基于光纤传感的入侵检测信号提取与识别算法

基于分布式光纤传感的地埋式入侵检测系统由于其无源、传输距离远、抗电磁干扰等特征,引起了人们的关注,并得到初步应用。系统中光纤传感信息的正确提取和事件识别是系统的关键性指标之一。文中提出了一种入侵信号的提取与识别算法。使用基于Hilbert变换的信号包络线提取,结合数学形态学上的腐蚀和膨胀运算思想,实现入侵信号片段的分割;采用小波阈值收缩方法,结合平移时不变算法实现入侵信号片段除噪;使用基于＂小波包-能量＂的方法提取信号特征;分别采用基于BP和RBF的人工神经网络实现对光纤信号分类。仿真实验验证了算法的有效性。     

基于大数据分析的低频电磁信号光纤传感检测装置设计

为了提高低频电磁信号光纤传感检测能力,提出一种基于大数据分析的低频电磁信号光纤传感检测装置,采用光纤传感器进行低频电磁信号采集,构建低频电磁信号的时频特征分析模型,提取光纤传感检测的低频电磁信号谱特征量,采用大数据融合方法进行光纤传感检测的低频电磁信号谱特征融合,构建光纤传感检测的低频电磁信号时频分解模型,采用快速分数阶傅里叶变换实现低频电磁信号光纤传感检测和噪声分离,结合盲源检测结果,提高对低频电磁信号的光纤传感检测能力。仿真结果表明,采用该方法进行低频电磁信号光纤传感检测的准确性较高,联合感知能力较强,信号的主瓣展宽较高,说明检测的抗干扰性较好。     

基于光纤传感网络的变截面复合材料低速冲击定位

为了检测复杂复合材料结构的冲击内部损伤位置,构建了基于光纤传感网络的变截面复合材料板低速冲击监测系统。采用可检测结构应变场的光纤光栅传感器,在恒温下监测并分析了变截面复合材料板的冲击响应信号,利用经验模态分解方法提取冲击信号频谱特征,通过自回归模型将频谱特征量建模,最后利用样本信号与待测信号之间的马氏距离判定冲击信号位置。实验结果表明基于光纤光栅传感网络、经验模态分解和自回归模型的变截面复合材料板低速冲击定位方法可行且最大相对误差为4.27%。     

引入偏移量递阶控制的网络入侵HHT检测算法

在强干扰背景低信噪比下对网络潜质入侵信号的准确检测是决定网络安全的关键。传统的Hilbert-Huang变换(HHT)入侵信号检测算法在求解入侵信号的瞬时频率特征时,因包络线失真引起的边界控制误差,会造成频谱泄漏,从而导致检测性能较差。提出了一种基于时间-频率联合分布特征和偏移量递阶控制HHT匹配的网络入侵信号检测算法,即构建网络潜质入侵数学演化模型,把复杂的入侵信号分解成IMF单频信号,得到入侵检测系统的状态转移方程,基于Hilbert变换对入侵信号进行离散解析化处理,构建入侵信号解析模型。对每个入侵信号经验模态分解后的解析模型IMF分量用Hilbert变换进行谱分析,通过递阶控制调整HHT频谱偏移,将残差信号投影与入侵信号的Hilbert边际谱进行匹配,减小包络线失真引起的边界控制误差,抑制频谱泄漏,实现对入侵信号的精确检测和参数估计。实验表明,该算法进行网络入侵信号检测时,具有较强的抗干扰性,能从低信噪比背景下有效检测出入侵信号,检测性能有较大提高。     

基于区块链技术的无线传感网络入侵检测算法

无线传感网络易受信号强弱、网络装置和传感器性能等问题的干扰，导致网络入侵事件频发。由于异常节点特征维度较高，入侵检测的准确率较差，为此提出基于区块链技术的无线传感网络入侵检测算法。首先利用区块链中的监测机制采集无线传感网络中的异常节点，其次采取主成分分析法提取异常节点的特征。然后建立以信任值计算、更新、分发为主的信任模型，将提取的特征输入到模型中，最后输出信任值，完成无线传感网络入侵的检测。仿真结果显示，所提方法的检测时间短、准确率高、误报率低。     

