基于局部特征尺度分解法的声反馈抑制算法

出于抑制扬声系统中声反馈的目的,通过对已有方法的总结,本文提出基于新时频分析法——局部特征尺度分解法(Local characteristic-scale decomposition,LCD)的声反馈抑制新算法：通过一次分解,分离出局部特征最明显的内禀尺度分量(Intrinsic scale component,ISC)——啸叫单频分量,并以此算法为理论基础,给出了基于DSP的系统设计。对导入的语音信号叠加啸叫单音进行仿真分析,分析结果表明：此方法能有效分离语音与啸叫单音,并且可完好保留语音信息。     

基于集合经验模态分解敏感固有模态函数选择算法的滚动轴承状态识别方法

为了更有效地提取滚动轴承各状态振动信号的特征,该文提出了一种基于集合经验模态分解(EEMD)的敏感固有模态函数(IMF)选择算法。该算法对振动信号经EEMD分解后得到的固有模态函数采用峭度值、相关系数相结合的方法自动提取其敏感分量,以此获得振动信号的初始特征。再运用奇异值分解和自回归(AR)模型方法得到滚动轴承各状态振动信号的特征向量,并将其输入到改进的超球多类支持向量机中进行智能识别,从而实现滚动轴承的正常状态,不同故障类型及不同性能退化程度的各状态识别。实验结果表明,相比基于经验模态分解结合自回归模型或奇异值分解的特征提取方法,该方法可更有效地提取滚动轴承故障特征信息,且识别精度更高。     

基于EMD分解与1-D CNN算法的光纤振动信号的识别

为提高基于相敏光时域反射计(-OTDR)的分布式光纤声传感系统(DAS)对入侵振动事件的识别准确率,提出一种基于经验模态分解(EMD)与一维卷积神经网络(1-D CNN)相结合的识别方式。该方式首先使用EMD将振动信号分解为m阶本征模函数(IMF),然后使用皮尔逊相关系数(PCC)判断出有效的IMF分量,将有效的IMF分量使用小波阈值去噪算法(WTD)进行去噪,对所有去噪后的IMF分量求和得到重构信号,最后使用1-D CNN对重构信号进行识别。实验证明该识别方式能快速完成对识别模型的训练,训练时间小于3min,并且能有效识别在实际环境中采集的入侵振动信号,对入侵信号的识别准确率可达98.3。     

改进的HHT变换在光纤振动模式识别中的应用

针对双马赫-曾德尔(M-Z)干涉型光纤振动传感系统输出信号非线性、非平稳特点,提出基于互补总体经验模态分解(CEEMD)的希尔伯特-黄变换(HHT)模式识别算法。该算法采用CEEMD将振动信号分解成多个本征模态函数(IMF),利用各阶IMF的归一化自相关函数筛选出噪声分量进行中值滤波;然后对各阶IMF分量做Hilbert变换,基于Hilbert边际能量谱构造特征向量;最后利用概率神经网络(PNN)实现振动信号的模式识别。对四种典型光纤振动信号的实验验证表明,算法的平均正确识别率最低可达85%。     

基于VMD与MFE的光纤周界安防入侵事件识别北大核心CSCD

为了提高周界入侵事件的识别率,本文提出一种基于超弱光纤光栅(UWFBG)阵列的光纤周界入侵事件识别方法。该方法通过变分模态分解(VMD)将入侵信号进行分解,然后选择最佳分量并提取其多尺度模糊熵(MFE),与信号过零率(ZCR)相结合构造特征向量,将其输入到Sigmoid函数拟合的支持向量机(SVM),实现对晃动、剪切、刮风、下雨和无入侵5种不同的事件的识别。实验表明,该方法可以准确识别5种常见的事件信号,平均识别率达到98%。此外,该方法可以在输出各入侵事件类别的同时输出各类事件发生的概率值。     

基于小波变换的网络流量异常监测仿真实验

为有效定位识别和提取网络流量序列的暂态性异常特征,针对网络异常流量特征扰动性和暂态性特点,提出一种基于小波分解的二叉分类回归决策树主分量特征优化跟踪特征提取算法。利用训练集建立决策树模型,采用二叉分类回归决策树模型进行主分量特征优化跟踪建模,利用双正交提升小波分解得到的各层细节信号对暂态性扰动特征的敏感性,通过小波分解得到各层细节信号,将提取的小波分层细节信号的奇异值分解特征再返回到决策树主分量特征优化跟踪模型中,实现网络流量异常特征的定位提取和识别。仿真实验表明,改进算法的抗干扰能力和分辨率提高显著,暂态性异常特征谱图分辨能力提高,异常特征分布谱清晰可见,展示了较好的特征提取和状态识别性能。     

