基于小波变换和支持矢量机的调制信号识别

提出一种基于小波变换和支持矢量机的数字信号自动调制识别新方法，即将信号小波变换后提取各尺度上的能量峰值作为特征向量，利用支持矢量机把分类特征向量映射到一个高维空间，并在高维空间中构造最优分类超平面以实现信号分类。这种方法对高斯噪声具有良好的稳健性，并避免了神经网络中的过学习和局部极小点等缺陷。计算机仿真结果表明，这种方法具有很高的分类性能和良好的稳健性。     

基于离散曲波变换和支持向量机的掌纹识别方法

提出了一种基于离散曲波变换和支持向量机的掌纹识别方法.首先将所有掌纹样本图像和测试图像通过基于Wrapping的快速离散曲波变换进行分解,从而获得不同尺度、不同角度的曲波变换系数;掌纹重要特征信息包含在曲波变换分解系数中的低频系数中,因此将分解系数变换形成特征向量后作为特征参数送入支持向量机中进行学习训练;最后将训练好的支持向量机用于掌纹分类.基于香港理工大学Palmprint掌纹数据库进行了大量实验,实验结果证实所提方法的识别正确率相对优于小波变换方法和其它几种经典方法.     

基于支持向量机的辐射源识别算法

为了提高电子对抗设备对辐射源的识别能力,采用小波包变换法提取信号的时频谱特征,并引入支持向量机完成对辐射源的分类。小波包变换对信号局部的时频特征具有较好的分辨率,支持向量机分类器结构简单、可获得全局优化、泛化能力强。仿真结果表明,基于支持向量机的辐射源分类方法的正确率优于传统算法。     

基于小波支持向量机的模拟电路故障诊断

在模拟电路故障诊断中,提出了利用小波分析与支持向量机结合的系统方法,利用小波变换对信号进行特征提取得到特征向量并作为支持向量机的训练向量,得到故障分类器。针对激励信号必须能够充分地激励电路的需求,提出一种通用激励信号——连续多抽样函数,利用抽样函数在带通区间内频谱分布均匀且能量相同这一特点作为模拟电路的通用激励信号。仿真结果表明,该激励条件下,利用小波-支持向量机能够较好地对模拟电路进行故障诊断。     

心音信号MFCC特征向量提取方法的优化

为了提高利用梅尔频率倒谱系数（Mel-Frequency Cepstral Coefficients, MFCC）特征向量进行心音信号分类的准确率，本文提出以一种基于独立成分分析（Independent Component Analysis, ICA）及权值优化的MFCC特征向量优化方法。首先，通过消除趋势项、降噪、提取心动周期与基础心音分割等步骤对心音信号预处理；接着，对提取的基础心音信号做Mel频谱变换及倒谱分析提取MFCC特征向量，其中用ICA替代离散余弦变换去除分量间高阶量的相关性，同时采用相关系数为权值优化整体混合矩阵；最后，采用F比衡量特征向量贡献率，并以其为权值优化各维特征向量。通过提取MFCC特征向量采用支持向量机（Support Vector Machine, SVM）的分类器识别第一心音及第二心音，并与人工标注心音状态集进行对比。实验结果表明，基于ICA及权值优化的MFCC特征向量在SVM分类器中识别率得到了有效的提升，且优化算法具备一定抗噪性能。      

基于小波包变换的表面肌电信号模式识别

采用小波包变换的方法对表面肌电信号sEMG进行了多尺度分解,并提取小波包分解系数的能量值构建特征矢量,采用四种方法设计多类最小二乘支持向量机（LS-SVM）分类器,对8种表面肌电信号进行了模式分类。实验结果表明,采用四种多类分类方法的LS-SVM分类器对8种表面肌电信号的平均识别率在90%以上,LS-SVM分类准确率明显优于传统的RBF神经网络分类器。     

基于量子粒子群优化的SVM的模拟电路故障诊断

相比于小波变换,小波包变换具有较高的分辨率和细致的分析能力,是小波变换的延伸和发展。支持向量机具有较好的泛化能力,能够应用于模拟电路的故障诊断。鉴于支持向量机参数难以确定的问题,采用量子粒子群优化算法选取支持向量机的参数,将优化后的支持向量机与小波包变换相结合,利用小波包变换提取电路的故障特征,然后通过优化后的支持向量机对特征向量进行分类识别。最后通过对实例的分析,验证该方法的有效性。     

基于特征加权FDCT和模糊最小二乘支持向量机的虹膜识别算法

为了克服小波变换在二维空间分析的缺陷,提出了基于快速离散曲波(Curvelet)变换的虹膜识别改进算法.利用能有效捕捉图像边缘信息的Curvelet变换对虹膜图像进行分解,提取低频子带系数矩阵的均值方差和高频子带能量,然后根据不同子带特征的分类能力不同,对各子带特征的离散度进行加权,为分类能力较强的特征向量赋予较大权值,构成虹膜图像的特征向量.利用最优二叉树多类模糊最小二乘支持向量机分类器进行分类与识别.仿真实验结果表明,该算法具有较高的识别性能,具有可行性.     

