基于VMD與改進(jìn)DAE人車(chē)地震動(dòng)包絡(luò)信號(hào)識(shí)別算法

劉文杰，鄒瑛珂，張珊，賈云飛*

(1.東南大學(xué)蘇州聯(lián)合研究生院，蘇州 215127；2.南京理工大學(xué)機(jī)械工程學(xué)院，南京 210094)

近年來(lái)，隨著中國(guó)科技工業(yè)高速發(fā)展，包括核電站、大型水電站、國(guó)家級(jí)數(shù)據(jù)中心在內(nèi)的各種國(guó)家級(jí)重大設(shè)施的建成極大提高了中國(guó)人民的生活水平。但如何在這些敏感關(guān)鍵設(shè)施周邊使用多種目標(biāo)檢測(cè)手段進(jìn)行有效的安全預(yù)警成為了重要課題。針對(duì)人車(chē)目標(biāo)，可以使用其移動(dòng)所產(chǎn)生的地震動(dòng)信號(hào)特征的不同對(duì)其進(jìn)行識(shí)別探測(cè)，從而可以采取正確的對(duì)應(yīng)措施以應(yīng)對(duì)兩類(lèi)不同目標(biāo)。為達(dá)到這一目的，需要一種可靠的特征提取與分類(lèi)識(shí)別算法來(lái)對(duì)兩個(gè)目標(biāo)進(jìn)行有效識(shí)別。

針對(duì)人車(chē)地震動(dòng)信號(hào)識(shí)別所開(kāi)展的研究相對(duì)較少，成果主要集中在對(duì)該類(lèi)信號(hào)進(jìn)行降噪的研究領(lǐng)域。嚴(yán)守靖等[1]利用卡爾曼濾波對(duì)該類(lèi)信號(hào)進(jìn)行有效降噪。但其主要是在瀝青地面進(jìn)行的，并不適用于野外的應(yīng)用場(chǎng)景。以經(jīng)驗(yàn)?zāi)B(tài)分解方法(empirical mode decomposition，EMD)為代表的分解算法雖然在該條件下對(duì)人車(chē)地振動(dòng)信號(hào)的降噪分解表現(xiàn)仍然較好，但分解子信號(hào)數(shù)量不可控，并且其容易造成模態(tài)混疊、端點(diǎn)效應(yīng)等固有缺點(diǎn)，使其不方便應(yīng)用于實(shí)際場(chǎng)景中。為改善該缺陷，李奇等[2]也提出了利用Cubic Hermite插值改進(jìn)EMD過(guò)程的方法，有效抑制了端點(diǎn)效應(yīng)。但該方法并未解決模態(tài)混疊的問(wèn)題，且分解出來(lái)的子信號(hào)數(shù)量不固定，影響實(shí)際使用。因此需要使用一種計(jì)算量可控，容易應(yīng)用于實(shí)際環(huán)境中的相關(guān)算法來(lái)應(yīng)對(duì)該種震動(dòng)數(shù)據(jù)的特征提取。

目前，常用的特征提取方法有：過(guò)零點(diǎn)檢測(cè)方法[3]、基于線(xiàn)性陣列包絡(luò)線(xiàn)偏移疊加的檢測(cè)方法、利用小波HHT變換來(lái)幫助識(shí)別人車(chē)信號(hào)的方法[4]等。上述傳統(tǒng)算法在面對(duì)水泥地面等傳震性好的路面表現(xiàn)較好，但面對(duì)野外硬質(zhì)土地條件大都表現(xiàn)不佳，靠人工尋找合適的特征量不太能表征出兩種目標(biāo)的不同特征。而深度學(xué)習(xí)算法(deep learning，DL)的提出有效解決了這一問(wèn)題。該種算法可從復(fù)雜數(shù)據(jù)中自動(dòng)獲取強(qiáng)表征性的特征，因此各種DL算法被運(yùn)用到了模式識(shí)別、信號(hào)處理等多個(gè)領(lǐng)域。其中，深度自編碼器(stacked auto encoder,SAE)因其對(duì)一維信號(hào)強(qiáng)大的特征提取能力被廣泛用于信號(hào)的特征提取。但由于SAE屬于一種無(wú)監(jiān)督學(xué)習(xí)算法，因此提取出來(lái)的特征對(duì)分類(lèi)問(wèn)題的表征能力較弱，導(dǎo)致其效果不佳，因此需要進(jìn)行改進(jìn)。

