[发明专利]一种信号分类识别方法

权利要求书

1.一种信号分类识别方法，其特征在于，包括如下步骤：

S0、初始化加噪循环次数以及内循环次数均为1并设定加噪总循环次数为Ne；

S1、判断是否等于Ne，若不等于Ne，则将原始信号分别加减白噪声，得到两路含噪信号和，跳至S2；否则，若等于Ne，跳至S4；

S2、将S1得到的两路含噪信号和分别取模值，得到两路幅度数据和；

S3、对两路幅度数据和分别进行经验模态分解，得到两路幅度数据的本征模函数分量；

将所述两路幅度数据和，其中的任意一路幅度数据统称记为，对进行经验模态分解，得到幅度数据的本征模函数分量，具体包括如下子步骤：

S31、设定有效数据阶数并初始化分解次数p为1；

S32、找到该路幅度数据的所有上极值点和下极值点；

S33、拟合出上极值点和下极值点的包络线，得到上包络线和下包络线，再求上包络线和下包络线的均值，得到上下包络线均值；

S34、将幅度数据减去上下包络线均值得到中间数据；

S35、判断p是否等于有效数据阶数，若不等，再判断中间数据是否为本征模函数分量，若不是本征模函数分量，则将中间数据赋值给幅度数据，并跳至S32；若是本征模函数分量，则保存此分量为第p个本征模函数分量，将幅度数据减去此第p个本征模函数分量得到的剩余部分赋值给幅度数据，将p加1，跳至S32；否则若p等于有效数据阶数，则将保存的本征模函数分量，记为，，跳至S1；

S4、计算第次循环本征模函数分量的集成平均；

所述为第次加噪的第次循环得到的本征模函数分量；为第次加噪的第 次循环得到的本征模函数分量；

S5、 计算并得到的排列熵并判断排列熵与排列熵阈值的大小关系，若排列熵小于等于排列熵阈值，则认为集成平均正常，将此时的值保存为T，并跳至S6；否则若排列熵大于排列熵阈值，则认为集成平均异常，=+1并跳至S4；

S6、判断T是否为1，若是，则剩余信号，否则将前T-1个集成平均的分量从原始信号中去除，得到剩余信号；

S7、对剩余信号进行经验模态分解，得到剩余信号的本征模函数分量，再将得到的所有本征模函数分量按照高频到低频排列，得到排列后的剩余信号本征模函数分量；

至此，从S0到S7，得到的排列后的剩余信号本征模函数分量，记为一个样本；

S8、重复C次S0到S7，得到C个样本，再对C个样本进行划分，得到训练数据集与测试数据集；

S9、遍历训练数据集与测试数据集中的样本，提取每个样本的径向积分双谱特征，得到该样本的径向积分双谱特征矩阵，分别将训练数据集中所有样本的径向积分双谱特征矩阵构建为训练集，将测试数据集中所有样本的径向积分双谱特征矩阵构建为测试集；

S10、构造包括输入层、卷积层、池化层、光栅层、全连接层及输出层的卷积神经网络；

S11、将S9得到的训练集输入S10构造的卷积神经网络中进行训练，得到训练好的模型；

S12、将S9得到的测试集输入S11训练好的模型中，得到分类识别结果。

2.根据权利要求1所述的信号分类识别方法，其特征在于：所述S0中加噪总循环次数Ne的取值范围为50至100。

3.根据权利要求1所述的信号分类识别方法，其特征在于：S31中，有效数据阶数大于等于2，小于等于10且有效数据阶数大于等于分解次数；所述为第次加噪的分解得到的本征模函数分量。

4.根据权利要求1所述的信号分类识别方法，其特征在于：S5所述T大于等于1，且所述排列熵阈值的取值范围为0.55至0.65。

5.根据权利要求1所述的信号分类识别方法，其特征在于：S8所述训练数据集与测试数据集的比例范围为D：10-D，且D大于等于5小于等于9.5。