[发明专利]基于多小波理论和支持向量机的铁磁谐振识别方法

权利要求书

1.基于多小波理论和支持向量机的铁磁谐振识别方法，其特征在于：包括如下步骤：

步骤一：搭建铁磁谐振仿真模型，通过改变线路参数，使PT发生不同种类的铁磁谐振，采集高频、基频、分频谐振和未发生谐振四种状态下的多电压数据；

步骤二：将故障电压信号离散化，获取故障电压数据；

步骤三：采用基于多小波函数的小波变换获取各频段下故障电压微分的模极大值；

步骤四：以故障电压各频段下的模极大值作为输入量，采用改进BP神经网络模型，得到小波自由参数；

步骤五：将利用神经网络训练得到的多小波自由参数代入到步骤三中，重新获取故障电压微分的模极大值；

步骤六：重复上述步骤三到步骤五，直至达到额定重复次数，将最后得到的故障电压微分的模极大值作为故障特征量；

步骤七：将故障电压微分的模极大值作为输入量，将高频、基频、分频谐振和未发生谐振四种状态作为输出量，运用遗传算法优化支持向量机的惩罚参数和高斯核函数；

步骤八：利用得到的基于多小波函数的小波变换和支持向量机，根据电压数据判断PT发生哪种类型的铁磁谐振。

2.根据权利要求1所述的基于多小波理论和支持向量机的铁磁谐振识别方法，其特征在于：所述步骤三中，多小波基函数的获取方法步骤为：

(1)对初始小波进行两尺度相似变换，以获取更大自由度的小波基函数库，改善多小波变换的性能，基于两尺度相似变换理论，设计满足特定条件的参数化矩阵，获得更大自由度多小波基函数；

(2)令其中，表示正交多尺度函数，与之对应的正交多小波函数为ψ(t)＝[ψ₁(t),ψ₂(t),…,ψ_r(t)]^T，M+1重多尺度函数满足两尺度矩阵方程为：

式中，P_i为对应的两尺度低通滤波器实数矩阵；

相应的频域方程为：

φ(ω)＝P(ω/2)φ(ω/2)

同理，多小波函数ψ(t)也满足相应的两尺度矩阵方程为：

式中，Q_i为对应ψ(t)的两尺度低通滤波器实数矩阵；

ψ(ω)＝P(ω/2)φ(ω/2)

由上述公式可得，

据此可得可得多尺度函数φ(t)及经两尺度相似变换后得到中间多小波ψ_m；

(3)对中间多小波进行提升框架变换；基于对称提升框架，加入对称性约束和平移量约束，根据提升系数方程，设计满足条件的多小波参数化提升矩阵，保证多小波基函数滤波器的线性相位特性；

(4)借助矩的计算公式实现多小波的构造进行计算；采用提升方法构造多小波的过程可以表述为先选定初始多小波，进而选择用于修正多小波的其它基函数的平移量，构建“提升系数方程”，最后通过自由度参数来修正提升系数方程，进而达到修正多小波基函数的目的；

在两尺度相似变换矩阵构造和求解提升系数方程中将引入自由参数，通过两尺度相似变换和构造提升方程实现参数化多小波构造，获得具有线性相位等优良性质的参数化调控多小波基函数，以优化得到的多小波函数为基函数，对离散化电压信号做小波变换，获取不同频率下故障电压模极大值。

3.根据权利要求1所述的基于多小波理论和支持向量机的铁磁谐振识别方法，其特征在于：所述步骤四中，小波自由参数的获取步骤为：

(1)以小波变换得到的不同频率下故障电压模极大值作为输入特征向量，并选取三层BP神经网络，以多小波自由参数作为输出特征向量进行训练；

(2)设置输入神经元个数为6，输出是神经元个数为小波自由参数的个数；隐藏神经元个数和输出神经元个数之间的近似关系为：

式中，n₁为隐藏神经元个数，n₂为输入神经元个数，n₃为输出神经元个数，a为[1,10]之间的个数。

4.根据权利要求1所述的基于多小波理论和支持向量机的铁磁谐振识别方法，其特征在于：步骤七中运用遗传算法优化支持向量机的惩罚参数和高斯核函数的具体步骤为：

将支持向量机的惩罚参数和高斯核函数作为遗传算法的优化变量，当支持向量机对应的每个电压数据的谐振判别状态准确时，适应度值减1，当支持向量机对应的每个电压数据的谐振判别状态不准确时，适应度值加1，采用选择、交叉和变异操作，使得所得到的支持向量机对应的适应度值最小。