基于IMF能量谱的水声信号特征提取与分类_刘深
相关主题
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
X min 。
（5）
G (ω) = |F (jω)|2
（6）
不同阶 IMF 分量所含频率成分不同， 较高的频率成 分包含在低阶 IMF 分量中。在同一阶 IMF 分量上， 不同 类别的信号有着不同的频率成分， 而且 IMF 幅度相差较 大。因此可以考虑采用 IMF 的能量谱作为特征进行分 类。图 1 即为三类信号前三阶 IMF 能量谱， 由图 1 可见， 不同信号的同阶 IMF 能量谱差别较大。
进行不同时间尺度的分解， 从而得到这些局部特征信号的各阶本征模函数 （IMF） 。提出了一种基于 IMF 能量谱的水 声信号特征提取与选择方法， 通过对水声信号进行经验模态分解， 提取信号的本征模式分量并转换为能量谱特征向量， 从而观测不同信号子频带能量谱的特征变化。分类实验采用支持向量机 （SVM） 分类器进行。实验结果表明， 相对于 小波能量谱特征提取法而言， 利用 IMF 能量谱作为特征向量的分类实验具有更佳的分类效果， 平均正确率达 88%以上。 关键词： 经验模态分解； 本征模函数； 本征模函数能量谱； 特征提取； 支持向量机 （SVM） 分类器 文献标志码： A 中图分类号： TN911.7 doi： 10.3778/j.issn.1002-8331.1207-0213
X max (t ) + X min (t ) 2 （3） 原始信号与局部极值的差值记为： m(t ) = h(t ) = x(t ) - m(t )
（1）
（2）
重复以上三步直到 h(t ) 满 （4） 如果以 h(t ) 代替 x(t ) ， 足 IMF 的两个条件， 则 h(t ) 即为第一阶 IMF。一般 h(t ) 并不能满足该条件， 因此需要反复筛选。 最终原始信号 x(t ) 将被分解为一系列 IMF 分量 h i (t ) 和余量 r n (t ) 之和， 即
号分解成一系列的准单分量信号， 即本征模函数 [2-4]。每 一阶 IMF 包含了原始信号的不同频率信息， 分析这些 IMF 即可获得信号的局部信息特征。每个 IMF 需要满足两 个条件： （1） 整个数据集的极大值数目与过零点数目相 等或最多差一个； （2） 数据集的任意点上， 由极大值确定 的包络与由极小值确定的包络的均值始终为零。 EMD 分解步骤如下： （1） 确定数据集的局部极大值集 X max 和极小值集
1
引言
传统的特征提取方法主要包括时域上的波形结构
上的值是整个时间轴上的积分平均， 因此不能很好地反 映非平稳信号的时变特征。小波分析虽然能同时提供 信号的时域和频域的局部化信息， 但由于小波基函数长 度有限， 在对信号作小波变换时会产生能量泄露 [1]， 因而 难以对信号作精准的时频域分析。 经验模态分解 （EMD） 是 由 Huang N E 在 1998 年 提出的 Hilbert-Huang 变换中的信号处理算法， 该方法在 对非平稳时变信号进行多尺度分解时相对于传统的小
Computer Engineering and Applications 计算机工程与应用
2014， 50 （3）
203
基于 IMF 能量谱的水声信号特征提取与分类
刘 深， 张小蓟， 牛奕龙， 汪平平
LIU Shen, ZHANG Xiaoji, NIU Yilong, WANG Pingping
400
图1
三类信号前三阶 IMF 能量谱图
刘
深， 张小蓟， 牛奕龙， 等： 基于 IMF 能量谱的水声信号特征提取与分类
第一层 a 类 幅度 第一层 b 类 幅度 第一层 c 类
2014， 50 （3）
205
4 幅度 2 0
20 10 0
20 10 0
500 频率 f/Hz 第二层 a 类
1 000
x(t ) = å h i (t ) + r n (t )
i=1 n
（3）
2.2
IMF 能量谱法
由上一节可知， 信号经 EMD 分解后的 IMF 分量为
h(t ) ， 可用密度的概念表示信号能量在各频率点的分布
2 2.1
目标特征提取方法 经验模态分解与本征模函数
EMD 的实质是依据不同时间尺度特征将多分量信
6 4 2 0
c 类 imf 能量谱 imf2
500 频率 f/Hz a 类 imf 能量谱 imf3 幅度
500 频率 f/Hz c 类 imf 能量谱 imf3
1.5 幅度 1.0 0.5 0
1.5 1.0 0.5 0
4 2 0
200 频率 f/Hz
400
200 频率 f/Hz
400
200 频率 f/Hz
