Windows95/98环境下神经信号的采集和分析系统

介绍了神经放电信号的一些特征,并介绍了针对Windows 95／98操作系统的特点所设计的一种神经信号实时采集和分析硬、软件系统,该系统为分析神经信号提供了一种基本的方法。     

基于DSP+FPGA的实时信号采集系统设计与实现

为了提高对实时信号采集的准确性和无偏性,提出一种基于DSP+FPGA的实时信号采集系统设计方案。系统采用4个换能器基阵并联组成信号采集阵列单元,对采集的原始信号通过模拟信号预处理机进行放大滤波处理,采用TMS32010DSP芯片作为信号处理器核心芯片实现实时信号采集和处理,包括信号频谱分析和目标信息模拟,由DSP控制D/A转换器进行数/模转换,通过FPGA实现数据存储,在PC机上实时显示采样数据和DSP处理结果;通过仿真实验进行性能测试,结果表明,该信号采集系统能有效实现实时信号采集和处理,抗干扰能力较强。     

基于虚拟仪器的声音信号采集分析系统

采用PC机与NI数据采集卡USB4431为硬件平台,LabVIEW为软件开发环境,设计了多通道声音信号采集分析系统。系统可以实现信号的同步实时采集、实时调理、存储及分析,提供多种数据处理算法模块。该系统已应用在工程噪音分析中,显示了其方便、实用等优势。     

基于Wi-Fi技术的穿戴式动物嗅觉机器人

基于Wi-Fi技术的动物嗅觉机器人通过对记录的大鼠嗅觉神经元信号进行分析解码,实现气味检测与识别。本嗅觉机器人由大鼠和穿戴式动物神经记录系统组成;其中穿戴式动物神经记录系统包括前置探头、动物背包和用户软件,采用IEEE 802.11g网络协议,最大数据传输率为54 Mbit/s,可同步记录8通道嗅觉神经数据。计算机或iPad对采集的大鼠嗅觉神经信号进行实时的显示和记录,并使用主成分分析法( PCA)对记录到的数据进行离线分析,实现气味识别。     

具有Windows界面的信号采集与分析系统的设计与实现

本文介绍了一种具有Ｗｉｎｄｏｗｓ界面的微机信号采集与分析系统的组成、功能和软件设计方法。重点介绍了在Ｗｉｎｄｏｗｓ环境下如何通过调用ＤＯＳ应用程序实现信号的实时采集和多路示波。     

GPS中频信号采集及分析系统设计

设计了一种GPS中频信号采集及分析系统,系统利用FPGA将NJ1006射频前端输出的数字化GPS中频信号进行字节拼接,然后通过USB上传到上位机,实现了射频前端与PC之间实时高速数据传输;研发的VC++数据处理程序将采集到的GPS信号进行文本转换和数据分析。实验证明该GPS中频信号软硬件采集系统不仅能采集GPS中频信号,而且能数据分析,为GPS基带处理算法的研究提供了可靠的原始数据。     

基于STM32的电机振动信号采集检测系统

设计了一种电机振动信号采集检测系统,通过传感器将位移信号转换为电流信号,将电流信号转换为±4 V电压信号;并采用MAX295作为低通滤波器,滤除采集系统的高频分量; AD7606芯片将采集到的数据传给主控芯片STM32F429,并设计了系统软件。STM32可通过输出脉宽调制(PWM)波控制AD7606的采样频率,软件实现了数据的实时传输与保存,以及信号频谱与相关参数在屏幕上的实时显示。测试结果表明:设计的采集系统具有实时、可靠的优点,能够有效测量电机振动信号。     

基于SOPC的复合式生理信号检测系统设计

设计完成了一种多生物电信号采集能力并能完成生物电信号模式识别和辅助诊断的复合式生物电信号检测系统。系统通过具备双通道的低噪声高共模抑制比的前置采集放大电路,可实现心电信号和表面肌电信号两种体表生物电信号的检测。通过FPGA硬件化实现的小波分解模块和在NiosⅡ软核中实现的FFT和BP神经网络算法,可以完成对采集到的心电信号心率监测、QRS波群的检测和ST段形态识别反馈监护者的健康信息;并通过提取表面肌电信号活跃段数据和时频域参数为运动性肌肉疲劳评估提供参考。系统通过LCD屏、音频输出和SD卡存储能够完成对信号实时波形和监护参数显示、报警输出和长时间监护数据的存储。     

