基于自适应神经网络算法的信号识别应用研究

摘要

针对多领域通信频谱资源有限及信号间相互干扰所导致的信号严重混叠问题，以及现有信号识别方法在参数设定、特征权重分配、特征维度和泛化能力等方面存在的不足，提出了一种基于自适应神经网络算法的信号识别方法.该方法采用Gammatone时域进行高频分量滤波及增益控制，区分出有用（无用）信号并抑制其混叠.通过崔-威廉斯分布（Choi-Williams distribution,CWD）分析方法与多重同压缩变换（multi-synchro squeezing transform,MSST）分析方法，分析并获得了信号时频分布；通过短时傅里叶变换并结合窗函数，进行同步压缩处理，以增强时频特征的能量聚集性；利用Fisher Score算法，构建了基于多层感知器（MLP）的自适应增强（AdaBoost）分类器，并简化了特征空间，提取了本征模态特征；计算错误分类权重并对预测误差进行了最小化，同时结合膨胀及腐蚀型边缘，检测了算子定位信号的突变点，对时频分布进行自适应学习并输出了识别结果.结果表明：该方法有效消除了原始地震灾害信号的冗余与噪声，所得信号时频分布与实际相符；显著区分了不同工况下重构信号的奇异谱特征值，准确识别出0.5、2.7和3.7 s处的信号突变；对不同类型地震波展现出较高的识别精度，具有良好的滤波效果和抗混叠能力，为高精度信号识别提供了有效技术支持.

关键词

时域滤波 / 边缘检测算子 / 多重同步压缩变换 / 自适应神经网络 / 信号识别 / 地震信号