数据融合应用于通信信号调制样式识别

对通信信号的频域、时域特征进行了提取,介绍了利用决策树识别其调制样式的方法。针对决策树缺点,提出了基于模糊理论和D-S证据理论对不同参数的可信度进行融合的方法,并给出了利用数据融合算法进行调制样式识别的仿真结果。     

光纤振动信号特征提取及线性分类方法

在光纤预警系统(OFPS)中产生的入侵事件主要分 为有害入侵和无害入侵。目前对于这两类扰动常规 的特征提取方法通常是采用时域分析,但是对于不同有害入侵事件其时域特征区分不明显, 因此时域处理 不能更好体现它们之间的细节差别。通过对有害入侵信号的频谱进行统计研究发现,不同信 号的频谱分布 存在较为明显的差异性,因此本文将入侵信号变换到频域并借鉴声信号的处理方法,提出了 一种基于能量 占比特征的有害入侵事件识别算法。对采集到的振动信号进行预处理并计算功率谱密度(PSD ),计算各信号 不同频段的能量占比,并将其作为信号分类识别的特征。之后将能量占比特征作为样本送入 分类器进行 OFPS振动信号识别。在分类器的选择上,本文采用线性判别分析(LDA)分类器对信号进行识 别,LDA能 最大限度的保持原始数据信息,并有效区分振动信号。通过实验结果表明该算法在OFPS 振 动信号的识别 研究中提高了有害入侵信号的识别率,从而验证了本算法的可行性,同时有效减少了识别时 间。     

分布式光纤振动传感信号识别的研究

为了能够更好地识别入侵振动信号,通过研究分布式光纤振动传感器及振动信号的识别技术,根据振动信号的特点,借鉴语音信号的处理方法,对比原有基于快速傅里叶变换频谱分析算法,引入了基于Mel频率倒谱系数的识别算法。新算法从频域的角度对振动信号进行分析,提取不同环境状态下的Mel频率倒谱系数,并将其作为新的特征参量。通过实验对比分析两种算法,两者的误报率分别为27.5%和7.5%。结果表明,基于Mel频率倒谱系数的算法相比基于快速傅里叶变换的频谱分析算法,在误报率上可以降低20%甚至更多,在不漏报的前提下,显然误报率更低的基于Mel频率倒谱系数的算法更加适用于安防体系。     

基于随机森林的雷达信号脉内调制识别

针对雷达信号脉内调制识别算法存在着准确率低的问题,提出一种新的雷达脉内调制类型自动识别方法,该方法首先提取雷达信号时频图像的形状特征和纹理特征构成融合特征,然后将融合特征输入随机森林分类器,实现信号的分类识别.仿真实验中对8种常见的不同调制类型的雷达信号进行识别,提出的算法在信噪比为-2 dB时识别准确率可以达到90％以上,验证了该方法的有效性.     

基于LSTM网络和特征融合的通信干扰识别

针对现有通信干扰信号识别方法识别效果不佳的问题,提出了一种基于长短时记忆网络(Long Short-Term Memory,LSTM)和特征融合的通信干扰识别方法.该方法利用LSTM网络提取干扰信号的特征,通过LSTM强大的序列特征提取能力提升干扰信号特征提取的性能;通过提取信号的时域和频域特征后进行特征融合,使用全连...     

基于BP信号识别的光纤油气管道监测系统

介绍了一种基于BP神经网络信号识别算法的分布式光纤管道安全预警系统,利用提取的现场振动信号时域、频域短时和长时特征,对基于BP神经网络分类器模型进行训练,模型实现了对人工挖掘和机械挖掘的智能分辨。其中BP分类器模型的最大误报率为3.3 %,平均误报率为1 %,最大漏报率为3.2 %,平均漏报率为1 %。将该BP模型应用在不同时长的现场信号识别测试中,实现了最低为5 %的漏报率,因此BP信号识别算法能够实现对管线入侵信号的有效识别及分类,提升传感系统可靠性。     

一种基于语音频谱的基频和共振峰提取算法

基音频率和共振峰频率的提取在语音编码、语音合成和语音识别中有着广泛的应用。通过深入分析语音信号的时域和频域性质,针对语音信号幅度谱的特征设计了一种有效的基频和共振峰提取算法。并对实际语音信号进行参数提取测试,实验结果证明了这种算法能够准确提取不同讲话者和录音条件下的语音信号的基频与共振峰频率。     

地面运动目标振动信号的特性分析与目标识别

地面目标振动信号的特征提取是进行目标识别技术的关键,针对人员行走、车辆行驶等地面目标运动时产生的振动信号,首先进行实验测试建立包含反映目标属性特征信息的信号样本数据库,然后通过过零数分析方法得到信号的时域特征,实现了单人与车辆的目标识别,最后采用Welch谱分析法对信号进行了频域分析并实现了单人与多人的目标识别。实验表明这两种方法简便、易实现,有较好的识别效果。     

