样本熵

摘要： 为解决多元变分模态分解(MVMD)经验参数设置对分解结果的影响,提出一种新的自适应多元变分模态分解(AMVMD)方法并将其应用于轴承的故障诊断方面。首先,将最小平均包络熵(MAEE)作为适应度函数,采用灰狼算法(GWO)寻求MVMD参数的最优解,并按照最优参数对原始信号进行分解。然后,计算各本征模态分量(IMF分量)的样本熵和相关系数,选取最佳模态进行信号重构。最后,通过Teager能量算子(TEO)对重构信号进行解调,以增强微弱的瞬态冲击成分并识别特征频率。结果表明:将所提出的AMVMD与TEO相结合可以有效减少信号噪声,提取轴承的故障特征。

摘要： 为了实现工程机械结构监测信号降噪效果的评价,将样本熵的概念引入双树复小波分解中,提出基于双树复小波变换(dual-tree complex wavelet transform,简称DT-CWT)与样本熵(sample entropy,简称SE)相结合的监测信号自适应降噪方法(DT-CWT-SE)。首先,采用双树复小波变换对含有噪声的监测信号进行多层分解;其次,分别计算双树复小波分解所得的各尺度细节分量样本熵与相邻尺度细节分量的样本熵的差值,通过比较相邻各尺度样本熵之差的大小确定双树复小波最优分解层数;最后,根据各尺度样本熵的变化规律确定各层小波系数的降噪阈值,对降噪后的小波系数进行重构以实现信号自适应降噪。仿真分析与实验对比结果表明:该方法对监测信号去噪较彻底,且降噪后的信号失真度小,降噪效果以及保留原信号信息完整性的能力明显优于传统小波阈值降噪法。

摘要： 针对轴承早期微弱故障的预测问题,提出将样本熵和变分模态分解法结合的方法。首先计算主轴轴承振动信号的样本熵值,构成轴承健康状态时间序列;其次K从2~10分别取值,对轴承健康状态时间序列进行变分模态分解,得到不同的IMF分量,分别将不同K值分解下低频分量作为轴承振动信号的趋势项;最后根据互相关性、峭度、方差准则,找到最优的轴承振动信号的趋势项,并与已有指标对比。实例验证:将样本熵和变分模态分解法结合,提取轴承振动信号的趋势项,能够更早地预测出轴承早期微弱故障。

摘要： 由于脑电信号因人而异,传统的机器学习方法很难适用于每一个患者。为了解决上述问题,文中提出一种基于迁移学习的癫痫发作预测方法。以波士顿儿童医院癫痫脑电数据集作为实验数据,以6组不同频率区间的带通滤波作为预处理方法,用样本熵作为分类特征。使用迁移学习后的VGG19网络作为分类器来识别发作期的癫痫脑电信号。该方法的最长预测时间为41.30 min,平均预测时间为23.82 min,最高预测准确率为93%,平均预测准确率为86.4%。最低误报率为22%,平均误报率为34%。实验结果表明,该方法可很好地用于癫痫发作的预测。

摘要： 微型电机振动信号信噪比低,环境噪声复杂,对噪声信号进行有效去除是对其进行质量检测的关键步骤。针对传统小波降噪阈值函数连续性差、降噪效果不理想等问题,提出一种基于样本熵的改进小波阈值函数,能够根据信号混乱程度自动对阈值函数进行调节。仿真结果表明:在低信噪比环境下,基于样本熵的改进阈值函数降噪效果明显优于传统阈值函数和普通改进阈值函数,信号信噪比得到显著提升。对微型电机异音信号进行降噪处理和特征提取,结合SVM分类器进行训练测试,试验结果表明:改进的小波降噪算法能够有效去除电机信号环境噪声,提取有效的信号特征,对出厂电机性能优劣进行准确判断。该方法将为微型电机厂家大规模质量检测提供理论依据和支持。

