Page 64 - 《应用声学》2023年第1期

60 2023 年 1 月

步骤 2：选取叠加能量占比大于 0.99 的前 N 个 其中，F 为子信号的总帧数，帧序数 f ∈ [1, 2,
节点，将所选的每个节点的子信号进行分帧处理，并 3, · · · , F]。
计算每帧的能量。对每个子信号的分帧W j,n,f (t)如 步骤 4：计算时频分帧能量熵，记为 Ent n ，如
式(5)所示： 式 (9)所示：

W j,n,f (t) = W j,n (t) × g(t), (5) F
∑
E f E f
其中，g(t)表示为 Ent n = − lg . (9)
E T E T
f=1

[
1, t ∈ 1 + (f − 1) × S f ,


 同样节点序数 n 满足 n ∈ [1, 2, · · · , N]。最后得到
]
g(t) = L f + (f − 1) × S f ∩ 正整数, (6)
 的每个信号样本的时频分帧能量熵特征向量 H 如


 0, 其他,
式 (10)所示：
式(6)中，f 为帧序数，S f 为帧移，L f 为帧长，各子信
号的第 f 帧的能量 E f 的计算公式如式 (7)(本文由 H = [Ent 1 , Ent 2 , Ent 3 , . . . , Ent N ] , (10)
于采用信号分帧这一方式对信号进行分段，因此帧
其中，本文N 取6。
长和帧移相等)所示：
L f +(f−1)×S f
∑ 1.3 陶瓷制品敲击声波信号特征识别流程
2
E f = W j,n,f (t). (7)
随机森林是一种集成学习算法，集成方法基于
t=1+(f−1)×S f
bagging 算法。随机森林将多棵决策树的预测结果
式(7)中，t为各子信号的采样点序数，S f 为帧移，L f
为帧长，此时节点序数n满足n ∈ [1, 2, · · · , N]。 进行组合，从而达到提升单个决策树的分类性能的
步骤 3：将每个子信号的各帧信号的能量求和， 目的，具有不容易过拟合、无需对数据规范化、训练
记为E T ，计算公式如式(8)所示： 速度快等特点 [20] ，故本文采用随机森林构建分类
F
∑ 器，完成敲击声波信号特征识别。其主要过程的流
E T = E f , (8)
程图如图2所示。
f=1
1
1
ࣨϙ/V 0 2

-1 ᓬགऀ஝ 3
0 0.05 0.10 0.15 0.20 4
௑ᫎ/s
5
6
MODWPT
ᝠካѬࣝ 100 200 300 400 500 600 700 800
ᑟ᧚ࣳᤥ ࣝऀ஝
હҒ6˔
ᓬག
ᝠካ௑ᮠѬࣝᑟ᧚྅ྲढ़Ք᧚
5
ᓬགऀ஝ 10 Ent 1 Ent 2 Ent 3 Ent 4 Ent 5 Ent 6

ᝫጷ RF
Ѭዝവی
15
0 0.05 0.10 0.15 хኖಞ1 хኖಞ2 Ā хኖಞ N
௑ᫎ/s

આᇾ᛫хᣥѣፇ౧

图 2 敲击声波信号特征识别流程
Fig. 2 Process of coin-tap sound signal characteristics recognition