針對(duì)人車(chē)地震動(dòng)信號(hào)噪聲較大，且找到合適特征量不易的問(wèn)題，同時(shí)結(jié)合野外環(huán)境下采集的人車(chē)地震動(dòng)信號(hào)成分復(fù)雜，噪聲較大的特點(diǎn)，提出一套完整的信號(hào)特征提取與分類(lèi)算法：首先對(duì)希爾伯特變換后所得的包絡(luò)信號(hào)使用變分模態(tài)分解，并用相關(guān)系數(shù)對(duì)分解得到的本征模函數(shù)(intrinsic mode function，IMF)信號(hào)進(jìn)行篩選，并將相關(guān)度較高的分量加權(quán)合成為高信噪比的中間信號(hào)，再對(duì)中間信號(hào)使用提出的改進(jìn)深度自編碼器——監(jiān)督深度自編碼器(supervised deep auto encoder,SDAE)進(jìn)行特征提取，使用隨機(jī)森林算法來(lái)強(qiáng)化算法的泛化能力，以期提高識(shí)別的準(zhǔn)確率。

1 算法原理

由于地震動(dòng)信號(hào)中除了人車(chē)地震動(dòng)有效信號(hào)外還包含了大量由于動(dòng)植物活動(dòng)和采集設(shè)備本身干擾而產(chǎn)生的高頻噪聲信號(hào)，因此需要對(duì)其進(jìn)行包絡(luò)檢波解調(diào)以提取其較低頻的有效地震動(dòng)信號(hào)。

希爾伯特變換(Hilbert transform,HT)是一種常用的提取信號(hào)包絡(luò)線(xiàn)的方法。能將低頻信號(hào)從被調(diào)制過(guò)的信號(hào)中解調(diào)出來(lái)，是在該變換方法可以看作是一個(gè)正交濾波器，可將所有的正頻率分量移相-90°，對(duì)負(fù)頻率分量移相90°，從而能將一個(gè)實(shí)信號(hào)變換為一個(gè)復(fù)信號(hào)的虛部。通過(guò)求解該復(fù)信號(hào)的幅值即可求得原信號(hào)的包絡(luò)，將其低頻分量解調(diào)出來(lái)[5]。因此常被運(yùn)用于包絡(luò)檢波等領(lǐng)域。

一個(gè)實(shí)信號(hào)x(t)的希爾伯特變換定義為

(1)

(2)

得到該復(fù)信號(hào)后，通過(guò)求其幅值則可得到其復(fù)包絡(luò)信號(hào)為

(3)

該復(fù)包絡(luò)信號(hào)則為較高信噪比的有效信號(hào)。

1.1 變分模態(tài)分解與相關(guān)系數(shù)

即使原信號(hào)的包絡(luò)信號(hào)已經(jīng)過(guò)濾了大多數(shù)的高頻噪聲信號(hào)，但仍然保留了能量較高，頻率較低的噪聲信號(hào)，導(dǎo)致原信號(hào)的包絡(luò)信號(hào)仍然是一類(lèi)低信噪比的非線(xiàn)性、非平穩(wěn)信號(hào)。針對(duì)該類(lèi)信號(hào)一般使用EMD將其分解為多個(gè)平穩(wěn)信號(hào)后再進(jìn)行處理。但此方法容易產(chǎn)生波形混疊、端點(diǎn)效應(yīng)等負(fù)面現(xiàn)象，嚴(yán)重影響對(duì)信號(hào)的分解。且由于自身迭代算法的原因，分解得到的IMF信號(hào)數(shù)量無(wú)法確定，影響該算法在實(shí)際場(chǎng)景中的應(yīng)用。針對(duì)以上缺陷，2014年，一種全新的自適應(yīng)分解方法——變分模態(tài)分解(variational mode decomposition，VMD)[6]被提出，該方法不但可以極大程度緩解EMD的模態(tài)混疊的缺陷，且分解出的IMF分量數(shù)量可以人為設(shè)置，以準(zhǔn)確分解出不同頻率段的信號(hào)，其核心是通過(guò)迭代搜索約束變分模型的最優(yōu)解來(lái)自動(dòng)獲取固有模態(tài)函數(shù)的帶寬以及核心頻率，從而按照頻率對(duì)信號(hào)進(jìn)行分解。利用其約束變分模型引入二次乘法因子來(lái)降低干擾，同時(shí)使用拉格朗日乘子法將其轉(zhuǎn)化為非約束變分問(wèn)題。最后得到增廣拉格朗日表達(dá)式為[7]