摘要： 针对碳交易过程中碳价序列的非线性和非平稳性,提出一种基于多模式分解、样本熵、鲸鱼优化(whale optimization algorithm,WOA)和长短期记忆神经网络(long short-term memory,LSTM)的组合预测模型。首先,使用奇异谱分解、变分模态分解和完全集合经验模态分解,分别分解原始碳价序列,降低原始序列的复杂度和非平稳性,实现不同模式模态分量规律的互补;然后,使用样本熵算法将熵值接近分量重构为一个新的分量,以提高预测效率;最后,使用WOA-LSTM组合预测网络建立历史碳价之间的时间特征关系,在时空相关性分析的基础上得到碳价预测值。实验结果表明,该组合预测模型可以有效地提高碳交易价格的预测准确率。

摘要： 针对风速序列不平稳难以预测的问题,提出了一种混沌麻雀搜索算法(CSSA)优化最小二乘支持向量机(LSSVM)参数的短期风速预测混合模型。模型结合样本熵(SE)和具有自适应噪声改进的互补集成经验模态分解(ICEEMDAN)、变分模态分解(VMD)两阶段分解的数据预处理方法。首先,利用ICEEMDAN分解原始风速序列,且依据SE评估子序列的复杂程度,重构熵值近似的序列,VMD二次分解熵值最大的序列。然后对所有子序列分别建立LSSVM预测模型,同时CSSA对该模型参数优化以提高预测效率。最后将预测的各子序列叠加得到最终风速预测值。通过与经典模态分解等混合模型比较表明,所提基于优化算法的模型预测精度和收敛速度有明显提高。

摘要： 针对岩石声发射(AE)信号中包含的噪声分量难以有效滤除的问题,提出了一种变分模态分解(VMD)与样本熵(SE)相结合的AE信号去噪方法。首先,将含噪声的岩石声发射信号进行VMD分解,并获得一系列具有不同中心频率的固有模态函数(IMF);其次,计算各个IMF分量的样本熵,将其大于设定阈值的IMF分量视为噪声分量剔除并保留最优分量;最后,对最优IMF分量进行重构,进而获得降噪后的AE信号。利用改进VMD去噪与EMD去噪、小波阈值去噪方法对含噪声的岩石声发射信号进行去噪对比分析,结果表明:EMD去噪方法对噪声的滤除效果并不理想;小波阈值去噪方法虽然可以滤除信号中的噪声分量,但去噪后的信号波形出现畸变;改进的VMD去噪方法能够更好地滤除岩石声发射信号中的噪声分量,该方法有助于提取信号的时频特征及信号识别。

摘要： 为解决在复杂电磁环境中雷达辐射源个体识别准确率低的问题,提出基于参数优化VMD和LightGBM的雷达辐射源个体识别技术。首先对雷达辐射源的无意特征进行分析,仿真添加了相位噪声作为雷达辐射源的指纹特征;其次利用麻雀搜索算法(SSA)对变分模态分解(VMD)的分解参数进行自动寻优,准确快速地得到最优分解参数组合为[2,2950];然后基于最优VMD分解参数对辐射源信号提取能量熵与样本熵作为特征向量;最后将特征向量送入LightGBM分类器完成辐射源个体识别。通过实测数据的验证,信噪比在25 dB时识别率能够达到85%以上,具有较为理想的识别结果。

摘要： 针对滚动轴承故障特征提取不丰富而导致的诊断识别率低的情况,提出了基于参数优化变分模态分解(Variational mode decomposition,VMD)和样本熵的特征提取方法,采用支持向量机(Support vector machine,SVM)进行故障识别.VMD方法的分解效果受限于分解个数和惩罚因子的选取,本文分析了这两个影响参数选取的不规律性,采用遗传变异粒子群算法进行参数优化,利用参数优化的VMD方法处理故障信号.样本熵在衡量滚动轴承振动信号的复杂度时,得到的熵值并不总是和信号的复杂度相关,故结合滚动轴承的故障机理,提出基于滚动轴承故障机理的样本熵,此样本熵衡量振动信号的复杂度与机理分析的结果一致.仿真实验表明,利用本文提出的特征提取方法,滚动轴承的故障诊断准确率有明显的提高.