基于信噪比分类网络的调制信号分类识别算法

针对传统降噪算法损伤高信噪比(SNR)信号而造成信号识别准确率下降的问题,该文提出基于卷积神经网络的信噪比分类算法,该算法利用卷积神经网络对信号进行特征提取,用固定K均值(FK-means)算法对提取的特征进行聚类处理,准确分类高低信噪比信号。低信噪比信号采用改进的中值滤波算法降噪,改进的中值滤波算法在传统中值滤波的基础上增加了前后采样窗口的关联性机制,来改善传统中值滤波算法处理连续噪声效果不佳的问题。为充分提取信号的空间特征和时间特征,该文提出卷积神经网络和长短时记忆网络并联的卷积长短时(P-CL)网络,利用卷积神经网络和长短时记忆网络分别提取信号的空间特征与时间特征,并进行特征融合与分类。实验表明,该文提出的调制信号分类模型识别准确率为91%,相比于卷积长短时(CNN-LSTM)网络提高了6%。     

分离通道联合卷积神经网络的自动调制识别

针对通信信号的自动调制识别需要大量特征提取的问题,提出了一种分离通道卷积神经网络自动调制识别算法。该算法通过结合深度学习中卷积神经网络(CNN),分别提取时域信号的多通道和分离通道调制特征,再利用融合特征实现不同信号的分类。仿真结果表明,相比基于CNN的算法,所提算法在高信噪比下针对两个数据集的识别率分别提升7%和18%;此外,相比于基于特征提取的传统识别算法,其高阶调制识别性能平均提升3 dB。     

基于时频图像和高次频谱特征的雷达信号识别

针对低信噪比下雷达信号识别准确率较低的问题,提出了一种基于时频图像和高次频谱特征联合的雷达信号识别算法。该算法首先对信号采用Choi-Williams分布(Choi-Williams distribution,CWD)变换获取时频图像,接着对时频图预处理并用灰度共生矩阵(gray level co-occurrence matrix,GLCM)提取纹理特征;然后利用对称Holder系数提取信号的高次频谱特征;再将纹理特征和高次频谱特征构成一组联合特征向量,最后通过支持向量机(support vector machine,SVM)实现雷达信号的分类识别。通过对8种典型雷达信号进行实验,结果表明本算法在信噪比为-8 dB时,不同信号的识别准确率能达到90%以上。     

B细胞免疫的卷积神经网络级联故障诊断

针对故障诊断中特征提取不充分和复杂性,对未知故障无法学习,诊断模型自适应能力差的问题,提出一种B细胞免疫卷积神经网络的级联故障诊断模型。在检测阶段用并行的卷积神经网络对时间窗内振动信号的时域波形和频域波形分别进行特征提取,通过分类器对故障进行识别,对诊断结果进行可靠性评估;然后根据评估结果决定后续免疫过程;在遇见未知故障类型时,把卷积神经网络提取到的特征映射为抗原,通过B细胞算法对抗原进行学习,把生成的新检测器放入未知故障知识库中,完成未知故障的学习和识别。文中采用美国凯斯西储大学公布的轴承数据集,实验结果表明,提出的B细胞免疫卷积神经网络对已知故障识别准确率高于基于特征提取的相关技术,其检测准确率提高了4.86%左右,而且能够很好地学习和识别未知故障,自适应动态变化的环境。     

间歇采样转发干扰多域识别融合算法

针对间歇采样转发干扰识别问题,提出一种多域识别融合算法.首先分析了真实目标回波和间歇采样干扰(直接转发、重复转发、循环转发)4类信号在时域、频域和分数阶域的内部差异,并对各域进行奇异谱分析(SSA),得出的SSA结果可作为区分信号差异的依据;其次构造时、频、分数阶域3个基分类器,提取4类信号时、频、分数阶域奇异谱峰度与斜度作为基分类器的特征因子进行训练验证;最后联合后验概率和局部可信度构造基本概率赋值函数,对各基分类器识别结果进行DS融合判决.仿真结果表明,融合识别方法能够平衡各基分类器识别结果,当SNR为0 dB、JSR大于5 dB时,平均识别率超过95％.     

基于局部均值分解和K近邻算法的滚动轴承故障诊断方法

将局部均值分解(LMD)和K近邻(KNN)算法结合起来对滚动轴承进行了故障诊断。首先,将LMD应用在轴承振动信号的分解,故障信息被包含在不同的PF分量中,对每个PF分量从时域和频域两个方面进行特征值提取。针对获得的高维特征向量进行PCA降维,最后在低维空间里,基于KNN算法,实现样本状态分类。实验结果表明,不同故障类型的滚动轴承样本均能被正确诊断。     

用于MP3音频压缩的水印嵌入技术研究

MP3已经成为数字音频的主流压缩编码。该文从实验出发探讨了MP3编解码对时域和频域两方面影响,基于此提出了一种MP3编解码的水印算法:针对时域变化采用载体信号和重采样划分来实现嵌入与提取同步,通过量化相邻子帧低频能量比来嵌入信息以消除频域失真。并基于嵌入帧平均信噪比和提取准确率估计给出了该算法的参数参考值。实验证明该算法不仅能够用于抗低码率低采样高压缩比的MP3编解码,且具有良好的不可感知性和嵌入容量,同时还进行了AAC编解码测试。     

