本发明涉及时序信号特征提取方法，具体为一种基于贝塞尔非线性变换刻度时序信号时频谱提取与识别算法。
背景技术：
1、设备状态的监测与加工的监控，在智能制造背景下是一个备受关注的领域，这类应用场景包含，信号的采集、信号预处理、特征提取和模式识别。采集的数据以时序信号为主，如振动信号、声音信号、声发射信号、电机电压信号、电流信号等。在人工智能技术高度发展的时代，越来越多的序列信号识别方法引入神经网络作为模式识别方法基础，但是在此之前仍然需要对采集的原始数据进行预处理来加快神经网络模型的训练。同时也保证模型训练的有效性。
2、现有技术中提出了一种基于mfcc-cnn（mel frequency cepstral coefficient-convolutional neural networks，梅尔倒谱系数-卷积神经网络）的矿井提升机故障声学分析方法（公开号为：cn 113192532a），该申请了一种基于mfcc-cnn的矿井提升机故障声学分析方法，包括对采集的提升机运行时音频信号进行预加重、分帧、门限端点检测和加窗的预处理，之后对数据进行短时傅里叶变换、mel（梅尔）滤波器滤波和离散余弦变换，完成音频信号的mfcc（mel frequency cepstral coefficient，梅尔倒谱系数）特征参数提取，从而构建包括输入层在内的八层cnn（convolutional neural networks，卷积神经网络）模型，对cnn模型进行训练以及提升机故障诊断等步骤，利用了声学信号采集速度快，采集设备简单等特点，能够完成提升机状态实时的在线监测与分析，结合神经网络分析方法实现了提升机故障诊断的智能化。
3、现阶段的针对序列信号的模式识别方法多以mel刻度下的时频特征为主，这是出于模仿人耳的听觉习惯形成的特征。这种方法在针对替代人耳识别的信号识别应用场景有着很好的应用效果，如语音识别场景，但是在一些脱离日常人耳识别的场景中，这类方法有着明显的局限性，在工业生产中产生的信号类比于声波的话，如果只是使用单一的非线性刻度进行时频特征的提取，会在提取的过程中丢失重要的信息，而将这种残缺信息数据输入至用于训练网络模型，会大幅度降低网络学习有效特征的能力，从而造成模型的不收敛和识别准确性的下降。
技术实现思路
1、本发明提供了一种基于贝塞尔非线性变换刻度时序信号时频谱提取与识别算法及其使用方法，具备了训练对应模型形成定制化的针对不同时序输入监测场景的实时监测模型。改进的特征提取方法相比于传统方法的针对性更强，特征提取更关注有效成分。基于数据驱动的神经网络模型对不同的工况数据有着更好的适应性，为实际应用提供了更好的鲁棒性的有益效果，解决了上述背景技术中所提到的如果只是使用单一的非线性刻度进行时频特征的提取，会在提取的过程中丢失重要信息以及残缺信息数据输入至训练网络模型，会大幅度降低网络学习有效的特征，从而造成模型不收敛和识别准确性下降的问题。
2、本发明提供如下技术方案：一种基于贝塞尔非线性变换刻度时序信号时频谱提取与识别算法，具体步骤如下：
3、s1、采集实际应用场景信号，将采集的信号存储到数据库中；
4、s2、对采集数据进行预处理，将原始数据进行去头去尾处理和裁剪处理，并将已处理完毕后的数据重新采样成一致的频率；
5、s3、根据应用场景的，对已预处理完毕后的数据进行归类，并放置信号在对应类别的文件夹下；
6、s4、时序信号特征提取，对数据集中的数据进行批量的短时傅里叶变换得到d(z,m)，创建bessel非线性变换滤波器组hp(k)，将bessel非线性变换滤波器组hp(k)作用于频域数据d(z,m)，得到l(z,p)，最后将得到的l(z,p)从频域再转换到时域，得到最终的bfcc结果；
7、s5、搭建dcnn模型，调整训练参数直至训练较好模型并保存；
8、s6、dcnn模型训练完成后，将其部署在服务器或者边缘设备上，对采集的数据先进行特征提取，后进行实时的分类。
9、作为本发明所述基于贝塞尔非线性变换刻度时序信号时频谱提取与识别算法的一种可选方案，其中：所述s3步骤中的短时傅里叶变化包括加窗计算和傅里叶变化计算，计算公式分别如下：
10、加窗公式：
11、傅里叶变换公式：
12、式中：n代表常数，1≤n≤400，z表示分帧后的第z帧，m表示频域中的第m条谱线，s表示对时序信号的每一帧都进行s维的快速傅里叶变换fft计算法进行计算，s的具体值由用户调整设置。
13、作为本发明所述基于贝塞尔非线性变换刻度时序信号时频谱提取与识别算法的一种可选方案，其中：所述s3步骤中的hp(k)通过下述公式计算获取：
14、
15、式中：f[p]为第p个bessel非线性变换滤波器的中心频率。
16、作为本发明所述基于贝塞尔非线性变换刻度时序信号时频谱提取与识别算法的一种可选方案，其中：所述第p个bessel非线性变换滤波器的中心频率f[p]，通过下述公式计算获取：
17、
18、式中：bessel为bessel曲线绘制的非线性刻度。
