基于PCA降维和优化核参数SVM的电能质量扰动分类

首先对采样信号用db4小波进行10层的多分辨分解,提取扰动信号各层能量与标准信号的能量差作为特征向量;然后用PCA对特征向量进行降维,取3维数据作为分类的特征向量,并将训练集采用交叉验证的方法自适应选择最优参数,并构造训练集模型;最后将测试集数据代入训练集模型进行分类测试.测试结果表明,在PCA降维后可以实现扰动的分类:分辨率高;抗噪能力强;适用于电能质量扰动的分类.     

熵特征在雷达信号分选中的应用

针对现有方法分选准确率不高和对噪声敏感的问题,应用信息熵特征实现了低信噪比条件下未知复杂雷达信号的高准确率分选.对接收到的雷达信号首先求得维格纳分布空间和双谱空间,然后对该空间进行子空间划分,在子空间分布概率下,求取雷达信号的信息熵特征构成二维特征向量,该特征向量反映了信号在这两种空间下的能量分布.最后对8种雷达辐射源信号进行了特征提取和分类仿真实验.实验结果表明所提取的特征参数在宽信噪比范围内均具有很好的分离性和稳定性,验证了该方法的有效性.     

基于指数变换时频图增强的FSK信号特征提取

为了区分信号的载波频率,提出一种基于指数变换的图像增强技术对频移键控(frequency-shift keying,FSK)信号进行时频二维特征提取的方法。该方法根据FSK信号的离散短时频分析,将时频图转化为时频二维灰度图,并进行图像增强处理;然后基于增强的时频二维灰度图,提取出特征参数角二阶矩(angular second moment,ASM)能量,用ASM能量曲线波峰来区分载波频率。在信噪比为10dB到30dB条件下,针对载波频率为3 MHz和3.5 MHz的2FSK信号,进行特征提取和性能仿真实验,实验结果表明,提出的方法可行,能够区分出信号的载波频率,且性能较稳定。     

经验模式分解及关联维数在心音信号分类识别中的应用

针对心音信号非线性、非平稳的特性,提出一种基于经验模式分解(EMD)和关联维数的心音特征提取方法.首先通过EMD方法将心音信号分解成若干个固有模态函数(IMF),并利用互相关系数准则对IMF进行筛选,结合G-P算法对主IMF(IMF1~IMF4)分量分别求其关联维数,以此作为神经网络的输入向量,实现了对正常心音信号和病理心音信号的分类识别.对于重构相空间中的两个重要参数时间延迟τ和关联维数m,分别采用互信息函数法和用Cao算法确定.对临床采集的心音数据按该方法进行测试,结果表明,该方法能有效地识别心音.     

基于提升小波变换的心音信号特征提取方法的研究

为了准确提取心音信号的病理性信息,提出了一种基于提升小波变换的改进的特征提取方法针对性地分析第一心音(S1)和第二心音（S2）及其时限并对不同心音信号进行分类。首先利用提升小波软阈值降噪法对不同心音信号作去噪预处理;然后利用提升小波时间熵法检测心音信号在不同时刻的分布情况,并提取其熵值;通过香农能量优化双阈值法提取心音包络信号及S1、S2时限;最后改进选取心率、S1和S2时限、心动周期、包络面积,熵值六个特征参数,并利用支持向量机算法（SVM）对不同心音信号进行分类。分析和仿真结果表明该算法对正常和心脏病患者的心音准确分类率达到98%,表明该算法能有效识别不同心音信号。     

基于振电结合的高压断路器特征提取及分类方法研究

为了对高压断路器操作机构的工作状态进行较准确的评估,提高高压断路器机构的运行稳定性,提出了一种基于振动信号与电流信号结合的高压断路器信号特征提取和分类方法。首先通过对高压断路器分合闸线圈电流信号和振动信号的机理分析,提出利用时间节点参数作为特征向量,然后采用曲线斜率方法提取电流信号时间参数,利用基于短时能量的双门限法提取振动事件的时间参数,将两者的参数作为模式识别的特征向量。最后通过支持向量机(Support Vector Machine, SVM)分类结果表明:线圈电流曲线与振动信号相结合能够准确而全面地反映操作机构的运行状况,利用SVM可以快速准确的判断操作机构的故障类型,对于断路器的故障诊断和检修维护具有重要的意义。     

两向2DLDA与SVM相结合的SAR图像识别

针对线性判决分析（LDA）用于图像特征提取时存在破坏二维空间结构、特征向量维数过大的缺点。二维线性判决分析（2DLDA）直接对图像矩阵进行运算,在一定程度上弥补了LDA的缺陷,但其实质是按行压缩图像矩阵进行特征提取,只消除了图像列的相关性,所提取的特征维数依然过大。为解决以上问题,本文采用两向2DLDA的方法,在行和列方向同时压缩图像矩阵进行特征提取。并结合支持向量机（SVM）进行分类识别,用MSTAR计划发布的实测合成孔径雷达（SAR）图像数据进行实验。结果表明,该方法在减少计算量的同时能达到较高的识别率。     

一种自适应加权的双向二维线性鉴别分析算法

二维线性鉴别分析是一种直接基于矩阵的特征提取方法,有效地提高了特征提取速度且避免了小样本问题,但是提取的特征向量维数高,不利于后期分类,而且获得的最佳投影矩阵只是来自于图像的列信息.另外,不同的样本在求取最佳投影矩阵时,所起的作用是不一样的,因此提出了一种自适应加权的双向二维线性鉴别分析算法,即是对图像矩阵顺序地进行水平和垂直2个方向的二维线性鉴别分析,自适应加权处理则是使不同的样本带有不同的权值,以提高样本在低维线性空间中的可分性.在ORL和Yale人脸库上的实验结果表明,改进的算法在降低了原算法提取的特征向量维数的同时,较原二维线性鉴别分析的识别性能有了较明显的改善.     

热释电红外信号人体运动特征识别

根据人体在热释电红外(PIR)探测器的检测区域内沿不同路径和不同方向运动时信号在时域及频域的分布特点,提出一种基于单只PIR探测器信号的人体运动特征识别方法。首先提取人体PIR信号的频谱和短时频谱能量特征;然后进行主元分析(PCA)特征降维,根据典型相关分析(CCA)进行特征融合;最后采用最小二乘支持向量机(LS-SVM)方法进行分类识别。实验以不同人体、不同运动方式的PIR探测器数据为研究对象。分析结果表明,提出的特征提取、特征融合及识别方法能有效地对人体运动特征进行识别。     

基于改进TESP算法的边防车辆类型声音识别

针对于将声音识别技术应用于边防车辆类型的自动识别,提出了一种改进的基于实时编码信号处理 (TESP) 算法的特征提取方法。具体方法是根据车辆声音信号的特点,提出一个包含40个字符的扩展符号表,根据符号表编码后产生的符号流构造一维S矩阵,同时以符号流中相同的连续两个符号出现的概率为参数构造二维A矩阵,得到更加精确的特征向量。然后,设计支持向量机(SVM)作为分类器对不同的车辆类型进行分类识别。仿真实验结果表明：与基于传统TESP算法的识别率(51%)相比,基于40字符符号表的一维S矩阵和二维A矩阵特征提取方法的平均识别率分别达到84%和87%。与传统的基于频域和时频域提取特征方法相比,该算法需要较少的运算能量和内存资源,识别速率快,识别准确率高。