(4)

式(4)中：δ(t)為沖激函數(shù)，是信號(hào)處理基礎(chǔ)函數(shù)；f為原始信號(hào)；uk為所得模態(tài)函數(shù)；ωk為各個(gè)模態(tài)中心頻率；α為懲罰因子；λ為拉格朗日因子；?t為對(duì)其求時(shí)間的導(dǎo)數(shù)；K為分解信號(hào)的個(gè)數(shù)；k為第k個(gè)分解信號(hào)。

最后利用交替方向乘子法迭代更新ωk、uk、λ從而求得該模型的解。由于參數(shù)中有ωk，因此將uk轉(zhuǎn)化至頻域，最后可得更新公式為[8]

(5)

(6)

(7)

式中：ω為頻率；n為迭代次數(shù)。

為過(guò)濾掉信號(hào)中含有的噪聲，需要對(duì)分解得到的IMF信號(hào)與原信號(hào)的相關(guān)程度進(jìn)行量化，以篩選出與原信號(hào)相關(guān)程度最高、在原信號(hào)中占有主要成分的IMF信號(hào)。因此，使用皮爾森相關(guān)系數(shù)ρXY對(duì)其進(jìn)行衡量，可表示為

(8)

通過(guò)篩選并進(jìn)行加權(quán)則可得到高信噪比的中間信號(hào)，以便進(jìn)行下一步工作。

1.2 自編碼器與深度自編碼器

自編碼器(auto encoder，AE)結(jié)構(gòu)類(lèi)似BP神經(jīng)網(wǎng)絡(luò)，屬于一種典型的三層結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)，其結(jié)構(gòu)如圖1[7]所示。

圖1 自編碼器結(jié)構(gòu)[7]Fig.1 Self encoder structure[7]

H=f(WX+b)

(9)

(10)

式中：W為輸入層到隱層的權(quán)值向量；Wo為隱層到輸出層的權(quán)值向量；Zi為隱層輸出；b為輸入層到隱層的偏置向量；bo為隱層到輸出層的權(quán)值向量，以上參數(shù)與隱層都是需要求解的向量集合；f(·)為激活函數(shù)。

由于使用權(quán)值和偏置后只能表征輸入層與輸出層的線(xiàn)性關(guān)系，因此需要引入激活函數(shù)來(lái)加入非線(xiàn)性因素。通常使用sigmoid函數(shù)或tanh函數(shù)。使用的激活函數(shù)為雙曲正切函數(shù)，變化敏感區(qū)間較寬，可將信號(hào)壓制到[-1,1]，導(dǎo)數(shù)值漸進(jìn)于[0,1]，符合人腦神經(jīng)飽和的規(guī)律，與sigmoid函數(shù)相比可以延遲函數(shù)飽和期，可表示為[8]。

(11)

神經(jīng)網(wǎng)絡(luò)中用損失函數(shù)衡量網(wǎng)絡(luò)輸出與期望輸出的誤差，該處的損失函數(shù)采用均方損失函數(shù)，可表示為

(12)

式(12)中：MSE為損失函數(shù)值;n′為維度總數(shù);y′i為網(wǎng)絡(luò)輸出向量第i維度的值；yi為網(wǎng)絡(luò)輸出向量第i維度的值。

利用損失函數(shù)對(duì)W、Wo、b、bo進(jìn)行反向傳遞更新可表示為

(13)

式(13)中：N為需要調(diào)整的相關(guān)參數(shù)(即W、Wo、b、bo)；ε為學(xué)習(xí)率。

利用梯度下降法進(jìn)行迭代計(jì)算，使得期望輸出與網(wǎng)絡(luò)輸出無(wú)限接近，完成網(wǎng)絡(luò)訓(xùn)練，其隱層向量即為自編碼器所自動(dòng)提取的特征向量。

