基于EEMD特征提取和PNN的非平稳电磁干扰信号模式识别方法

摘要

本发明公开了基于EEMD特征提取和PNN的非平稳电磁干扰信号模式识别方法，属于电磁信号识别与分析研究领域；具体步骤为：首先，利用频谱仪分别测量不同类电磁设备的电磁干扰信号，并划分为训练样本和测试样本；然后，对所有训练样本进行层次EEMD分解，得到每个训练样本每层的固有模态函数IMF；接着，分别计算每个训练样本所有层IMF的能量分布和峭度，作为该训练样本的特征向量；并将特征向量和电磁设备的类别标签，进行训练得到PNN分类器；最后，利用PNN分类器，识别不同测试样本的频谱数据所属的类型；优点在于：利用EEMD方法对信号提取特征，具有更好的自适应性；将峭度和IMF能量分布作为特征向量，有效区分不同类型的电磁干扰信号。

主权项

一种基于EEMD特征提取和PNN的非平稳电磁干扰信号模式识别方法，其特征在于，具体步骤如下：步骤一、利用频谱仪分别测量实际电磁设备，获取不同类设备的电磁干扰信号，并将频谱数据划分为训练样本和测试样本；步骤二、针对所有训练样本，分别进行层次EEMD分解，得到每个训练样本每层的固有模态函数IMF；具体步骤为：步骤201、针对频谱数据中的某个训练样本X，初始化EEMD的数目，构造不同幅值的高斯白噪声；训练样本X长度为n，X＝[x₁,x₂,...,x_j,...x_n]；EEMD的数目为M；不同幅值的高斯白噪声为M组，第m组幅值的高斯白噪声N_m＝[n₁^(m),n₂^(m),...n_j^(m),...n_n^(m)]；m＝1,2,...M；步骤202、在训练样本X上依次添加给定幅值的高斯白噪声，得到M个干扰信号；第m个被高斯白噪声干扰的信号为：X_m＝X‑N_m；M个干扰信号集合为：[X₁,X₂,...X_m,...X_M]；步骤203、将每个干扰信号利用EMD方法，分解为I层固有模态函数IMF，共得到M×I个固有模态函数；M×I个固有模态函数集合表示如下：$\left[\begin{array}{cccccc}{c}_{1,1}& c_{1,2}& ...& c_{1,m}& ...& c_{1,M}\\ c_{2,1}& c_{2,2}& ...& c_{2,m}& ...& c_{2,M}\\ & & & ...& & \\ c_{i,1}& c_{i,2}& ...& c_{i,m}& ...& c_{i,M}\\ & & & ...& & \\ c_{I,1}& c_{I,2}& ...& c_{I,m}& ...& c_{I,M}\end{array}\right]$c_i,m表示第m个干扰信号X_m分解的第i层固有模态函数；i＝1,2,3,...I；m＝1,2,3,...M；步骤204、针对每层固有模态函数IMF，分别计算该层M个固有模态函数的平均值作为该层最终的IMF值，得到训练样本X的每层固有模态函数IMF；训练样本X的第i层固有模态函数IMF_i值为该层所有IMF的平均值，公式如下：${\mathrm{IMF}}_i=\overline{c_i}=\frac{1}{M}\underset{m=1}{\overset{M}{\Sigma }}{c}_{i,m}$步骤205、对所有训练样本重复上述步骤，得到每个训练样本每层的固有模态函数IMF。步骤三、针对每个训练样本，分别计算所有层IMF的能量分布和峭度，作为该训练样本的特征向量；步骤四、将所有训练样本的特征向量和电磁设备的类别标签，输入未训练的PNN进行训练得到PNN分类器；步骤五、对于每个测试样本，输入PNN分类器，识别频谱数据所属的类型。