基于小波包主元分析的表面肌电信号特征识别

针对表面肌电信号(SEMG)的非平稳性及小波包变换系数维数过高的问题,提出一种小波包主元分析和线性判别分析相结合的表面肌电信号动作特征识别新方法。以表面肌电信号用于智能轮椅为例,对采集到的两路SEMG信号进行小波包主元分析,提取SEMG信号的运动特征矩阵,并将运动特征矩阵输入到线性判别分类器进行分类,实现了前臂动作识别。试验表明:该方法能够将小波包系数矩阵由16维降到4维,并且对前臂的四种动作模式(握拳、展拳、手腕内翻和手腕外翻)的平均正确识别率达98%,与传统的小波包变换相比有较高的识别率。     

融合小波包和神经网络的脑电信号处理方法

针对运动想象脑电信号处理中分类准确率较低的问题,提出了一种基于能量（二阶矩）小波包变换和莱文伯格-马夸特神经网络算法相结合的运动想象脑电信号处理方法.首先,利用能量方法对信号进行时域分析,选取有效的时序段;然后,使用小波包变换对所选有效时域段的各导信号进行时频分解,选取与想象任务相关的频段信息重构脑电信号特征;最后,将各导信号重构的特征串接,导入基于莱文伯格-马夸特训练算法的神经网络实现最终的任务分类.利用2个脑电信号标准竞赛数据库进行方法验证,分别取得了95.62%和90.13%的分类准确率.与近期的一些研究成果进行对比,可知该方法具有较好的分类效果.     

基于小波包和ICA的ERD/ERS脑电信号特征提取

在脑机接口研究中,针对运动想象脑电信号的特征提取,采用了一种优化的基于小波包的ICA（独立成分分析）法,用于提取大脑在想象动作时产生事件相关去同步/同步（Event Related Desynchronization or Event Related Synchronization ERD/ERS）信号。利用小波包对脑电信号进行分解去除不同脑电信号之间的统计相关性,抽取包含ERD/ERS现象的特征频带,对每个特征频带分别进行ICA分解,获取与ERD/ERS现象相关的μ节律和β节律。最后引入ERD/ERS系数作为量化指标进行想象动作的识别。分类仿真结果表明,上述方法能够显著增强运动想象脑电信号的ERD/ERS特征信息,对比与独立使用某一种方法,两种方法结合更能有效的提取脑电信号特征波。     

基于小波包法与CSSD的P300特征提取方法

针对P300电位信号微弱、抗干扰能力差、识别率低等问题,提出一种小波包变换(wavelet packet transform,WPT)与共空域子空间分解法(spatial subspace decomposition,CSSD)相结合的特征提取方法,即WPCSSD法.首先,对脑电信号进行叠加平均以提高信号的信噪比;其次,使用小波包法对脑电信号进行滤波,并依据P300电位的有效时频信息重构脑电信号;然后,求取其AR模型功率谱,并基于CSSD法构造空间滤波器,获得能体现P300电位时-频-空特征的特征向量;最后,以支持向量机为分类器进行分类.实验结果表明:本方法具有较强的抗干扰能力和自适应能力,在国际BCI竞赛数据集上获得了95.22%的分类正确率,证明了本方法的正确性和有效性.     

基于SVM的4类运动想象的脑电信号分类方法

针对传统支持向量机分类方法在脑电信号处理中存在分类正确率低的问题,将聚类思想与二叉树支持向量机结合构造多类SVM分类器.实验以“BCI Competition 2005”中的DatasetⅢa为例,先对采集的4类运动想象脑电信号应用小波变换进行去噪;再在分析小波包频带划分特点的基础上,利用小波包进行分解与重构,获取相应的能量特征;最后应用改进后的支持向量机(SVM)分类方法对特征信号进行分类.结果表明该方法分类正确率较高,可以达到91.12％,并且有效的减少了分类器的个数,最终达到较好的识别效果.     

