舒彬

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。……