融合时频域特征的舰船识别方法及实验研究

文章提出了一种融合舰船辐射噪声时频域特征的识别方法,将舰船辐射噪声的线谱特征和线性预测倒谱特征作为输入,分别利用反向传播（Back Propagation,BP）神经网络进行训练、降维及初步判别,并采用加权投票方式,引入置信度算法和拒判机制实现决策级融合识别。实验结果表明,对比基于舰船单一特征的识别方法,利用舰船辐射噪声时频域特征的互补性进行融合识别,减小了单一识别方法误判对总识别率的影响,具有较强的鲁棒性,可有效提高对目标的识别率。     

基于小波包和1(1/2)维谱的舰船辐射噪声频域特征提取及融合

舰船辐射噪声频域特征提取是舰船目标识别的关键技术之一。为提高舰船目标识别率 ,采用小波包和 112维谱对舰船辐射噪声进行多小波包空间调制谱和噪声谱特征提取及融合研究。并用提取的特征对五类舰船目标辐射噪声进行了分类识别实验 ,结果表明所提特征具有很好的分类识别效果     

基于小波包和1(1/2)维谱的舰船辐射噪声频域特征提取及融合

舰船辐射噪声频域特征提取是舰船目标识别的关键技术之一。为提高舰船目标识别率，采用小波包和1 1/2维谱对舰船辐射噪声进行多小波包空间调制谱和噪声谱特征提取及融合研究。并用提取的特征对五类舰船目标辐射噪声进行了分类识别实验，结果表明所提特征具有很好的分类识别效果。     

基于多尺度排列熵的舰船辐射噪声复杂度特征提取研究

针对复杂海洋环境中舰船辐射噪声的特征提取问题,提出了一种基于多尺度排列熵的舰船辐射噪声复杂度特征提取方法。分别利用基于EEMD的最强固有模态中心频率法、高低频能量差法和基于复杂度的排列熵与多尺度排列熵提取了五种不同类别、一定样本数量的舰船辐射噪声特征,并将四种特征提取方法所提取的舰船特征分别输入概率神经网络进行分类识别。研究发现,多尺度排列熵是一种一致性好、稳定性强的非线性特征参数,能够从多个维度描述信号的复杂度。实验结果表明,多尺度排列熵特征具有很好的可分性,以多尺度排列熵为特征进行舰船分类识别,识别率显著高于其他舰船辐射噪声特征提取算法。     

隐马尔可夫模型在舰船噪声目标识别中的应用

将Mel频率倒谱作为特征参数,实现了基于连续型隐马尔可夫模型的舰船辐射噪声目标识别。对五艘不同类别舰船的辐射噪声建立模型,并进行了识别实验。模型的状态数和高斯混合数分别确定为1和3,五艘舰船的平均识别率达到91．6％。利用两艘不同类型舰船的噪声分析了舰船的工况对识别结果的影响。     

一种视听融合的水下目标识别方法研究

特征提取是水下目标识别研究中最为关键的技术之一,特征参数的优劣将直接决定分类识别系统的性能。将声信号的听觉与视觉感知特征结合,应用于水下目标识别,通过实验得出如下结论,相比于单独应用听觉特征,融合特征的平均识别率能提高4%~6%以上,特别是将听觉特征与声谱图的Gabor小波变换特征、灰度-梯度共生特征进行融合后,分类性能较好,平均达到87%以上。     

基于自相关特征的舰船大小识别方法

基于自相关处理方法,提出了一种利用舰船辐射噪声自相关曲线特征值对舰船大小进行识别的方法,并利用BP神经网络对两类海上实测舰船目标噪声信号进行了识别。实验结果表明,利用该方法对舰船目标大小具有较好的识别效果。该法与其他识别方法相比,在保证较高分类识别率的前提下,特征量提取方法简单,特征量维数少,运算量较低,更便于工程实现。     

利用样本向量空间位置关系的目标识别方法

利用样本向量的空间位置关系,对目标识别方法进行研究。根据样本向量最小夹角给出了可分类识别率的定义,且应用样本向量间的夹角对样本向量进行筛选,获得了更有利于分类的样本。在此基础上提出了样本向量最小夹角识别算法,以及对样本向量最小夹角和最短距离进行综合的目标识别算法。为了进一步提高识别效果,将特征线之间的最小夹角引入到识别算法当中。所研究的目标识别算法应用到飞机目标识别,若采用奇异值特征作为样本可以得到90.0%以上的识别率,而采用颜色特征作为样本则可以得到92.5%以上的识别率。     