由于A(yíng)E只是一個(gè)三層網(wǎng)絡(luò)結(jié)構(gòu)，其提取的特征較淺，針對(duì)高維輸入向量不能很好地表征其特點(diǎn)。因此需要增加多個(gè)隱藏層得到可以提取深層抽象特征的深度模型——深度自編碼器。該深度模型網(wǎng)絡(luò)以前一層輸出作為下一層輸入，與單個(gè)AE相比，DAE可以深度挖掘數(shù)據(jù)的信息，基于以上功能，其常被運(yùn)用于各種故障識(shí)別、含噪信號(hào)降噪、特征提取、數(shù)據(jù)清洗等方面[7]，其拓?fù)鋱D如圖2所示。

圖2 深度自編碼器結(jié)構(gòu)示意圖Fig.2 Deep self encoder structure

在深度自編碼器中編碼器和解碼器的輸出公式分別為

Zi=f(WeXi+be)

(14)

Zo=f(WoZi+bo)

(15)

式中：We、Wo分別為編碼器和解碼器的隱藏層權(quán)重矩陣；be與bo分別為編碼器和解碼器對(duì)應(yīng)偏置向量。訓(xùn)練完畢后將測(cè)試集放入網(wǎng)絡(luò)中進(jìn)行計(jì)算，取其編碼特征則可得到信號(hào)的特征向量。

1.3 監(jiān)督深度自編碼器

由于深度自編碼器屬于一種無(wú)監(jiān)督機(jī)器學(xué)習(xí)方式，未能利用到數(shù)據(jù)集中所給出的標(biāo)簽，因此其提取的特征對(duì)該種標(biāo)簽的表現(xiàn)性不強(qiáng)，進(jìn)而造成分類(lèi)效果較差。因此為了在特征中包含數(shù)據(jù)集的標(biāo)簽以提升分類(lèi)效果，需要對(duì)深度自編碼器進(jìn)行改進(jìn)。

為了利用訓(xùn)練數(shù)據(jù)集中所有的標(biāo)簽，深度自編碼器的改進(jìn)型——監(jiān)督深度自編碼器(supervised deep atuo encoder，SDAE)在最后一層輸出層中，加入了標(biāo)簽神經(jīng)元并對(duì)其進(jìn)行全連接。改進(jìn)后的深度自編碼器拓?fù)浣Y(jié)構(gòu)圖如圖3所示。

圖3 監(jiān)督深度自編碼器結(jié)構(gòu)示意圖Fig.3 Supervised Deep self encoder structure

訓(xùn)練完畢后將待提取特征的數(shù)據(jù)集放入網(wǎng)絡(luò)中進(jìn)行計(jì)算，最后取其編碼層則可得到包含標(biāo)簽信息的高可分度特征向量。

1.4 隨機(jī)森林算法

隨機(jī)森林(random forest,RF)運(yùn)用Bagging的思想，對(duì)訓(xùn)練集進(jìn)行有放回的隨機(jī)抽樣生成很多分類(lèi)樹(shù)共同對(duì)數(shù)據(jù)進(jìn)行分類(lèi)判斷，每個(gè)樹(shù)都是一個(gè)獨(dú)立的判斷分支，互相之間彼此獨(dú)立。由于其訓(xùn)練樣本較為獨(dú)立，因此生成的每棵樹(shù)對(duì)特征的關(guān)注點(diǎn)各不相同，所形成的隨機(jī)森林泛化能力比傳統(tǒng)的支持向量機(jī)算法(support vector machines,SVM)強(qiáng)。由于其核心仍是決策樹(shù)算法，所以無(wú)論是判斷過(guò)程還是訓(xùn)練過(guò)程的計(jì)算量都較小。其生成過(guò)程如下。

步驟1利用Bagging法從原始數(shù)據(jù)集中重采樣有放回地抽取N個(gè)數(shù)據(jù)集作為對(duì)應(yīng)決策樹(shù)的訓(xùn)練集。

步驟2生成多棵決策樹(shù)。從訓(xùn)練集評(píng)估出最好特征作為當(dāng)前節(jié)點(diǎn)的分類(lèi)屬性并分裂成2支。評(píng)估方法采用基尼指數(shù)Gini，可表示為[9-10]