无线通信网络入侵信号特征自动提取模型研究

针对特征提取精准性不佳的问题，提出无线通信网络入侵信号特征自动提取模型。本文优化聚类入侵信号，定位分离入侵小信号，构建过滤模型，处理损失能量。结合新增加时间、信号衰减特征量分段处理信号，并依次标记子段序号。然后，根据小波变换确定分解层数，计算层次相对衰减率，提取复合特征向量。通过Hilbert变换提取预处理信号的包络，构建特征自动提取模型。实验结果表明模型剪网入侵信号电压波动范围为[-0.5 V-3 V]，攀爬入侵信号电压波动范围为[-4.8 V-4.8 V]，与实际情况一致，使用该方法提取结果精准。     

矿井瓦斯监测数据消噪方法

针对矿井瓦斯监测数据采用小波消噪容易剔除有效信号成分的问题,提出了一种基于希尔伯特-黄变换的矿井瓦斯监测数据消噪方法。该方法将原始瓦斯监测数据序列通过经验模态分解处理成若干固有模态函数分量的集合,进而通过Hilbert变换得到边际谱,依据原始瓦斯监测数据序列与各固有模态函数分量边际谱中的幅频关系来分析二者的相关性,确定噪声信号序列并剔除。实例分析表明,通过经验模态分解处理使得瓦斯监测数据序列在时间尺度上特征明显,易于识别信号的高频噪声部分,通过Hilbert谱分析,可消除瓦斯监测数据序列中的高频噪声信号,并保留原始瓦斯监测数据的本征特征,在实现消噪处理的同时避免信号失真,保持了瓦斯监测数据的真实性。     

基于HHT倒谱系数的说话人识别算法

针对LPCC只反应语音静态特征且不能突出其低频局部特征问题,提出一种以HHT倒谱系数为特征的说话人识别算法,HHT的经验模态分解使语音的低频局部特征得到更好的描述,Hilbert变换能够刻画语音动态特性,改进了LPCC的不足。用经验模态分解将语音分解为一系列固有模态函数分量并做Hilbert变换求得Hilbert边际谱,计算总边际谱的对数功率谱并做DCT得13维倒谱系数,将此特征送入高斯混合模型进行说话人识别。仿真实验结果表明,基于HHT倒谱系数的说话人识别算法,相较LPCC识别率提高了12.59%,但特征提取时间增加了19.27 s。     

基于自适应卷积滤波的网络近邻入侵检测算法

深度无线传感组合网络中的近邻路由节点入侵具有载荷快速变化性,难以对新出现的攻击类型和网络异常行为进行有效识别,因此提出一种基于自适应卷积滤波的网络近邻入侵检测算法。在深度无线传感组合网络的传输信道中进行网络流量采集,构建网络入侵信号模型,在时间和频率上分析网络入侵信号的能量密度和攻击强度等特征信息,构建自适应卷积滤波器进行网络传输信息的盲源滤波和异常特征提取;采用联合时频分析方法进行网络近邻入侵特征信息的频谱参量估计,根据频谱特征的异常分布状态进行无线传感组合网络近邻入侵检测。仿真实验结果表明,采用该方法进行网络入侵检测的准确率较高,对未知的网络流量样本序列具有较高的识别能力和泛化能力,且所提算法优于传统的HHT检测算法、能量管理检测方法。     

基于SVD优化EMD的电梯导靴振动信号故障 特征提取

针对电梯导靴振动信号采用经验模态分解(Empirical Mode Decomposition,EMD)难以直接提取早期微弱故障特征的问题,提出基于奇异值分解(Singular Value Decomposition,SVD)优化经验模态分解的电梯导靴振动信号故障特征提取方法。该方法首先对原始信号进行SVD分解,通过奇异值贡献率原则来确定相空间重组的最佳Hankel矩阵结构,利用曲率谱原则与奇异值贡献率原则相结合来确定有效奇异值的阶次;筛选出包含主要故障信息的奇异值进行信号重构,得到剔除噪声信号与光滑信号的突变信号;然后对突变信号进行EMD分解,得到信号的本征模态函数(Intrinsic Mode Function,IMF)分量。最后,对IMF分量作Hilbert变换,求得其Hilbert边际谱,从而获得电梯导靴故障特征频率信息。仿真结果表明该方法有效改善了EMD难以直接提取早期微弱故障特征的问题,更准确地提取了振动信号的故障特征频率,验证了所述方法的有效性。     

