《谐波小波与近似熵相结合》由会员分享，可在线阅读，更多相关《谐波小波与近似熵相结合（33页珍藏版）》请在金锄头文库上搜索。
1、谐波小波与近似熵相结合的噪声信号分析,目录,1、近似熵的概述 2、近似熵的特点 3、近似熵的算法 4、近似熵的参数条件选择 5、近似熵的实用快速算法 6、谐波小波的概述 7、复小波变换及其基本应用,近似熵的概述,近似熵(Approximate entropy,简称ApEn)是最近发展起来的一种度量序列的复杂性和统计量化的规则。它是在20世纪90 年代初由Pincus为了克服混沌现象中求解熵的困难提出的。近似熵是对非线性时间序列复杂度的一种非负的定量描述，它对于相对较短的(大于100个数据点)、含噪声的时间序列显示出潜在的应用价值。,近似熵主要的特点,1. 近似熵只需要比较短的数据就能估计出比较
2、稳定的统计值。所需的数据点大致在1005000点，一般在1000点左右。 2. 近似熵有较好的抗干扰和抗噪的能力。在实际应用中，常把它作为一个诊断的判据，已经在生物系统，生理电信号、机械设备故障诊断等领域进行了尝试并获得了良好的效果。,近似熵主要的特点,3. 近似熵对于随机信号或确定性信号都可以使用,也可以应用于由随机成分和确定性成分混合的信号。若一个非线性的物理过程复杂程度越高，那么近似熵将越大。 4. 近似熵从衡量时间序列复杂性的角度来度量信号中产生新模式的概率大小,产生新模式的概率越大,序列的复杂性越大,相应的近似熵也越大,可用近似熵来描述振动信号的不规则性和复杂性。,近似熵的算法,设采
3、集到的原始数据为u(i),i=0,1N 预先给定模式维数m和相似容限r 的值, 则近 似熵可以通过以下步骤计算得到： 1. 将序列u(i)按顺序组成m维矢量X(i), 即：X ( i) = u ( i) , u ( i + 1) u ( i + m - 1) , i = 1 N - m + 1 2. 对每一个i 值计算矢量X ( i) 与其余矢量 X( j ) 之间的距离: d X ( i) , x ( j ) = maxu ( i + k ) - u ( j + k ) ,近似熵的算法,3. 按照给定的阈值r ( r 0) , 对每一个i 值统 计d X ( i) , X ( j ) r 的
4、数目及此数目与总的 矢量个数N - m + 1 的比值, 记做Cmi( r) , 即Cmi( r) = d X ( i) , X ( j ) r 的数目(N - m + 1) 4. 先将Cmi( r) 取对数, 再求其对所有i 的平 均值, 记做5m ( r) , 即5m ( r) =1/（N - m + 1）In Cmi( r),近似熵的算法,5. 再对m + 1, 重复1 4 的过程, 得到5m + 1 ( r) 6. 理论上此序列的近似熵为: A p E n (m , r) = lim5m (r) - 5m + 1 (r) 一般而言, 此极限值以概率1 存在. 但在实 际工作中N 不可能
5、为, 当N 为有限值时, 按 上述步骤得出的是序列长度为N 时A p E n 的 估计值. 记做 A p E n (m , r,N ) = 5m ( r) - 5m + 1 ( r),近似熵参数条件的选择：,由于运用近似熵计算前需对近似熵的参 数进行确定, 即模式维数 m,相似容限 r。当选 取之后，这两个参数将在整个计算中固定不 变。对于m的选取，m是计算近似熵时进行比 较序列的长度，即窗口的长度或称为模式维 数。选择m=2要好于m=1，这样在序列的联合,近似熵参数条件的选择：,概率进行动态性重构时，会有更多的详细的 信息。当m2时，要想估计出好的结果，r 就需要比较大。这样通过ApEn(m
6、,r)来分析序 列的分布就会丢失许多信息。所以，选择 m=2。对于r的选取，为了得到的ApEn(m,r,N)具 有比较有效的统计特性，r值太小，估计出的,近似熵参数条件的选择：,统计概率不理想；r值太大，会丢失系统的许 多详细信息。经过Pincus等人对确定性过程和 随机过程的理论分析及其计算和在实践应用 的基础上，总结出r在0.10.25STD(STD为u(i) 数据的标准差之间能够估计出比较有效的 统计特性。,近似熵的实用快速算法,由于按照近似熵的定义步骤去进行计算时,其中 包含很多的冗余计算, 降低了计算效率,不利于实时 运用。下面给出了一种实用快速算法,可将计算速度 提高到定义算法的5
7、倍左右,现介绍如下：1.对N 点序列,先计算N N 的距离矩阵D ,D的 第i行第j 列元素记为d ij。2.利用矩阵D 中的元素, 可以方便地计算得到 C2i(r)和C3i(r) (假设m = 2)。3.由C2i(r)和C3i(r)分别计算52(r)和53( r)。4.ApEn(m,r)=5m(r)-5m+1(r)。,近似熵的实用快速算法,该算法主要是将定义算法中的步骤(1) 构造 矢量的过程省略, 同时不再分别计算m = 2 和 m = 3 时各矢量之间的距离而代之以求解时间 序列中各数据点的差值, 即避免了同维矢量之 间距离的重复计算,也减少了维数变化时的计 算距离过程中的不必要计算,
