[发明专利]基于小波卷积的传感器阵列信号匹配特征提取方法及系统

权利要求书

1.一种基于小波卷积的传感器阵列信号匹配特征提取方法，其特征在于，包括以下步骤：

S1：采集初始传感器阵列信号样本；

S2：对初始传感器阵列信号样本进行必要滤波预处理，得到滤波传感器阵列信号样本；

S3：指定模式信号序列和初始小波基序列组；

S4：根据模式信号序列和初始小波基序列组获取优化小波基序列组；

S5：根据滤波传感器阵列信号样本在优化小波基序列组中的样本卷积特征，根据模式信号序列在优化小波基序列组中的模型卷积特征，再获取样本卷积特征和模型卷积特征的最大匹配度及最大匹配度位置；

S6：获取样本卷积特征在最大匹配度位置的能量特征；

S7：将最大匹配度与样本卷积特征在最大匹配度位置的能量特征融合，构成初始传感器阵列信号样本基于小波卷积的传感器阵列信号匹配特征。

2.根据权利要求1所述的基于小波卷积的传感器阵列信号匹配特征提取方法，其特征在于：在所述步骤S1中初始传感器阵列信号样本为所有传感器响应构成的序列信号，或为阵列中每个传感器响应的单独序列信号。

3.根据权利要求1所述的基于小波卷积的传感器阵列信号匹配特征提取方法，其特征在于：在所述步骤S2中模式信号序列为任意给出的模式序列，或为实际样本的一般模式序列。

4.根据权利要求3所述的基于小波卷积的传感器阵列信号匹配特征提取方法，其特征在于，实际样本的一般模式序列的获取过程如下：

S31：获取传感器阵列信号集，其中传感器阵列信号集包括所有类型样本在相同检测参数和检测流程下经传感器阵列响应后的阵列信号；

S32：将传感器阵列信号集进行必要滤波处理；

S33：计算滤波后传感器阵列信号集的平均响应；

S34：指定平均响应的部分或所有序列作为实际样本的一般模式序列。

5.根据权利要求1所述的基于小波卷积的传感器阵列信号匹配特征提取方法，其特征在于：在所述步骤S3中，初始小波基序列组为哈尔(Haar)小波、或为高斯(Gaussian)小波、或为墨西哥帽(Mexican Hat)小波，其中初始小波基序列组的尺度和小波个数采用人为指定，或采用结合分类器后根据网格优化获取。

6.根据权利要求1所述的基于小波卷积的传感器阵列信号匹配特征提取方法，其特征在于，在所述步骤S4中优化小波基序列组的过程如下：

S41：卷积计算模式信号序列在初始小波基序列组内所有小波的模式卷积特征；

S42：基于模式卷积特征的主要成分重组初始小波基序列。

7.根据权利要求1所述的基于小波卷积的传感器阵列信号匹配特征提取方法，其特征在于，在步骤S5中获取最大匹配度的过程如下：

S51：卷积计算滤波传感器阵列信号样本在优化小波基序列组内所有小波的样本卷积特征；

S52：卷积计算模式信号序列在优化小波基序列组内所有小波的模型卷积特征；

S53：计算样本卷积特征与模型卷积特征的匹配度序列。

8.一种基于小波卷积的传感器阵列信号匹配特征提取系统，其特征在于，包括：

输入模块，用于输入或指定传感器阵列信号样本、模式信号序列以及初始小波基序列组；

预处理模块，用于将初始传感器阵列信号样本进行必要滤波；

小波组优化模块，用于获取优化小波基序列组；

匹配度分析模块，用于获取样本卷积特征和模型卷积特征的最大匹配度及最大匹配度位置；

匹配能量分析模块，用于获取样本卷积特征在最大匹配度位置的能量特征；

匹配特征融合模块，用于将最大匹配度与样本卷积特征在最大匹配度位置的能量融合，构成该样本基于小波卷积的传感器阵列信号匹配特征，整个系统能执行如权利要求1-7任一所述的基于小波卷积的传感器阵列信号匹配特征提取方法的步骤。