(16)

(17)

式中：D為整個(gè)訓(xùn)練集集合；Ck為訓(xùn)練集中每種樣本的數(shù)目；D1、D2為每個(gè)按特征分類(lèi)的兩種類(lèi)別集合。

基尼指數(shù)越小代表集合不確定程度越小，取基尼指數(shù)最小的特征作為當(dāng)前最好特征。

步驟3在分裂處的兩個(gè)分支重復(fù)步驟2，直到w2樣本全部分類(lèi)完畢或達(dá)到指定生長(zhǎng)層數(shù)。

2 信號(hào)仿真實(shí)驗(yàn)

基于所述的特征提取算法計(jì)算步驟如下。

步驟1去除數(shù)據(jù)偏置后對(duì)數(shù)據(jù)進(jìn)行希爾伯特變換，獲取其包絡(luò)線(xiàn)，對(duì)其平滑處理與歸一化并分幀得到數(shù)據(jù)樣本集。

步驟2對(duì)樣本集進(jìn)行VMD分解，求所得IMF信號(hào)的相關(guān)系數(shù)，按照相關(guān)系數(shù)的大小加權(quán)得到高信噪比中間信號(hào)。

步驟3將數(shù)據(jù)集投入監(jiān)督深度自編碼器中進(jìn)行訓(xùn)練，用于提取特征向量，再對(duì)得到的特征向量使用隨機(jī)森林分類(lèi)算法得到該模型的分類(lèi)結(jié)果。

算法流程圖如圖4所示。

圖4 算法流程圖Fig.4 Algorithm flow

2.1 數(shù)據(jù)預(yù)處理

在晴天、低速風(fēng)(風(fēng)速不高于3級(jí))、均質(zhì)土壤的環(huán)境中通過(guò)美國(guó)國(guó)家儀器有限公司(National Instruments，NI)采集卡和VAS-100地震動(dòng)傳感器獲得人車(chē)原始信號(hào),采集頻率為1 000 Hz。地震動(dòng)傳感器插入地表大約20 cm處位置，測(cè)試車(chē)輛為某品牌SUV，在距離傳感器100 m勻速向著傳感器方向行駛；測(cè)試人員為單人，從距離傳感器50 m處向著傳感器方向正常勻速行走。某幀車(chē)輛和人員的原始信號(hào)如圖5和圖6所示。

圖5 車(chē)輛原始信號(hào)Fig.5 Vehicle original signal

圖6 人員原始信號(hào)Fig.6 Person original signal

由于信噪比較低，因此必須對(duì)其進(jìn)行希爾伯特變換以獲取其包含較純凈人車(chē)地震動(dòng)信號(hào)的包絡(luò)線(xiàn)。由于包絡(luò)線(xiàn)中仍然含有高頻噪音，因此需要使用濾波算法將其濾除。通過(guò)觀(guān)察可以看出，人行走所產(chǎn)生的沖擊信號(hào)是一種類(lèi)沖擊信號(hào)，進(jìn)行的平滑濾波處理不可以過(guò)濾該類(lèi)信號(hào)?？紤]到二者性質(zhì)，使用滑動(dòng)平均濾波可使信號(hào)平滑的同時(shí)保留沖擊信號(hào)特征，其濾波公式為

(18)

式(18)中：nf為幀長(zhǎng),nf取1。

將所得到的人車(chē)地震動(dòng)信號(hào)分為2 s一幀的樣本集，通過(guò)希爾伯特變換并濾波后得到其包絡(luò)線(xiàn)如圖7和圖8所示。

圖7 車(chē)輛包絡(luò)線(xiàn)信號(hào)Fig.7 Envelope of vehicle signal

圖8 人員包絡(luò)線(xiàn)信號(hào)Fig.8 Envelope of person envelope signal

可以看出，人員信號(hào)的包絡(luò)信號(hào)把人行走時(shí)腳步落下所產(chǎn)生的信號(hào)很好地保留了下來(lái)，頻率較低。而車(chē)輛信號(hào)的包絡(luò)線(xiàn)在一幀內(nèi)具有多個(gè)波峰且連續(xù)，頻率較高。但二者信號(hào)仍然含有部分中高頻噪聲。