摘要： 基于CODE提供的2011-2013年全球电离层TEC数据,利用样本熵分析了全球电离层TEC复杂度的时空变化特征.首先,获得的样本熵地图的纬度维表明,TEC复杂度随纬度的升高而升高,并不是通常认为的低纬度地区电离层变化比中纬度更复杂;其次,将电离层TEC样本熵纬度维的重心位置按照时间展开,重心所在的半球位置与太阳直射点的半球位置表现出正相关特性;最后,进行频谱分析发现有明显的年变化和季节变化分量,表明电离层TEC复杂度的时空变化具有明显的年变化和Lloyd季节变化特点.

摘要： 针对齿轮振动信号的非线性和非平稳性,采用ITD-样本熵方法来进行故障的特征提取.首先用ITD分解方法把原始信号分解成一系列PR分量.因为PR1和PR2分量和原始信号的相关系数远高于其他分量,因此最能反映信息的真实状态,然后计算PR1和PR2分量的样本熵.齿轮不同故障状态的PR旋转分量的样本熵大小不同,有迹可循.实验结果显示ITD-样本熵相对ITD-近似熵,其运算时间缩短两倍多,表明ITD-样本熵是一种有效的故障特征提取方法.

摘要： 目的:研究一种刺激下肢跖屈肌和背屈肌最大化改善患者下肢肌肉收缩的功能性电刺激方法.方法:首先采用Matlab软件处理、分析小腿各肌肉在测试条件下的工作状态,然后使用样本熵分析选择的胫骨前肌、比目鱼肌肌肉收缩时间,确定每块目标肌肉样本熵分析的阈值和滑动窗尺寸,然后将基于肌肉收缩时间触发的下肢交替性运动算法在具有存储模块的微电子肌电桥硬件平台上实现,并进行系统功能测试.结果:基于肌肉活动起始时间触发的下肢运动功能重建算法可以实现下肢交替性运动.结论:初步验证了肌肉活动收缩时间触发的电刺激能够实现下肢踝关节交替性运动.

摘要： 结合经验模态分解和样本熵分析方法,本文对上证综合指数、深圳成份指数和道琼斯指数的18年日收盘时间序列进行了多尺度复杂性分析.研究结果表明:(1)股票时间序列EMD 分解后时间尺度越短的内模函数样本熵值越高,序列越复杂.(2) 对比不同股票市场,发达股票市场的各阶模态的样本熵总体大于我国股票市场相应各阶模态的样本熵值,表明发达股票市场的复杂度要大于我国股票市场的复杂度,市场更为成熟.(3) 国内股票市场各阶模态的样本熵值随时间变化逐渐增大,表现为一个发展成熟过程.(4) 在对数收益率情况下,道琼斯指数的熵值总体呈下降趋势,而国内的上证综指和深证成指的熵值却在宏观调控的影响下稳定增加.

摘要： 为了提高思维脑电信号识别率的正确性,本文提出了基于小波包和样本熵的思维脑电信号分类方法.该方法首先对脑电信号进行小波包分解,然后计算相关时间和频段的能量,将样本熵和相关时间和频段的能量作为特征向量,使用BP神经网络对大脑想象左右手运动进行分类.研究结果表明,相关时间和频段的能量和样本熵作为特征在思维作业脑电信号的分类中取得了较好的应用效果,为BCI系统中思维任务的特征提取与分类识别提供了新思路和新方法.

摘要： 本文首次用样本熵的理论研究了心电图的ST段,将心电图ST段样本熵分析结果和ECG样本熵分析结果进行比较.我们发现了健康人心电图ST段的样本熵值最小、冠心病人的样本熵值升高,而健康人心电图的样本熵值最高、冠心病人的样本熵值降低,并给出合理的解释。

摘要： 从信号处理的角度给出了样本熵(SampEn)的定义,算法和应用.通过实例说明样本熵比近似熵更具相对一致性.样本熵比近似熵更符合理论性.适用于分析脑电等生物信号.

