基于深度学习与散射变换的信号分类研究

发布时间：2021-07-08 00:17

　　信号,是一种信息的载体,传达有关一些现象行为或属性信息。对于信号的分类研究具有重要的现实意义,也是目前许多领域所研究的热点。在信号处理领域,散射变换是一种新的时频分析方法,其克服了传统小波变换会时移变化的缺点,具有平移不变性、弹性形变稳定性等优点,同时在二维信号中具有旋转不变性。深度学习作为一种机器学习方法,具有强大的特征泛化和分类能力,可以有效提取样本中深层次的特征并进行分类。由于当输入数据含有噪声等干扰时,深度学习的性能会受影响。故本文将散射变换与深度学习结合,提升整体方法对于信号分类问题的准确性能,并从一维信号和二维信号的分类问题作为切入点进行研究分析:针对机械故障诊断中信号含噪多的问题,本文提出了一种特征学习能力强、计算速度快的混合网络结构。一维散射网络由于其具有局部形变稳定性等特性被用于混合网络的第一层负责抑制噪声干扰和提取数据在频率域中的特征,SDnet由于其泛化能力强、结构轻便、分类性能强等优点被用于混合网络的第二层负责对特征更进一步提取和故障分类诊断。将该混合网络与DNN、LSTM、1D-LeNet5等故障诊断领域常用的深度学习方法在网络准确性能、抗噪性能、迁移能力三个... 

【文章来源】：重庆大学重庆市 211工程院校 985工程院校 教育部直属院校

【文章页数】：71 页

【学位级别】：硕士

【部分图文】：

信号时域波形图、频谱图及时频图

很强的局部特征表征能力，因吉布斯效应。除此之外，由于对信号进行多尺度分析，从而小波变换对信号分析实质上是得到的低频和高频分量中提取数学描述为：,0 ) ( ) (k j kk j kt c t k d 是小波函数，kc 是低频系数了信号中的细节部分。波分解的过程即不断对信号的号低频部分的低频信息和高频小越深，VJ代表第 J 级小波分数。

重庆大学硕士学位论文 2 散射变换相关理论对于二维信号来说，小波分解的过程与一维有所不同，每一次小波变换后会得到四个不同的系数，具体可见图 2.3。其中 V 代表低频系数，WH代表水平方向高频系数，WV代表垂直方向高频系数，WD代表倾斜方向高频系数。


本文编号：3270656