基于LCD和改进PNN的光纤周界振动信号识别
发布时间:2023-03-12 19:39
针对马赫-曾德尔光纤周界系统振动信号扰动信息提取及识别中的问题,提出了一种基于局部特征尺度分解(LCD)和改进概率神经网络(PNN)的识别方法。首先,采用LCD将振动信号分解成一系列内禀尺度分量(ISC),再将分解得到的ISC分量每连续3阶一组进行独立成分分析(ICA),提取扰动信息。其次,提取振动信号的峭度、排列熵、瞬时幅度标准差和瞬时频率标准差构造具有准确描述能力的特征向量。最后,采用经模糊C均值聚类(FCM)优化后的PNN对振动信号进行识别分类。利用六种振动信号实验数据进行验证。结果表明,该方法能够高效准确的识别六种振动信号,平均识别率达到97.17%,识别时间为0.78s。该方法在有效信息提取和振动信号识别方面明显优于传统的LCD算法和PNN算法,具有实际应用价值。
【文章页数】:10 页
【文章目录】:
1 引言
2 基于Mach-Zehnder光纤周界系统的基本原理
3 LCD-ICA算法提取扰动信息
3.1 LCD算法原理
3.2 ICA算法原理
3.3 LCD-ICA算法
4 振动信号模式识别
4.1 特征提取
4.1.1 峭度
4.1.2 排列熵
4.1.3 瞬时频率标准差和瞬时幅度标准差
4.2 FCM-PNN识别分类算法
4.2.1 FCM算法原理
4.2.2 PNN算法原理
4.2.3 FCM结合PNN算法
5 实验验证
5.1 LCD-ICA提取算法实验分析
5.2 振动信号特征有效性实验分析
5.3 FCM-PNN振动信号识别算法实验分析
6 结论
本文编号:3761828
【文章页数】:10 页
【文章目录】:
1 引言
2 基于Mach-Zehnder光纤周界系统的基本原理
3 LCD-ICA算法提取扰动信息
3.1 LCD算法原理
3.2 ICA算法原理
3.3 LCD-ICA算法
4 振动信号模式识别
4.1 特征提取
4.1.1 峭度
4.1.2 排列熵
4.1.3 瞬时频率标准差和瞬时幅度标准差
4.2 FCM-PNN识别分类算法
4.2.1 FCM算法原理
4.2.2 PNN算法原理
4.2.3 FCM结合PNN算法
5 实验验证
5.1 LCD-ICA提取算法实验分析
5.2 振动信号特征有效性实验分析
5.3 FCM-PNN振动信号识别算法实验分析
6 结论
本文编号:3761828
本文链接:https://www.wllwen.com/kejilunwen/dianzigongchenglunwen/3761828.html