信号多维特征向量的评价模型

李敬德

摘 要：采用特征值标准差和欧氏距离分布熵方法，构造信号多维特征向量评价模型，探讨信号特征向量稳定性和可分性的评价标准.仿真实验结果表明，多维特征向量在稳定性和可分性指标上达到0192 3和0.287 4，相比一维特征向量有较大的优势，可以作为应力波信号特征向量的评价方法，能够为后续智能检测选取出性能较好的特征向量.

关键词：特征向量；评价；稳定性；可分性

[中图分类号]TP183 [文献标志码]A

Abstract：Using the feature standard deviation and Euclidean distance distribution entropy methods， construct a signal multidimensional eigenvector evaluation model to explore the evaluation standard of signal feature stability and separability. Simulation results show that the multi-dimensional feature vectors reach 0.1923 and 0.2874 in terms of stability and separability， compared with the one-dimensional feature vector， the multi-dimensional feature vector has a great advantage， so the evaluation methods can be used as a stress wave signal feature vector evaluation methods for subsequent intelligent detection selects better feature vectors.

Key words：feature vector； evaluation； stability； separability

基于遺传算法和人工神经网络算法的应力波信号奇异点检测是目前结构体损伤或缺陷检测的最主要方法.[1-4]结构体的损伤或者缺陷在应力波信号上的反映表现为奇异点，奇异点在信号时域上的位置对应损伤或者缺陷在一维构件上的真实位置.应力波信号特征量在复杂环境下的性能直接影响结构体应力波损伤探测，所以对信号特征量的性能评价具有重要的意义.本文提出采用特征值标准差方法和欧氏距离分布熵方法，构造信号多维特征向量的评价模型，在信号特征向量的稳定性和可分性上对特征向量做评价.

1 应力波信号的特征向量

能够表征信号特征的特征量有信息熵、能量和方差，三种特征量可以组成信号的多维特征向量.

信号多维特征向量由信息熵特征向量、能量特征向量和方差特征向量组成，每一列三个特征量都对应信号的同一处位置，反映该位置处的信号信息，若该处恰好存在奇异点，则反映该处奇异点的信息.

2 信号特征向量的评价方法

信号特征向量的性能优劣决定了信号奇异点的分辨率和精度，本文引入特征值标准差和欧氏距离分布熵方法，构造信号特征向量的多维评价模型.

2.1 稳定性分析

应力波信号有很强的随机性，随着干扰因素的强弱而发生波动，从而引起特征值出现较大的变化.同一应力波信号在不同因素影响下，信号波形会表现出很大的不稳定性，进而降低信号的特征量分辨率，对后期的应力波无损检测技术产生难以估计的影响.所以，特征向量在不同的干扰因素下的稳定性至关重要.

4 结束语

对信号特征向量的评价是智能检测的前一步，评价结果较好的特征向量可以提高后续智能检测的分辨率和精度，具有现实意义.本文从稳定性和可分性二方面入手，构建了应力波信号特征向量的评价模型，描述了各个评价方法的功能和实现.仿真实验结果表明，多维特征向量在稳定性和可分性指标上达到0.192 3和0.287 4，相比一维特征向量均有较大的优势，可以作为应力波信号特征向量的评价方法，能够为后续的智能检测选取出性能较好的特征向量.

参考文献

[1]H. Hein*，L. Feklistova.Computationally efficient delamination detection in composite beams using Haar wavelets[J]. Mechanical Systems and Signal Processing， 2011， 25：2257-2270.

[2]Hakan Gokdag， Osman Kopmaz. A new damage detection approach for beam-type structures based on the combination of continuous and discrete wavelet transforms[J]. Journal of Sound and Vibration ，2009， 324：1158-1180.

[3]于成龙，赵宝江.基于BP神经网络的C波段无线电信号分类识别[J].牡丹江师范学院学报：自然科学版，2015（2）：21-22.

[4]金玉苹，李春雨.一种改进的遗传算法在智能组卷上的应用[J].牡丹江师范学院学报：自然科学版，2017（2）：38-40.

[5]张超，陈建军.基于LMD近似熵和支持向量机的轴承故障诊断[J].机械科学与技术，2012，31（9）：1539-1542.

[6]Lin TH， Dudder A， Schott M. Signal characteristics of a resistive-strip micromegas detector with an integrated two-dimensional readout [J].

Nuclear Instruments & Methods in Physics Research Section a-Accelerators Spectrometers Detectors and Assoclated Equipement

NUCLEAR INSTRUMENTS & METHODS IN PHYSICS RESEARCH SECTION A-ACCELERATORS SPECTROMETERS DETECTORS AND ASSOCIATED EQUIPMENT，2014， 767：281-288

[7]段美军. 雷达辐射源信号特征评价研究 [D].北京：中国科学院大学，2003.

[8]Solomom Kullback. Information Theory and Statistics [M]. New York： Iohn Wily & Sons Inc， 1959.6-7.

[9]鲍明，管鲁阳，李晓东，等.基于欧氏距离分布熵的特征优化研究[J].电子学报，2007， 35（3）： 469-473.

编辑：琳莉