西北工业大学 航海学院， 西安 710072 School of Marine Engineering, Northwestern Polytechnic University, Xi’ an 710072, China LIU Shen, ZHANG Xiaoji, NIU Yilong, et al. Feature extraction and classification experiment of underwater acoustic signals based on energy spectrum of IMF’ s. Computer Engineering and Applications, 2014, 50 （3） ： 203-206. Abstract：Empirical Mode Decomposition （EMD） is a method of signal analysis for processing nonlinear and non-stationary signal. EMD can decompose out different time scale of local feature from the original signal. And then the Intrinsic Mode Function （IMF）of those local characteristic signals is got. A new feature extraction and selection method of underwater acoustic signals based on energy spectrum of Intrinsic Mode Function （IMF’ s）is presented, where these intrinsic mode components are decomposed via empirical mode decomposition from original signals and transformed into energy spectrum feature vectors, and thus the different signals’energy spectrum features of sub-band frequency can be inspected. Support Vector Machine （SVM）classifier is used for classification experiments. The results show that the correct identification ratio of experiments based on IMF’ s energy spectrum is above 88% , which is superior to feature extraction of wavelet energy spectrum. Key words：Empirical Mode Decomposition （EMD） ; Intrinsic Mode Function （IMF） ; Intrinsic Mode Function （IMF） energy spectrum; feature extraction; Support Vector Machine （SVM）classifier 摘 要： 经验模态分解 （EMD） 是用来处理非平稳时变信号的一种信号分析方法， 该方法对所分析信号的局部特征信号
500 频率 f/Hz 第二层 b 类
1 000
500 频率 f/Hz 第二层 c 类
1 000
4 幅度 2 0
20 幅度 10 0
20 幅度 500 10 0
（2） 根据 X max 和 X min 做三次样条插值， 用三次样条 函数曲线循序连接所有的极大值极小值点， 得到原始数 据集 x(t ) 的上包络线 X max (t ) 和下包络线 X min (t )， 然后求 其上下包络线的均值 m(t ) 。
15 幅度 10 5 0 500 频率 f/Hz 1 000 a 类 imf 能量谱 imf1 幅度 4 2 0
来自百度文库
情况， 即定义单位频率内的信号能量为能量密度函数， 从而信号 h(t ) 的总能量为： 记为 G (ω) ，
+¥ +¥ E = 1 -¥ G (ω)dω = -¥ G (2πf )df （4） 2π 若信号 h(t ) 的频谱函数为 F (jω)， 由帕塞瓦尔定理， 有 +¥ +¥ E = -¥ |h(t )|2 dt = 1 -¥ |F (jω)|2 dω 2π 因此可以得出 IMF 分量的能量谱函数为：
特征提取、 频域上的经典谱估计、 现代谱估计和高阶谱 估计特征提取以及时间 - 频率域上的短时傅里叶变换、 小波变换等方法。由于水声信号的非线性和非平稳性， 从中提取出可以反映目标特性的有效特征一直是这个 领域的难题， 传统的特征提取方法在处理此类问题时具 有一定的局限性。如傅里叶变换分析方法在任一频点
