一種利用基于分數(shù)階對偶樹復小波(FrDT-CWT)的匹配追蹤技術(shù)進行微弱甚至隱含特征信號的提取方法。該方法選取互為Hilbert變換對的小波作為基元函數(shù)，利用兩個不同系統(tǒng)的綜合信息來更有效地對信號進行匹配。即：對原始信號x(n)進行FrDT-CWT分解，再按等步驟處理后逆變換即得所需信號。仿真和實際試驗結(jié)果表明在低信噪比時能獲得比基于DWT的匹配追蹤方法、基于閾值或頻帶的小波降噪等其它小波方法更好的特征提取效果。本發(fā)明專利技術(shù)可應用于故障診斷、無損檢測和醫(yī)學檢測等領(lǐng)域需要用到的振動信號、超聲信號和聲信號等任何一維信號的處理中。
【技術(shù)實現(xiàn)步驟摘要】
本專利技術(shù)涉及超聲信號、振動信號等各種一維信號的特征信號捕獲領(lǐng)域，具體涉及一種利用基于分數(shù)階對偶樹復小波(Fractional Dual Tree Complex Wavelet Transform,FrDT-CffT)的匹配追蹤技術(shù)進行微弱甚至隱含特征信號的提取方法。
技術(shù)介紹
傳統(tǒng)的Fourier變換可有效地分析平穩(wěn)信號，而且很多方法如包絡分析、雙譜分析等都需要用到Fourier變換。但對于眾多的非平穩(wěn)信號采用小波變換能起到好的分析效果。一般的小波分析方法往往是采用給定的小波參數(shù)，把信號分解到各個頻帶，然后對信號做進一步的分析，比如現(xiàn)有的大致可分為3類的小波濾波方法小波域相關(guān)濾波、基于奇異性檢測的濾波和小波域閾值濾波。這些方法在實際應用中均取得很好的效果，但在有些地方不盡如人意。匹配追蹤方法是Mallat等人在1993年提出的一種自適應的信號分解算法，目前已在信號處理中得到了大量應用，用來實現(xiàn)信號的雷達輻射源識別、特征提取和故障診斷等。其思想是把信號在一個冗余的原子庫上展開，選擇和信號匹配的原子來實現(xiàn)信號的自適應表示。如果原子與信號成分相似，則能有效提取出信號中的特征，對于待處理信號，選擇合適的原子非常重要。因為它可以精確重構(gòu)，所以如果在重構(gòu)過程中進行處理，可以達到提取信號的目的，也即相當于降噪。對偶樹復小波變換(Dual Tree Complex WaveletTransform, DT-CWT)同時采用兩個互為Hilbert變換的小波對處理信號，通過兩個不同系統(tǒng)的綜合信息來更有效地表示信號中各向異性的奇異性。FrDT-CffT 是文獻[Gaurav Bhatnagar, Jonathan ffu, BalasubramanianRaman. Fractionaldual tree complex wavelet transform and its application tobiometricsecurity during communicationand transmission. Future GenerationComputer Systems28 (2012) 254-267]在2012年提出來的一種新的信號處理方法，它融合了 DT-CWT和分數(shù)階Fourier 變換(fractional Fourier transform,FrFT)的優(yōu)點。DT-CWT在傳統(tǒng)的離散正交小波變換(DWT)和復小波變換的基礎(chǔ)上發(fā)展而來，是一種比DWT等其它小波方法有更多優(yōu)良特性的小波變換形式。FrFT是傳統(tǒng)Fourier變換的廣義化，它在保留了傳統(tǒng)Fourier變換的性質(zhì)和特點的基礎(chǔ)上又添加了其特有的新優(yōu)勢。常規(guī)小波變換和傳統(tǒng)Fourier變換在目前應用非常廣泛，那么FrDT-CWT也應具有良好的應用前景，本專利技術(shù)由此提出一種基于FrDT-CWT的匹配追蹤特征信號提取方法，用互為Hilbert變換對的小波作為待用原子庫。對仿真信號和試驗得到的信號分別用匹配追蹤方法進行了處理，并和基于DWT的匹配追蹤方法結(jié)果進行了比較。結(jié)果表明基于FrDT-CWT的匹配追蹤方法能更有效提取狀態(tài)信號中的特征，在低信噪比時能獲得比小波其它方法更多的特征信息。
技術(shù)實現(xiàn)思路
