波形数据提取方法.docx

波形数据特征值提取方法传统方法：预处理：1. 归一化 对信号进行归一化处理,忽略幅值对相似衡量的影响假设原信号为x(n),归一化后的信号为y(n),则y(n)与x(n)之间的关系为y(n)=x(n)/max(abs (x)) n 丘 (1,N)式中:N 信号的长度,max() 求向量的最大值，abs() 求绝对值，则y(n)的取值范围为[T,l]2. 去噪 比较普遍的小波去噪方式有:模极大值去噪、相关性去噪、阈值去噪由于阈值去噪具有 计 算速度快且噪声能得到较好抑制等特性,所以选择阈值去噪3. 截取波形特征提取：1. 缓慢变化的波采用离散小波分解 DWT此类波所携带的信息主要集中在低频段针对此类型的波，可直接使用DWT分解的近似 系数作为波的特征值向量,因为 DWT 分解的细节系数代表的是信号的高频信息,近似系数代 表的是信号的低频信息,是对原信号的一种近似步骤 1使用 3 次样条插值,使得输入数据的长度一致步骤2对插值后信号进行7层DWT分解；步骤 3对近似系数进行归一化处理2•快速变化的波采用非抽取性小波分解UWT快速变化的波表示的是频率高,奇异点多的波,此类波所携带的信息主要集中在高频段。

基于小波变换的多分辨率特性,可以通过小波变换的细节系数观察到信号各个频段的特征小 波变换可以将原信号分解到不同频段下进行分析,一个细节层系数代表的就是信号在某个频 段下的特征若是原信号在某点的频率主要集中在某个频段,那么包含此频段的细节层系数关 于此点的小波系数相较于其它层更大,而且若是原信号在某点的奇异度较大,关于此点的小波 系数就会比较大,所以小波系数的大小不光取决于信号在此点的幅值,也取决于信号在此点的 奇异度那么,若是提取每层细节层系数关于同一点的最大值组成一个新的向量,那么这个新 向量不仅可以很好的表征出原信号的形状,也可以在一定程度上放大信号的形状由于 UWT 具有更好的奇异点检测能力，此处选择UWT分解步骤 1使用 UWT 对预处理信号进行 8层分解,取 8层细节系数步骤 2求取细节系数层最大值向量,层最大值向量的定义如下levelmax (k)= max([swd (l,k)swd (2,k)…swd (level ,k)])k W (1,N)式中：levelmax为层最大值向量,swd为细节系数,N表示信号长度步骤 3 求取层最大值向量的形状包络,形状包络向量即特征值向量。

形状包络的求取方式: 将层最大值向量均分为指定份数M,取每份中的最大值组成一个新的向量，向量大小为M 波形匹配：1. K-means 聚类2. 计算欧式距离欧式距离越小,表示两向量越相似,当两个向量完全一致的时候,欧式距离为 0每类中的 最小距离均不超过 0.8,最小甚至达到 0.15 左右;由最大距离折线可知 ,每类中的最大距离 集中在 1.0 左右,最大也不超过 1.2;由平均距离折线可发现 ,每类的平均距离集中在 0.8 左右深度学习方法。