204
2014， 50 （3）
Computer Engineering and Applications 计算机工程与应用
波变换方法具有良好的自适应性， 并且 EMD 方法无须 选择基函数
[2-7]
。由于水声信号的非平稳性和时变性， 采
用 EMD 的分解方法对此类信号进行分析处理可以得到 其有效的特征 [8]， 从而为后续的特征提取与分类算法的 实现奠定基础。因此， 本文将研究基于 IMF 分量的特征 提取方法， 并且通过分类实验结果的验证， 检验该方法 的正确性和有效性。 本文首先对经验模态分解 （EMD） 方法和本征模函 数 （IMF） 进行了介绍， 提出一种基于 IMF 能量谱的水声 信号特征提取方法。然后利用 SVM 分类器对这种特征 提取方法进行了分类测试， 并且将其和基于小波能量谱 的特征提取方法进行了对比， 仿真实验表明， 利用 IMF 能量谱作为特征向量的分类实验具有更佳的分类效果。
2.3
小波能量谱法
小波分析是 20 世纪 80 年代中期发展起来的一门新
c 类 imf 能量谱 imf1
b 类 imf 能量谱 imf1 幅度 500 频率 f/Hz 1 000
10 5 0
500 频率 f/Hz
1 000
10 幅度 5 0
a 类 imf 能量谱 imf2 幅度
4 2 0
b 类 imf 能量谱 imf2 幅度 500 频率 f/Hz b 类 imf 能量谱 imf3 幅度
基金项目： 西北工业大学基础研究基金 （No.JC201108） 。
作者简介： 刘深 （1988—） ， 男， 硕士研究生， 主要研究方向为信号检测与处理技术； 张小蓟 （1958—） ， 男， 副教授， 主要研究方向为 信号检测与处理技术； 牛奕龙 （1979—） ， 男， 副教授， 主要研究方向为信号处理与人工智能； 汪平平 （1988—） ， 女， 硕士 研究生， 主要研究方向为通信信号检测与处理技术。 E-mail： npuliushen@gmail.com 收稿日期： 2012-07-16 修回日期： 2012-09-24 文章编号： 1002-8331 （2014） 03-0203-04 CNKI 网络优先出版： 2012-10-11， http://www.cnki.net/kcms/detail/11.2127.TP.20121011.1017.017.html
（5）
G (ω) = |F (jω)|2
（6）
不同阶 IMF 分量所含频率成分不同， 较高的频率成 分包含在低阶 IMF 分量中。在同一阶 IMF 分量上， 不同 类别的信号有着不同的频率成分， 而且 IMF 幅度相差较 大。因此可以考虑采用 IMF 的能量谱作为特征进行分 类。图 1 即为三类信号前三阶 IMF 能量谱， 由图 1 可见， 不同信号的同阶 IMF 能量谱差别较大。
进行不同时间尺度的分解， 从而得到这些局部特征信号的各阶本征模函数 （IMF） 。提出了一种基于 IMF 能量谱的水 声信号特征提取与选择方法， 通过对水声信号进行经验模态分解， 提取信号的本征模式分量并转换为能量谱特征向量， 从而观测不同信号子频带能量谱的特征变化。分类实验采用支持向量机 （SVM） 分类器进行。实验结果表明， 相对于 小波能量谱特征提取法而言， 利用 IMF 能量谱作为特征向量的分类实验具有更佳的分类效果， 平均正确率达 88%以上。 关键词： 经验模态分解； 本征模函数； 本征模函数能量谱； 特征提取； 支持向量机 （SVM） 分类器 文献标志码： A 中图分类号： TN911.7 doi： 10.3778/j.issn.1002-8331.1207-0213
X max (t ) + X min (t ) 2 （3） 原始信号与局部极值的差值记为： m(t ) = h(t ) = x(t ) - m(t )
（1）
（2）
重复以上三步直到 h(t ) 满 （4） 如果以 h(t ) 代替 x(t ) ， 足 IMF 的两个条件， 则 h(t ) 即为第一阶 IMF。一般 h(t ) 并不能满足该条件， 因此需要反复筛选。 最终原始信号 x(t ) 将被分解为一系列 IMF 分量 h i (t ) 和余量 r n (t ) 之和， 即
号分解成一系列的准单分量信号， 即本征模函数 [2-4]。每 一阶 IMF 包含了原始信号的不同频率信息， 分析这些 IMF 即可获得信号的局部信息特征。每个 IMF 需要满足两 个条件： （1） 整个数据集的极大值数目与过零点数目相 等或最多差一个； （2） 数据集的任意点上， 由极大值确定 的包络与由极小值确定的包络的均值始终为零。 EMD 分解步骤如下： （1） 确定数据集的局部极大值集 X max 和极小值集
