文档下载 文档下载导航
设为首页 | 加入收藏
搜索 请输入内容:  
 导航当前位置: 文档下载 > 所有分类 > 工程科技 > 机械/仪表 > 应用最优小波包变换的特征提取方法
侵权投诉

应用最优小波包变换的特征提取方法

第7期2003年7月电 子 学 报ACTAELECTRONICASINICAVol.31 No.7

July 2003

应用最优小波包变换的特征提取方法

王首勇,朱光喜,唐远炎

1

1

2

(1 华中科技大学电子与信息工程系,湖北武汉430074;2 香港浸会大学计算机科学系,香港)

摘 要: 在模式识别或分类中,从原始模式中提取有效的分类特征是非常重要的.但对于大量的非平稳或时变信号模式来说,如语音,雷达,地震信号等,用于分类的特征往往包含在局部的时-频信息中,用一般的变换方法提取有效的特征比较困难.近年来小波变换在信号处理和特征提取中得到了广泛应用,但小波包变换的任意多尺度分解特性,是分析非平稳信号更有效的方法,这是由于小波库中包含了丰富的小波包基,不同的小波包基具有不同的性质,反映不同的信号特性,能获取其他变换所不能获取的信号特征.本文主要研究由给定的训练样本集,如何选择最优小波包基,从被识别或分类的信号中提取具有最大可分性的特征.为此提出了应用三种可分性准则,即距离准则,散度准则和熵准则选择最优基.通过实验,对应用各准则选择最优基提取特征与小波基提取特征的性能进行了比较.

关键词: 小波包;特征提取;小波变换;模式识别;分类

中图分类号: TP391 4 文献标识码: A 文章编号: 0372-2112(2003)07-1035-04

FeatureExtractionUsingBestWaveletPacketTransform

WANGShou-yong1,ZHUGuang-xi1,TANGYuan-yan2

(1 Dept.ofElectronic&InformationEngineering,HuzhongUnivofScie.&Tech.,Wuhan,Hubei430074,China;2 Dept.ofComputerScience,HongKongBaptistUniversity,HongKong,China)

Abstract: Inpatternrecognitionorclassification,extractingeffectiveclassificationfeaturesfromoriginalpatternsignalsisveryimportant.But,foragreatnumberofnon-stationaryortime-varyingsignals,suchasspeech,radar,earthquakesignals,etc.,classif-icationfeaturesareoftenlocalizedbothintimeandfrequency,sothusextractingeffectivefeaturesfromthembygeneraltransformationmethodsisverydifficult.Waveletpackettransformcanprovidesanarbitrarytime-frequencydecompositionforthesignals,becauseawaveletpacketlibrarycontainsmanywaveletpacketbases,whichcanhandlethedifferentcomponentsofasignal.Therefore,byselect-ingasuitablebasis,theeffectivefeaturescanbeextracted.Thispaperismainlyconcernedwithextractingeffectivefeaturesfromtherecognizedorclassifiedsignalsbyselectingwaveletpacketbasisviagiventrainingsamplesets.Threeseparabilitycriteria,i.e.,dis-tancecriterion,divergencecriterionandentropycriterion,areusedforselectingthebestbasis.Theperformanceoffeaturesextractionbywaveletpackettransformiscomparedwiththatbywavelettransformthroughexperiments.

Keywords: waveletpacket;featureextraction;wavelettransform;patternrecognition;classification

中,通常都包含长时低频和短时高频不同尺度的信号.用于分类的特征往往包含在局部的时-频信息中,用一般的变换方法很难提取这些信号的重要特征.傅里叶变换(DFT)是一种纯频率变换,具有最优的频率分辨率,而最差的时间分辨率,不能提供任何局部时间段上的频率信息,所以用于提取时变信号的特征通常效果不佳.短时傅里叶变换(STFT)具有时-频分析能力,但时-频单元(窗)是固定的,海森堡测不准原理说明时-频窗的面积不小于1/4 ,这样很难找到一个 好的 窗适用于提取包含不同尺度信号的特征.近年来小波变换(WT)在信号处理和特征提取中得到了广泛应用,WT是一种多尺度分解的时-频局域变换,可分析包含不同尺度的信号,但用于特征提取,固定的时-频分解形式并不是最优的.如在某些情况

1 引言

特征提取是模式识别或分类中的核心问题,它直接影响到分类器的设计和性能.如果不同类别的特征差别较大,就比

较容易设计出较好性能的分类器.所以对识别或分类来说关键不在于完整地描述模式,而是提取模式中有效的分类特征.所谓有效分类特征就是不同模式类差别较大的特征.但这些特征在原始特征域通常不易被观察或检测.特征提取就是通过变换(通常是线性变换)的方法,使这些重要的特征在变换域显示出来,去掉对分类无意义的信息,这样把原始的高维空间变为低维的特征空间.一般被识别或分类的模式都是非平稳或时变信号模式,如语音、雷达、地震信号等.在这些信号

收稿日期:2001-11-28;修回日期:2003-03-02

第1页

你可能喜欢

热门文档

相关文档

站点地图 | 文档上传 | 侵权投诉 | 手机版
本站所有资源均来自互联网,本站只负责收集和整理,均不承担任何法律责任,如有侵权等其它行为请联系我们.
文档下载 Copyright 2013 doc.guandang.net All Rights Reserved.  -  email