8、从而提高了运算 效果, 具有工程实用价值。,近似熵在度量信号复杂性方面的能力,设周期信号为x=sin(2*pi*50*t)+sin(2*pi*300*t); 其中，取时间间隔t为0.001即说明采样频率为 1000Hz；该信号产生的是主要频率为50Hz和300Hz 的信号。下图中（b）为信号中加入白噪声r后的波 形，直观上可以看出信号xr比信号x要复杂的多， 按上述算法求其相应的近似熵分别为 0.8511和 0.2079，前者几乎是后者的3倍多，即越复杂的信号 近似熵越大, 从而表明近似熵可以很好地用来显示信 号的复杂性。,近似熵在度量信号复杂性方面的能力,谐波小波的概述,小波是满足允许条件的
9、函数，如果一个 小波具有完全“盒形”的频谱将是非常理想的。 从这一考虑出发，设有实偶数Wo(t),它们的 傅利叶变换分别为：We（）=1/4* 当 2*|4* 或者 We（）=0 当|为其它时,谐波小波的概述,Wo（）=i/4* 当 4*2* 或者Wo（）=i/4* 当 2*4* 或者Wo（）=0 当 为其它时 其中i（-1）1/2如下图所示：,谐波小波的概述,We（）, Wo（）及W（）图示 则对W（）We（）iWo（）有W（）1/2* ； 当2*4* 或者 W（）0 ； 当为其它时,谐波小波的概述,所对应的函数 W（）We（）iWo（） 由W（）的傅立叶逆变换得W（）exp(i4t)-ex
10、p(i2t)/ i2t 称上式定义得函数为谐波小波（harmonic wavelet），它是复小波，在频域紧支，且具 有完全“盒形”的频谱。其实部与虚部如下图中 （a）与（b）所示,谐波小波的概述,谐波小波的实部波形图 谐波小波的虚部波形图 仍以实例来说明谐波小波在分析振动信号时 频方面的能力：下图中（a）所示为周期信号：x=sin(2*pi*50*t); 其中，取时间间隔t为0.001即说明采样频率为 1000Hz；该信号产生的是主要频率为50Hz和300Hz 的信号。（b）为信号中加入白噪声r后的波形，直,谐波小波的概述,观上我们并不能马上看出信号xr与信号x 明显区别，如果我们按上述谐波
11、小波定义求 其相应的时频图，如（c）与（d）所示，则 我们立刻能够明显看出这两个信号的时频图 之间的差异，换句话而言，我们能将复杂的 信号经过谐波小波分析，以得出我们所要需 的明显效果。由此可见谐波小波可以很好地 用来分析复杂的信号。,谐波小波的概述,（a）周期信号 （ b）加入噪声后周期信号,（c）未加入噪声后周期信号 （d）加入噪声后周期信号,复小波变换及其基本应用,复小波变换的基本原理是构造新的复小波 的基础，而复小波变换的基本算法和方法与 实小波完全一样，所用小波的变换程序都一 样，只需将实小波的实值滤波参数改为复小 波的复值滤波参数。复小波变换主要包括两方面内容：连续小 波变换，离散
12、小波变换。,复小波变换及其基本应用,在后面实际应用中，我们将用使用复morlet小 波（Complex morlet）。它也是一类和谐波小 波相近的复小波，它的定义为：（x）1/（pi*fb）1/2*e2ipifexe-x2/fb 式中，参数fb是带宽参数；fe是小波中心频率。下图中（a）与（b）为复morlet小波的实部 与虚部的波形图（这里定义带宽和中心频率 为fb1.5，fc1）：,复小波变换及其基本应用,复morlet小波的实部 复morlet小波的虚部,复小波变换及其基本应用,使用复小波需要设定复杂的参数，不同 条件下的复小波对噪声信号分析的结果各有 差异。本实例将通过选取不同条件下
13、复morlet 小波对某一含有噪声的振动信号进行分析， 以确定最优的复小波分解。以下为不同带宽 和中心频率时的波形图：,复小波变换及其基本应用,当fb1， fc1.5时，各个变换系数从高频波形到低频波形 的模的波形,复小波变换及其基本应用,当fb1， fc1时，各个变换系数从高频波形到低 频波形的模的波形,复小波变换及其基本应用,当fb1， fc0.5时，各个变换系数从高频波 形到低频波形的模的波形,复小波变换及其基本应用,当fb1， fc0.1时，各个变换系数从高频 波形到低频波形的模的波形,复小波变换及其基本应用,通过对各个变换系数的模的波形对比我们 可以看出，当fb1；fc1.5时，所显示的波 形最能反应出一个故障信号畸变的位置。,感谢此次毕业设计指导老师 宋老师的悉心指导！,感谢在大学四年中帮助指导我的 各位老师！,谢谢！,