1
引言
传统的特征提取方法主要包括时域上的波形结构
上的值是整个时间轴上的积分平均， 因此不能很好地反 映非平稳信号的时变特征。小波分析虽然能同时提供 信号的时域和频域的局部化信息， 但由于小波基函数长 度有限， 在对信号作小波变换时会产生能量泄露 [1]， 因而 难以对信号作精准的时频域分析。 经验模态分解 （EMD） 是 由 Huang N E 在 1998 年 提出的 Hilbert-Huang 变换中的信号处理算法， 该方法在 对非平稳时变信号进行多尺度分解时相对于传统的小
Computer Engineering and Applications 计算机工程与应用
2014， 50 （3）
203
基于 IMF 能量谱的水声信号特征提取与分类
刘 深， 张小蓟， 牛奕龙， 汪平平
LIU Shen, ZHANG Xiaoji, NIU Yilong, WANG Pingping
400
图1
三类信号前三阶 IMF 能量谱图
刘
深， 张小蓟， 牛奕龙， 等： 基于 IMF 能量谱的水声信号特征提取与分类
第一层 a 类 幅度 第一层 b 类 幅度 第一层 c 类
2014， 50 （3）
205
4 幅度 2 0
20 10 0
20 10 0
500 频率 f/Hz 第二层 a 类
1 000
x(t ) = å h i (t ) + r n (t )
i=1 n
（3）
2.2
IMF 能量谱法
由上一节可知， 信号经 EMD 分解后的 IMF 分量为
h(t ) ， 可用密度的概念表示信号能量在各频率点的分布
2 2.1
目标特征提取方法 经验模态分解与本征模函数
EMD 的实质是依据不同时间尺度特征将多分量信
6 4 2 0
c 类 imf 能量谱 imf2
500 频率 f/Hz a 类 imf 能量谱 imf3 幅度
500 频率 f/Hz c 类 imf 能量谱 imf3
1.5 幅度 1.0 0.5 0
1.5 1.0 0.5 0
4 2 0
200 频率 f/Hz
400
200 频率 f/Hz
400
200 频率 f/Hz
西北工业大学 航海学院， 西安 710072 School of Marine Engineering, Northwestern Polytechnic University, Xi’ an 710072, China LIU Shen, ZHANG Xiaoji, NIU Yilong, et al. Feature extraction and classification experiment of underwater acoustic signals based on energy spectrum of IMF’ s. Computer Engineering and Applications, 2014, 50 （3） ： 203-206. Abstract：Empirical Mode Decomposition （EMD） is a method of signal analysis for processing nonlinear and non-stationary signal. EMD can decompose out different time scale of local feature from the original signal. And then the Intrinsic Mode Function （IMF）of those local characteristic signals is got. A new feature extraction and selection method of underwater acoustic signals based on energy spectrum of Intrinsic Mode Function （IMF’ s）is presented, where these intrinsic mode components are decomposed via empirical mode decomposition from original signals and transformed into energy spectrum feature vectors, and thus the different signals’energy spectrum features of sub-band frequency can be inspected. Support Vector Machine （SVM）classifier is used for classification experiments. The results show that the