[发明专利]一种基于时频变换与动态模式分解的分类系统及方法

说明书

本发明涉及一种基于时频变换与动态模式分解的分类系统及方法，属于数据分类、图像分类及信号识别技术领域。所述系统,包括预处理模块、时频分析模块、动态模式分解模块、能量特征提取模块、各阶矩求解模块以及分类模块；所述方法，包括：将采集的数据进行预处理得到有效信号；将有效信号先进行时频分析再动态模式分解，得到多个特征值与动态模态并排序得到从大到小的能量值、对应特征值与动态模态，组合形成能量特征矩阵；提取能量特征矩阵的前S个元素并丢弃后续数据，更新能量特征矩阵，再求该能量特征矩阵的二范数得到变换后的特征矩阵；基于变换后的特征矩阵作为待分类数据进行阈值分类并输出分类结果。所述方法能实现了较高的分类准确率。

技术领域

本发明涉及一种基于时频变换与动态模式分解的分类系统及方法，属于数据分类、图像分类及信号识别技术领域。

背景技术

数据分类就是把具有某种或某些共同属性或特征的数据归并在一起，通过其类别的属性或特征来对数据进行区分。换句话说，就是把相同内容或相同性质的信息为一个类别，而把相异的信息区分开来，然后确定各个集合之间的关系，形成一个有条理的分类系统。对于信号处理与分类而言，例如：物联网识别、空间频谱资源管控及射频安全等相关领域，数据分类也应用广泛，信号分类识别具有很大的应用价值及实际意义。

实际应用中，射频信号源发出的信号经复杂信道后接收的信号往往非平稳且其统计量是时变的。为了实现对射频信号的分类，往往需要提取射频信号特征。提取特征的方法有一般有傅里叶分析、短时傅里叶变换、小波变换、功率谱以及倒频谱等。傅里叶分析方法对于非平稳射频信号特征并不能做到局部表征，仅可用于了解信号在时频域的全局特性。短时傅里叶变换虽可以描述某一局部时间段上的频率信息，但随着信号时间的增长，信号在短时间内的平稳难以保证。小波变换可以在时频域表征信号局部特征，然而它和传统傅里叶分析方法一样，属于线性时频分析方法，无法描述信号的瞬时功率谱密度。因此，无论时频分析还是谱图分析均不能全面直观反映射频信号在时域和频域的全部特征，时频分辨率折中问题成为时频特征提取的瓶颈。此外，信号频率信息在不同时间上不同，也很难找到一个合适的分析窗来适应信号的全部时间段。

除线性时频分析外，还有二次型时频分析方法。已有研究结果表明，使用二次型时频分析处理非平稳信号所得的时频分辨率较高，二次型时频分析方法是处理非平稳信号的有效方法。例如Cohen类时频分布与Wigner-Ville分布（Wigner-Ville distribution,WVD）。其中，Cohen类时频分布是Cohen在20世纪60年代中期提出的，Cohen发现许多时频分布都是WVD的变形，可以统一表示。Cohen类时频分布是核函数加权的模糊函数的二维傅里叶变换，也称为广义双线性时频分布，WVD具有良好的时频聚集特性，但是对于多分量的信号，W-V分布会出现交叉项问题，产生“虚假信号”，对射频信号的时频特征造成干扰，从而给信号分类带来严重影响。

Wigner-Hough变换（Wigner-Hough transform，WHT）是在WVD的基础上，对信号时频图进行Hough变换，可以抑制交叉项干扰。Hough变换利用点与线的对偶性，将原始图像空间的给定的曲线变为参数空间的一个点。把原始图像中给定曲线检测问题转化为寻找参数空间中的峰值，从而把检测整体特性转化为检测局部特性。然而，Hough变换又会导致变换后矩阵的维度过高。动态模式分解(Dynamic Mode Decomposition, DMD)相较于主成分分析(Principal Component Analysis, PCA)等传统降维方法更具物理意义。因此，可以通过DMD来计算矩阵的能量，再从能量角度反映矩阵的特征。DMD提取的动态信息被称为动态模态，用来描述动态系统中潜在的物理机制，或将一个复杂系统投射到一个自由度非常小的动态系统上，从中提取动态信息。DMD避免了基于模型的方法来提取动态信息，采用基于数据的过程，对于实验和数值动态数据同样适用。DMD能降低数据的维度，经处理后得到的模态矩阵也可作为反映矩阵信息的特征矩阵。

发明内容