噪声对信号混沌特性的影响研究与分析

基于Lorenz混沌系统模型,用小数据量方法计算研究了噪声对信号混沌特性的影响.通过对不同信噪比下的混沌吸引子及相关参数仿真结果进行深入对比分析与研究,得出结论:噪声强度增加,时间延迟减小,嵌入维数增加,Lyapunov指数波动变大,信号混沌特性变弱,混沌系统的可预测时间减小,使混沌信号重构更困难.对抑制混沌信号噪声方...     

基于EMD分形维数的轧机主传动系统故障诊断方法研究

提出了一种基于EMD分解和分形维数的轧机主传动系统故障诊断方法.利用EMD方法对轧机主传动系统的振动信号进行分解,得到若干个基本模式分量,进一步求出包含主要故障信息的几个IMF分量的关联维数并计算它们的均方根值,作为判断轧机的故障状态和类别的特征量.实验分析表明,此方法达到了去除噪声的效果,同时增大了故障类别标准的判别距离,从而可以有效地判断轧机主传动系统系统的故障状态和故障类型.     

自适应高阶非线性FIR滤波预测器的最优输入维数

基于相空间重构理论,用条件概率确定了用于混沌预测的一种自适应高阶非线性预测滤波器的最优输入维数Nopt.理论分析和实验研究表明这种自适应高阶非线性预测滤波器的最优输入维数小于或等于混沌时间序列的最小嵌入维数,且与混沌时间序列的关联维数D2的关系为No.大于D2的最小正整数.     

基于分形理论的CUWB频谱感知方法

针对超宽带频带内授权信号类型确定的特点,为了弥补盒维数检测不能够有效识别信号类型的缺点,提出通过进一步提取信息维数特征对信号调制样式进行识别,该方法融合了盒维数检测和信息维数检测的优点进行合作判决。仿真表明基于信号分形理论的频谱感知能够取得较好的检测效果,且该方法运算复杂度低,对噪声不敏感,能够有效区别噪声与授权信号,抵御模拟授权用户攻击,检测效果优于循环谱检测和能量检测。     

一种改进的混沌序列去噪方法

针对混沌时间序列的噪声平滑,分析了其信噪比与关联维数的关系,并结合局部投影方法的邻域选取问题,提出了一种改进的去噪方法。该方法对于含有噪声的混沌信号选定一个邻域半径值,计算去噪后序列的关联维数,确定该选定的邻域半径值是否准确并进行调整,最终找到合适值并进行多次局部投影去噪,从而得到去噪后的纯净序列。用改进后的方法对含噪声的Lorenz序列和对股市序列进行对比预测仿真,仿真结果表明该方法能够有效地选取邻域半径,进而改善局部投影方法的去噪效果,取得更好的预测效果。     

基于关联维数的高压电机定子绕组局部放电信号模式识别

提出了利用分形理论对高压电机定子绕组局部放电信号进行处理的方法,得到局部放电信号的关联维数,并将其作为特征参量对几种典型的局部放电信号进行模式识别。局部放电信号是非线性、非平稳随机信号。因此采用非线性理论中的分形理论对其进行分析,即计算关联维数。考虑到相空间重构中嵌入维数和时间延迟对关联维数精度的影响,采用联合算法确定2个参数。仿真结果表明,关联维数用于局部放电信号模式识别是行之有效的。     

混沌时间序列的Volterra自适应预测滤波器定阶

由于Volterra自适应滤波器的阶数对预测性能有较大的影响,在实际预测中,如何确定Volterra自适应滤波器的最优阶数就成为一个关键问题,该文运用相空间重构理论,推导出了Volterra自适应滤波器的最优阶数等于混沌动力系统的最小嵌入维数,作者用六种混沌时间序列进行实验,结果表明这种定阶方法在混沌时间序列Volterra自适应预测中非常成功,该方法对噪声影响的变化,表现出较好的鲁棒性。     

