谐波小波与近似熵相结合[精选].ppt

谐波小波与近似熵相结合的噪声信号分析 目录 1、近似熵的概述 2、近似熵的特点 3、近似熵的算法 4、近似熵的参数条件选择 5、近似熵的实用快速算法 6、谐波小波的概述 7、复小波变换及其基本应用 近似熵的概述 近似熵(Approximate entropy,简称ApEn)是最近发展起来的一种度量序列的复杂性和统计量化的规则。 它是在20世纪90 年代初由Pincus为了克服混沌现象中求解熵的困难提出的。近似熵是对非线性时间序列复杂度的一种非负的定量描述，它对于相对较短的(大于100个数据点)、含噪声的时间序列显示出潜在的应用价值。 近似熵主要的特点 1. 近似熵只需要比较短的数据就能估计出比较稳定的统计值。所需的数据点大致在100～5000点，一般在1000点左右。 2. 近似熵有较好的抗干扰和抗噪的能力。在实际应用中，常把它作为一个诊断的判据，已经在生物系统，生理电信号、机械设备故障诊断等领域进行了尝试并获得了良好的效果。 近似熵主要的特点 3. 近似熵对于随机信号或确定性信号都可以使用,也可以应用于由随机成分和确定性成分混合的信号。若一个非线性的物理过程复杂程度越高，那么近似熵将越大。 4. 近似熵从衡量时间序列复杂性的角度来度量信号中产生新模式的概率大小,产生新模式的概率越大,序列的复杂性越大,相应的近似熵也越大,可用近似熵来描述振动信号的不规则性和复杂性。 近似熵的算法 设采集到的原始数据为{u(i),i=0,1?N} 预先给定模式维数m和相似容限r 的值, 则近 似熵可以通过以下步骤计算得到： 1. 将序列{u(i)}按顺序组成m维矢量X(i), 即：X ( i) = [u ( i) , u ( i + 1) ?u ( i + m - 1) ], i = 1～ N - m + 1 2. 对每一个i 值计算矢量X ( i) 与其余矢量 X( j ) 之间的距离: d [X ( i) , x ( j )] = max?u ( i + k ) - u ( j + k ) ? 近似熵的算法 3. 按照给定的阈值r ( r 0) , 对每一个i 值统 计d [X ( i) , X ( j ) ] r 的数目及此数目与总的 矢量个数N - m + 1 的比值, 记做Cmi( r) , 即 Cmi( r) = {d [X ( i) , X ( j ) ] r 的数目} (N - m + 1) 4. 先将Cmi( r) 取对数, 再求其对所有i 的平 均值, 记做5m ( r) , 即 5m ( r) =1/（N - m + 1）ΣIn Cmi( r) 近似熵的算法 5. 再对m + 1, 重复1～ 4 的过程, 得到5m + 1 ( r) 6. 理论上此序列的近似熵为: A p E n (m , r) = lim[5m (r) - 5m + 1 (r) ] 一般而言, 此极限值以概率1 存在. 但在实 际工作中N 不可能为∞, 当N 为有限值时, 按 上述步骤得出的是序列长度为N 时A p E n 的 估计值. 记做 A p E n (m , r,N ) = 5m ( r) - 5m + 1 ( r) 近似熵参数条件的选择： 由于运用近似熵计算前需对近似熵的参 数进行确定, 即模式维数 m,相似容限 r。当选 取之后，这两个参数将在整个计算中固定不 变。 对于m的选取，m是计算近似熵时进行比 较序列的长度，即窗口的长度或称为模式维 数。选择m=2要好于m=1，这样在序列的联合 近似熵参数条件的选择： 概率进行动态性重构时，会有更多的详细的 信息。当m＞2时，要想估计出好的结果，r 就需要比较大。这样通过ApEn(m,r)来分析序 列的分布就会丢失许多信息。所以，选择 m=2。 对于r的选取，为了得到的ApEn(m,r,N)具 有比较有效的统计特性，r值太小，估计出的 近似熵参数条件的选择： 统计概率不理想；r值太大，会丢失系统的许 多详细信息。经过Pincus等人对确定性过程和 随机过程的理论分析及其计算和在实践应用 的基础上，总结出r在0.1～0.25STD(STD为u(i) 数据的标准差］之间能够估计出比较有效的 统计特性。 近似熵的实用快速算法 由于按照近似熵的定义步骤去进行计算时,其中 包含很多的冗余计算, 降低了计算效率,不利于实时 运用。下面