基于提升小波变换的MFCC在目标识别中的应用

水下环境噪声对被动声呐目标的分类识别影响显著,为了提高水声信号识别系统对环境噪声的鲁棒性,采用提升小波变换方法提取MFCC特征,对水下被动声呐目标进行分类和识别。仿真实验表明,与传统MFCC和小波变换的MFCC相比,在信噪比相近的情况下,提升小波变换方法提取MFCC具有识别率较高、对噪声鲁棒性较好的显著优点。     

增强辛几何模态分解和自组织自编码卷积网络的电机轴承工况识别

针对电机轴承振动信号特征提取与工况识别困难的问题,提出一种基于增强辛几何模态分解（ESGMD）和自组织自编码卷积网络（SOAECN）的电机轴承工况识别方法。在辛几何模态分解（SGMD）的基础上将电机轴承振动信号自适应分解为初始辛几何模态分量（ISGMCs）,并利用改进凝聚聚类算法对 ISGMCs 重新组合得到聚类辛几何模态分量（CSGMCs）;提出一种综合评价指标,利用此指标筛选能反映振动信号特征的 CSGMCs 分量并重构;结合卷积神经网络和小波自编码器,构造自编码卷积网络（AECN）,并在 AECN 基础上改进其损失函数且引入自组织策略,进而构造 SOAECN;将重构后的振动信号输入 SOAECN 进行自动特征提取与工况识别。实验结果表明：ESGMD?SOAECN 方法的工况识别率达到了 98.76%,自动特征提取能力和工况识别能力优于深度稀疏自动编码器、深度降噪自动编码器和深度信念网络等深度学习方法,可为电机轴承自动工况识别提供参考。     

基于小波变换的轮轨垂向力信号降噪

轮轨力应变信号在采集过程中,由于噪声干扰的存在,将严重影响所采集数据的准确性。针对轮轨力应变信号中存在的基线漂移和随机白噪声,提出基于小波变换的去噪方法:采用db 6小波基,根据小波多分辨率分析理论,以大尺度分解的逼近分量估计基线漂移成分,从而消除基线漂移;对于随机白噪声则是运用小波阈值去噪法,先根据离散有限序列的自相关函数确定小波分解的最优分解层数,然后采用最小最大阈值以及硬阈值函数,从而实现对白噪声的滤除。仿真与实测数据分析都表明该去噪法能达到比较理想的效果。     

基于多传感器数据融合的喷水推进泵空化分类识别

采用基于奇异值分解和人工神经网络的多传感器数据融合方法对喷水推进泵的空化状态进行了分类识别研究。首先利用基于奇异值分解的权值估计算法分别对水声信号和振动信号在时间上进行数据级融合,提取出各自的特征,然后将所有特征组合起来作为神经网络的输入,利用BP网络和RBF网络进行特征级融合和分类识别。分析结果表明：基于多传感器数据融合的分类识别结果优于单传感器分类识别结果;采用基于奇异值分解的数据融合方法后,分类识别率显著提高,对空化初生微弱特征的识别效果尤佳。     

基于EEMD的改进小波阈值算法在超声水表中的应用EI北大核心CSCD

针对超声水表在实际工作环境中容易受到噪声干扰从而导致计量精度下降的问题,提出了基于集合经验模态分解(EEMD)的改进小波阈值降噪算法。为了提高降噪效果,对小波阈值降噪算法进行了改进,构造了非线性阈值函数取代传统阈值函数,同时给出了一种分解尺度选择的方法。利用EEMD将流速信号分解为一系列的本征模态函数,通过改进小波阈值降噪算法对本征模态函数进行降噪处理,去除其中的噪声分量,为了验证该算法的适用性,将其与小波阈值降噪算法和时空滤波分析方法进行了比较。试验结果表明,以超声水表流速信号为降噪对象时,基于EEMD的改进小波阈值降噪算法具有较好的降噪效果。     

基于自适应小波特征提取一体化神经网络的空调电机振动噪声识别

正确识别空凋电机的噪声类型是改善其噪声效果的重要前提，采用一种集特征提取与识别于一体的神经网络来解决这种识别问题。此网络利用Mexican hat小波作为母小波，同时将基于小波变换的特征提取过程融人为神经网络的一部分，网络学习时可针对输入信号对小波尺度和平移参数进行自适应调整，以实现对信号特征信息的充分获取。给出了此网络的学习算法。利用这一网络对空调电机的三种噪声信号即电磁噪声、不平衡噪声、轴承噪声信号进行了学习和识别，结果表明，学习后的网络以很高的可靠性准确地识别出了电机的不同噪声类型。     