一种新的语音增强方法研究

在研究语音分形维数的基础上，提出一种新的基于分形理论的语音信号增强方法。该方法根据带噪语音信号及子波重构之后的分形维数不同，对语音信号的模糊控制参数和分形维数取不同的线性关系，既抑制了噪声，又减少了语音段的信息的损失，提高了信噪比，有广阔的应用前景。     

含噪声混沌信号的小波去噪方法研究

基于混沌信号具有分形结构的特点，提出了一种分数维与小波变换相结合的带观测噪声混沌信号的噪声去除新方法，利用噪声小波变换特性提取信号的真实分数维，进而根据欲处理混沌时间序列分数维与信号真实分数维之差控制小波包除噪的阈值及位置，达到噪声与信号的自适应分离。该方法克服了以往对未知动力系统方程信号除噪的盲目性，仿真结果表明此法有效可行。     

基于分形维数的语音信息隐藏方法

通过研究语音信号分形维数的特点,提出一种在语音信号小波变换低频系数的DCT域实现信息隐藏的方法,该方法首先对原始语音进行一级小波分解,计算高频系数的分形维数,在对应帧的低频系数中嵌入秘密信息。秘密信息的嵌入位置和个数利用小波变换高频系数的分形维数决定,嵌入和提取采用查量化表的方法。仿真结果表明,该算法具有较好的鲁棒性和嵌入效率。     

冲击噪声背景下基于KPCA和C-SVM的频谱检测算法

针对背景噪声是冲击噪声,且在低信噪比中,二级用户检测性能低的问题,提出了核主成分分析(Kernel PrincipalComponent Analysis,KPCA)和C-支持向量机(Support Vector Machine,SVM)的频谱检测方法.提取接收信号的循环谱特征,核主成分分析对信号特征进行降维,提取出信号的主要非线性特征,再结合C-SVM对接收信号进行分类.仿真结果表明,在冲击噪声背景下,低信噪比中,与PCA-SVM、SVM算法进行比较,所提算法能够提高次级用户的检测性能.     

一种新的基于混沌的语音、噪声判别方法

语音通信中,区别发音段和非发音段具有一定的意义。其关键在于提取发音段和非发音段的不同特征参数。本文基于混沌信号处理,提出了一种新的语音、噪声判别方法。该方法提取信号在不同相空间重构维下的虚邻点,从而根据信号高维虚邻点平台的不同,判别发音段和非发音段（背景噪声）以及发音段所含噪声的强弱,本文阐述了该方法的原理,讨论了其性能,仿真实验表明,本方法具有较好的结果。     

Semi-supervised Robust Feature Selection with eq-Norm Graph for Multiclass Classification

Flexible manifold embedding (FME) is a semi-supervised dimension reduction framework.It has been extended into feature selection by using different loss functions and sparse regularization methods.However,these kind of methods used the quadratic form of graph embedding,thus the results are sensitive to noise and outliers.In this paper,we propose a general semi-supervised feature selection model that optimizes an eq-norm of FME to decrease the noise sensitivity.Compare to the fixed parameter model,the eq-norm graph brings flexibility to balance the manifold smoothness and the sensitivity to noise by tuning its parameter.We present an efficient iterative algorithm to solve the proposed eq-norm graph embedding based semi-supervised feature selection problem,and offer a rigorous convergence analysis.Experiments performed on typical image and speech emotion datasets demonstrate that our method is effective for the multiclass classification task,and outperforms the related state-of-the-art methods.     

基于Gabor小波和LLE的掌纹识别

为了更好地提取掌纹图像的非线性特征,文中提出一种基于Gabor小波变换和局部线性嵌入的掌纹识别算法。通过提取ROI进行光照和滤波预处理,之后进行Gabor小波变换,提取掌纹图像的多尺度特征,利用非线性的LLE算法提取主元,用最近邻方法进行分类。通过PolyU掌纹库进行验证,比较了预处理、不同ROI提取方法、LLE算法的参数对识别率的影响。实验表明,此方法相比于传统的线性降维算法以及单独的LLE算法在识别率上均有所提高。     

SELECTION OF PROPER EMBEDDING DIMENSION IN PHASE SPACE RECONSTRUCTION OF SPEECH SIGNALS

In phase space reconstruction of time series, the selection of embedding dimension is important. Based on the idea of checking the behavior of near neighbors in the reconstruction dimension, a new method to determine proper minimum embedding dimension is constructed. This method has a sound theoretical basis and can lead to good result. It can indicate the noise level in the data to be reconstructed, and estimate the reconstruction quality. It is applied to speech signal reconstruction and the generic embedding dimension of speech signals is deduced.     

