[发明专利]一种基于EEMD近似熵的矿山微震信号智能识别方法

权利要求书

1.一种基于EEMD近似熵的矿山微震信号智能识别方法，其特征在于：采用EEMD分解方法获得IMF分量C_j(t)，近似熵值ApEn(m，r)，将近似熵值组成高维特征向量输入最小二乘支持向量机，得到识别模型。

2.根据权利要求1所述的基于EEMD近似熵的矿山微震信号智能识别方法，其特征在于：

第一步：将实时在线采集的原始微震信号x(t)进行EEMD分解：

(1)在采集的信号x(t)的基础上加入一幅值标准差为常数k，方差相同，平均值为0的高斯白噪声n_m(t)，得到加噪后的待处理信号x_m(t)

x_m(t)＝x(t)+kn_m(t) (1)

(2)利用EMD自适应性分解的特性处理加噪后的信号x_m(t)，获得p个IMF分量c_jm(j＝1,2，...，p)，c_jm表示第m次适应分解出来的第j个IMF分量

(3)重复前面(1)、(2)两个操作，对M次分解后的每个IMF分量计算均值，去除混入的白噪声对真正IMF产生的影响，即

(4)将输出作为EEMD分解得到的第j个IMF分量，j＝1，2，...，p

EEMD分解结果为：

x(t)＝∑_jc_j(t)＝r(t) (3)

第二步：噪声部分主要存在高频段的IMF中，因此把IMF中高频段的部分去除

第三步：对剩余部分的IMF进行近似熵求解：

(1)将IMF数据组成m维矢量X(i)；

X_i＝[u(i),u(i+1),u(i+m-1)] (4)

其中，i＝1～N-m+1

(2)对每一个i值，计算矢量与其余矢量的距离

d[X(i),X(j)]＝max_0～m-1|u(i+k)-u(j+k)| (5)

(3)给定阈值，统计该距离小于阈值的数量及总数N-m+1的数量

(4)对取对数，求取平均值

(5)对m+1重复式(4)～式(7)，将获得Φ^m+1(r)

(6)近似熵

ApEn(m,r)＝lim_N→∞[Φ^m(r)-Φ^m+1(r)] (8)

(7)在现实条件下，N不可以为∞，则假定为N取为有极限时，那么长度为N的近似熵估计为：

ApEn(m,r,N)＝Φ^m(r)-Φ^m+1(r) (9)

当m＝2，r＝0.2SD(SD表示原数据标准差)，能有效增强了序列抗干扰能力

第四步：将得到的近似熵值组成高维特征向量输入到最小二乘支持向量机中进行训练，得到的训练模型能自动对微震信号进行分类。