基于時(shí)頻分析的特征提取與模式分類方法研究.pdf

1、非平穩(wěn)非線性信號(hào)日益成為學(xué)者研究的熱點(diǎn)，構(gòu)成了現(xiàn)代信號(hào)處理學(xué)科的重要內(nèi)容。對(duì)于傳統(tǒng)的處理信號(hào)的方法，用于處理非平穩(wěn)非線性信號(hào)顯得欠缺，因?yàn)樗鼈冎皇窃跁r(shí)域，或者在頻域處理信號(hào)，是不能夠有效的提取到非平穩(wěn)信號(hào)的非線性特征，時(shí)頻分析方法正是為解決這個(gè)問(wèn)題而出現(xiàn)。論文首先介紹了目前的一些信號(hào)處理的方法，通過(guò)分析得知每個(gè)信號(hào)處理方法都有它的針對(duì)性以及局限性，針對(duì)非平穩(wěn)信號(hào)的特征提取、特征選擇與模式分類問(wèn)題，研究利用小波包分解方法提取時(shí)頻域特征，采

2、用核主成分分析（KPCA）方法進(jìn)行降維提取特征；利用支持向量機(jī)（SVM）進(jìn)行智能分類，解決基于時(shí)頻分析的非平穩(wěn)信號(hào)智能特征提取與模式分類。
　　研究主要的工作是以下幾個(gè)內(nèi)容：
　?、籴槍?duì)非平穩(wěn)信號(hào)的非線性特征問(wèn)題，采用小波包分解方法提取能量特征。首先介紹了小波以及小波包的基本理論，小波分解只是針對(duì)低頻再次分解，對(duì)高頻不再分解，故而有的時(shí)候會(huì)損失重要的高頻信息。而小波包分解克服了小波分解，不能再次進(jìn)行高頻分解的缺點(diǎn)，能夠?qū)π盘?hào)

3、的高頻部分再次進(jìn)行分解，使得能夠獲得高頻有用的信號(hào)，最后研究了基于小波包分析方法的特征能量的提取。
　　②采用核主成分分析方法解決非平穩(wěn)信號(hào)中主要特征選擇的問(wèn)題。先分別介紹了PCA和KPCA的降維特征選擇方法；并對(duì)兩者降維提取特征方法進(jìn)行對(duì)比，在定義性能評(píng)價(jià)指標(biāo)前提下，將主成分分析和的核主成分分析方法應(yīng)用于非平穩(wěn)信號(hào)的特征降維中，通過(guò)仿真實(shí)驗(yàn)結(jié)果表明，在相同準(zhǔn)確度下，核主成分分析的特征個(gè)數(shù)比主成分分析的少；取與主成分特征個(gè)數(shù)相同時(shí)

4、，準(zhǔn)確度比主成分分析高，說(shuō)明在降維提取特征方面核主成分分析有更好的效果。
　?、鄄捎弥С窒蛄繖C(jī)解決非平穩(wěn)信號(hào)智能特征提取與模式分類問(wèn)題。首先介紹了支持向量機(jī)的理論，核參數(shù)的參數(shù)分析，通過(guò)實(shí)驗(yàn)仿真，驗(yàn)證了研究?jī)?nèi)容的可行性，最后給出了評(píng)價(jià)分類器性能的參數(shù)：靈敏度、特異度、準(zhǔn)確度。
　?、軐⒎椒☉?yīng)用到非平穩(wěn)非線性的癲癇腦電信號(hào)，對(duì)腦電信號(hào)去除噪聲，采用小波包分解，提取小波包分解系數(shù)的能量特征，用核主成分分析完成降維提取特征，最后由