35、②算法對比：引入tsne對改進多尺度分數(shù)階近似熵、改進多尺度近似熵和多尺度近似熵的特征提取結(jié)果進行可視化分析；

36、③通過t-隨機鄰近嵌入得到可視化結(jié)果。

37、經(jīng)由上述的技術(shù)方案可知，與現(xiàn)有技術(shù)相比，本發(fā)明一種基于改進多尺度分數(shù)階近似熵的信號特征提取方法，具有以下有益效果：

38、(1)在對不同類型噪音和信號的熵值穩(wěn)定性方面表現(xiàn)優(yōu)異，相對于現(xiàn)有技術(shù)，本發(fā)明提出的特征提取方法(imfae)具有更高的穩(wěn)定性和更好的識別性能。實驗結(jié)果指出，在各種噪聲和信號類型下，imfae均表現(xiàn)出較低的標準差和更穩(wěn)定的性能；

39、(2)通過利用t-sne進行特征信息的可視化分析，結(jié)果顯示imfae提取的特征具有較好的區(qū)分能力，與其他方法相比，在分類器(elm和kelm)中，imfae的診斷精度較高，進一步驗證了其有效性和性能優(yōu)越性；

40、(3)在振動信號診斷領(lǐng)域，imfae展現(xiàn)了出色的特征提取能力和分類效果，在實驗中取得了令人滿意的結(jié)果，如混淆矩陣和分類精度均有提升，并且在不同種類信號的分類中表現(xiàn)出更高的準確性；

41、總的來說，imfae作為一種改進的多尺度分數(shù)階近似熵方法，在穩(wěn)定性、抗噪性和識別能力方面展現(xiàn)了明顯優(yōu)勢，使其成為一種有效的特征提取工具，有助于提高信號處理和分類的準確性和效率。

技術(shù)特征：

1.一種基于改進多尺度分數(shù)階近似熵的信號特征提取方法，其特征在于，包括以下步驟：

2.根據(jù)權(quán)利要求1所述的一種基于改進多尺度分數(shù)階近似熵的信號特征提取方法，其特征在于，

3.根據(jù)權(quán)利要求1所述的一種基于改進多尺度分數(shù)階近似熵的信號特征提取方法，其特征在于，

4.根據(jù)權(quán)利要求2所述的一種基于改進多尺度分數(shù)階近似熵的信號特征提取方法，其特征在于，

5.根據(jù)權(quán)利要求3所述的一種基于改進多尺度分數(shù)階近似熵的信號特征提取方法，其特征在于，

6.根據(jù)權(quán)利要求3所述的一種基于改進多尺度分數(shù)階近似熵的信號特征提取方法，其特征在于，

技術(shù)總結(jié)
本發(fā)明公開了一種基于改進多尺度分數(shù)階近似熵的特征提取方法，涉及非線性系統(tǒng)特征提取技術(shù)領(lǐng)域。包括：S1、數(shù)據(jù)獲取步驟；S2、數(shù)據(jù)預(yù)處理步驟；S3、改進多尺度分數(shù)階近似熵求取步驟；S4、可視化步驟。本發(fā)明提出改進多尺度分數(shù)階近似熵，使獲得的信息更加細致的同時提高多尺度熵計算的精確度。

技術(shù)研發(fā)人員：王斌,張婷婷,熊星,李昂,陳帝伊,吳鳳嬌
受保護的技術(shù)使用者：西北農(nóng)林科技大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/30