[发明专利]一种基于小波核极限学习机的昆虫刺吸电位波形识别方法

权利要求书

1.一种基于小波核极限学习机的昆虫刺吸电位波形识别方法，其特征在于，包括以下步骤：

步骤(1)：对采集的EPG信号进行预处理，利用改进阈值量化方法去除预处理后的EPG信号的噪声，得到去噪后的EPG波形；

步骤(2)：利用非线性共振模型对去噪后的EPG波形进入增强，得到增强EPG波形；

步骤(3)：对增强EPG波形进行特征提取，融合提取的特征组建成特征向量；

步骤(4)：将特征向量输入小波核极限学习机进行分类识别，得到波形识别结果。

2.根据权利要求1所述的基于小波核极限学习机的昆虫刺吸电位波形识别方法，其特征在于，所述的步骤(1)中，EPG信号的预处理包括自动分帧和改进小波阈值去噪；所述自动分帧为通过加窗对采集的EPG信号分帧，每帧长度为1024，计算每帧的功率谱密度；改进小波阈值去噪的方法为：对分帧后的信号进行小波变换，小波基函数选用Sym4小波，6层分解。把小波分解的第1层高频系数置零，去除工频干扰；把第6层的低频系数置零，去除基线漂移；对小波分解第2～5层的高频系数，先在Stein无偏风险估计准则下获得阈值，再利用改进阈值量化方法对这几层的系数进行阈值量化，去除白噪声。

3.根据权利要求2所述的基于小波核极限学习机的昆虫刺吸电位波形识别方法，其特征在于，所述改进阈值量化方法的量化公式为：

式中，θ为阈值，I(·)是单位函数，sgn(·)是符号函数，λ为调节参数；为阈值处理后的小波系数，x为小波系数，通过调节参数λ可得到最佳去噪效果。

4.根据权利要求1或3所述的基于小波核极限学习机的昆虫刺吸电位波形识别方法，其特征在于，所述非线性共振模型为：

式中，x(t)是去噪后的EPG波形，z代表快变的生物神经元膜电压，y为慢变的恢复变量，τ为时间常数，y和z为增强的信号；A为临界阈值常数，n(t)为高斯白噪声，a，b为可调参数。

5.根据权利要求4所述的基于小波核极限学习机的昆虫刺吸电位波形识别方法，其特征在于，所述去噪后的EPG波形x(t)取离散值X(n)，即，系统参数τ＝0.03，a＝0.8，b＝0.25，A＝0.35mV，当高斯白噪声n(t)中的噪声强度取值为0.085时，神经元动作电位发放较多，与输入信号间有较好的相关性，出现了“共振”，可增强信号。

6.根据权利要求1或4所述的基于小波核极限学习机的昆虫刺吸电位波形识别方法，其特征在于，所述的步骤(3)中提取增强EPG波形的特征，包括小波能量特征，分形特征和时频变换特征，所述分形特征包括盒维数和Hurst指数，时频变换特征包括HHT中的谱质心和加权频率值；将提取的增强EPG波形中的小波能量、分形特征和时频变换特征串联融合成一个6维特征向量。

7.根据权利要求6所述的基于小波核极限学习机的昆虫刺吸电位波形识别方法，其特征在于，所述小波能量特征的提取方法为：

(1)对增强EPG波形进行i层小波分解，得到第i层小波系数第j个小波分解系数C_i,j；i取值从1到6；每层的小波系数的个数是不同的，每分解一层，系数的个数减半；

(2)计算各分解层的平均能量分布：将某层的小波分解系数先平方再求和，即第i层小波系数的小波能量：其中，i为小波分解层数，L_i为第i层小波系数的长度。

(3)筛选得到的各层小波系数的平均能量，组建特征向量。