仪器仪表学报
儀器儀錶學報
의기의표학보
CHINESE JOURNAL OF SCIENTIFIC INSTRUMENT
2014年
5期
969-975
,共7页
吴响%钱建生%王海燕%秦海初
吳響%錢建生%王海燕%秦海初
오향%전건생%왕해연%진해초
矿山微震信号%多尺度%非线性%信号辨识
礦山微震信號%多呎度%非線性%信號辨識
광산미진신호%다척도%비선성%신호변식
mine microseismic signal%multi-scale%nonlinear%signal identification
针对矿山煤岩破裂与人工爆破微震信号难以辨识的问题,提出了一种结合参数化和非参数化分析的多尺度非线性特征提取与加权融合SVM信号辨识方法.首先,采用经验模态分解(EMD)将原始信号自适应分解到不同的频段;利用Volterra级数对分解后的本征模态分量(IMF)建立非线性预测模型,提取模型参数作为特征向量形成特征子集,根据每个特征子集分别建立独立的信号辨识SVM子分类器;最后,采用训练集精确度作为参数加权融合各个子分类器形成最终预测分类器.实验表明,与多尺度线性特征提取方法以及不经过非参数化分析的特征提取方法相比,该方法有明显的优势,具有良好的应用效果.
針對礦山煤巖破裂與人工爆破微震信號難以辨識的問題,提齣瞭一種結閤參數化和非參數化分析的多呎度非線性特徵提取與加權融閤SVM信號辨識方法.首先,採用經驗模態分解(EMD)將原始信號自適應分解到不同的頻段;利用Volterra級數對分解後的本徵模態分量(IMF)建立非線性預測模型,提取模型參數作為特徵嚮量形成特徵子集,根據每箇特徵子集分彆建立獨立的信號辨識SVM子分類器;最後,採用訓練集精確度作為參數加權融閤各箇子分類器形成最終預測分類器.實驗錶明,與多呎度線性特徵提取方法以及不經過非參數化分析的特徵提取方法相比,該方法有明顯的優勢,具有良好的應用效果.
침대광산매암파렬여인공폭파미진신호난이변식적문제,제출료일충결합삼수화화비삼수화분석적다척도비선성특정제취여가권융합SVM신호변식방법.수선,채용경험모태분해(EMD)장원시신호자괄응분해도불동적빈단;이용Volterra급수대분해후적본정모태분량(IMF)건립비선성예측모형,제취모형삼수작위특정향량형성특정자집,근거매개특정자집분별건립독립적신호변식SVM자분류기;최후,채용훈련집정학도작위삼수가권융합각개자분류기형성최종예측분류기.실험표명,여다척도선성특정제취방법이급불경과비삼수화분석적특정제취방법상비,해방법유명현적우세,구유량호적응용효과.