摘要： 为提高目标识别准确率,以一定数量样本的四类水声目标信号为研究对象,分别提取近似熵、样本熵、模糊熵三种非线性特征作为K近邻分类器(KNN)和支持向量机(SVM)的输入特征.分类结果表明,近似熵和样本熵只能有效区分部分目标类型,而模糊熵特征对于四类目标类型的平均识别率达到了98.55％,验证了模糊熵可作为区分文中四类水声信号的有效特征.

摘要： 配电开关的振动信号包含有丰富的开关机械状态信息,可以通过合理有效的方法提取振动信号特征量,作为配电开关机械状态诊断的依据.根据数据采集的功能需求,设计了基于LabVIEW的振动信号采集装置软硬件.利用经验模态分解(empirical mide decomposition,EMD)对振动信号进行时频分解,提取分解所得固有模态分量(intrinsic mode function,IMF)的样本熵作为特征量,最后通过模糊C-均值聚类(fuzzy C-means,FCM)进行机械状态诊断.通过实验,采集并分析了正常状态和典型故障状态下的配电开关振动信号,验证了基于振动信号分析的配电开关机械状态诊断系统的准确性和有效性.

摘要： 本申请涉及生物信息学分析领域，具体提供一种基于样本SNP熵值的混合样本鉴定方法和系统，该方法和系统不需分析SNP分型，直接根据SNP位点各碱基深度情况计算熵值；本申请具有不局限于样本混合比例以及不局限于位点MAF值等优势。

摘要： 本发明提出了一种基于可控最大熵自编码器的零样本语音风格迁移方法，其中，方法包括：构建标签为说话人的语音数据集；构建可控熵风格特征提取分类网络，利用语音数据集语音及其标签对该网络参数进行优化；构建无标注语音数据集；构建可控最大熵语音风格迁移自编码器网络，利用无标注语音数据集语音对该网络参数进行优化；引入源语音以及目标语音，利用可控最大熵语音风格迁移自编码器网络对源语音以及目标语音进行风格迁移，将风格迁移后语音样本的梅尔谱图通过频谱逆变器转换为风格迁移之后的语音片段。本发明的技术方案，训练简单，易于收敛，实现了风格特征和内容特征的解耦，可以解决零样本、少样本、多语言的语音风格迁移任务。

摘要： 本申请涉及生物信息学分析领域，具体提供一种基于样本SNP熵值的混合样本鉴定方法和系统，该方法和系统不需分析SNP分型，直接根据SNP位点各碱基深度情况计算熵值；本申请具有不局限于样本混合比例以及不局限于位点MAF值等优势。

摘要： 本发明公开了一种基于多区间运动曲线样本熵的减速顶物联网故障预警方法。第一，本发明通过NB‑IOT组网技术将普通减速顶设计成物联网感知层的节点，实现对减速顶运动曲线的监测、存储、处理和联网转发。第二，本发明通过部署云端数据库实现减速顶各节点数据的批量化存储和应用，将采集到的数据加入时间戳，采用分时上传技术避免网络信道拥堵。第三，本发明通过北向应用层与云端数据库实现数据交互，通过构造标准周期曲线、计算多区间运动曲线的样本熵系数来评价减速顶的健康状态。本发明基于物联网技术和样本熵原理构建减速顶健康管理平台，实现对减速顶健康状态的动态监测和数字化评估，能有效降低调车事故，具有广泛的应用前景。

摘要： 本发明公开了一种基于优化的多维样本熵的癫痫发作信号检测方法。在这项研究中，本发明采用多维样本熵作为特征来区分癫痫发作状态和正常状态，并对其进行了优化，提高了计算效率。此外，通过结合多维样本熵征提取和Bi‑LSTM，开发了一种新的预测方法来预测癫痫发作。结果表明，该方法取得了良好的表现，可预测5分钟后脑电的多维样本熵，准确率高达80.09％，误报率为0.26/h。本研究的结果表明，所提出的预测方案更适合于实际癫痫发作预测。