本專利技術(shù)的技術(shù)解決問題克服現(xiàn)有技術(shù)的不足，提供一種利用基于對偶樹復小波的匹配追蹤技術(shù)進行微弱甚至隱含特征信號的提取方法，以凸顯缺陷或故障特征。本專利技術(shù)通過以下技術(shù)方案來實現(xiàn):一種利用基于FrDT-CWT的匹配追蹤技術(shù)進行微弱甚至隱含特征信號的提取方法，所述方法步驟具體如下:①選取與被分析信號χ (η)盡量匹配的小波對；②設定閾值或循環(huán)次數(shù)，以及分解層數(shù)和分數(shù)階值；③把χ (η)用FrDT-CWT分解，分別得到兩棵樹的小波系數(shù)cl (η)和c2 (η)，找出cl (η)和c2 (η)中各自的絕對值最大系數(shù)clmax和c2max ；④保留Clmax和c2max，并令其余系數(shù)為0，分別進行逆FrDT-CWT得信號si (η)和s2(η)；⑤按(clmax-sI(n)+得到第 I 次的殘余信號 xl (η)；⑥把χ I (η)當作χ (η),重復步驟③、④、⑤；⑦當clmax和c2max中的最大值小于設定的閾值或達到指定循環(huán)次數(shù)時,循環(huán)終止;⑧保留以上步驟中所選出的所有最大值及其位置，把其余的所有系數(shù)設為0，進行逆FrDT-CWT即得處理后的信號。本專利技術(shù)與現(xiàn)有技術(shù)相比的有益效果主要體現(xiàn)在:與基于DWT的匹配追蹤方法相比，本方法能夠得到更好的特征提取效果，尤其是對于淹沒于強噪聲中的沖擊信號提取非常有效，而這對于基于閾值、分解頻帶等的其它小波降噪方法來說是很難做到的。在低信噪比時能獲得比小波變換等其它方法更多的特征信息，具有明顯的優(yōu)勢，有利于更加有效地解決狀態(tài)監(jiān)測和故障診斷以及內(nèi)部缺陷檢測等問題。附圖說明下面結(jié)合附圖和實例對本專利技術(shù)進一步說明。圖1是本專利技術(shù)的基于FrDT-CWT的匹配追蹤信號提取方法流程圖。圖2是本專利技術(shù)的匹配追蹤信號提取過程示意圖。圖3是5個沖擊的仿真信號的弱信號提取效果:(a)原始信號；(b)信噪比為-7.3的染噪信號；(c)基于db4小波的匹配追蹤降噪后的信號；(d)基于FrDT-CWT的匹配追蹤降噪后的信號。圖4是7個沖擊的仿真信號的弱信號提取效果:(a)原始信號；(b)信噪比為-7.6的染噪信號；(c)基于db4小波的匹配追蹤降噪后的信號；(d)基于FrDT-CWT的匹配追蹤降噪后的信號。圖5是實際的軸承振動信號的弱信號提取效果:(a)軸承故障原始信號；(b)基于db4小波的匹配追蹤方法提取的弱信號；(c)基于FrDT-CWT的匹配追蹤方法提取的弱信號。圖6是基于閾值的小波方法提取圖5(a)信號得到的弱信號提取效果:(a)小波包降噪信號；(b)小波降噪信號。具體實施例方式匹配追蹤信號展開:信號展開的目的是將信號表示為一系列基元函數(shù)的線性組合:本文檔來自技高網(wǎng)...
【技術(shù)保護點】
一種利用基于分數(shù)階對偶樹復小波(FrDT?CWT)的匹配追蹤技術(shù)進行微弱甚至隱含特征信號的提取方法，其特征在于包括以下步驟：①選取與被分析信號x(n)盡量匹配的小波對；②設定閾值或循環(huán)次數(shù)，以及分解層數(shù)和分數(shù)階值；③把x(n)用FrDT?CWT分解，分別得到兩棵樹的小波系數(shù)c1(n)和c2(n)，找出c1(n)和c2(n)中各自的絕對值最大系數(shù)c1max和c2max；④保留c1max和c2max，并令其余系數(shù)為0，分別進行逆FrDT?CWT得信號s1(n)和s2(n)；⑤按x1(n)=x(n)-(c1max·s1(n)+c2max·s2(n))/2得到第1次的殘余信號x1(n)；⑥把x1(n)當作x(n)，重復步驟③、④、⑤；⑦當c1max和c2max中的最大值小于設定的閾值或達到指定循環(huán)次數(shù)時，循環(huán)終止；⑧保留以上步驟中所選出的所有最大值及其位置，把其余的所有系數(shù)設為0，進行逆FrDT?CWT即得處理后的信號。
【技術(shù)特征摘要】
1.一種利用基于分數(shù)階對偶樹復小波(FrDT-CWT)的匹配追蹤技術(shù)進行微弱甚至隱含特征信號的提取方法，其特征在于包括以下步驟:①選取與被分析信號χ(η)盡量匹配的小波對；②設定閾值或循環(huán)次數(shù)，以及分解層數(shù)和分數(shù)階值；③把χ(η)用FrDT-CWT分解，分別得到兩棵樹的小波系數(shù)cl (η)和c2 (η)，找出cl (η)和c2 (n)中各自的絕對值最大系數(shù)cImax和c2max ；④保留clmax和c2max，并令其余系數(shù)為O，分別進行逆FrDT-CWT得信號si(η)和s2(η)；⑤按(clmax.sI(n)+力得到第 I 次的殘余信號 xl (η)；⑥把xl(η)當作χ (η),重復步驟③、④、⑤；⑦當clmax和c2max中的最大值小于設...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：陳志新，
申請(專利權(quán))人：北京物資學院，
類型：發(fā)明
國別省市：
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會獲得科技券。