语音信号相空间重构中嵌人维数的选择

嵌入维是时间序列相空间重构中的基本参数。本文基于增大重构维以减少虚邻点的思想,构造了一种求合适最小嵌入维的方法。文章详细讨论了本方法的原理,给出了具体的算法构造,分析了算法性能,比较了本方法与已有同类方法的不同。用本方法,除可得到适合的最小嵌入维外,还可评估重构数据中所含的噪声强弱。并得到重构质量评价。将本方法应用于语音信号相空间重构,得到了语音信号一般情况下的嵌入维数。     

Speech Denoising via Low‐Rank and Sparse Matrix Decomposition

In this letter, we propose an unsupervised framework for speech noise reduction based on the recent development of low‐rank and sparse matrix decomposition. The proposed framework directly separates the speech signal from noisy speech by decomposing the noisy speech spectrogram into three submatrices: the noise structure matrix, the clean speech structure matrix, and the residual noise matrix. Evaluations on the Noisex‐92 dataset show that the proposed method achieves a signal‐to‐distortion ratio approximately 2.48 dB and 3.23 dB higher than that of the robust principal component analysis method and the non‐negative matrix factorization method, respectively, when the input SNR is ?5 dB.     

Anomaly Detection for Hyperspectral Images Based on Robust Locally Linear Embedding

In this paper, anomaly detection in hyperspectral images is investigated using robust locally linear embedding (RLLE) for dimensionality reduction in conjunction with the RX anomaly detector. The new RX-RLLE method is implemented for large images by subdividing the original image and applying the RX-RLLE operations to each subset. Moreover, from the kernel view of LLE, it is demonstrated that the RX-RLLE is equivalent to introducing a locally linear embedding (LLE) kernel into the kernel RX (KRX) algorithm. Experimental results indicate that the RX-RLLE has good anomaly detection performance and that RLLE has superior performance to LLE and principal component analysis (PCA) for dimensionality reduction in the application of anomaly detection.     

基于近邻消息传递的自适应局部线性嵌入

针对局部线性嵌入(LLE)降维算法中邻域参数的人工设定及其全局性的缺陷,研究了聚类和降维的内在联系,提出了邻域参数的自适应选取策略,构建了一种聚类和降维的自适应局部线性嵌入(ALLE)算法,为每个样本点设计最佳的近邻搜索空间,自适应选取邻近点计算权值重建矩阵,基于类信息重新定义了重构误差函数。实验表明,新算法更能体现出数学上流形概念的局部坐标化本质,对不相关数据、冗余数据和噪声数据具有良好的鲁棒性,在实际识别问题中体现出优越的性能。     

基于线性和非线性算法的高效人脸识别系统

文中提出了一种基于外观的线性和非线性人脸识别方法,所用的线性算法有主成分分析(PCA)和线性判别分析(LDA)。两种非线性方法分别是核主成分分析(KPCA)及核费希尔分析(KFA),线性降维投影方法基于二阶相依性编码模式信息,非线性方法用于处理三个或更多像素之间的关系。首先通过Gabor对图片进行预处理,然后采用线性、非线性分析进行降维。通过马哈利诺比斯-余弦(Mahcos)度量用于定义两幅图像通过相应的降维技术后的相似性度量。实验表明,当与Gabor小波一同使用时,LDA和KFA的性能最高,分别为CMC和ROC结果的93.33%。通过对AT&T数据库400幅图像的综合分析,发现线性和非线性算法的性能受图像分类数目、图像预处理及识别测试集的人脸图像数目的影响。