基于小波卷积的传感器阵列信号匹配特征提取方法及系统技术方案

本发明专利技术公开了一种具有较好的特征解释性和良好的表示性能的基于小波卷积的传感器阵列信号匹配特征提取方法及系统，其中基于小波卷积的传感器阵列信号匹配特征提取方法包括以下步骤，S1：采集初始传感器阵列信号样本；S2：对初始传感器阵列信号样本进行必要滤波预处理；S3：指定模式信号序列和初始小波基序列组；S4：根据模式信号序列和初始小波基序列组获取优化小波基序列组；S5：获取样本卷积特征和模型卷积特征的最大匹配度及最大匹配度位置；S6：获取样本卷积特征在最大匹配度位置的能量特征；S7：将最大匹配度与样本卷积特征在最大匹配度位置的能量特征融合行车丁匹配特征提取；还公开了一种基于小波卷积的传感器阵列信号匹配特征提取系统。列信号匹配特征提取系统。列信号匹配特征提取系统。

【技术实现步骤摘要】
基于小波卷积的传感器阵列信号匹配特征提取方法及系统


[0001]本专利技术属于人工智能
，具体涉及一种基于小波卷积的传感器阵列信号匹配特征提取方法及系统。

技术介绍

[0002]近年来，随着传感技术以及人工智能的发展，依靠阵列式传感信号进行针对性识别和诊断的应用越来越多，比如，利用电子鼻传感器阵列进行气体识别或者疾病的诊断就是当前研究的热点之一。相比于单一传感器，阵列式传感器能提供更多特征，因而在利用人工智能的分类技术时具有更高的准确性和可靠性。
[0003]但是，当前阵列式传感器信号的特征提取主要依靠传统方法，如主成分分析(PCA)法、独立成分分析(ICA)等，这些方法取得的特征解释性较模糊，同时特征提取时可能丢失样本类型重要差异信息，导致分类识别性能降低。因此，尽量提高提取的传感器阵列信号的类型差异特征的可解释性和表示性能，是当前研究的重要方向。

