应用小波包变换和主成分分析识别亚健康状态

为了评估亚健康状态,提出一种基于心电信号小波包变换和主成分分析的亚健康状态识别新方法。采用小波包变换对心电信号进行特征提取;再利用主成分分析（PCA）对所提特征进行降维处理,以剔除特征之间的冗余信息;最后应用线性判别式分析（LDA）对亚健康状态进行分类识别。研究结果显示,该方法能获得较高的识别率,对于实现亚健康状态的评估具有一定的参考价值。     

基于小波包与PCA方法对水下目标识别研究

水下目标信号的分类识别一直是信号处理工程领域的研究难点.针对水下信号发声机理十分复杂与成分多样,导致表征其特征的数据量较大且维数较高,目标识别率低.要解决上述问题,需要很大的计算成本,并影响识别特性量的效率,提出了一种采用小波包与主分量分析(Principal Component Analysis,PCA)相结合的特征提取方法.通过小波包分解与重构得到水下目标辐射噪声的初始特征;用PCA方法实现对高维特征向量的优化处理.采用BP神经网络作为分类器对三类目标进行识别仿真.结果表明,减少计算量的同时,水下目标信号得到了较好的优化提取.     

基于Gabor小波变换与分块PCA的人脸识别

由于Gabor小波描述的人脸特征维数太高,直接将Gabor小波提取的特征进行识别时出现计算量大、实时性差的问题,提出了基于Gabor小波变换与分块主分量分析的人脸识别新算法。首先对人脸图像进行Gabor小波变换得到人脸图像特征,然后用分块主分量分析方法对其进行降维、提取特征向量,最后用最近邻分类器分类识别。在ORL和NUST603人脸库上进行实验,结果表明,该方法的识别率优于传统PCA、分块PCA、Gabor小波变换与PCA结合的方法。     

齿轮箱状态监测中的振动信号多标度分析

利用齿轮箱振动信号的自相似性,以局域标度分析算法提取齿轮箱振动信号中包含的微弱设备状态特征信息,将局域标度指数与主成分分析法相结合,通过提取局域标度指数多元统计量的低维主分量对齿轮箱状态进行监测。实验结果证明,该方法具有较高的检测效率和准确识别率。     

高速列车转向架故障信号的小波熵特征分析

为了对转向架关键部件进行及时的性能检测和故障诊断, 实验选用高速列车转向架典型故障振动信号, 先进行小波分解, 在各个子频带上提取小波熵特征, 用于反映振动信号在各尺度上的复杂程度。在多个小波熵特征张成的高维特征空间中对四种转向架典型故障工况进行支持向量机分类识别, 实验结果表明识别率随运行速度逐步提高, 在速度达到200 km/h时得到了90%以上的识别率, 验证了小波熵特征对于高速列车故障信号分析的有效性。     

基于小波熵的辐射源指纹特征提取方法

在对辐射源信号进行小波分析的基础上,提出一种基于小波熵的辐射源指纹特征提取方法。 首先计算辐射源信号的功率谱,对功率谱进行连续小波变换,提取不同尺度下小波系数的熵 特征作为辐射源信号指纹特征。识别分类器采用概率神经网络,对20部手持机进行识别实验 ,并与传统矩形积分双谱进行对比。实验结果表明,该方法能够把辐射源信号的时频特性信 息通过小波系数的熵特征映射到特征向量中,从而实现对辐射源个体的有效识别,而且该特 征参数对噪声干扰不敏感,在信噪比为20 dB时,系统识别率达到95%以上,在信噪比为5 dB 时系统识别率仍优于80%,验证了所提方法的有效性。     

基于时间序列数据挖掘的地铁车门亚健康状态识别方法

针对地铁门在开关过程出现的一些亚健康状态难以识别情况,提出一种基于时间序列数据挖掘的地铁车门亚健康状态识别的方法。该方法首先通过多尺度滑动窗口的方法并结合拓展符号聚集近似（ESAX）字符化算法对车门电机的转角、转速和电流数据进行字符化;然后计算其与车门正常运行状态下模板曲线之间的距离作为特征量,并使用主成分分析（PCA）法进行降维;最后结合基础特征利用分层模式识别模型对各类亚健康状态由粗到细逐层进行识别。以实测车门电机数据为例验证了所提方法的有效性。实验结果表明,该方法能够有效区分各类亚健康状态,识别率可达到99%。     

基于小波包能量熵的电能质量扰动识别

提出了一种基于小波包能量熵的电能质量扰动识别方法。该方法对仿真的扰动电压信号进行4层小波包分解,提取小波包能量熵特征向量,利用主分量分析法提取电压信号的小波包特征向量并输入到概率神经网络(PNN)进行扰动识别,实现了扰动样本的最优压缩,简化了扰动分类中神经网络分类器的结构,提高了神经网络扰动识别的速度和精度。仿真结果表明,该方法具有良好的扰动识别能力。     

基于小波多尺度和熵在图像字符特征提取方法的改进

提出了一种基于小波和熵提取图像字符特征的方法。该方法利用小波变换对图像字符进行多尺度分解,用Marr零交叉边缘检测算子提取边缘;用基于判别熵最小化提取每一尺度图像的边界特征,小波的“数学显微镜”的优点与熵能确切地表达各类的交叠状况且能直接表达错误率的特征相结合。与其它方法相比,该方法提取的特征向量稳定、识别率高、算法快,非常有利于分类,且特征提取的方法有人类视觉的特点。     

基于PCA-LBP特征的掌纹识别研究

关于掌纹特征提取要求提高识别率,局部二值模式(LBP)掌纹识别,提取的特征维数高,特征之间存在一定冗余,导致掌纹识别率较低.为了提高掌纹识别率,提出一种主成份分析(PCA)的LBP的掌纹特征提取方法(PCA-LBP).首先对掌纹图像进行灰度预测,采用LBP算法计算灰度直方图,得到256个灰度对应的像素数据,将其作为掌纹图像的原始特征,用主成分分析方法消除各特征之间的高度冗余性,并有效地降低了特征集的维数,得到了最有利于识别的最佳特征.根据最小欧式距离判别法对掌纹图像的进行识别,对PolyU标准库中的掌纹进行仿真实验,结果表明,相比传统的LBP算法和离散小波变换提取算法,可以提较少的特征维数取得了更高的的识别率,说明改进算法既不会丢失掌纹图像的原有信息,提高了识别率.