基于小波包分解和PCA-Attention-LSTM的舰船辐射噪声识别技术

为了改进舰船辐射噪声分类系统的性能,进一步提高识别准确率,文章提出了一种基于多特征的小波包分解在长短期记忆(LongShort-TermMemory,LSTM)网络中分类的方法。该方法首先通过小波包分解技术,分频段提取舰船辐射噪声的多种特征,将提取的特征利用主成分分析法(Principal Component Analysis, PCA)进行数据降维,通过添加注意力机制(Attention Mechanism)算法的LSTM网络,对辐射噪声结果分类,提高了学习效率和识别准确率。为了更精细地提取特征,分频段提取了舰船辐射噪声的时频域特征、小波变换特征和梅尔倒谱系数等特征,并将分频段与不分频段的特征、多特征与单一特征、不同信噪比间的算法性能进行对比。实验结果表明,基于小波包分解和PCA-Attention-LSTM的模型可以有效地提高舰船辐射噪声分类的性能,是一种可行的分类方法。     

基于自适应信号分解特征集成学习的电磁脉冲识别方法EI北大核心CSCD

为准确高效地识别核爆电磁脉冲(nuclear electromagnetic pulse,NEMP)和闪电电磁脉冲(lightning electromagnetic pulse,LEMP),提出一种基于自适应信号分解和集成学习的识别分类方法。首先,针对样本不均衡问题,利用数据扩增方法对数据集进行预处理;然后,采用希尔伯特-黄变换对NEMP和LEMP分别进行自适应信号分解;其次,对分解信号提取其在时域、频域和小波域的特征;最后,对提取特征采用集成学习算法进行识别分类。试验结果表明,该方法在实测数据上的准确率能够达到99.99%以上,LEMP信号的误报率低于万分之一。     

嵌入注意力机制的卷积神经网络水声目标识别

针对低信噪比水声目标单一特征识别率低,稳健性差的问题,提出一种基于注意力机制和多尺度残差卷积神经网络（Multi-scale Residual CNN with Attention,MR-CNN-A）进行特征融合的识别方法。该方法根据多尺度卷积核与特征图形成多分辨率分析关系,并以此通过注意力机制实现优势特征权值提取与融合,从而提高模型在文中水声数据集上提取目标噪声特征和分类识别的稳健性与抗噪能力。开展了4类舰船噪声和海洋环境噪声的识别试验、水下和水面自主式水下航行器的识别试验,以及不同信噪比条件下目标噪声的识别试验。结果表明：对于文中所涉及的水声目标噪声和人工高斯白噪声干扰,该网络模型识别正确率明显高于支持矢量机与简单卷积神经网络,且对高斯白噪声的抑制能力远强于支持矢量机与简单卷积神经网络,稳健性好,模型复杂度小。     

基于深度学习算法的正负性情绪识别研究

为探究感知正性情绪(高兴、惊奇、自豪、感动)和负性情绪(愤怒、悲伤、恐惧、厌恶)时,人体生理信号特征变化,并依此进行情感识别,设计了视频诱发情感的实验范式.利用多导生理仪同步采集人体脉搏和心电两种生理信号;采用中值滤波和小波去噪方法消除测量中的基线漂移和噪声干扰;通过差分阈值法进行峰值检测,提取心电和脉搏波特征;设计栈式自编码深度学习算法,利用神经网络分类器实现正负性情绪分类识别.基于心电信号特征或脉搏信号特征,4种正性情绪的平均识别正确率分别为83.16%和81.66%,4种负性情绪的平均识别率分别为90.33%和86.33%,4种正负性混合情绪的平均识别率分别达到87.86%和85.28%.结果表明:采用栈式自编码深度学习算法,基于脉搏和心电生理信号特征,均可以有效识别正负性情绪,并且心电特征相比脉搏特征在正负性情绪识别方面更优越,该方法可以应用于情感机器人的研究中.     

ia-PNCC: Noise Processing Method for Underwater Target Recognition Convolutional Neural Network

Underwater target recognition is a key technology for underwater acoustic countermeasure. How to classify and recognize underwater targets according to the noise information of underwater targets has been a hot topic in the field of underwater acoustic signals. In this paper, the deep learning model is applied to underwater target recognition. Improved anti-noise Power-Normalized Cepstral Coefficients (ia-PNCC) is proposed, based on PNCC applied to underwater noises. Multitaper and normalized Gammatone filter banks are applied to improve the anti-noise capacity. The method is combined with a convolutional neural network in order to recognize the underwater target. Experiment results show that the acoustic feature presented by ia-PNCC has lower noise and are well-suited to underwater target recognition using a convolutional neural network. Compared with the combination of convolutional neural network with single acoustic feature, such as MFCC (Mel-scale Frequency Cepstral Coefficients) or LPCC (Linear Prediction Cepstral Coefficients), the combination of the ia-PNCC with a convolutional neural network offers better accuracy for underwater target recognition.     

