基于多小波熵和信号熵的植物电信号特征提取
打开文本图片集
摘要：为了有效地对植物电信号进行分类，提出了一种基于多小波熵与信号自身熵的特征提取方法。小波熵由于结合了小波变换和信息熵理论的优势，能快速准确地提取植物电信号的特征，但由于植物电信号的非平稳性和多样性，依靠单一的小波熵可能出现分类困难和分类不准确等问题，结合多种小波熵和信号本身的熵信息进行了特征提取。该文以二类干旱胁迫下的君子兰叶片信号为对象，对它的特征向量进行提取，并且用KNN方法分类别。通过试验说明，此算法可以识别君子兰叶片的电信号，为植物电信号的识别提出了一种可行的新方法。
关键词：多小波熵；信号熵；植物电信号；特征提取；KNN分类
中图分类号：TP301.6 文献标识码：A 文章编号：1009-3044（2016）07-0178-03
Feature Extraction of Plant Electrical Signals Based on Multi-wavelet Entropy and Signal Entropy
SHU Bin
（ Department of Mathematics， Shaanxi Xue Qian Normal University ， Xi"an 710100， China）
Abstract： To solve the problem of diagnosis for plant electrical signals， a classification approach based on combining multi-wavelet entropy and signal entropy feature extraction is proposed. Wavelet entropy can pick up the signal characteristic quickly and exactly because it combines together the advantages of Wavelet Transform and Shannon Entropy； but signal identification based only on single wavelet entropy may cause difficult or inaccurate results because of the non-stationary and diversified plant electrical signals. Therefore， several different wavelet entropies and signal entropies are extracted as eigenvectors. The results prove that this diagnosis method can recognise the electric signals of the laminae of Clivia， so it is a feasible method for plant electrical signals diagnosis in quantification.
Key words： multi-wavelet entropy； signal entropy； plant electrical signals； feature extraction； KNN classification
植物电信号是与体内传送信息相关的重要植物生理信号。它的变化要比各种各样的生理及形态变化早很多[1-2]。破译更多些的生命信息就是研究植物电信号的意义所在。由于良好的时频局部化性质，因此小波变换分析不平稳时变信号很有优势，故将小波变换及信息熵原理相结合，就产生了各类小波熵[3]，它将小波变换在处理无规律信号中的优点及信息熵统计信号复杂程度的特性结合在一起，进而为不平稳时变信号的特征提取，提供了有利的条件[4]。
对植物电信号的特征文中采用多小波熵来提取，并且结合信号本身的信息熵，构造二类干旱胁迫下君子兰叶片信号的特征向量，采用KNN方法对特征值进行分类别，实验表明，此方法对植物电信号分类很有效。
1 信号熵特征的描述
熵可定义为：平均不确定性，它来自于信号的平均信息量及信源，可表达信号潜在的变化过程的有效信息。若是将信源看成物质系统，假如消息输出非常多，信源的不确定性及随机性则越来越大，很紊乱，熵也越来越大，因此信息熵可以衡量系统紊乱的程度 [5]。
1.1 定义信号时间熵
5 结论
文中研究了三种小波熵及定义的两种信号熵在植物电信号识别中的应用原理，提出了基于多小波熵和信号熵在特征提取中的应用方法，得出了以下结论：1） 结合小波变换、信息熵的原理，得出了各类小波熵的定义。在信号处理中融合三者的优势，为识别植物电信号的方法奠定了一定的基础。2）通过将小波熵及信号本身熵相结合，来提取特征向量，并采用了KNN分类方法，故而降低了分类结果的不稳定性，进一步提高了植物电信号可靠性的识别。
参考文献：
[1]Gurovich L， Hermosilla P.Electric signaling in fruit trees in response to water applications and light-darkness conditions [J]. J Plant Physiol 2009， 166：290–300.
[2]Xiaofei Yan， Zhongyi Wang， Lan Huang， Cheng Wang， Ruifeng Hou， Zhilong Xu， Xiaojun Qiao. Research progress on electrical signals in higher plants [J]. Progress in Natural Science， 2009， 19（5）： 531–541.
[3]Rosson O A， Blanco S， Yordanova J， et al. Wavelet entropy： a new tool for analysis of short duration brain electrical signals[J]. J Neurosci Meth， 2001， 105（1）： 65-75.
[4]曾庆虎， 刘冠军， 邱静. 基于小波相关特征尺度熵的预测特征信息提取方法研究[J]. 中国机械工程， 2008， 19 （10）： 1193-1196.
[5]Rezek IA，Roberts SJ.Stochastic Complexity Measures for Physiological signal Analysis[J].IEEE Trans Biomed Engin，1998，45（9）：1186-1191.