一种多特征提取的脑电情感识别方法

针对如何有效地缩小不同受试者脑电信号之间的波动和差异,提高分类精度的问题,提出一种多特征提取算法用于脑电情感识别.首先,采用数据空间自适应算法对脑电信号数据进行空间线性变换,使目标空间与源空间之间的差异最小化.再采用共空间模式将数据空间自适应变换后的信号变换到一个最优子空间,使两类之间的方差差异最大,将共空间模式处理后的数据作为数据空间自适应算法的输入数据,反复迭代多次.然后提取功率谱能量特征和小波包能量特征,最后采用Bagging tree、SVM、线性判别分析和贝叶斯线性判别分析进行情感分类.实验结果表明,所提算法相比于主成分分析算法在分类精度上提高了0.151 4;相比于只进行DSA-CSP迭代和提取小波包能量,在分类精度上提高了0.103 4;相比于只进行DSA-CSP迭代和提取功率谱密度,在分类精度提高了0.095 8,所提算法有效缩小了不同受试者脑电信号的波动和差异,提高了分类精度.     

基于小波变换共空间模式的脑电信号解码

针对运动想象脑电信号实现任务少、识别准确率低等问题,提出了一种基于小波包分解的共空间模式脑电信号特征提取方法。该方法通过长短期记忆网络进行脑电信号解码,采用独立成分分析的方法将运动想象信号进行盲源分离,采用小波包分解方法将每个通道脑电信号按频率分为8组。计算每组信号的功率值,采用递归特性消除方法去除对分类不重要的10个节点特征,将被选择的节点信号采用1对1共空间模式提取空域特征,将特征矩阵输入长短期记忆网络进行脑电信号解码,得到4类运动想象信号分类结果。采用本文方法对公开的脑机接口竞赛数据集(包括左手想象信号、右手想象信号、舌头想象信号、双脚想象信号)前3位受试者数据进行验证,结果表明：本文方法的识别准确率分别为90.28%、94.25%、96.55%,平均识别准确率达到93.69%。与其他方法对比,本文方法识别准确率较高。用识别的脑电信号作为解码控制信号,控制虚拟太空环境中的空间机械臂顺时针或逆时针运动,达到抓取空间中目标物体的目的。     

基于小波包和改进EMD的脑电信号消噪研究

由于采集到的脑电信号含有噪声,提出了总体经验模态分解(EEMD)的希尔伯特黄变换(HHT)结合小波包分析的脑电信号去除噪声的方法。含噪脑电信号经EEMD分解可以得到一定数量的IMF分量,而且可以解决经验模态分解(EMD)时的模态混叠问题,然后,对IMF分量进行Hilbert变换,分析Hilbert谱,把含噪的IMF部分进行小波包处理,最后,把各IMF相加,可得处理过噪声的脑电。经验证得,单独使用小波包方法消噪和改进EMD消噪,都没有小波包结合改进EMD方法的信噪比高,提高了去噪效果,有利于更精确的诊断医学疾病。     

一种改进的雷达信号小波包特征提取方法

针对低信噪比下雷达辐射源信号分类问题,提出一种基于小波包特征提取的改进方法。首先对信号进行小波包分解,然后在小波域采用阈值收缩降噪方法对小波包系数进行去噪处理,并提取去噪后小波包能量的统计特征,最后设计支持向量机分类器实现对雷达信号的自动分类。实验结果表明,采用去噪小波包的特征提取方法能有效降低噪声对信号识别效果的影响,当SNR=-3dB时,信号的平均识别率仍能到达93．3％,在较低信噪比下能够得到较为满意的识别效果。     

基于小波分析和神经网络的渗碳层深度分类

提出了一种基于小波理论的新的特征值提取方法,较全面地反映了信号的时频特征,并将小波包提取的特征值输入到BP网络,对7种不同渗碳层深度的试件进行了分类.实验结果表明,小波包特征值提取和BP神经网络分类器相结合,可以实现对不同渗碳层深度的分类,其效果良好、精度较高,有一定的实用价值.     

小波包变换在电力负荷特征信号提取中的应用

为了给电力系统不良数据辨识提供良好的数据基础,提出了一种新的基于小波包除噪的方法来提取电力负荷特征信号.该方法将不良数据看成是被淹没在大量的噪声信号中特征信号,通过比较小波包除噪法与小波除噪法对信号消噪的效果,得出结论:小波包除噪法有较好的消噪能力,为电力负荷特征信号的提取提供了有效的分析方法.     

