基于小波包分析和LDB的目标识别

水下目标识别是声纳和鱼雷重要任务之一.小波包分析较多分辨分析具有更高精度的时频定位特性,但它也带来了子空间频带严重重叠的问题.为解决这个问题,利用局域判别基(LDB)算法提取了一组完备且频带互不重叠的小波基函数(子空间),分别以各子空间的能量强度和代价函数为特征对四类不同湖底沉积物的反射回波进行识别,得到了较好的识别效果.     

基于EMD的水声目标信号的特征提取

介绍EMD分解这种自适应的信号分解方法,它可以使原信号结构中的很多非线性、非平稳性信息在分解得到的各阶IMF模式中得到保留和体现,将IMF特征和传统的线性目标信号特征相结合可提高目标识别的正确率。     

三种鱼类发声信号频带能量特征提取与分类研究

海洋渔业资源的开发和利用对经济鱼类的分类识别提出了迫切的技术需求.根据鱼类的不同发声特征,文章采用有监督机器学习方法实现了三个不同鱼种发声信号的分类.基于小波包分解技术提取了黄花鱼、大米鱼和黄姑鱼三种鱼类发声信号的频带能量特征,并利用不同的分类器进行分类.结果表明:三种鱼的发声信号频率主要集中在300～800 Hz之间...     

最优小波包基算法在爆破振动信号去噪中的应用

为比较基于Shannon熵准则的最优小波包基信号去噪算法的优越性,采用延期时间分别为22 ms、45 ms和75 ms高精度雷管进行台阶爆破试验,对监测的振动信号分别用基于小波变换去噪算法和基于Shannon熵准则的最优小波包基信号去噪算法进行对比并计算2者方法的峰值信噪比.结果表明:基于Shannon熵准则的最优小波...     

机械故障信号小波包分解的时域特征提取方法研究

本文利用小波包分妥机械故障信号,对分解后的不同频带内的分解系数进行时域重构,分别对重构时间序列用时域分析的方法提取对故障敏感的特征参数,实现对往复机械等复杂机械的故障诊断,并以某油田往复泵为例,验证了该方法对这类机械进行故障诊断的有效性。     

动力失稳的拟静力刚度准则与能量判别准则

以可模拟非线性保守结构体系的一个计算模型为例,重点分析、对比了判别结构动力稳定性的拟静力刚度准则和能量判别准则。拟静力刚度准则依靠切线刚度非正定判定结构发生动力失稳可能导致误判。能量判别准则适用于具有屈曲后不稳定平衡路径的结构,利用屈曲后不稳定平衡路径上鞍点处的总势能作为动力失稳临界能量,结构总能量超越临界能量则判定为动力失稳。振动极值位移随荷载变化的曲线可以作为一种动力平衡路径,在接近临界荷载时,荷载的微小增量会导致结构振动极大位移显著增大,最终在临界点发生跃越失稳。     

小波基特征提取的复合材料损伤检测

借助小波函数良好的时频带通性，利用Ｂ样条小波级数展开提取信号特征，并使之输入到自适应Ｂ样条小波神经网络进行学习和识别。最后从损伤检测领域中特征信号模式识别的应用角度，给出了利用上述理论进行复合材料无损检测的实例     

改进的谐波小波包变换及其在弱故障特征提取中的应用

通过引入频谱幅值修正系数改进了通常的谐波小波包变换。改进的谐波小波包变换使得信号分解前后各子带的频谱幅值保持不变,能精确提取相应子带故障调制信号的强度与频率,为机械故障诊断带来了方便。仿真实验和轴承故障诊断实例不仅表明谐波小波包具有一般正交小波包无法比拟的完美的带通滤波性能和极强的微弱特征信号提取能力,而且还表明改进的谐波小波包变换确实使得信号分解前后各子带的频谱幅值保持不变,能精确提取相应子带故障调制信号的强度与频率,有一定的工程应用价值。     

心音信号特征提取小波包算法研究

为了准确地提取心音信号的病理特征信息,在研究小波包分析的基础上,提出一种心音信号分频带能量特征提取的算法.基于心音信号频谱分析,采用能量集中度高、局部特性好的db6小波函数作为小波包母函数并选取适合心音信号分析的最优基,对不同的心音信号进行4层小波包分解,得到最优基的小波包系数.根据小波包系数与信号能量在时域上的等价关系,提取最优基频带的归一化能量作为心音信号的特征向量.采用类别可分离性判据,计算出该算法对正常和心脏疾病患者的心音特征的可分性测度均值为3.934 9,表明该算法能有效地识别不同的心音信号.     