技术实现思路

[0004]本专利技术拟提供一种基于小波卷积的传感器阵列信号匹配特征提取方法及系统，在阵列式传感器信号的特征提取时具有较好的特征解释性，同时具有良好的表示性能。
[0005]为此，本专利技术所采用的技术方案为：一种基于小波卷积的传感器阵列信号匹配特征提取方法，包括以下步骤：
[0006]S1：采集初始传感器阵列信号样本；
[0007]S2：对初始传感器阵列信号样本进行必要滤波预处理，得到滤波传感器阵列信号样本；
[0008]S3：指定模式信号序列和初始小波基序列组；
[0009]S4：根据模式信号序列和初始小波基序列组获取优化小波基序列组；
[0010]S5：根据滤波传感器阵列信号样本在优化小波基序列组中的样本卷积特征，根据模式信号序列在优化小波基序列组中的模型卷积特征，再获取样本卷积特征和模型卷积特征的最大匹配度及最大匹配度位置；
[0011]S6：获取样本卷积特征在最大匹配度位置的能量特征；
[0012]S7：将最大匹配度与样本卷积特征在最大匹配度位置的能量特征融合，构成初始传感器阵列信号样本基于小波卷积的传感器阵列信号匹配特征。
[0013]作为上述方案的优选，在所述步骤S1中所述初始传感器阵列信号样本为所有传感器响应构成的序列信号，或为阵列中每个传感器响应的单独序列信号。
[0014]进一步优选为，在所述步骤S2中模式信号序列为任意给出的模式序列，或为实际样本的一般模式序列。
[0015]进一步优选为，实际样本的一般模式序列的获取过程如下：
[0016]S31：获取传感器阵列信号集，其中传感器阵列信号集包括所有类型样本在相同检
测参数和检测流程下经传感器阵列响应后的阵列信号；
[0017]S32：将传感器阵列信号集进行必要滤波处理；
[0018]S33：计算滤波后传感器阵列信号集的平均响应；
[0019]S34：指定平均响应的部分或所有序列作为实际样本的一般模式序列。
[0020]进一步优选为，在所述步骤S3中，初始小波基序列组为哈尔(Haar)小波、或为高斯(Gaussian)小波、或为墨西哥帽(Mexican Hat)小波，其中初始小波基序列组的尺度和小波个数采用人为指定，或采用结合分类器后根据网格优化获取。
[0021]进一步优选为，在所述步骤S4中优化小波基序列组的过程如下；
[0022]S41：卷积计算模式信号序列在初始小波基序列组内所有小波的模式卷积特征；
[0023]S42：基于模式卷积特征的主要成分重组初始小波基序列。
[0024]进一步优选为，在步骤S5中获取最大匹配度的过程如下，
[0025]S51：卷积计算滤波传感器阵列信号样本在优化小波基序列组内所有小波的样本卷积特征；
[0026]S52：卷积计算模式信号序列在优化小波基序列组内所有小波的模型卷积特征；
[0027]S53：计算样本卷积特征与模型卷积特征的匹配度序列。
[0028]本专利技术还提供了一种基于小波卷积的传感器阵列信号匹配特征提取系统，包括：
[0029]输入模块，用于输入或指定传感器阵列信号样本、模式信号序列以及初始小波基序列组；
[0030]预处理模块，用于将初始传感器阵列信号样本进行必要滤波；
[0031]小波组优化模块，用于获取优化小波基序列组；
[0032]匹配度分析模块，用于获取样本卷积特征和模型卷积特征的最大匹配度及最大匹配度位置；
[0033]匹配能量分析模块，用于样本卷积特征在最大匹配度位置的能量特征；
[0034]匹配特征融合模块，用于将最大匹配度与样本卷积特征在最大匹配度位置的能量融合，构成该样本基于小波卷积的传感器阵列信号匹配特征，整个系统能执行如上述的基于小波卷积的传感器阵列信号匹配特征提取方法的步骤。
[0035]本专利技术的有益效果：
[0036]1)本专利技术根据模式信号序列和初始小波基序列组获取优化小波基序列组，该优化小波基序列组可提取传感器阵列信号样本的主要能量特征，可提高提取特征的表示性能；
[0037]2)在本专利技术中提取的传感器阵列信号的匹配特征包含传感器阵列信号样本与指定模式信号序列的匹配度以及对应位置的卷积特征能量，具有较好的解释性。
附图说明
[0038]图1为本专利技术中提取方法流程示意图。
[0039]图2为本专利技术中实际样本的一般模式序列计算流程图。
[0040]图3为本专利技术中小波基序列组中小波尺度和个数的网格优化结果示例图。
[0041]图4为本专利技术中提取系统结构示意图。
具体实施方式
[0042]下面通过实施例并结合附图，对本专利技术作进一步说明：
[0043]如图1所示，一种基于小波卷积的传感器阵列信号匹配特征提取方法，包括以下步骤，
[0044]步骤1：采集初始传感器阵列信号样本；其中初始传感器阵列信号样本可以为所有传感器响应构成的序列信号，也可以为阵列中每个传感器响应的单独序列信号。特别的是，当初始传感器阵列信号样本为阵列中每个传感器响应的单独序列信号，最后需要将所有提取的特征融合。本实施例采用的初始传感器阵列信号样本为阵列中每个传感器响应的单独序列信号。
[0045]采集的初始传感器阵列信号样本可由多种设备获取，如电子鼻阵列、麦克风阵列等。需要注意的是，采集不同批次的传感器阵列信号样本应在相同的传感参数和设备控制流程下进行。
[0046]步骤2：对初始传感器阵列信号样本进行必要滤波预处理，得到滤波传感器阵列信号样本。优选的，在对不同批次的传感器阵列信号样本滤波时，相同传感器的信号采用相同的滤波方式和滤波参数。
[0047]步骤3：指定模式信号序列和初始小波基序列组；
[0048]其中模式信号序列可以为任意给出的模式序列，也可以为实际样本的一般模式序列。本实施例采用实际样本的一般模式序列，其获取过程如图2所示，包括以下步骤，
[0049]步骤31：获取传感器阵本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于小波卷积的传感器阵列信号匹配特征提取方法，其特征在于，包括以下步骤：S1：采集初始传感器阵列信号样本；S2：对初始传感器阵列信号样本进行必要滤波预处理，得到滤波传感器阵列信号样本；S3：指定模式信号序列和初始小波基序列组；S4：根据模式信号序列和初始小波基序列组获取优化小波基序列组；S5：根据滤波传感器阵列信号样本在优化小波基序列组中的样本卷积特征，根据模式信号序列在优化小波基序列组中的模型卷积特征，再获取样本卷积特征和模型卷积特征的最大匹配度及最大匹配度位置；S6：获取样本卷积特征在最大匹配度位置的能量特征；S7：将最大匹配度与样本卷积特征在最大匹配度位置的能量特征融合，构成初始传感器阵列信号样本基于小波卷积的传感器阵列信号匹配特征。2.根据权利要求1所述的基于小波卷积的传感器阵列信号匹配特征提取方法，其特征在于：在所述步骤S1中初始传感器阵列信号样本为所有传感器响应构成的序列信号，或为阵列中每个传感器响应的单独序列信号。3.根据权利要求1所述的基于小波卷积的传感器阵列信号匹配特征提取方法，其特征在于：在所述步骤S2中模式信号序列为任意给出的模式序列，或为实际样本的一般模式序列。4.根据权利要求3所述的基于小波卷积的传感器阵列信号匹配特征提取方法，其特征在于，实际样本的一般模式序列的获取过程如下：S31：获取传感器阵列信号集，其中传感器阵列信号集包括所有类型样本在相同检测参数和检测流程下经传感器阵列响应后的阵列信号；S32：将传感器阵列信号集进行必要滤波处理；S33：计算滤波后传感器阵列信号集的平均响应；S34：指定平均响应的部分或所有序列作为实际样本的一般模式序列。5.根据权利要求1所述的基于小波卷积的传感器阵列信号匹配特征提取方法，...

【专利技术属性】
技术研发人员：李旺，严中红，
申请(专利权)人：重庆理工大学，
类型：发明
国别省市：