逐渐逼近法特征识别算法

背景

​ 某次试验含有97传感器需要从中识别某个突变信号。这些传感器可能包含多种传感器以及一些异常传感器（输出一堆无效异常号）。实验要求识别精度较高这里对应用的逐步逼近法特征识别算法做个简单介绍。

实现过程

• 前期准备

  • 查看所有传感器信号图像 （这里列举一部分 含有一部分信号良好的传感器 也含有一部分信号几乎无法有效识别的传感器）
    
    
    
    
    
    
    
    

• 统计所有突变信号位置

  • 经过对所有传感器信号数据的观察定义突变信号为峰值点（为了兼顾实现难度以及普适性）–极大值或极小值 记录所有传感器的极大值极小值点的位置数据，并将这些数据叠加在一个信号内（结果见下图）
  • 采用这种方法可以很好的整合所有传感器数据。每个传感器都推举两个特征点，如果某些点或某个区域被多个传感器推举为特征点则这个点或这个区域即为特征点或特征区域。
    

• 高斯滤波

  • 上图统计了所有传感器的峰值信号点的位置 可以从图中明显的看出有一些峰值，有部分集中区域。为了滤除异常信号以及突出特征信号（小概率下某个点贡献值较高但周围无贡献点 可能是异常数据需要滤掉）这里采用高斯滤波法。由于数据跨度较大（示例数据28W条）这里高斯选用一个跨度为1W的高斯核。用该高斯核对上图做卷积操作得到下图
    

    总结

    优点

• 从上图中可以看出采用逐步逼近法可以很好的整合所有传感器数据，突出特征区域。避免了采用单个传感器的容错率低，采用多个传感器特征信号凌乱的特性。

  缺点

• 从上图可以看出特征区域集中在一个较大的区域（为了保证最终的特征点（1条数据或10条数据）肯定集中在特征区域内这里选用的高斯核较大 同时特征区域也较大（集中在1W的区域内））精度不是很高

• 比较耗时（由于高斯核较大 需要经过28W*1W次加法操作极其耗时 若减小高斯核的跨度可提升性能 但会影响准确度）