correct identification ratio of experiments based on IMF’ s energy spectrum is above 88% , which is superior to feature extraction of wavelet energy spectrum. Key words：Empirical Mode Decomposition （EMD） ; Intrinsic Mode Function （IMF） ; Intrinsic Mode Function （IMF） energy spectrum; feature extraction; Support Vector Machine （SVM）classifier 摘 要： 经验模态分解 （EMD） 是用来处理非平稳时变信号的一种信号分析方法， 该方法对所分析信号的局部特征信号
500 频率 f/Hz 第二层 b 类
1 000
500 频率 f/Hz 第二层 c 类
1 000
4 幅度 2 0
20 幅度 10 0
20 幅度 500 10 0
（2） 根据 X max 和 X min 做三次样条插值， 用三次样条 函数曲线循序连接所有的极大值极小值点， 得到原始数 据集 x(t ) 的上包络线 X max (t ) 和下包络线 X min (t )， 然后求 其上下包络线的均值 m(t ) 。
15 幅度 10 5 0 500 频率 f/Hz 1 000 a 类 imf 能量谱 imf1 幅度 4 2 0
来自百度文库
情况， 即定义单位频率内的信号能量为能量密度函数， 从而信号 h(t ) 的总能量为： 记为 G (ω) ，
+¥ +¥ E = 1 -¥ G (ω)dω = -¥ G (2πf )df （4） 2π 若信号 h(t ) 的频谱函数为 F (jω)， 由帕塞瓦尔定理， 有 +¥ +¥ E = -¥ |h(t )|2 dt = 1 -¥ |F (jω)|2 dω 2π 因此可以得出 IMF 分量的能量谱函数为：
特征提取、 频域上的经典谱估计、 现代谱估计和高阶谱 估计特征提取以及时间 - 频率域上的短时傅里叶变换、 小波变换等方法。由于水声信号的非线性和非平稳性， 从中提取出可以反映目标特性的有效特征一直是这个 领域的难题， 传统的特征提取方法在处理此类问题时具 有一定的局限性。如傅里叶变换分析方法在任一频点
204
2014， 50 （3）
Computer Engineering and Applications 计算机工程与应用
波变换方法具有良好的自适应性， 并且 EMD 方法无须 选择基函数
[2-7]
。由于水声信号的非平稳性和时变性， 采
用 EMD 的分解方法对此类信号进行分析处理可以得到 其有效的特征 [8]， 从而为后续的特征提取与分类算法的 实现奠定基础。因此， 本文将研究基于 IMF 分量的特征 提取方法， 并且通过分类实验结果的验证， 检验该方法 的正确性和有效性。 本文首先对经验模态分解 （EMD） 方法和本征模函 数 （IMF） 进行了介绍， 提出一种基于 IMF 能量谱的水声 信号特征提取方法。然后利用 SVM 分类器对这种特征 提取方法进行了分类测试， 并且将其和基于小波能量谱 的特征提取方法进行了对比， 仿真实验表明， 利用 IMF 能量谱作为特征向量的分类实验具有更佳的分类效果。
2.3
小波能量谱法
小波分析是 20 世纪 80 年代中期发展起来的一门新
c 类 imf 能量谱 imf1
b 类 imf 能量谱 imf1 幅度 500 频率 f/Hz 1 000
10 5 0
500 频率 f/Hz
1 000
10 幅度 5 0
a 类 imf 能量谱 imf2 幅度
4 2 0
b 类 imf 能量谱 imf2 幅度 500 频率 f/Hz b 类 imf 能量谱 imf3 幅度
基金项目： 西北工业大学基础研究基金 （No.JC201108） 。
作者简介： 刘深 （1988—） ， 男， 硕士研究生， 主要研究方向为信号检测与处理技术； 张小蓟 （1958—） ， 男， 副教授， 主要研究方向为 信号检测与处理技术； 牛奕龙 （1979—） ， 男， 副教授， 主要研究方向为信号处理与人工智能； 汪平平 （1988—） ， 女， 硕士 研究生， 主要研究方向为通信信号检测与处理技术。 E-mail： npuliushen@gmail.com 收稿日期： 2012-07-16 修回日期： 2012-09-24 文章编号： 1002-8331 （2014） 03-0203-04 CNKI 网络优先出版： 2012-10-11， http://www.cnki.net/kcms/detail/11.2127.TP.20121011.1017.017.html