基于VMD和BP神经网络的轨道病害诊断方法

针对从非线性、非稳态的轨枕振动信号中提取病害特征困难的问题,文中提出一种基于变分模态分解和多尺度排列熵的轨道病害特征提取方法,并采用BP神经网络病害诊断模型进行病害识别.利用变分模态分解方法将采集到的振动加速度信号进行分解,得到若干个本征模态分量.计算这些本征模态分量的多尺度排列熵值,将其作为轨道病害的高维特征向量,以...     

基于光纤布拉格光栅传感的齿轮故障检测方法

针对齿轮故障难以识别的问题,提出了一种用于齿轮异常状态识别的自适应噪声补偿聚合经验模态分解方法。利用光纤布拉格光栅(FBG)传感器提取齿轮的振动信号,通过自适应补偿高斯白噪声使振动信号频谱均匀化,以消除经验模态算法分解产生的模态混叠现象。利用相关系数和峭度值组成综合评价指标来选择有效分量,并提取其特征,采用支持向量机对齿轮故障进行识别与分类。实验结果表明:所提方法能有效地识别齿轮的不同状态(正常、轻度磨损、重度磨损、点蚀、裂纹以及断齿等),识别正确率均在90%以上。     

基于集合经验模态分解和信号结构分析的心电信号R波识别算法

R波作为确定心电信号各波段的重要参考,是心电自动分析的前提。针对大多数R波识别算法的预处理过程影响识别准确度和耗时问题,该文提出一种基于集合经验模态分解(EEMD)和信号结构分析的算法对带噪心电信号(ECG)的R波直接进行识别。首先通过EEMD将带噪声的心电信号分解成一系列本征模态分量,然后对分解后的各模态分量作独立成分分析以提取出R波特征最明显的成分,对该成分进行结构分析,从而实现对R波的准确定位。仿真结果表明,该文算法对带噪声心电信号的R波识别具有更优性能,对异常心电信号的R波识别也具有明显效果。     

基于集合经验模态分解和信号结构分析的心电信号R波识别算法

R波作为确定心电信号各波段的重要参考,是心电自动分析的前提.针对大多数R波识别算法的预处理过程影响识别准确度和耗时问题,该文提出一种基于集合经验模态分解(EEMD)和信号结构分析的算法对带噪心电信号(ECG)的R波直接进行识别.首先通过EEMD将带噪声的心电信号分解成一系列本征模态分量,然后对分解后的各模态分量作独立成分分析以提取出R波特征最明显的成分,对该成分进行结构分析,从而实现对R波的准确定位.仿真结果表明,该文算法对带噪声心电信号的R波识别具有更优性能,对异常心电信号的R波识别也具有明显效果.     

基于MEEMD-HHT的分布式光纤振动传感系统信号特征提取方法

实际应用中,分布式光纤振动传感系统所测信号多为非平稳随机信号,对其进行模式识别的关键是准确获取信号的幅值-时间-频率瞬时特征。现有的相关研究表明,经验模态分解EMD方法结合希尔伯特变换可获得所测信号中固有模态分量的瞬时能量和瞬时频率,但存在模态混叠问题,后续改进的总体经验模态分解EEMD方法存在伪分量,重构误差大,互补经验模态分解CEEMD方法减小了重构误差的同时增加了运算量,无法保证特征提取与分类的效率与准确性。文中基于改进型经验模态分解方法结合希尔伯特变换MEEMD-HHT方法实现分布式光纤振动传感系统的特征提取,引入的排列熵的评价机制优化了分解过程中随机噪声迭代次数,通过仿真分析与实验对比,验证了该方法可有效解决上述方法中存在的问题,使系统在处理时间、特征准确度等性能皆有提高。实验结果表明,所提出的方法对于单频振动信号平均特征提取准确率达99.2%;对于混频振动信号平均特征提取准确率达98.1%,相对于EMD和CEEMD分别提高15.6%和7%,算法平均耗时最短,为3.8259 s,为分布式光纤振动传感系统的信号特征提取提供了一种可靠、高效的方法。     

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LSTM网络和特征融合的通信干扰识别

针对现有通信干扰信号识别方法识别效果不佳的问题,提出了一种基于长短时记忆网络(Long Short-Term Memory,LSTM)和特征融合的通信干扰识别方法.该方法利用LSTM网络提取干扰信号的特征,通过LSTM强大的序列特征提取能力提升干扰信号特征提取的性能;通过提取信号的时域和频域特征后进行特征融合,使用全连...     