摘要： 一种基于样本熵的新能源电力系统优化调度方法，属于电力系统中新能源电力系统优化调度领域。本发明首先，针对新能源、风电及光伏，进行出力预测；新能源与传统负荷形成净负荷。其次，对净负荷序列进行特性分析，并划分子序列，计算相应样本熵。最后，基于样本熵对净负荷子序列进行复杂度评估，根据反映复杂度的样本熵值进行电源角色调整，传统的电源对净负荷的波动性进行灵活追踪。本发明针对电力系统中新能源并网问题，提出使高比例新能源能源优先上网与传统负荷形成净负荷，避免出现弃风弃光现象；针对净负荷曲线的波动程度，调整火电机组出力状态和区间，最小化火电机组波动，最大化可再生能源利用效率及系统经济效益。

摘要： 一种近似熵和样本熵共同最优参数m、r确定的新方法，包括：步骤一：设定时间序列的近似熵和样本熵的参数m和r的不同情景；步骤二：计算不同参数m和r情景的近似熵和样本熵值。步骤三：确定某时间序列不同参数m的近似熵和样本熵的共同最优参数r；步骤四：基于相关系数及其绝对值之和的大小确定适用于所有时间序列的近似熵和样本熵的共同最优参数m、r。该方法保障了两种不同的复杂性测度结果的一致性，从理论上解决了不同的m和r参数导致的近似熵和样本熵值的非一致性问题；该方法简单易操作，计算效率高，计算成果更准确、更科学，既适用于单一研究对象、也适用于多研究对象的情况，有重要的理论意义和实用价值，应用前景广阔。

摘要： 本发明公开基于VMD参数优化、样本熵的断路器故障电弧检测方法，包括如下步骤：S1、收集故障线路的电弧电流信号，利用该信号的实际电气特性确定小波基函数和相应的分解层次N，再根据已有的标准熵，计算出信号的最佳小波包分解树；S2、利用VMD方法对断路器故障电弧电流进行分解，并对所分解的电弧电流参数进行参数优化；S3、计算经步骤S2分解得到的各模态分量的样本熵SE，并将得到的故障电弧信号特征向量输入到SVM进行训练和测试，从而达到智能低压断路器故障电弧识别的目的。该方法通过参数优化后的VMD算法对信号特征进行提取，效果更好，将计算样本熵SE所得到的特征向量输入到SVM进行故障电弧识别有更高的准确度。

摘要： 本发明公开了一种基于相对样本熵的海面小目标特征检测方法，包括以下步骤：获取CUT观测向量；计算多普勒谱；获得白化频谱；提取样本熵；获得相对样本熵；检测判决，判断出CUT中是否存在目标。本发明在频域定义白化频谱，增大海杂波和含目标回波之间在频谱上的差异性；改进样本熵算法，提取相对样本熵作为一种高效的单特征，融合了频谱在能量和几何方面的多元信息；通过此发明可以解决性能提升和计算量降低的矛盾问题，提高了低信杂比条件下海面小目标的检测概率。

摘要： 本发明公开了一种基于脑电样本熵的针刺脑卒中康复评估方法，包括如下步骤：S1、采集信号，分阶段采集接受针刺治疗和未接受针刺治疗的脑卒中患者脑电信号；S2、脑电信号预处理；S3、计算样本熵，计算完成预处理的脑电信号的脑电样本熵；S4、康复评估，对比分析样本熵得到针刺对脑卒中患者大脑神经元活跃度得影响。该方法使用样本熵，很好的弥补了近似熵具有自匹配偏差的缺陷，除了能够消除偏差外，计算效率也得到了极大提升。这种基于脑电样本熵的针刺脑卒中康复评估方法为患者的康复治疗提供了新的视角，为进一步探索康复过程中的神经功能评价方法提供了依据。