針對馬赫-曾德爾光纖周界系統振動信號擾動信息提取及識別中的問題,提出了一種基于局部特征尺度分解(LCD)和改進概率神經網絡(PNN)的識別方法。首先,采用LCD將振動信號分解成一系列內稟尺度分量(ISC),再將分解得到的ISC分量每連續(xù)3階一組進行獨立成分分析(ICA),提取擾動信息。其次,提取振動信號的峭度、排列熵、瞬時幅度標準差和瞬時頻率標準差構造具有準確描述能力的特征向量。最后,采用經模糊C均值聚類(FCM)優(yōu)化后的PNN對振動信號進行識別分類。利用六種振動信號實驗數據進行驗證。結果表明,該方法能夠高效準確的識別六種振動信號,平均識別率達到97.17%,識別時間為0.78s。該方法在有效信息提取和振動信號識別方面明顯優(yōu)于傳統的LCD算法和PNN算法,具有實際應用價值。

【文章頁數】：10 頁

【文章目錄】：
1 引言
2 基于Mach-Zehnder光纖周界系統的基本原理
3 LCD-ICA算法提取擾動信息
    3.1 LCD算法原理
    3.2 ICA算法原理
    3.3 LCD-ICA算法
4 振動信號模式識別
    4.1 特征提取
        4.1.1 峭度
        4.1.2 排列熵
        4.1.3 瞬時頻率標準差和瞬時幅度標準差
    4.2 FCM-PNN識別分類算法
        4.2.1 FCM算法原理
        4.2.2 PNN算法原理
        4.2.3 FCM結合PNN算法
5 實驗驗證
    5.1 LCD-ICA提取算法實驗分析
    5.2 振動信號特征有效性實驗分析
    5.3 FCM-PNN振動信號識別算法實驗分析
6 結論



本文編號：3761828