2.2 VMD分解實(shí)驗(yàn)

將所得到的人車(chē)地震動(dòng)信號(hào)包絡(luò)線(xiàn)分為2 s一幀的樣本集，得到圖9、圖10所得實(shí)驗(yàn)信號(hào)。以不同的K值(分解信號(hào)數(shù)量值)進(jìn)行VMD分解，觀(guān)察分解所得IMF信號(hào)。經(jīng)過(guò)實(shí)驗(yàn)分析，當(dāng)K>4時(shí)，利用VMD分解所得到的信號(hào)中相關(guān)系數(shù)排序前3的IMF信號(hào)就可以完整表征車(chē)輛的高頻連續(xù)信號(hào)特征(IMF1、IMF2、IMF3)。VMD分解所得信號(hào)如圖9所示。

圖9 車(chē)輛包絡(luò)線(xiàn)VMD分解結(jié)果Fig.9 VMD decomposition results of vehicle signal’s envelope

圖10 人員包絡(luò)線(xiàn)VMD分解結(jié)果Fig.10 VMD decomposition results of person signal’s envelope

對(duì)于人員信號(hào)，需要使K>6，利用相關(guān)系數(shù)排序前3的IMF信號(hào)(IMF4、IMF2、IMF1)才可得到能夠完整表征人員的低頻連續(xù)信號(hào)特征。VMD分解結(jié)果如圖10所示。

因此選擇K=6時(shí)分解所得到的相關(guān)系數(shù)排序前3的IMF信號(hào)進(jìn)行加權(quán)得到純凈中間信號(hào)。經(jīng)過(guò)試驗(yàn)，由于相關(guān)系數(shù)排序第3的IMF信號(hào)表征人車(chē)信號(hào)特征的效果統(tǒng)計(jì)意義上劣于排序前2的IMF信號(hào)，排序前2的IMF信號(hào)效果在不同信號(hào)樣本中優(yōu)劣各不相同，針對(duì)以上特點(diǎn)得到加權(quán)公式為

u(t)=0.4IMF1(t)+0.4IMF2(t)+0.2IMF3(t)

(19)

式(19)中：IMF1(t)、IMF2(t)、IMF3(t)分別為相關(guān)系數(shù)排序第1、2、3位的IMF信號(hào)分量。

加權(quán)得到的人員與車(chē)輛信號(hào)如圖11、圖12所示。

圖11 VMD加權(quán)后人員地震動(dòng)包絡(luò)線(xiàn)信號(hào)Fig.11 Personnel ground motion envelope signal after VMD weighting

圖12 VMD加權(quán)后車(chē)輛地震動(dòng)包絡(luò)線(xiàn)信號(hào)Fig.12 Vehicle’s ground motion envelope signal after VMD weighting

可以看出，噪聲分量信號(hào)強(qiáng)度得到了較大幅度降低，很好地保留下了人車(chē)地震動(dòng)信號(hào)的特點(diǎn)，為后續(xù)提取特征提供了高信噪比的中間信號(hào)。

2.3 改進(jìn)深度自編碼器特征提取實(shí)驗(yàn)

樣本分別投入所提改進(jìn)型算法與深度自編碼器算法中進(jìn)行訓(xùn)練與特征的提取，學(xué)習(xí)率lr=0.003，訓(xùn)練輪數(shù)epoch=80,特征編碼維度為64。其網(wǎng)絡(luò)構(gòu)造如圖13所示。

訓(xùn)練完畢后取第6層作為64維的特征向量。為了驗(yàn)證提取的特征聚類(lèi)情況，對(duì)提取到的特征進(jìn)行核主成分分析(kernel principal component analysis,KPCA)[11]將維度為64的特征向量轉(zhuǎn)化為二維向量將其可視化，兩種算法結(jié)果分別如圖14、圖15所示。

數(shù)字表示每一層神經(jīng)元的數(shù)量圖13 監(jiān)督深度自編碼器模型構(gòu)造Fig.13 Construction of supervised depth self encoder model

藍(lán)點(diǎn)為人員信號(hào)；紅點(diǎn)為車(chē)輛信號(hào)圖14 DAE特征提取分布Fig.14 DAE feature extraction distribution

