針對馬赫-曾德爾光纖周界系統(tǒng)振動(dòng)信號擾動(dòng)信息提取及識別中的問題,提出了一種基于局部特征尺度分解(LCD)和改進(jìn)概率神經(jīng)網(wǎng)絡(luò)(PNN)的識別方法。首先,采用LCD將振動(dòng)信號分解成一系列內(nèi)稟尺度分量(ISC),再將分解得到的ISC分量每連續(xù)3階一組進(jìn)行獨(dú)立成分分析(ICA),提取擾動(dòng)信息。其次,提取振動(dòng)信號的峭度、排列熵、瞬時(shí)幅度標(biāo)準(zhǔn)差和瞬時(shí)頻率標(biāo)準(zhǔn)差構(gòu)造具有準(zhǔn)確描述能力的特征向量。最后,采用經(jīng)模糊C均值聚類(FCM)優(yōu)化后的PNN對振動(dòng)信號進(jìn)行識別分類。利用六種振動(dòng)信號實(shí)驗(yàn)數(shù)據(jù)進(jìn)行驗(yàn)證。結(jié)果表明,該方法能夠高效準(zhǔn)確的識別六種振動(dòng)信號,平均識別率達(dá)到97.17%,識別時(shí)間為0.78s。該方法在有效信息提取和振動(dòng)信號識別方面明顯優(yōu)于傳統(tǒng)的LCD算法和PNN算法,具有實(shí)際應(yīng)用價(jià)值。

【文章頁數(shù)】：10 頁

【文章目錄】：
1 引言
2 基于Mach-Zehnder光纖周界系統(tǒng)的基本原理
3 LCD-ICA算法提取擾動(dòng)信息
    3.1 LCD算法原理
    3.2 ICA算法原理
    3.3 LCD-ICA算法
4 振動(dòng)信號模式識別
    4.1 特征提取
        4.1.1 峭度
        4.1.2 排列熵
        4.1.3 瞬時(shí)頻率標(biāo)準(zhǔn)差和瞬時(shí)幅度標(biāo)準(zhǔn)差
    4.2 FCM-PNN識別分類算法
        4.2.1 FCM算法原理
        4.2.2 PNN算法原理
        4.2.3 FCM結(jié)合PNN算法
5 實(shí)驗(yàn)驗(yàn)證
    5.1 LCD-ICA提取算法實(shí)驗(yàn)分析
    5.2 振動(dòng)信號特征有效性實(shí)驗(yàn)分析
    5.3 FCM-PNN振動(dòng)信號識別算法實(shí)驗(yàn)分析
6 結(jié)論



本文編號：3761828