[发明专利]冰崩次声特征提取及分类识别方法和介质

权利要求书

1.一种冰崩次声特征提取方法，其特征在于，所述方法包括：

对原始信号进行清洗，得到次声信号；

对次声信号的时域、频域进行分析，得到声压范围、峭度、偏度以及功率谱；

基于所述次声信号，通过离散小波变换确定次声信号在各尺度上的能量分布，并进行特征值的提取，得到小波能量熵、尺度熵、奇异熵三类特征；

基于所述次声信号，通过希尔伯特黄变换得到希尔伯特边际谱。

2.根据权利要求1所述的方法，其特征在于，所述对原始信号进行清洗，得到次声信号，包括：

去除原始信号中的直流漂移的信号得到去直流偏移信号；

通过FIR滤波器对所述去直流偏移信号进行滤波；

所述FIR滤波器通过式(1)所示的窗函数进行设计：

其中，N为凯泽窗的长度，n为滤波器阶数，I₀为第一类零阶变型贝塞尔函数，R_N(n)为矩形窗函数，β是调节窗形状的参数，用于同时调整主瓣宽度和旁瓣衰减，β越大，ω(n)窗越窄，窗谱的旁瓣衰减越大，但主瓣宽度有相应的增加，β取值在4～9之间；

通过小波软阈值降噪法对过滤后的信号进一步进行降噪处理，以去除部分的高频部分；所述小波软阈值降噪法的阈值选择为无偏风险估计阈值。

3.根据权利要求1所述的方法，其特征在于，所述对次声信号的时域、频域进行分析，得到声压范围、峭度、偏度以及功率谱，包括：

通过如下式(2)-(4)计算所述声压范围、峭度、偏度以及功率谱：

Pk＝max(x)-min(x) 式(2)

式(2)-(4)中，Pk为声压范围，Ku为峭度，Sk为偏度，x表示输入信号，μ表示输入信号的均值，σ表示输入信号的标准差，E表示输入信号的期望值。

4.根据权利要求1所述的方法，其特征在于，所述基于所述次声信号，通过离散小波变换确定次声信号在各尺度上的能量分布，并进行特征值的提取，得到小波能量熵、尺度熵、奇异熵三类特征，包括：

假设函数ψ(t)满足ψ(t)∈L²(R)，即平方可积，同时其傅里叶变换满足如式(6)所示条件，则ψ(t)为一个母小波；

对母小波进行伸缩平移得到一组如式(7)所示的小波基函数ψ_a,b(t)；

其中，a,b∈R,a0，a为尺度因子，b为平移因子，均为连续变化的值

对尺度参数a和平移参数b进行离散化，即a＝2^j，b_j,k＝2^jk，j,k∈Z，求得如式(8)所示的离散小波基函数ψ_j,k(t)：

根据式(9)对次声信号S(t)进行离散小波变换；

计算不同尺度上的能量及能量占比；

根据各尺度的能量分布情况，进行特征值的提取，得到小波能量熵、尺度熵、奇异熵三类特征。

5.根据权利要求4所述的方法，其特征在于，所述根据各尺度的能量分布情况，进行特征值的提取，得到小波能量熵、尺度熵、奇异熵三类特征，包括：

根据小波分解后每一层的能量E_i及能量占比P_i，通过式(10)计算能量熵：

其中，

通过式(11)计算小波尺度熵SE(p)：

其中，C_n为所有节点小波系数；

根据信号的时间序列进行分解、重构，提取出信号中不同的成分：

X(t)＝U_m×m∑_m×nV_n×n^T 式(12)

其中，X(t)表示原始信号构成的矩阵；

对小波包分解的每一个节点求奇异值S_j，并根据式(13)计算信号的奇异熵：

其中，