Gabor小波目标特征提取和跟踪方法的研究

为了解决目标在发生旋转、尺度及平移等几何变形时的自动跟踪问题,提出 Sobel 边缘检测与 L-M 优化结合的 Gabor 小波目标提取与跟踪方法。该方法自动寻找目标的小波特征点,在跟踪过程中不断优化特征模板的旋转、尺度以及平移等几何变形参数,使得小波特征向量值在最小平方和意义上与初始值相匹配,实现目标跟踪。实验结果表明,该算法能够有效地提取目标特征,在目标尺度变化达到 50%,角度变化 10o,旋转 90o等不利条件下实现了可靠跟踪。     

飞行状态下短翼菊头蝠与鲁氏菊头蝠回声定位声波小波包识别方法

为了对蝙蝠回声定位声波进行种类识别,论文基于离散小波包分解的特征提取方法,对飞行状态下短翼菊头蝠与鲁氏菊头蝠的回声定位声波进行三层小波包分解,提取两种菊头蝠在不同频率带内声波信号的能量作为特征参数,并根据U检验结果选取参数作为识别特征向量,进行BP神经网络识别。其中短翼菊头蝠和鲁氏菊头蝠回声定位声波训练样本分别为95个和102个,测试样本分别为44个和68个。对现有测试样本识别率达到100％。结果表明．基于小波包分析和神经网络的分类方法对蝙蝠回声定位声波进行识别是可行的。     

二维类内差异信息保持的人脸识别

为了使增强的Fisher鉴别准则(EFDC)避免因PCA降维带来的鉴别信息丢失问题,本文将其进行二维推广,提出基于二维类内差异信息保持(2D-IDP)的人脸识别方法,该方法建立了一个鲁棒性更强的鉴别准则,使得投影后不同类的样本点尽量远离的同时,类内紧致性和差异信息都得到有效保持,避免了过学习现象的产生.同时对EFDC近邻图中的参数t作了重新定义,使其能根据不同的输入样本自适应的变化,避免了t选择不当导致的识别性能下降的问题.在YALE和AR人脸库上的实验表明了本文方法的有效性.     

基于小波包和1(1/2)维谱的舰船辐射噪声频域特征提取及融合

舰船辐射噪声频域特征提取是舰船目标识别的关键技术之一。为提高舰船目标识别率 ,采用小波包和 112维谱对舰船辐射噪声进行多小波包空间调制谱和噪声谱特征提取及融合研究。并用提取的特征对五类舰船目标辐射噪声进行了分类识别实验 ,结果表明所提特征具有很好的分类识别效果     

基于小波包和1(1/2)维谱的舰船辐射噪声频域特征提取及融合

舰船辐射噪声频域特征提取是舰船目标识别的关键技术之一。为提高舰船目标识别率,采用小波包和1 1/2维谱对舰船辐射噪声进行多小波包空间调制谱和噪声谱特征提取及融合研究。并用提取的特征对五类舰船目标辐射噪声进行了分类识别实验,结果表明所提特征具有很好的分类识别效果。     

基于小波包分解和PCA-Attention-LSTM的舰船辐射噪声识别技术

为了改进舰船辐射噪声分类系统的性能,进一步提高识别准确率,文章提出了一种基于多特征的小波包分解在长短期记忆(LongShort-TermMemory,LSTM)网络中分类的方法。该方法首先通过小波包分解技术,分频段提取舰船辐射噪声的多种特征,将提取的特征利用主成分分析法(Principal Component Analysis, PCA)进行数据降维,通过添加注意力机制(Attention Mechanism)算法的LSTM网络,对辐射噪声结果分类,提高了学习效率和识别准确率。为了更精细地提取特征,分频段提取了舰船辐射噪声的时频域特征、小波变换特征和梅尔倒谱系数等特征,并将分频段与不分频段的特征、多特征与单一特征、不同信噪比间的算法性能进行对比。实验结果表明,基于小波包分解和PCA-Attention-LSTM的模型可以有效地提高舰船辐射噪声分类的性能,是一种可行的分类方法。     

