Feature extraction is an important part of signal processing, which is significant for signal detection, classification, and recognition. The nonlinear dynamic analysis method can extract the nonlinear characteristics of signals and is widely used in different fields. Reverse dispersion entropy (RDE) proposed by us recently, as a nonlinear dynamic analysis method, has the advantages of fast computing speed and strong anti-noise ability, which is more suitable for measuring the complexity of signal than traditional permutation entropy (PE) and dispersion entropy (DE). Empirical wavelet transform (EWT), based on the theory of wavelet analysis, can decompose a complex non-stationary signal into a number of empirical wavelet functions (EWFs) with compact support set spectrum, which has better decomposition performance than empirical mode decomposition (EMD) and its improved algorithms. Considering the advantages of RDE and EWT, on the one hand, we introduce EWT into the field of underwater acoustic signal processing and fault diagnosis to improve the signal decomposition accuracy; on the other hand, we use RDE as the features of EWFs to improve the signal separability and stability. Finally, we propose a novel signal feature extraction technology based on EWT and RDE in this paper. Experimental results show that the proposed feature extraction technology can effectively extract the complexity features of actual signals. Moreover, it also has higher distinguishing ability for different types of signals than five latest feature extraction technologies.

特征提取是信号处理的重要组成部分，对信号的检测、分类和识别具有重要意义。非线性动力学分析方法可以提取信号的非线性特征，被广泛应用于不同领域。我们最近提出的反向色散熵（RDE）作为一种非线性动态分析方法，具有计算速度快、抗噪能力强的优点，比传统的置换熵（PE）更适合测量信号的复杂度和色散熵 (DE)。经验小波变换（EWT）基于小波分析理论，可以将复杂的非平稳信号分解为多个支持集谱紧凑的经验小波函数（EWF），它比经验模式分解（EMD）及其改进算法具有更好的分解性能。考虑到RDE和EWT的优势，一方面，我们将EWT引入水声信号处理和故障诊断领域，以提高信号分解精度；另一方面，我们使用 RDE 作为 EWFs 的特征来提高信号的可分离性和稳定性。最后，本文提出了一种基于 EWT 和 RDE 的新型信号特征提取技术。实验结果表明，所提出的特征提取技术能够有效地提取实际信号的复杂性特征。此外，它对不同类型信号的区分能力也比五种最新的特征提取技术更高。考虑到RDE和EWT的优势，一方面，我们将EWT引入水声信号处理和故障诊断领域，以提高信号分解精度；另一方面，我们使用 RDE 作为 EWFs 的特征来提高信号的可分离性和稳定性。最后，本文提出了一种基于 EWT 和 RDE 的新型信号特征提取技术。实验结果表明，所提出的特征提取技术能够有效地提取实际信号的复杂性特征。此外，它对不同类型信号的区分能力也比五种最新的特征提取技术更高。考虑到RDE和EWT的优势，一方面，我们将EWT引入水声信号处理和故障诊断领域，以提高信号分解精度；另一方面，我们使用 RDE 作为 EWFs 的特征来提高信号的可分离性和稳定性。最后，本文提出了一种基于 EWT 和 RDE 的新型信号特征提取技术。实验结果表明，所提出的特征提取技术能够有效地提取实际信号的复杂性特征。此外，它对不同类型信号的区分能力也比五种最新的特征提取技术更高。我们使用 RDE 作为 EWFs 的特征来提高信号的可分离性和稳定性。最后，本文提出了一种基于 EWT 和 RDE 的新型信号特征提取技术。实验结果表明，所提出的特征提取技术能够有效地提取实际信号的复杂性特征。此外，它对不同类型信号的区分能力也比五种最新的特征提取技术更高。我们使用 RDE 作为 EWFs 的特征来提高信号的可分离性和稳定性。最后，本文提出了一种基于 EWT 和 RDE 的新型信号特征提取技术。实验结果表明，所提出的特征提取技术能够有效地提取实际信号的复杂性特征。此外，它对不同类型信号的区分能力也比五种最新的特征提取技术更高。