基于时频分析和RBF神经网络的调制识别

提出了利用Wigner-Ville分布区分FSK、PSK、FM和BSS信号的自动调制样式识别方法，利用Wigner-Ville分布提取调制信号的瞬时频率特征，用径向基(RBF)神经网络根据提取的特征参数识别这四种信号，计算机仿真结果证实了该方法的有效性和正确性。     

Study on feature extraction method in border monitoring system using optimum wavelet packet decomposition

Border monitoring plays a key role in the national defense. In this study, we applied the sound identification technology on the border monitoring, and assumed an ideal border monitoring sound target recognition system. Feature extraction is a crucial step in this recognition system. As the border sounds are of non-stationary signals, the traditional methods failed to extract such kind of features. Fortunately, wavelet packet transform (WPT) can provide an arbitrary time-frequency decomposition for the signals. Based on WPT, a novel feature extraction method using optimum wavelet packet decomposition (OWPD) was proposed. According to the characteristics analysis of the border monitoring sounds using WPT, the signals were analyzed by selective multi-scale wavelet packet decomposition (i.e. OWPD), and then we built the meaningful and compact energy feature vectors as the input vectors of the BP neural network, in order to recognize the border monitoring sound. Extensive experimental results showed that this feature extraction method has convincing recognition efficiency.     

利用并联CNN-LSTM的调制样式识别算法

为了提高基于卷积神经网络的调制样式识别算法性能,利用CNN的空间特征提取能力和LSTM时序特征提取能力,设计了CNN-LSTM并联网络,上支路由一层卷积层和一层池化层组成,下支路使用单层LSTM网络。直接将同向分量和正交分量作为输入数据,上下支路提取信号的空间和时间特征,提高特征表达能力。对BPSK、QPSK、8PSK、16QAM、32QAM、16APSK、32APSK 等7种信号的调制样式识别仿真实验结果表明:算法无需人为设计特征参数,减少人为因素影响,同时该算法在低信噪比下具有较好的识别性能。      

应用深度神经网络和集成学习的电台个体识别

提出了一种基于深度神经网络的个体智能识别方法,可用于电台个体分类识别.该方法构建集成多子网络的一维深度卷积模型,以电台时序信号作为模型输入,进行电台个体分类.利用深度神经网络自动特征化的能力,该方法从时序信号中自动获取个体特征,从而以端到端的形式实现从电台信号识别电台个体.该方法能够免去基于专家知识的特征提取工作,自动提取的个体深度特征还有助于区分传统特征无法区分的高度相似电台个体.实验证明,该方法能有效降低模型调参设计难度,能减轻单一网络带来的特征提取识别过拟合问题,能提高电台个体识别算法的泛化能力与鲁棒性.在信噪比12 dB的条件下,对10类电台8PSK调制信号进行特征提取与识别,整体正确率91.83％,平均正确率为89.12％;对MSK调制信号进行特征提取与识别,平均分类精度为89.1％.     

A fault detection strategy using the enhancement ensemble empirical mode decomposition and random decrement technique

The vibration signals of mechanical components with faults are non-stationary and the feature frequencies of faulty bearings and gears are difficult to be extracted. This paper presents a new approach that combines the fast ensemble empirical mode decomposition (EEMD) to decompose the non-stationary signal into stationary components, the random decrement technique (RDT) to extract the impulse signals of stationary components, and Hilbert envelope spectrum to demodulate the impulse signals to detect faults in bearings and gears. The proposed approach uses the fast EEMD algorithm to extract intrinsic mode functions (IMFs) from vibration signals able to tack the feature frequency of bearings and gears. IMF1 is further extracted by the RDT, and the feature frequencies are determined by analysing the signals using Hilbert envelope spectrum. Numerical simulations and experimental data collected from faulty bearings and gears are used to validate the proposed approach. The results show that the use of the EEMD, the RDT, and the Hilbert envelope spectrum is a suitable strategy to detect faults of mechanical components.     

基于小波概率网络的局部放电模式识别

针对高压电器局部放电模式分类中样本数较少,常规的分类方法识别率较低,提出了一种基于概率神经网络与小波变换的混合算法。利用实验室模拟的局部放电信号进行小波分解,提取小波能量系数作为特征参数,并作为概率神经网络的输入进行分类。其得到的结果优于多层前馈神经网络及采用顺序最优化学习方法的支持向量机算法。