转子叶片裂纹故障特征提取研究

小波包分解能对信号高、低频部分局部进行细化并具有保留原信号时域特征的优点，是一种对非平稳信号进行有效识别的技术．文中从采集到的有叶片裂纹时的振动信号，用德比契斯小波对包含叶片裂纹故障的振动信号作4尺度小波包分解，通过选取适当的频段用小波包重构算法进行信号重构，提取叶片裂纹故障的特征，从而实现转子叶片裂纹故障诊断．     

基于最佳小波包基的边海防声目标识别

针对于将声音识别技术应用于边海防目标的识别,提出了一种新的基于最佳小波包基的特征提取方法。具体方法是首先根据边海防声音信号的频率分布特征,对这些信号进行有选择地多尺度小波包分解,获取最佳小波包树,然后将相应的最佳小波包基的能量值归一化后作为特征向量,再将这些特征向量输入BP神经网络训练,用训练好的神经网络对边海防声音信号进行识别。仿真结果表明:在噪声条件下,利用此特征提取方法,识别率达到94%,比基于小波包分解的特征提取方法的识别率高出6个百分点。     

损伤声发射信号小波包神经网络特征识别方法

在材料损伤的检测和评价时,为了在大量接收信号中识别有效声发射信号,提出了一种基于小波包特征提取的损伤声信号神经网络识别方法,首先利用小波包全局分解的优势,准确提取非平稳信号的特征信息,建立相应特征向量,对有效声发射信号和干扰噪声信号进行表征;然后根据特征向量和识别输出要求,建立了3层结构的反向传播神经网络对信号进行分析和识别,滤除噪声信号,保留有效声发射信号;最后,在玻璃钢复合材料的声发射实验中,采集了400组信号对该方法进行验证,准确性达到97.5%,能够满足工程需要.     

爆心距对爆破振动信号频带能量分布的影响

根据爆破振动信号具有短时非平稳的特点,利用小波包分析技术对满足分析要求的多段微差爆破振动信号的能量分布特征进行研究。首先,简略地介绍了小波变换与小波包分析的特点。其次,基于MATLAB对爆破振动信号进行小波包分析,得到了爆破振动信号在不同频带上的能量分布图。最后,总结了爆破振动信号频带能量的分布规律,重点探讨了爆心距对爆破振动信号频带能量分布的影响。结果表明,爆破震动信号在传播过程中,其主振频带有往低频发展的趋势,且宽度增加。     

提升小波包在滚动轴承故障特征提取中的应用

为从滚动轴承振动信号中提取出故障状态信息的特征,针对信号的特点和提升小波包变换性质,采用提升小渡包最优分解法获得故障敏感特征频带,对各频带进行标准化向量特征构造,提取出各个频带的故障特征。结果表明,滚动轴承故障信号的敏感特征频带能量集中明显,故障特征得以有效的提取出来。     

小波包特征熵-神经网络在轴承故障诊断中的应用

提出了一种基于小波包特征熵-神经网络的轴承故障诊断新方法。首先对采集到的轴承的振动信号进行三层小波包分解,提取小波包特征熵,然后构造信号的小波包特征向量,并以此向量作为故障样本对三层BP神经网络进行训练,实现智能化故障诊断。仿真结果表明该方法有效可行。     

小波包分解在超声检测缺陷回波信号处理中的应用

超声检测过程中,由于缺陷回波是一种含噪瞬态脉冲信号,很难有效地将其与各种噪声“分离”开来。介绍一种基于小波包分解的缺陷回波多尺度空间能量特征提取方法,对焊缝超声回波信号进行了特征提取,并采用基于距离的类别可分性判据对提取结果进行了评价。     

Mine-hoist fault-condition detection based on the wavelet packet transform and kernel PCA

A new algorithm was developed to correctly identify fault conditions and accurately monitor fault development in a mine hoist. The new method is based on the Wavelet Packet Transform (WPT) and kernel PCA (Kernel Principal Component Analysis, KPCA). For non-linear monitoring systems the key to fault detection is the extracting of main features. The wavelet packet transform is a novel technique of signal processing that possesses excellent characteristics of time-frequency localization. It is suitable for analysing time-varying or transient signals. KPCA maps the original input features into a higher dimension feature space through a non-linear mapping. The principal components are then found in the higher dimension feature space. The KPCA transformation was applied to extracting the main nonlinear features from experimental fault feature data after wavelet packet transformation. The results show that the proposed method affords credible fault detection and identification.