基于小波包变换的爆破振动信号能量熵特征分析

爆破振动信号是典型的短时非平稳随机信号。应用多分辨率特点的小波包变换对爆破振动信号进行多层分解,得到信号能量分布的细节信息。根据建立在概率统计基础上的信息熵概念,推导得到爆破振动信号能量熵计算方法。分析了4种类型爆破振动信号的能量熵,熵值由大到小为:隧道爆破、管道爆炸、台阶爆破、塌落振动。结果表明,能量熵能够反映不同类型爆破对振动信号的影响。提出将能量熵作为爆破振动信号的新特征量,为爆破振动信号特征提取、不同爆破类型振动信号识别和爆破振动预测提供一种新思路。     

一种基于GDLPP的人脸识别算法

针对人脸识别中的特征提取问题,本文提出了一种结合Gabor小波特征和判别保局投影的人脸识别算法-GDLPP.该算法首先对人脸图像进行多分辨率的Gabor小波变换,提取样本的高阶统计信息;然后更改保局投影(LPP)的目标函数,增加样本类间散布约束,从而提取更具判别性的特征.本文采用最小近邻分类器估算识别率.在USPS数据库、Yale人脸库以及AR人脸库的测试结果表明,在姿态、光照、表情、训练样本数目变化的情况下,GDLPP都具有较好的识别率.     

Ultrasonic evaluation of solid-state welds

Ultrasonic techniques for evaluating the quality of solid-state weld interfaces have been investigated over the past several years. Promising results have been obtained on a variety of solid-state welds by extracting features from the ultrasonic wave forms and applying pattern recognition algorithms to separate acceptable from unacceptable welds. The general conclusion is that the ultrasonic features most sensitive to interfacial bonding are those dependent on high frequencies. However, no single feature has been discovered that is adequate to yield separation of good vs. poor welds, since the microstructural response is also frequency dependent.Given the increase in sensitivity and resolution with high-frequency ultrasonic evaluation, selected specimens have been examined with acoustic microscopy. These specially prepared samples were inspected with focused transducers at frequencies in the 35–75 MHz range. The reflections observed indicated bond quality to vary in discrete regions with good and poor regions distributed across the diameter. Corresponding variations in the degree of bonding have been observed on the fracture surfaces of mechanically-tested specimens. The development of both low- and high-frequency acoustic microscopy has led to the possibility of sensing and imaging subtle changes in the reflection coefficient of the bond line. These acoustic images will improve our understanding of the mechanisms involved in evaluating solid-state bonds.     

Automatic identification of bird targets with radar via patterns produced by wing flapping.

Bird identification with radar is important for bird migration research, environmental impact assessments (e.g. wind farms), aircraft security and radar meteorology. In a study on bird migration, radar signals from birds, insects and ground clutter were recorded. Signals from birds show a typical pattern due to wing flapping. The data were labelled by experts into the four classes BIRD, INSECT, CLUTTER and UFO (unidentifiable signals). We present a classification algorithm aimed at automatic recognition of bird targets. Variables related to signal intensity and wing flapping pattern were extracted (via continuous wavelet transform). We used support vector classifiers to build predictive models. We estimated classification performance via cross validation on four datasets. When data from the same dataset were used for training and testing the classifier, the classification performance was extremely to moderately high. When data from one dataset were used for training and the three remaining datasets were used as test sets, the performance was lower but still extremely to moderately high. This shows that the method generalizes well across different locations or times. Our method provides a substantial gain of time when birds must be identified in large collections of radar signals and it represents the first substantial step in developing a real time bird identification radar system. We provide some guidelines and ideas for future research.