特征提取是進(jìn)行模式識別的關(guān)鍵環(huán)節(jié),利用稀疏分解將信號表達(dá)為具有一定結(jié)構(gòu)特征的原子組合,為提取信號內(nèi)部特征信息提供了一種有效途徑.本文提出基于改進(jìn)量子進(jìn)化算法的稀疏特征提取方法,利用改進(jìn)量子進(jìn)化算法的并行性和全局搜索能力,使信號在過完備的原子庫上實現(xiàn)快速精確的稀疏分解.對過完備的原子庫進(jìn)行量子比特概率幅編碼,通過量子比特的交叉進(jìn)化-變異操作更新原子庫,以信號殘差與原子的內(nèi)積作為量子進(jìn)化目標(biāo)函數(shù),篩選出最具信號結(jié)構(gòu)特征的原子,憑借稀疏重構(gòu)實現(xiàn)信號的特征提取.仿真信號和故障軸承振動信號的稀疏特征提取結(jié)果表明了所提方法的有效性和優(yōu)越性.

【文章頁數(shù)】：7 頁

【部分圖文】：

圖1 旋轉(zhuǎn)角Δθ與當(dāng)前量子比特與最優(yōu)量子比特的相位角差值 | θ 0 -θ ij | 的關(guān)系

式中G和Ngen分別為設(shè)定的最大代數(shù)和當(dāng)前代數(shù).由式(14)可以看出:當(dāng)種群個體達(dá)到“優(yōu)良”前,即η=0,得Δθ=π/2,相當(dāng)于NOT門操作,發(fā)生“大變化”的變異;而當(dāng)種群個體達(dá)到“優(yōu)良”后,其變異的幅度隨代的增加而逐漸縮減,直到減小到0.

圖2 3種方法提取結(jié)果的重構(gòu)誤差RMSE隨信噪比SNR變化關(guān)系

3種方法提取結(jié)果的RMSE隨信噪比SNR變化關(guān)系如圖2所示.可以看出,本文方法在相同強(qiáng)度噪聲環(huán)境下提取還原出特征分量的失真度比GA-OMP方法和DCQGA-OMP方法更小.這主要由于所提IQEA在匹配具有一定結(jié)構(gòu)特征的信號成分時,尋優(yōu)篩選出的Gabor原子參數(shù)(q,p,α,β....

圖3 3種方法提取特征成分所需的稀疏分解次數(shù)與信噪比SNR關(guān)系

3種方法提取特征成分所需的稀疏分解次數(shù)與SNR關(guān)系如圖3所示.可以看出,所提方法在相同強(qiáng)度噪聲環(huán)境下稀疏提取特征成分所需的分解次數(shù)比GA-OMP方法和DCQGA-OMP方法明顯少,這進(jìn)一步說明在相同的分解結(jié)束條件下,所提方法在每次稀疏分解過程中篩選出的匹配原子比其他兩種方法更精....

圖4 故障軸承的振動信號波形

∥Rkf-Rk-1f∥22∥Rkf∥22<0.01.?????????(25)提取結(jié)果如圖5所示,對提取結(jié)果進(jìn)行Hilbert包絡(luò)譜分析,其頻譜分布如圖6所示.可以看出,圖5重構(gòu)信號中沖擊成分周期性很明顯,圖6中頻譜峰值處的頻率約為145.6Hz.....

本文編號：4030632