基于统计特征的水下目标一维距离像识别方法研究

目标探测与识别是水下预警监视、信息对抗的重要组成部分。针对水下目标一维距离像识别问题,通过提取目标的长度、重心、高阶中心矩等特征,分析了所提取特征的统计分布特性,利用假设检验构建了目标识别特征的统计模型。结合Bayes统计分类器开展了5类水下目标的识别实验,并与基于距离像回波匹配相关的识别方法进行对比分析,对比结果显示所提出的方法在识别率和运算量方面均有明显改善。     

遗传特征选择方法在水下目标识别中的应用

为了改善分类器的性能,提高水下目标识别的正确率,文中研究了遗传特征选择方法在水下目标识别中的应用,设计了一个新的合适度函数作为评价特征子集的准则。对wine数据集和海上实测的舰船辐射噪声数据集的仿真实验之结果表明,该方法可以选择出描述目标的有效特征子集,降低了特征集的维数,从而改善了分类器的性能。     

一种钢琴全频段的基频识别方法

对钢琴全频段音符频率进行了研究,提出一种基于自相关和插值的钢琴基频识别方法。采用三电平中心削波的自相关计算得出函数值,用求最大值的方法选取代表基频整数倍周期的点数位置,运用抛物线插值进行位置修正,结合最小二乘计算得出基频估计,低中频的识别误差在±1音分内。对于高频音符,采用内插算法提高采样率以降低识别误差,使得识别结果准确可靠,满足精度要求。     

一种基于动态平滑的实时基频提取算法

基频是语音信号处理中的一个基本声学特征.传统的基频提取算法为了获得较好的检测效果,需要复杂的时频域计算.对于资源受限的应用条件,例如人工耳蜗等嵌入式实时系统,很难应用计算量大的基频提取算法.语音信号的基频具有短时平稳性,根据这个特点来确定基频候选值可以提高提取的准确性.据此,提出一种基于动态平滑的基频提取算法,使用此算法对汉语声调词库进行基频提取,并与另外两种基频提取算法进行比较.实验结果表明,新算法的基频绝对平均估计误差小于3Hz,优于另两种算法,能够准确地提取基频,同时算法计算量低,适合实时应用.     

结合EMD与DWT-ACF的语音基音周期检测改进算法

针对传统小波-自相关算法在噪声环境下检测语音的基音周期会出现偏差和漏报的情况,提出一种经验模式分解下的小波-自相关的基音周期检测改进算法。该算法首先利用经验模式分解去除含噪语音趋势项并减噪,再利用改进的小波-自相关法突出每个基音周期的峰值点,提高了基音周期检测的精度。实验结果表明,该改进方法可有效改善加噪语音在基音提取上出现的偏差误报情况以及避免部分倍频和半频错误,提高基音周期检测速率及准确率。     

考虑齿距累积误差的人字齿轮系统动态特性分析

基于Timoshenko梁理论和有限单元法,引入时变啮合刚度和综合啮合误差,建立了人字齿轮系统动力学模型,研究了齿距累积误差对人字齿轮系统动态特性的影响。研究表明:齿距累积误差使动态传递误差出现显著的轴频成分和调制边频带。当负载扭矩较小时,边频成分大于啮合频率及其倍频成分,随着负载扭矩的增加,啮合频率及其倍频成分逐渐增强。当齿距累积误差相位不同时,人字齿轮系统将出现明显的轴向窜动现象。同时,齿距累积误差相位差对系统振动影响显著,通过调整相位差可以显著降低系统振动。研究结果可为人字齿轮系统低噪声设计加工与装配提供理论依据。     

修正倒谱和动态规划的基频估计算法

基音频率是语音信号处理中的一个重要参数。倍频、半频错误以及清浊音判决的可靠性等问题一直是基频估计中的难点问题。在对语音信号的倒谱进行适当修正的基础上,提出了一种高精度的基频估计算法。该算法根据倒谱、短时能量和短时过零率在清音段和浊音段的不同表现,构造了一个清浊音判决函数,大大提高了清浊音判决精度;然后利用动态规划技术进行基频跟踪。在构造代价函数时．充分考虑了基频连续性的影响,从而使该算法既能有效地避免倍频和半频错误,又能体现出基频的自然加倍和减半。通过与现有的几种效果较好的方法进行对比实验,结果表明该算法具有准确率高、基频轨迹平滑的优点,利用该算法得到的基频轨迹基本不需要进行后期平滑处理。     

