Page 128 - 201806

958 2018 年 11 月

谱熵H f 计算： ηՂ1 ηՂ2 ηՂ3
N
∑
H f = − q i lg q i . (3) ྲढ़᧚ ྲढ़᧚ ྲढ़᧚
i=1
小波能谱熵和小波空间谱熵则可以对风机噪 ྲढ़᧚
声信息进行基于时频域的特征提取。假设能量函数
ᚸՌ
f(t)满足小波变换后的能量守恒定律，则：
∫ ∫ គѿ
+∞ +∞
2 1 −2
|f(t)| dt = a E(a)da, (4)
c ψ
−∞ 0
∫ 2
+∞ 特征级融合
|ψ(w)| 图 1
c ψ = dw, (5)
w Fig. 1 Feature-based fusion
−∞
∫
+∞
2
E(a) = |W f (a, b)| db, (6) 2.4 改进的GA-SVR回归预测
−∞
一般的支持向量机回归 (SVR)，在进行二次规
其中，E(a) 是函数 f(t) 在尺度为 a 时的能量表示。
划问题时，其核函数可以完成矩阵运行及相应的乘
则得 E = {E 1 , E 2 , · · · , E n } 是信号 f(t) 在n 个尺度
/ n 积运算等，这相较其他一般算法效率和功能有明显
∑
E i 为任意尺度下的
的提升 。
下的小波能谱。而q i = E i [19]
i=1
小波能谱在能量谱中的占有。由此计算出小波能 基于遗传算法 (GA) 的 SVR 规划，是由 GA 完
谱熵： 成优化。该算法可以自适地随机搜寻，能在全局大
n 概率地得到最优解，确定出有效的回归参数惩罚因
∑
H we = − q i lg q i . (7) 子c与核函数半径 g 等。同时，基于遗传算法的支持
i=1
向量机回归 (GA-SVR) 基于 ε-不灵敏损失函数，提
2
设 W = [|W f (a, b)| /c ψ a ] 是信号在二维空间
2
高了算法的鲁棒性和泛化性 [20] 。
中的能量分布阵，因此，可以求得对应的奇异
GA-SVR的预测流程如图2所示。
值谱 {σ i }，i = 1, 2, · · · , n 和对应划分比例占有 传统 GA-SVR的回归预测，会受算法的反复迭
/ n
∑
σ i 。由此计算出小波空间谱熵： 代计算、因子选择和函数选择的影响，使其搜索优
p i = σ i
i=1 化力受限，降低了收敛速率和效力 [21] 。通过对风
n
∑ 电机组噪声信号的大量数据特征进行分析，提出
H ws = − p i lg p i . (8)
i=1
SVRԠ஝Ѻݽӑ
2.3 多源数据融合
多源数据融合技术在处理多层次、多方面等过 GAᎄᆊ
程上有着广泛应用，因该技术能全面地对多传感器
መᏆѺݽӑnj஝૶ᮕܫေ
采集的多数据进行检测、相关、组合和估计等处理，
提高了将其应用于状态、身份识别中的精确度，并且
SVRካขូၹ
该技术也能实现对极复杂的多变态势的实时评测。
该技术在实际应用中，由多个传感单元获得证据信 ᆸࠀழᏆʹ ˔ʹᤠऄएϙᝠካ
息，然后将这些证据信息进行全面融合，从而完成 ௧
ጼൣѼѿ౎͈ ४҂͖ӑԠ஝
了较单一传感更精准、更稳当、更有效的解析和判
别 [18] 。 ա GA-SVRᮕ฾വی
多源数据特征级融合，在传感单元处进行数据 ᥌͜୲ͻ ͌ᄾ฾ត
的特征提取，然后通过对提取特征量进行分析完成
最终的融合，其流程如图1所示。 图 2 GA-SVR 的预测流程
Fig. 2 Prediction process of GA-SVR