Hilbert-Huang变换的鼾音信号谱分析

在分析Hilbert-Huang 变换算法的基础上,利用此变换对打鼾者的鼾音信号进行了分析。通过经验模态分解把鼾音信号分解为一系列固有模态函数,并分析了各固有模态的频率特征,对各模态的生物学意义进行了描述。对固有模态函数进行了Hilbert变换,建立了鼾音信号的Hilbert谱和边际谱。结果表明Hilbert比小波变换所建立的时频分布具有更好的时频分辨率,解决了时间分辨率和频率分辨率互相影响的问题;从实际看边际谱比傅里叶谱有更准确的物理意义。Hilbert 谱和边际谱为脉搏信号的特征提取和模式识别提供了可靠的依据。     

基于自相关能量算子解调的轴承故障诊断方法

针对轴承早期故障特征淹没在噪声信号中难以提取的问题,提出了基于自相关能量算子解调的故障诊断方法。首先,对实测信号进行自相关变换处理,抑制信号中的噪声成分;其次,用能量算子解调法对信号的自相关函数进行解调,提取故障特征。通过实测信号分析、与Hilbert解调法的相比,表明所提方法的有效性和优越性。     

基于改进HHT的脉搏信号分析方法

利用传统希尔伯特-黄变换(HHT)处理脉搏信号时,经验模态分解(EMD)分解精度低,并且存在模态混叠问题。为此,提出一种改进的HHT方法。结合时变滤波(TVF)对脉搏信号进行EMD得到一系列本征模态函数(IMF),采用相关系数法提取有效的IMF分量,并对其运用希尔伯特变换得到脉搏信号的Hilbert谱和边际谱。实验结果表明,该方法可提高分解精度,有效解决模态混叠问题,同时去除信号中的干扰成分,得到的Hilbert谱和边际谱能够准确反映脉搏信号的时频特性。     

基于门限联合判别的同质网络入侵检测仿真

动态同质网络在路由转发控制中节点分布具有动态性,容易受到病毒入侵,提出基于上下门限联合判别的动态同质网络入侵检测算法。以时间均值和谱密度为网络入侵检测的统计特征量,采用宽平稳随机序列分析方法构建网络入侵的统计信号分析模型,对入侵信号采用相关性检测和同态匹配滤波方法进行降噪和盲源分离处理,结合极速学习方法进行动态同质网络的入侵特征量提取,采用上下门限联合判别方法实现动态同质网络的入侵检测。仿真结果表明,采用该方法进行动态同质网络的入侵检测的准确性较高,抗干扰能力较强,对入侵信息的准确检测概率提升效果显著。     

基于HHT的汽车动态称重数据分析方法

将希尔伯特-黄变换（Hilbert—huang transform，HHT）引入到汽车动态称重数据的分析中，针对动态称重信号的特点运用了极值延拓法来抑制边界效应，提出了利用经验模分解（Empirical mode decomposition，EMD）剩余分量的平均值求汽车动态称重真实轴重的方法，并将该方法与滤波法进行比较；进一步求出信号的Hilbert边际谱，将其与傅里叶幅值谱进行比较。实验结果表明Hilbert边际谱准确地反映了汽车通过称重台时振动系统的频率分布情况，汽车自振频率由此求出；当汽车通过台板的时间大于车辆振动的基频周期时，用该方法处理汽车动态称重信号能得到较理想的结果，车速≤15km／h时最大误差为5．63％。     