基于通道融合的调制信号识别方法

针对现有调制方式识别存在的计算量大、网络模型复杂、识别准确率低等问题,文中提出一种基于通道融合的新型调制方式识别方法。该方法由双流卷积神经网络模块和GRU神经网络模块构成,其中双流卷积神经网络为两条并联的深度可分离卷积子网络,分别提取信号不同尺度下的空间特征,同时添加短路连接来增加特征传递与重用。将两通道提取到的特征在通道维度上进行融合,进而形成更为丰富的融合特征。将融合特征输入至GRU神经网络模块中提取信号的时序特征,提取的互补信息可使网络学习到更加全面的信号特征,从而提高调制方式识别的精度。在数据集RadioML2016.10a上进行实验,实验结果表明,所提方法的网络性能优于其他神经网络算法,信噪比在0 dB以上时识别率可达到90.8%,能够有效提高自动调制识别的准确率。     

复杂电磁环境下基于信号时频图像的调制识别

为解决调制识别研究中较少考虑到不同信号的特征之间联系性的问题,搭建了卷积神经网络(CNN)来提取信号的彩色时频图对应的特征,并利用时频变换的分析方法,将一维信号处理成彩色时频图,通过卷积神经网络架构提取图像特征;同时为了提升算法在低信噪比下的分类识别准确率,对时频图像的纹理特征进行了特征提取,将提取到的纹理特征与卷积神经网络中提取到的特征进行特征融合。仿真实验结果表明,采用的时频卷积神经网络(TF–CNN)和TF–Resnet网络框架能够达到高精确度信号自动调制识别分类的目的。     

基于多尺度特征融合的φ-OTDR系统相似信号识别方法

为解决分布式相位敏感光时域反射计系统现有事件识别方法对于相似振动信号识别困难这一问题,提出了一种基于多尺度特征融合的相似信号识别方法。在该方法中,原始信号首先通过经验模态分解和小波包分解被分解为不同频率范围内的子信号。随后,分别提取原始信号和子信号的时频特征和近似熵特征,并利用主成分分析法对所提取的特征进行融合。最后,通过构建一个6层轻量反向传播（BP）神经网络分类器,训练分类模型并利用测试集验证模型分类度。该方法对小车经过和行走等相似信号的识别准确率可分别达到98.5%和98.0%,对于敲击和摇晃差异性大的信号的识别准确率可达100%。相比于直接从原始信号中提取特征并结合时频图的卷积神经网络方式,所提方法的综合识别准确率分别提高了8.4%与9.0%,相似信号的识别准确率分别提高了13.5%与12.4%。结果表明,该方法在保证差异性大的信号的高识别准确率的基础上,显著提高了相似信号的识别准确率,对于拓展分布式光纤传感的应用范围有重要的价值。     

色彩感知中的脑电信号多域特征选择算法研究

针对目前在不同色彩感知中的脑电信号识别方面的研究还不多见,本文提出采用随机森林算法对信号的时域特征和频域特征进行最优组合的方法对不同色彩感知中的脑电信号进行识别。首先采用小波变换,对脑电信号进行7层分解,提取脑电信号在delta、theta、alpha和beta节律频带上的小波能量,并结合脑电信号在时域上的统计量偏度和峰度组成特征向量。然后通过基于随机森林的特征选择算法提取最优的特征组合方案,删除冗余的特征量。使用自适应增强算法进行分类识别,识别的平均正确率可达到85.07%。该结果表明使用本文所提出的特征提取与选择方法用于不同色彩感知中的脑电信号识别上是可行的,并且能够取得较好的识别率。      

基于多模态特征融合网络的空时分组码识别算法

针对现有算法在空时分组码（Space-Time Block Code,STBC）识别过程中存在的低信噪比下误判概率高、识别效率低等问题，本文提出了一种基于多模态特征融合网络（Multi-Modality Features Fusion Network,MMFFN）的空时分组码自动识别方法 .首先，在合并卷积层将STBC时域样本映射为一维特征向量的基础上，采用多扩张率下的扩张卷积提取非连续时间窗的STBC码内特征，实现多时延特征自提取；然后，构建多时序特征自提取模块以提取码间时序特征，进一步扩展映射特征类型；最后，将多时延拼接层获取的最大时延特征作为深层融合特征，并增加了带跨越连接的残差层以提升融合特征利用率，实现空时分组码识别.仿真实验结果表明，本文算法在-9dB下对6类STBC信号的识别准确率达到了90%以上，较现有识别算法的性能获得了显著提升，对低信噪比有较强的适应性.本文提出的STBC多时延特征提取和融合方法，为结合传统算法设计深度学习网络结构提供了新思路，其思想同样可应用于其他通信信号识别领域.