19、作为本发明所述基于贝塞尔非线性变换刻度时序信号时频谱提取与识别算法的一种可选方案，其中：所述bessel曲线绘制的非线性刻度，通过下述公式计算获取：
20、
21、式中：n代表控制贝塞尔曲线的节点数目，p代表第p个滤波器的序号。
22、作为本发明所述基于贝塞尔非线性变换刻度时序信号时频谱提取与识别算法的一种可选方案，其中：所述s4步骤中的l(z,p)以及bfcc分别通过下述公式计算获取：
23、
24、式中：m’为离散余弦变换后每一帧的谱线，p代表滤波器组的总个数，p为正数。
25、作为本发明所述基于贝塞尔非线性变换刻度时序信号时频谱提取与识别算法的一种可选方案，其中：所述s5步骤中的构建dcnn模型，模型具体包括：
26、序列输入层、第一卷积层、第二卷积层、非线性激活层、归一化层、丢弃层、全局池化层、全连接层、softmax层以及分类层。
27、作为本发明所述基于贝塞尔非线性变换刻度时序信号时频谱提取与识别算法的一种可选方案，其中：所述第一卷积层和第二卷积层的卷积核大小均设置为3，激活层的激活函数选择为relu函数，丢弃层的丢弃率设置为分别设置为0.3，0.3，0.2，分类数量设置为n对应被采集对象的不同状态，即状态1、状态2、状态3、...、状态n。
28、作为本发明所述基于贝塞尔非线性变换刻度时序信号时频谱提取与识别算法的一种可选方案，其中：bfcc网络模型的序列输入具体设置如下：
29、序列尺寸设置为64x18，经过卷积层进行特征提取，得到64个特征序列，然后进行非线性变换后随机丢弃30%的特征输入到下一个卷积层进行第二次特征提取得到128个特征序列，然后特征序列经过随机丢弃30%并经过全局平均池化降噪后输入到全连接层中进行特征分类，最后采用softmax函数作为模型收敛的回归算法。
30、作为本发明所述基于贝塞尔非线性变换刻度时序信号时频谱提取与识别算法的一种可选方案，其中：所述bfcc输入到搭建的网络模型中进行训练，具体方式如下：
31、训练数据集数据量为1200条，验证数据集数据量为300条，测试数据集数据量为200条。模型训练的批量大小设置为64，最大训练次数设置为100次，训练优化器选择为adams，学习率设置为0.001；
32、模型训练收敛后保存为mat格式的文件，进行部署时，将训练的模型加载，并将实时采集的时序信号输入到训练后的模型中进行实时信号分类。
33、本发明具备以下有益效果：
34、1、该基于贝塞尔非线性变换刻度时序信号时频谱提取与识别算法，通过s1~s6步骤，完成了针对序列信号输入的监测应用场景，改变了滤波器组的非线性特性，同时利用bessel曲线的灵活性，使得在本技术中非线性变换可以根据信号时频特征进行方便的调节，使得算法可以更加灵活的分布频谱分辨率。同时本技术采用dcnn分类方法可以更好的适应不同噪声的影响，使得本技术的算法更具有鲁棒性，同时更加符合监测对象的特性。
35、2、该基于贝塞尔非线性变换刻度时序信号时频谱提取与识别算法，通过加载训练后的模型，实现了对实时采集的时序信号进行即时分类的效果，深度学习模型的引入，更好地解决了复杂时序信号时频谱的特征提取和信号类别分类问题。
1.一种基于贝塞尔非线性变换刻度时序信号时频谱提取与识别算法，其特征在于：具体步骤如下：
2.根据权利要求1所述的基于贝塞尔非线性变换刻度时序信号时频谱提取与识别算法，其特征在于：所述s3步骤中的短时傅里叶变化包括加窗计算和傅里叶变化计算，计算公式分别如下：
3.根据权利要求1所述的基于贝塞尔非线性变换刻度时序信号时频谱提取与识别算法，其特征在于：所述s3步骤中的hp(k)通过下述公式计算获取：
4.根据权利要求3所述的基于贝塞尔非线性变换刻度时序信号时频谱提取与识别算法，其特征在于：所述第p个bessel非线性变换滤波器的中心频率f[p]，通过下述公式计算获取：
5.根据权利要求4所述的基于贝塞尔非线性变换刻度时序信号时频谱提取与识别算法，其特征在于：所述bessel曲线绘制的非线性刻度，通过下述公式计算获取：
6.根据权利要求1所述的基于贝塞尔非线性变换刻度时序信号时频谱提取与识别算法，其特征在于：所述s4步骤中的l(z,p)以及bfcc分别通过下述公式计算获取：
7.根据权利要求1所述的基于贝塞尔非线性变换刻度时序信号时频谱提取与识别算法，其特征在于：所述s5步骤中的构建dcnn模型，模型具体包括：
8.根据权利要求7所述的基于贝塞尔非线性变换刻度时序信号时频谱提取与识别算法，其特征在于：所述第一卷积层和第二卷积层的卷积核大小均设置为3，激活层的激活函数选择为relu函数，丢弃层的丢弃率设置为分别设置为0.3，0.3，0.2，分类数量设置为n对应被采集对象的不同状态，即状态1、状态2、状态3、...、状态n。
9.根据权利要求7所述的基于贝塞尔非线性变换刻度时序信号时频谱提取与识别算法，其特征在于：bfcc网络模型的序列输入具体设置如下：
10.根据权利要求1所述的基于贝塞尔非线性变换刻度时序信号时频谱提取与识别算法，其特征在于：s5步骤中bfcc输入到搭建的网络模型中进行训练，具体方式如下：
