基于小波包分解的舰船辐射噪声特征提取方法研究

由于舰船辐射噪声有其自身的非高斯、非线性和非白噪声的非平稳特性,传统时域或频域的信号处理方法不能满足对这类信号的处理.而小波包变换对信号的非平稳特性有适应性.本文通过利用小波包变换分解舰船的辐射噪声,统计噪声在各个频段上的能量分布,将统计的分频段能量作为舰船的目标特征,实现舰船目分类识别标的目的.结合Matlab对舰船辐射噪声进行仿真,提取的目标一和目标二的特征,实现了舰船的分类识别的目的,验证的方法的有效性.     

基于1（1/2）维谱与K-L变换的被动声纳目标识别

采用基于1（1/2）维谱分析与K-L变换相结合的特征提取方法,获取被动声纳噪声信号的有效识别信息,对被动声纳的目标信号进行分类。首先对被动声纳噪声进行1（1/2）维谱子带能量的特征提取,然后运用K-L变换实现高维特征向量的降维,剔除冗余特征,并以BP神经网络作为分类器对三类目标进行识别与分类。计算机仿真结果表明,该方法具有较好的分类效果和稳健性。     

基于全局动力学的舰船辐射噪声微结构研究

介绍了以多项式拟合的方法进行信号重构的非线性动力学模型 ,选取少量的拟合系数作为衡量信号与干扰的特征差异的表征量 ,构成“动力学分类器”。数据分析结果表明了该方法的有效性 ,得出的结论表明舰船辐射噪声具有与海洋背景干扰不同的非线性动力学特征 ,且不同目标之间的非线性动力学特征也不相同 ,这为舰船辐射噪声的非线性动力学建模及其用于检测与分类奠定了基础     

基于小波包分解的图像信息隐写盲检测

基于小波包分解,提出了一类新的具有较高检测正确率的图像信息隐写盲检测方法.首先对图像进行小波包分解得到多个子带,从子带系数以及图像像素中提取直方图特征函数多阶绝对矩作为特征,然后对提取的特征进行预处理并设计BP神经网络分类器进行分类.针对LSB、SS、Jsteg、F5及MB等典型隐写的实验表明:此方法相比现有的典型盲检测方法,正确检测率提高约7.5%～17.2%,且具有更好的通用性.此外,还讨论了整数和非整数小波包分解对检测结果的影响.     

基于仿真雷达图像的低空风切变类型识别研究

采用基于小波变换提取纹理特征和BP神经网络对低空风切变的类型识别进行仿真研究。利用已有的仿真雷达数据生成仿真雷达扫描图像,通过阈值分割提取风切变区域,之后对其进行二层小波分解,求取各子带小波系数的均值和标准差作为特征向量。最后利用BP神经网络对特征向量进行识别分类。仿真结果比较理想,表明算法具有良好可行性。     

基于小波包和支持向量机的故障诊断方法研究

基于支持向量机（SVM,support vector machine）对小样本决策具有较好的学习推广性,本文提出一种基于小波包和支持向量机的故障诊断方法,通过小波包分解系数求取频带能量,并根据各个频带的能量的变化提取故障特征,应用LSSVM（least squares support vector machines）进行故障分类。实验结果表明,支持向量机分类器优于传统的BP神经网络和RBF神经网络分类器,识别率较高,具有更强的泛化推广能力。     

基于小波包能量熵的鱼类识别研究

提出了一种基于小波包能量熵作为鱼体回波声信号的识别特征量,用以实现不同种类鱼体的分类识别。通过在消声水池中完成鲫鱼、草鱼和鲳鱼三种不同种鱼体的回波声数据提取采集实验,进行了数据预处理,并利用小波包能量熵算法计算鱼体回波声信号的识别特征量,再分别通过BP神经网络和支持向量机两种分类器进行了分类,分类识别效果较好,识别率分别达到了76.1%和82.2%。验证了小波包能量熵对于鱼体回波声信号识别的有效性。     

基于小波变换的海空背景下小目标检测研究

小目标检测问题是电视跟踪领域的一项关键技术,针对海空背景下少像素的舰船目标,根据其背景不均匀以及海面噪声干扰大,舰船像素少,但是存在相对连续的目标小块区域的特征,用一定尺度的小波变换对不同子带自适应选取阈值来去除噪声干扰、抑制背景,同时结合灰度形态学滤波能很容易地检测出小目标.实验结果表明:该算法能够有效地检测出强噪声和背景干扰情况下的舰船目标.     