次声信号采集系统的设计与实现

为解决目前无民用次声信号采集装置的问题,研制了一种可以满足民用且成本较低的次声采集系统,前端使用专业次声传感器采集次声信号,经过调理电路、A／D转换等电路,实现次声信号的采集,并在PC机上进行实时波形显示、数据存储以及分析。     

基于微丝电极的神经电信号检测系统研制

研制了一种生物神经电信号检测系统.该检测系统采用微丝电极作为信号采集传感器,经过微弱信号调理仪器对微弱神经信号进行放大、滤波等处理,开发基于LabVIEW的上位机软件对所采集的信号进一步分析、显示以及存储等.实验中仪器噪声小于20 μV的条件下检测到了幅值为160 μV神经电信号,S/N≈8,结果表明:本检测系统可实现对微弱神经电信号的检测.     

基于卷积神经网络的通信信号调制识别研究

针对传统人工提取专家特征来进行通信信号识别的方法存在局限性大、低信噪比下准确率低的问题,提出一种复基带信号与卷积神经网络自动调制识别相结合的新方法。该方法将接收到的信号进行预处理,得到包含同相分量和正交分量的复基带信号,该信号作为输入卷积神经网络模型的数据集,通过多次训练调整模型结构以及卷积核、步长、特征图和激活函数等超参数,利用训练好的模型对通信信号进行特征提取和识别。实现了对2FSK、4FSK、BPSK、8PSK、QPSK、QAM16和QAM64 七种数字通信信号类型的识别分类。实验结果表明,当信噪比为0dB时,七种信号的平均识别准确率已达94.61%,验证了算法是有效的且在低信噪比条件下有较高的准确率。     

粗集-神经网络在雷达信号识别中的应用研究

信号识别是侦察系统信号处理的目的,是整个雷达对抗信号处理中关键性的一个环节。为解决雷达信号识别的问题,提出将粗集和神经网络紧密结合建立新的识别模型,该模型充分融合了粗集强大的规则提取能力和神经网络优良的分类能力。实验表明,该模型减少了识别的主观因素,简化了神经网络结构,能够对雷达信号有效地识别。     

智能传感器侦察网络中的目标声信号识别算法

针对智能传感器侦察网络中的地面目标识别问题,提出了一种基于智能计算方法的地面目标声信号识别算法。基于智能计算方法设计识别系统,直接利用信号特征的变化范围作为分类特征,并结合能够处理定性输入的粗神经网络分类算法,有效地克服目标信号的不确定性问题,提高识别系统的识别率和稳定性。     

基于轻量型网络的单载波信号调制识别

针对当前应用深度学习实现数字信号调制识别过程中网络复杂、计算量高、硬件平台要求高的问题, 本文提出了在改进的MobileNetV3轻量级神经网络中使用信号星座图调制识别的方法. 首先, 将接收到的MPSK和MQAM信号转换成星座图像, 将其进行灰度图像提取, 灰度图像增强, 构建星座图的图像数据集, 然后将ResNet中的跨层结构引入MobileNetV3网络, 解决了随着网络层数的增加, 权重减小而导致的梯度消失现象. 最后将星座图数据集用于训练MobileNetV3的轻量型神经网络权重, 对星座图像进行识别. MobileNetV3基于深度卷积可分离和神经架构搜索(network architecture search, NAS)技术在保证识别精度的前提下, 大大降低了参数量和训练时间, 将对于简单信号的调制识别, 轻量型神经网络可以有效简化网络结构, 降低对硬件设备的要求. 仿真结果表明, 针对的调制信号(BPSK、QPSK、8PSK、16QAM、64QAM), 能实现识别率为99.76%的调制识别, 相较于传统应用深度学习实现调制识别的网络, 网络参数量和计算量明显减小.     

Investigation of engine fault diagnosis using discrete wavelet transform and neural network