基于SVM的电压扰动识别研究

针对电力系统中出现的电压暂升(暂降、暂断)以及谐波、电压脉冲和电压闪变这六种常见电压扰动进行建模,将特征量输入到SVM进行电能质量扰动多类分类。首先采用相应小波包分解算法将电能质量中某一频段内的信号分解到特定频段上,其次在这些特定频段上提取特征向量,最后针对该特征向量构造相应支持向量机分类器。结果表明,在较复杂的电能质量扰动情况中,支持向量机分类器仍能实现对信号的精确分类,对电能质量监测具有很好的应用价值。     

基于改进支持向量机的电能质量扰动分类

对近年来电网发展和研究的热门话题之一:电能质量扰动识别分类系统进行研究。识别分类系统使用小波变换方法对扰动电压信号进行特征提取,之后收入由支持向量机建立的识别系统中。相对小波能量只能表达总分解层信号能量中各层信号能量的比例,对于电能质量扰动信号的检测不能直接使用信息熵公式。因此引入加权算子以改进相对小波能量,加权算子对电能扰动特征进行放大,实时反映电能扰动特征。针对使用支持向量机建立电能质量扰动识别系统时会由于扰动信号特征向量维度高、数据庞大等问题,提出一种基于混合核函数的LSSVM建立电能质量扰动识别系统。选取RBF核函数和Polynomial核函数分别作为局部以及全局核函数,构造混合核函数,提高系统泛化能力。使用PSO优化算法对LSSVM分类器进行分类,提高分类器的识别精度等性能。最后通过实验验证研究的电能质量扰动识别分类系统的识别性能。     

基于小波变换和盲信号分离的多通道肌电信号处理方法

 为了消除多通道表面肌电信号(SEMG)采集时形成的混叠现象,提出一种新的SEMG处理方法.该方法将小波变换和独立分量分析(ICA)结合,利用小波变换的去噪作用,滤除混合在原始SEMG中的部分噪声后作为ICA的输入信号,采用Infomax算法对输入信号实施盲分离,并引入相关系数验证ICA分量与源信号的一致性.实验结果表明,该方法用于多通道SEMG的盲分离是很有效的.     

利用小波变换特征提取的通信辐射源个体识别方法

为解决非协作通信条件下对通信辐射源的个体识别问题,提出了一种基于小波变换特征提取的个体识别方法。该方法对非协同通信的接收信号进行小波变换,通过计算类间分离度筛选最优小波基提取特征向量,并根据特征分布选取特定小波基下的小波系数复杂度作为信噪比参考值辅助个体识别。仿真结果表明,在信噪比变化的环境中及通信辐射源个体差异较小的情况下有较好的识别效果,从而验证了该方法的有效性。      

Digital watermark extraction using support vector machine with principal component analysis based feature reduction

This paper proposes a new approach for watermark extraction using support vector machine (SVM) with principal component analysis (PCA) based feature reduction. In this method, the original cover image is decomposed up to three level using lifting wavelet transform (LWT), and lowpass subband is selected for data hiding purpose. The lowpass subband is divided into small blocks, and a binary watermark is embedded into the original cover image by quantizing the two maximum coefficients of the block. In order to extract watermark bits with maximum correlation, SVM based binary classification approach is incorporated. The training and testing patterns are constructed by employing a reduced set of features along with block coefficients. Firstly, different features are obtained by evaluating the statistical parameters of each block coefficients, and then PCA is utilized to reduce this feature set. As far as security is concerned, randomization of coefficients, blocks, and watermark bits enhances the security of system. Furthermore, energy compaction property of LWT increases the robustness in comparison to conventional wavelet transform. A comparison of the proposed method with some of the recent techniques shows remarkable improvement in terms of robustness and security of the watermark.     