一种基于VGGish神经网络的水声目标识别方法

水声目标智能识别是水声装备智能化的重要组成部分,深度学习则是实现水声目标智能识别的重要技术手段之一。当前水声目标智能识别经常面临数据集较小带来的训练样本量不足的情况,针对小数据集识别中存在的因过拟合导致模型泛化能力不足,以及输入的水声信号二维谱图样式不统一的问题,文章提出了一种基于VGGish神经网络模型的水声目标识别方法。该方法以VGGish网络作为特征提取器,并在VGGish网络前部加入了信号预处理模块,同时设计了一种基于传统机器学习算法的联合分类器,通过以上措施解决了过拟合问题和二维谱图样式不统一问题。实验结果显示,该方法应用在ShipsEar数据集上得到了94.397%的识别准确率,高于传统预训练-微调法得到的最高90.977%的准确率,并且在相同条件下该方法的模型训练耗时仅为传统预训练-微调方法的0.5%左右,有效提高了识别准确率和模型训练速度。     

小波包分形与支持向量机在水声目标识别中的应用研究

水声目标分类识别是公认的水声信号处理难题,船舶辐射噪声是一种非线性非平稳信号,具有一定的混沌特性,更好地认识船舶辐射噪声的非线性性质,有助于更好地寻找有效的水声目标检测及识别算法。为了解决水声目标的分类识别问题,提出了利用小波包分形和支持向量机组合进行水声目标识别。利用小波包分解得到目标辐射噪声不同频带内信号分形维数作为特征矢量,并输入到支持向量机实现目标分类,实验结果表明,小波包分形和支持向量机的结合有比较好的分类识别效果,有一定的实际应用价值。     

基于小波包时频图特征和卷积神经网络的水声信号分类

水下声信号分类是水声学研究的一个重要方向。一个有效的特征提取和分类决策方法对水声信号分类技术至关重要。文章将鱼声、商船辐射噪声和风关噪声三类实测的水声信号在小波包分解的基础上提取时频图特征,并搭建了一个七层结构的卷积神经网络作为分类器。研究结果表明：三种水声信号的小波包时频图特征结合卷积神经网络在不同测试集可达到（98±1）%的总体准确率。因此,小波包时频图特征结合卷积神经网络的水声分类方法可望推广至更多水声信号分类。该研究结果可为水声信号的分类识别研究提供应用参考。     

基于特征参数迁移的滚动轴承故障诊断

针对变工况下的滚动轴承无法获得大量带标签样本数据以及传统深度学习诊断方法识别率低的问题,提出一种基于迁移学习的卷积神经网络模型滚动轴承故障诊断方法.首先,采用短时傅里叶变换处理滚动轴承振动信号获得源域、目标域样本集;其次,利用源域样本预训练卷积神经网络模型;最后,通过目标域样本微调卷积神经网络模型实现滚动轴承故障诊断....     

A VIBRATION RECOGNITION METHOD BASED ON DEEP LEARNING AND SIGNAL PROCESSING

Effective vibration recognition can improve the performance of vibration control and structural damage detection and is in high demand for signal processing and advanced classification.Signal-processing methods can extract the potent time-frequency-domain characteristics of signals;however,the performance of conventional characteristics-based classification needs to be improved.Widely used deep learning algorithms(e.g.,convolutional neural networks(CNNs))can conduct classification by extracting high-dimensional data features,with outstanding performance.Hence,combining the advantages of signal processing and deep-learning algorithms can significantly enhance vibration recognition performance.A novel vibration recognition method based on signal processing and deep neural networks is proposed herein.First,environmental vibration signals are collected;then,signal processing is conducted to obtain the coefficient matrices of the time-frequency-domain characteristics using three typical algorithms:the wavelet transform,Hilbert-Huang transform,and Mel frequency cepstral coefficient extraction method.Subsequently,CNNs,long short-term memory(LSTM)networks,and combined deep CNN-LSTM networks are trained for vibration recognition,according to the time-frequencydomain characteristics.Finally,the performance of the trained deep neural networks is evaluated and validated.The results confirm the effectiveness of the proposed vibration recognition method combining signal preprocessing and deep learning.     

语音识别方法在水下目标识别中的应用

水下目标识别是潜艇在海战中,先敌发现并有效进行水声对抗的关键技术。然而,如何根据声纳接收到的舰船辐射噪声对三类目标进行分类识别是长期困扰人们的问题。研究了四种语音识别中常用的方法——线性预测系数（LPC）,线性预测倒谱系数（LPCC）,美尔倒谱系数（MFCC）和最小均方无失真响应（MVDR）,在水下目标识别中的应用效果,并比较了这四种方法在无噪声情况下的识别概率,以及在不同信噪比下的识别概率,并通过比较找到在无噪声和有噪声情况下的最佳方法。实验表明,在无噪声的情况下,MFCC方法总体识别率最高,第一类目标MFCC方法的识别率最高,第二类目标MFCC和MVDR方法识别率相似,好于其他两者,第三类目标MVDR方法识别率最高。在加入噪声的情况下,MVDR方法对三类目标的识别和抗噪声性能明显好于其余三者。     

目标噪声响度特征提取技术研究

考虑声纳员听音判型过程中,目标噪声的响度变化是其判型的重要依据,计算目标噪声信号的响度,提取其响度特征,基于响度特征对三类目标进行分类识别。设计神经网络分类器,实测数据验证了基于响度的目标特征提取方法是有效的,并分析了响度特征和能量特征的区别,说明了三类目标噪声响度特征较能量特征分布的集中度好,有利于提高分类识别的正确概率。