An investigation of a fault diagnostic technique for internal combustion engines using discrete wavelet transform (DWT) and neural network is presented in this paper. Generally, sound emission signal serves as a promising alternative to the condition monitoring and fault diagnosis in rotating machinery when the vibration signal is not available. Most of the conventional fault diagnosis techniques using sound emission and vibration signals are based on analyzing the signal amplitude in the time or frequency domain. Meanwhile, the continuous wavelet transform (CWT) technique was developed for obtaining both time-domain and frequency-domain information. Unfortunately, the CWT technique is often operated over a longer computing time. In the present study, a DWT technique which is combined with a feature selection of energy spectrum and fault classification using neural network for analyzing fault signal is proposed for improving the shortcomings without losing its original property. The features of the sound emission signal at different resolution levels are extracted by multi-resolution analysis and Parseval’s theorem [Gaing, Z. L. (2004). Wavelet-based neural network for power disturbance recognition and classification. IEEE Transactions on Power Delivery 19, 1560–1568]. The algorithm is obtained from previous work by Daubechies [Daubechies, I. (1988). Orthonormal bases of compactly supported wavelets. Communication on Pure and Applied Mathematics 41, 909–996.], the“db4”, “db8” and “db20” wavelet functions are adopted to perform the proposed DWT technique. Then, these features are used for fault recognition using a neural network. The experimental results indicated that the proposed system using the sound emission signal is effective and can be used for fault diagnosis of various engine operating conditions.     

基于振动传感器的车辆信号采集与分析

设计了一种有效的模拟信号调理方法,并研制了一种基于全向振动传感器的信号采集探测系统,对车辆振动信号的数据进行采集与检测。根据传感器的输出可判断周围空间内车辆的存在与否,并对该信号进行试验研究,试验结果表明：车辆与人的信号输出有很大的差异,从而可以区分人和车辆。当车辆沿不同距离通过传感器时,传感器输出变化规律不同,故该信号采集与探测能探测车辆。     

基于EMG信号的无声语音识别应用及实现

提出了基于肌电信号（EMG）的无声语音识别系统。由于该系统是通过EMG信号而非声音信号进行识别,因此可应用于高噪声环境和帮助失去发音能力的人实现无声交流,有着良好的应用前景。关于该系统的实现,提出了以下方法：实验时使用0—9十个中文数字,由受试者不发声地重复说出,从三块面部肌肉采集EMG信号;对EMG信号进行小波变换,获取变换系数矩阵后提取其能量值,构造特征矢量送入BP神经网络分类器分类。实验表明,基于小波变换的特征提取方法是一种有效的方法．适用于类似EMC信号的非平稳生理信号。     

PWM型VLSI神经网络在故障诊断中的应用

An improved pulse width modulation (PWM) neural network VLSI circuit for fault diagnosis is presented, which differs from the software-based fault diagnosis approach and exploits the merits of neural network VLSI circuit. A simple synapse multiplier is introduced, which has high precision, large linear range and less switching noise effects. A voltage-mode sigmoid circuit with adjustable gain is introduced for realization of different neuron activation functions. A voltage-pulse conversion circuit required for PWM is also introduced, which has high conversion precision and linearity. These 3 circuits are used to design a PWM VLSI neural network circuit to solve noise fault diagnosis for a main bearing. It can classify the fault samples directly. After signal processing, feature extraction and neural network computation for the analog noise signals including fault information, each output capacitor voltage value of VLSI circuit can be obtained, which represents Euclid distance between the corresponding fault signal template and the diagnosing signal, The real-time online recognition of noise fault signal can also be realized.     

全光纤安防系统模式识别及混合编程

介绍了全光纤监控预警系统及其模式识别算法。利用小波包分解对信号提取各频段内信号分量能量谱作为特征向量;应用速度与精度均非常出色的RBF神经网络实现信号分类,提高网络泛化能力。利用MATLAB引擎、组件对象模型(COM)两种混合编程方法实现将MATLAB算法程序集成到VC编写的系统平台中。使用文本文件存取网络数据,克服了MATLAB无法编译神经网络工具箱函数的缺陷,并从操作复杂度、执行时间、消耗内存等方面对两种方式进行对比,最终选定组件对象模型作为系统应用方案。     

基于多通道sEMG小波包分解特征的人手动作模式识别方法

为了满足主动康复训练和人机交互等复杂应用场景对多样性的人手运动模式识别需求,提出了一种基于多通道表面肌电信号sEMG小波包分解特征的人手动作模式识别方法。通过实验对比分析,确定了最佳采样布局方案,通过采集前臂表面肌电信号,设计了基于数字滤波器的肌电信号活动段自动标识算法,能快速准确完成样本动作标签的制作。以原始肌电信号的小波包分解系数作为特征向量训练分类器。通过对比不同隐含层节点数对分类器模式识别准确率的影响,最终确定BP神经网络模式分类器的所有结构参数。设计并训练完成了BP神经网络人手运动模式分类器。对9种手部运动的平均识别率达到93.6%,计算时间小于150ms。