船舶辐射噪声的模糊神经网络分类

该文研究了船舶辐射噪声的谱特征和分形特征,并利用这两个特征作为船舶分类的依据;同时阐述了以模糊神经网络为分类器所具有的独特优越性．分类处理获得了较为满意的结果．     

船舶辐射噪声的模糊神经网络分类

该文研究了航船辐射噪声的谱特征和分形特征,并利用这两个特征作为航船分类的依据,同时阐述了以模糊神经网络为分类器所具有的独特优越性。分类处理获得了较为满意的结果。     

基于神经网络的滚动轴承故障诊断智能方法

提出了基于神经网络的滚动轴承故障诊断方法.以滚动轴承小波分解后的能量信息作为特征,通过神经网络作为分类器对滚动轴承故障进行识别.经过实验表明,该方法对于滚动轴承的故障诊断具有一定的应用价值, 并可方便地推广到其他类似的诊断领域.     

基于ICA与BP神经网络相结合的人脸识别研究

提出了独立成分分析和BP神经网络相结合的人脸识别方法。首先对人脸图像进行小渡分解。提取人脸图像的低频子带图像，然后用被立成分分析方法对低频子带图像进行特征提取，并用改进的BP神经网络时所提取的人脸特征进行分类识别。在AR人脸图像库中进行的实验表明，此方法取得了较高的识别率。     

模拟电路故障诊断的小波包预处理神经网络改进算法

提出了基于小波包预处理的神经网络模拟电路故障诊断方法的两种改进方法:最优小波包变换(OWPT)预处理和不完全小波包变换(IWPT)预处理BP神经网络算法。首先对模拟电路的响应信号用这两种方法进行预处理,然后计算预处理后信号各个频段上的归一化能量,把归一化的能量作为训练样本送给BP网络进行训练,有效减少了BP网络的输入节点和隐层节点的个数,从而减小了神经网络的规模,降低了计算的复杂度,加快了网络的训练和收敛速度。仿真实验表明此方法能够快速有效的对模拟电路的故障进行诊断和定位。     

基于遗传算法和BP模糊神经网络的红外步态识别

为了提高红外步态识别精度的目的,采用分别基于小波描述子特征的模糊分类器识别和基于体形平均灰度图特征的贝叶斯分类器识别,再进行基于遗传算法和BP模糊神经网络的多分类器融合识别的新方法。做了基于中科院红外步态数据库的识别仿真实验,获得识别率、等错误率和累积匹配分值的实验数据及对比结果,得到多分类器融合识别比单分类器识别提高约10%识别率,降低约10%等错误率,完全收敛阶数提高1倍多的结论。具有识别精度高、收敛速度快的特点。     

一种自适应的小波神经网络

本文受感知域划分思想的启发，将小波的多分辨分析与BP网结构相结合，构造了一种新的小波神经网络．该小波神经网络利用多分辨分析生成小波树，小波树的生长与网络的训练相结合，自适应地生成隐层结点，并且删除分类不佳的结点．以声纳信号进行了实验，结果表明：该网络充分发挥了小波的特点，将模式识别的特征抽取与分类器设计融为一体．     

基于BP神经网络的地震动信号识别

通过数据采集得到三种不同类型车辆的地震动信号,采用小波消噪和特征提取,得到样本数据对神经网络进行训练,训练完成的神经网络就能实现车辆类型的识别。试验结果表明,BP神经网络对车辆目标具有较高的识别率,证明对地震动信号的特征提取方法是正确的,人工神经网络是有效的目标识别方法。     

基于小波能量系数和神经网络的管道缺陷识别

利用基于小波能量系数的BP神经网络方法对管道焊缝和管道凹槽进行分类识别。建立了导波检测系统,采集了管道凹槽缺陷和焊缝的多组检测信号样本,从信号样本中提取出小波能量系数,并将小波能量系数应用于BP神经网络的训练与识别。结果表明,该方法对管道缺陷的识别准确率较高,且识别效果稳定,在随机抽取信号样本进行的5次试验中,对焊缝和凹槽的最低识别准确率分别为92%和98%,最高识别准确率均为100%。     

基于中心矩特征和GA-BP神经网络的雷达目标识别

在雷达目标识别中,利用核主分量分析（KPCA）方法来进行目标特征提取,忽略了高分辨率距离像（HRRP）的本身特性。提取一种平移不变特征-中心矩作为特征向量,采用KPCA进行特征降维;由于BP神经网络易陷入局部极小,采用遗传算法（GA）对BP网络节点权值和阀值进行优化选择。基于雷达实测数据的实验结果表明:平移不变的KPCA特征提取方法实现了平移不变和降维的结合,同时,利用GA优化BP神经网络提高了分类器稳定性改善易陷入局部最小的缺陷,提高了雷达目标识别的性能。     

基于光电混合功率谱分析的BP神经网络分类器在癌细胞筛选中的应用

基于光电混合功率谱分析的ＢＰ神经网络分类器在癌细胞筛选中的应用张以谟，史韦，李贺桥（天津大学现代光学仪器研究所）ＡｎＡｐｐｌｉｃａｔｉｏｎｏｆＢＰＮｅｕｒａｌＮｅｔｗｏｒｋｆｏｒＣａｎｃｅｒＣｅｌｌＰａｔｔｅｒｎＲｅｃｏｇｎｉｔｉｏｎＢａｓｅｄｏｎｔ...