基于全矢Hilbert时域边际谱的轴承诊断

为实现有效的故障诊断,提出一种基于全矢希尔伯特(Hilbert)时域边际谱的轴承诊断方法,对使用中的滚动轴承进行故障诊断及预警。通过采集运转中滚动轴承的同源双通道振动信号,采用经验模态分解(EMD)和Hilbert变换对同源双通道的振动信号进行处理,把非平稳振动信号分解为一系列固有模态函数(IMF)和信号的Hilbert谱;再对Hilbert谱进行积分,得到能够体现信号时域特征的时域边际谱;结合全矢谱技术对其进行同源双通道的信息融合,最终得到滚动轴承振动信号的全矢HHT时域边际谱。该方法可以避免由于传统单通道信息采集可能发生的信息遗漏而导致的对故障诊断的漏判和误判,从而提高诊断的准确性和可靠性。在国家轴承质量监督检验中心滚动轴承全周期疲劳寿命试验机上,对滚动轴承外圈故障进行试验。结果表明,与传统的Hilbert边际谱相比,该方法能够更有效地识别外圈剥落、内圈剥落等局部损伤类故障的部位和类型,可以在工程应用上实践、推广。     

考虑基带噪声干扰的光纤传感通信信号隐匿传输方法

光纤传感通信技术是以光波为载体,利用光纤传播信息的通信方式。但在隐匿传输过程中易受信号强度、基带噪声、传感器性能等因素的影响,导致信号数值波动大、传输精度低。因此,提出考虑基带噪声干扰的光纤传感通信信号隐匿传输方法。采用局域波分解技术剔除信号中的基带噪声,根据压缩感知技术对信号实行一层压缩处理,利用随机投影算法实现信号的二层压缩与重构,并通过计算信号的传送数据向量与接收数据向量,完成光纤传感通信信号的隐匿传输。仿真结果表明,所提方法的序列估计误差最小值为0.17,引入噪声后的信号序列相关峰均比高达89dB,误码率控制在0.5%,安全容量始终高于2.7bit/s,匿名度为0.62,具有较好的隐匿传输效果。     

局域网恶意代码入侵过程的痕迹数据监测仿真

当前方法在监测局域网恶意代码入侵过程的痕迹数据时,由于受提取的数据特征数目影响导致监测准确率和监测率不高。提出基于人工生物免疫的局域网恶意代码入侵痕迹数据监测方法,采用加权处理的信息增益特征提取方法提取局域网恶意代码入侵过程的痕迹数据信息增益和特征频率。将提取的数据特征编码后存储在云空间中,通过模拟人工生物免疫过程,生成局域网恶意代码入侵痕迹数据特征监测装置集合,通过调节克隆系数和增加柯西变异步长因子对监测装置集合做优化处理生成新的监测装置,利用该装置和加权评分法判断局域网未知数据样本的恶意系数,根据其与恶意系数阈值大小判定样本中是否含有恶意代码入侵痕迹数据。实验结果表明,所提方法具有较高的监测准确率和监测率,且在提取特征数目小于800个时监测效果最佳。     

基于MED和边际谱的自动倾斜器轴承故障诊断

针对直升机自动倾斜器轴承早期微弱故障特征易被强烈背景噪声淹没的问题，提出了一种基于最小熵反褶积（Minimum Entropy Deconvolution，MED）和边际谱的自动倾斜器轴承故障诊断方法。采用MED对采集的振动信号进行滤波降噪，提高了信号的信噪比，突出了轴承早期微弱故障特征；通过Hilbert变换和经验模态分解（Empirical Mode Decomposition，EMD）获取去噪包络信号的本征模态函数（Intrinsic Mode Functions，IMF）集，并引入峭度筛选准则选取合理IMF集计算局部Hilbert边际谱，有效地提取了故障特征频率，能够通过故障特征频率进行故障类型判别。通过某型直升机自动倾斜器故障诊断试验系统验证了该诊断方法的合理性和可行性。     

HHT方法在人体下肢表面肌电信号分析中的应用

针对表面肌电信号是非线性非稳态信号的特点,为了得到信号的有效特征并对信号特征进行有效分析,采用HHT(Hilbert-Huang Transformation)分析方法,通过经验模态分解将信号分解为一组内蕴模态函数。基于各内蕴模态函数的频率特征的分析,对它们进行HHT变换建立表面肌电信号的时间-频率-能量三维Hilbert谱,进而得到信号的边际谱。文中给出基于经验模态分解阈值消噪方法,和小波阈值方法相比,其消噪效果明显,在抑制噪声的同时,能够较好保留信号边缘和细节信息。初步实验表明HHT方法为表面肌电信号的特征提取和模式识别提供了可靠的依据,具有很好的应用前景。