基于EMD分解和广义相位排列熵的相近金属材料分类

为辨识性质相近且种类不同的金属材料,提出了一种基于EMD分解和广义相位排列熵的算法。该算法首先利用经验模态分解方法对原始信号从高频到低频进行分解,之后计算分解后信号的广义相位排列熵,根据信号不同分量的广义相位排列熵值,选取差异显著的信号分量的广义相位排列熵作为特征量,采用KSVM(KNN-SVM)算法,实现对金属材料的分类。通过实验采集性质相近的40个金属材料的超声回波信号,利用提出的算法提取回波信号特征,结合KSVM分类器进行分类。结果表明:金属材料IMF1分量的广义相位排列熵差异最显著,以此作为对40个金属材料超声回波信号的特征进行分类,分类效果稳定且准确率高于96.3%。

基于两参数熵的广义相位排列熵算法

广义排列熵(PEq,δ)取恰当参数时能放大系统的微小变化,而信号的相位相比于幅度包含更多关键信息.本文将相位信息引入到广义排列熵中,提出了广义相位排列熵(PPEq,δ)算法,验证了广义相位排列熵在检测系统动态改变方面的优势,分析了参数q,δ选取对于系统动态改变的影响,探究了数据长度和噪声对于广义相位排列熵的影响.最后,将广义相位排列熵算法运用到异常心电信号检测分析中.仿真结果表明,当广义排列熵和广义相位排列熵的q,δ取值相同时,广义相位排列熵对于同一动态变化的检测效果更为显著.无论是针对logistic映射还是异常心电信号的动态变化检测,当q> 0,δ> 0时,减小q值或者增大δ值,或者同时减小q值增大δ值,都能提高广义排列熵和广义相位排列熵对于动态改变的检测效果.此外,数据长度改变对于广义排列熵和广义相位排列熵基本无影响且两者对噪声均具有良好的鲁棒性.