基于脉冲激励下钢轨振动响应的扣件失效识别方法

针对高速铁路无砟轨道扣件失效的检测问题,提出了脉冲激励下钢轨振动响应的扣件失效识别算法。利用实验室1∶1实尺模型,通过人工移除扣件弹条的方式模拟扣件失效,分别测试得到脉冲激励下钢轨在扣件良好及失效状态下的时域振动响应,利用快速傅里叶变换及倍频程分析得到钢轨的振动加速度级。将扣件良好及失效状态下钢轨振动加速度振级差值和特征频带占比作为判断扣件失效的评价指标,进一步研究了频带划分方式、振动加速度振级差阈值、特征频带占比阈值对于识别准确率的影响规律,最后提出了针对扣件失效的识别算法与敏感参数选取,结合实验室和京沈高铁正线现场的测试结果对算法的可靠性进行了验证。在此基础上,进一步研究了测点安装位置、邻近非目标扣件失效以及人为操作误差对于识别准确率的影响规律。结果表明:该文提出的扣件失效识别程序在扣件单侧失效条件下的准确率可达100%;在目标扣件两侧的相邻扣件存在失效时,目标扣件的识别准确率仍可达到100%;当测点位于扣件所在断面的钢轨轨腰及轨底外侧时识别准确率在95%以上;沿线路方向上,以扣件中心线为基准,当激励点位置与基准位置的偏差小于6 cm、测点位置与基准位置偏差不大于6 cm时程序识别准确率在95%以上。     

结合多尺度卷积网络和双端注意力机制的水声目标识别

水声目标识别是被动声呐系统的主要应用之一。为了进一步提升小样本条件下水下目标的识别率,文章提出一种基于多尺度卷积和双端注意力机制相融合的方法。首先,提取梅尔倒谱系数,色度谱和计算谱对比度等特征,建立基于多类别特征子集的三维聚合特征。其次,采用多尺度卷积滤波器算子构造多分辨率卷积神经网络,以更好地适应三维聚合特征的时频结构。另外,采用双端注意力模型捕获样本的全局依赖和局部特性。采用基于指数加权的对数交叉熵函数作为损失函数,提升样本数较少类别的识别率。实验结果表明,该方法在ShipsEar数据上的平均识别率为95.5%,取得了较好的分类效果。     

基于图像序列的运动目标检测识别的关键技术研究

为提高运动目标检测的识别效果,通过分析、综合比较各种运动目标检测算法的优劣性,提出了基于全局自适应帧差法和基于码本模型的背景减除法对同一运动目标进行检测。通过对运动目标检测提取运动目标的掩膜,对掩膜进行外接矩形分析,从而得到包围运动目标的矩形框;将矩形框内的图片截取出来,调整该矩形并提取图片的HOG特征,最后通过训练好的SVM进行分类。在训练过程中,针对难易情况应用自举法对训练器进行优化。实验表明,与传统HOG+SVM多尺度检测算法相比,该方法在速度和准确性上可提升20%左右,可作为运动目标检测与识别的参考方法。     

利用谐波显著度和语者音色特征的混合语音中目标人基频轨迹提取

从混合语音中提取出目标语者的基频轨迹,是语音监听、语音门禁、对话管理等应用的关键技术。为提高基频轨迹跟踪的准确率、增强抗八度误差的能力、降低系统复杂度,多基频估计以谐波乘积谱为核心,八度校正与基频分组均以元音段为基本单元,并结合了谐波显著度和语者音色特征。基于MIREX2005语音数据集的实验表明,MIREX的4种多基频估计性能指标均在75%以上,基频分组在混合语音中的判断准确率可达92%。     

Accuracy of Nanoscale Pitch Standards Fabricated by Laser-Focused Atomic Deposition

The pitch accuracy of a grating formed by laser-focused atomic deposition is evaluated from the point of view of fabricating nanoscale pitch standard artifacts. The average pitch obtained by the process, nominally half the laser wavelength, is simply traceable with small uncertainty to an atomic frequency and hence can be known with very high accuracy. An error budget is presented for a Cr on sapphire sample, showing that a combined standard uncertainty of 0.0049 nm, or a relative uncertainty of 2.3 × 10⁻⁵, is readily obtained, provided the substrate temperature does not change. Precision measurements of the diffraction of the 351.1 nm argon ion laser line from such an artifact are also presented. These yield an average pitch of (212.7777 ± 0.0069) nm, which agrees well with the expected value, as corrected for thermal contraction, of (212.7705 ± 0.0049) nm.