藍(lán)點(diǎn)為人員信號(hào)；紅點(diǎn)為車(chē)輛信號(hào)圖15 SDAE特征提取分布Fig.15 HT-SDAE feature extraction distribution

兩種算法特征提取人車(chē)信號(hào)分布聚散情況比較分明，但監(jiān)督深度自編碼器所得特征更加線(xiàn)性可分，因此SDAE特征可分性更強(qiáng)。但從圖15中可以看出要實(shí)現(xiàn)該類(lèi)數(shù)據(jù)的分類(lèi)需要使用泛化能力較強(qiáng)的分類(lèi)器。

2.4 隨機(jī)森林分類(lèi)實(shí)驗(yàn)

將所得的特征編碼、其他傳統(tǒng)方法所得特征量使用隨機(jī)森林算法進(jìn)行訓(xùn)練并進(jìn)行測(cè)試。車(chē)輛訓(xùn)練樣本數(shù)量為200組，人員訓(xùn)練樣本數(shù)量為200組，車(chē)輛測(cè)試樣本數(shù)量為200組，人員測(cè)試樣本數(shù)量為200組，測(cè)試樣本和訓(xùn)練樣本相互獨(dú)立。并與使用DAE-SVM[12]、SDAE-SVE、DAE-RF算法的測(cè)試結(jié)果進(jìn)行對(duì)比，對(duì)比結(jié)果如表1所示。

由表1可知，若不經(jīng)過(guò)VMD加權(quán)直接使用DAE進(jìn)行特征提取，識(shí)別率較低，而使用VMD加權(quán)后由于過(guò)濾掉了大多數(shù)的噪聲信號(hào)，使后續(xù)提取的特征更能體現(xiàn)數(shù)據(jù)的種類(lèi)，整體識(shí)別率提高了6%。

表1 本文算法與其他算法識(shí)別結(jié)果比較Table 1 Comparison of recognition results between the proposed algorithm and other algorithms

而在特征提取方面，所提出的監(jiān)督深度自編碼器算法在訓(xùn)練過(guò)程中考慮到了訓(xùn)練集的標(biāo)簽，因此所提取出來(lái)的特征更具區(qū)分度，和原特征提取算法相比，在未顯著提高識(shí)別過(guò)程中計(jì)算量的同時(shí)識(shí)別效果更好。

若使用SVM算法[10]作為分類(lèi)，由于該算法的泛化性能較為平庸，因此針對(duì)該類(lèi)數(shù)據(jù)的分類(lèi)正確率低于RF算法。而利用同種特征提取算法，采用較高泛化性能的隨機(jī)森林算法的實(shí)驗(yàn)中其分類(lèi)正確率較SVM分類(lèi)算法有所提升。

3 結(jié)論

針對(duì)在野外環(huán)境中對(duì)人車(chē)地震動(dòng)信號(hào)進(jìn)行正確識(shí)別這一問(wèn)題，提出了通過(guò)希爾伯特變換提取包絡(luò)線(xiàn)來(lái)實(shí)現(xiàn)降噪，并在深度自編碼器的基礎(chǔ)上提出改進(jìn)型自編碼器——監(jiān)督深度自編碼器對(duì)包絡(luò)線(xiàn)的特征量進(jìn)行自動(dòng)提取。最后使用隨機(jī)森林分類(lèi)算法進(jìn)行人車(chē)識(shí)別。通過(guò)實(shí)驗(yàn)可得出以下結(jié)論。

(1)使用VMD分解得到IMF信號(hào)再通過(guò)相關(guān)系數(shù)選擇加權(quán)后生成的中間信號(hào)相比于原信號(hào)，能夠有效過(guò)濾掉頻率相近能量占比較高的噪聲信號(hào)，從而較大幅度提高信噪比。

(2)使用的改進(jìn)深度自編碼器算法相比于未改進(jìn)的深度自編碼器算法特征針對(duì)人車(chē)地震動(dòng)信號(hào)的特征提取結(jié)果可分性更好，同時(shí)計(jì)算量并未有顯著提升。

(3)針對(duì)人車(chē)地震動(dòng)信號(hào)，選用泛化能力強(qiáng)的隨機(jī)森林分類(lèi)算法分類(lèi)結(jié)果優(yōu)于傳統(tǒng)SVM算法。