一种敌我识别辐射源暂态信号指纹特征提取方法

信号的指纹特征是辐射源个体识别的重要依据。针对敌我识别辐射源的个体识别问题,提出了一种基于双树复小波和多重分形的信号暂态特征提取方法。该方法通过双树复小波变换实现信号多分辨率分解,求解分解信号Hilbert谱的信息熵和指数熵,计算信号的多重分形奇异指数和谱值,最终组成表征辐射源的特征向量。通过实验验证,提取的特征向量能充分代表辐射源个体之间的差异;被测信号的信噪比满足8 dB或9 dB的条件时,对辐射源的识别正确率能达到90%以上。统计分析表明该方法提取的特征具有很高的稳定性。     

基于小波变换的空域相关法在肌电信号中的应用

为了消除混杂在肌电信号中的噪声,并保留信号的细节,提出了基于小波变换空域相关法的肌电信号消噪方法.文章首先对小波变换和空域相关滤波的基本理论进行了简要的概述,其次就空域相关滤波用于肌电信号的消噪过程进行了详细的分析.通过肌电信号的小波分解,用空域相关法分离信号与噪声,并给出了一种针对肌电信号各层噪声能量阈值的估计算法.实验结果表明,空域相关滤波较好的保留了肌电信号的边缘特征,为肌电信号的特征提取创造了良好的条件.     

基于脑功能网络和样本熵的脑电信号特征提取

针对脑-机接口(BCI)研究中采用单一特征对运动想象脑电信号(EEG)识别率不高的问题,该文提出一种结合脑功能网络和样本熵的特征提取方法。根据事件相关同步/去同步(ERS/ERD)现象以及皮层与肢体运动想象间的对侧映射机制,选取小波包变换消噪重构后的\begin{document}$ \mu$\end{document}节律脑电信号,用左侧27个通道、右侧27个通道分别对左半球脑区和右半球脑区构建脑功能网络,计算网络的平均节点度和平均聚集系数作为运动想象的脑功能网络特征,并结合C3, C4通道节律的样本熵构筑分布性和指向性相结合的特征向量。选用支持向量机(SVM)对左右手运动想象脑电信号进行分类,结果表明基于脑功能网络和样本熵的特征提取方法能够实现更优的分类效果,分类准确率最高可达90.27%。     

改进小波在调制模式识别中的应用

在分析提升小波应用在调制模式自动识别的基础上,提出了一种新的特征提取方法。该方法首先利用最优估计理论获得小波的最佳预测系数,根据最佳预测系数进行分解提取特征值,最后利用支持向量机分类器进行信号的分类识别。在求解支持向量机的参数优化问题中,提出了一种通用的解决方案,利用带惯性权重的粒子群算法来确定其最优系数。新方法提取的特征值经计算机仿真研究证明,该算法具有较好的工程应用性和有效性。     

基于经验模态分解与回归分析的空间外差光谱目标提取

为识别空间外差光谱仪探测目标干涉信号的特征信息,提出一种基于经验模态分解与回归分析的空间干涉谱目标提取方法。首先对预处理后的光谱进行经验模态自适应分解,得到各阶次固有模态分量并分别计算它们与原始光谱信号的Pearson相关系数,根据相关系数分选准则判定背景与目标信息重构的分界点。然后计算重构背景与实测背景间的Pearson相关系数来判定经验模态分解结果。对信号主导的固有模态分量利用小波软阈值进行消噪,重构较纯净的目标特征信息;利用目标特征信息与原始干涉光谱信息进行多元线性回归分析获得最佳的近似滤波系数,构造滤波器并应用到目标信号,提取目标。最后通过差谱信号与提取的目标光谱的Pearson相关系数来判别提取的目标信号。实验结果表明:经验模态分解可将背景与目标近似分离;在未知背景信号情况下,利用经验模态分解与回归分析可实现钾共振双线特征光谱的提取。     

基于回归分析理论的辐射源个体识别技术

针对目前辐射源个体识别未能将信号特征与硬件组成相联系的问题，该文使用高阶谱分析和变分模态分解(VMD)两种特征提取手段，进行研究分析，采用围线双谱积分以及改进变分模态分解技术对半实物平台仿真信号以及软件仿真(ADS)输出信号进行特征提取并分析。通过软件仿真定量分析辐射源相位噪声以及功率放大电路非线性失真对信号无意调制特征的影响，对变量进行相关性分析，并对其中显著相关的变量进行回归拟合，得到其相关回归函数。然后利用硬件与特征的相关性，改进传统支持向量机(SVM)分类器，构建相关性权重支持向量机分类器。最后分别以软件仿真输出信号以及半实物仿真平台实测信号为样本进行验证，结果表明，同信噪比下权重支持向量机与传统支持向量机相比分类准确率提升在10%以上。     

基于小波和矩的图像字符特征提取方法研究

提取稳定而有代表性的特征是视频图像字符识别的核心问题之一。文章提出了一种基于小波和矩的图像字符特征向量提取方法。通过对字符图像的不同小波分解子图求取不同的矩特征，构造出字符的特征向量。该方法将小波对图像结构精细特征的把握能力强的优点与矩所具有的平移，缩放和旋转不变及抗噪性强的特性有机地结合起来，特征向量稳定、识别准确率高、算法快、抗噪性能强，且特征提取方法具有类人视觉特点。