基于改进时域多尺度散布熵与支持向量机的转辙机故障诊断

为充分挖掘转辙机振动信号的有效故障信息，提高故障诊断准确率，提出了一种基于集合经验模态分解（Ensemble Empirical Mode Decomposition,EEMD）、改进时域多尺度散布熵（Improved Time-domain Multiscale Dispersion Entropy,TMDE）与粒子群优化算法（Particle Swarm Optimization algorithm,PSO）优化支持向量机（Support Vector Machine,SVM）的故障诊断方法 .首先，通过EEMD方法将不同故障类型的振动信号分解成若干个模态函数（Intrinsic Mode Functions,IMFs）；其次，采用相关系数与峭度的混合筛选准则筛选IMFs并重构信号；再次，应用所提ITMDE算法提取重构信号的多尺度故障特征；最后将得到的特征向量输入经PSO搜索最优参数后的SVM进行训练和测试.实验分类准确率为100%，分析表明所提方法优于传统的多尺度排列熵、多尺度散布熵的故障诊断方法，能精确地识别转辙机故障类型.     

基于峭度加权VMD和熵特征的雷达脉内调制识别

针对复杂电磁环境下识别雷达信号脉内调制样式困难以及受噪声影响识别准确率受限的问题,提出了一种将变分模态分解(Variational Mode Decomposition, VMD)与熵特征提取相结合的识别方法。首先,通过基于峭度加权的改进VMD算法对雷达信号进行分解,得到由三个本征模态函数组成的最优分量集合;其次,对各分量分别计算其模糊熵、排列熵和符号熵值,从而实现对熵特征信息提取;最后,将特征向量输入到支持向量机完成识别。相较于其他方法,该方法有着较高的识别准确率和抗噪性能,在2 dB信噪比以上平均识别准确率为94.63%。     

融合表面肌电和加速度信号的下肢运动模式识别研究

为了提高下肢运动模式识别率,本文设计了一种融合表面肌电和加速度信号的下肢运动模式识别方法.首先,用局部均值分解将表面肌电信号分解为多个乘积函数（Product Functions,PFs）,再计算PF成分的多尺度排序熵.然后,通过拉普拉斯权重（Laplacian score,LS）特征选择算法选定每路肌电信号的一个尺度排序熵为特征,并把该特征和加速度信号的排序熵组成特征向量.最后,根据类内欧氏距离和类间样本分布,设计了改进的二叉树支持向量机,把特征向量输入该支持向量机进行下肢运动模式分类.实验结果表明所提方法对七个日常动作的平均识别率达到98.62%,相较于其他方法有较高的识别率.     

基于变分模态分解的癫痫脑电信号分类方法

癫痫是一种常见的脑部疾病,通过脑电图能非侵入地定位人脑中的致痫区域.为了辨别病灶性和非病灶性癫痫脑电信号,文章提出一种基于变分模态分解的癫痫脑电信号自动检测方法,首先将原信号分割成多个子信号,并对各子信号进行变分模态分解,然后从分解后的不同变分模态函数中提取精细复合多尺度散布熵和精细复合多尺度模糊熵两个特征并利用支持向量机进行分类.针对癫痫脑电的公共数据集,最终的实验结果表明,准确率、灵敏度和特异度三个性能指标分别达到94.24%,95.58%和90.64%,ROC曲线下面积达0.978.     

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CM-OMEMD和小波散射网络的语音情感识别

语音情感识别（Speech Emotion Recognition,SER）是人机交互的重要组成部分,具有广泛的研究和应用价值。针对当前SER中仍然存在着缺乏大规模语音情感数据集和语音情感特征的低鲁棒性而导致的语音情感识别准确率低等问题,提出了一种基于改进的经验模态分解方法（Empirical Mode Decomposition,EMD）和小波散射网络（Wavelet Scattering Network,WSN）的语音情感识别方法。首先,针对用于语音信号时频分析的EMD及其改进算法中存在的模态混叠问题（Mode Mixing）和噪声残余问题,提出了基于常数Q变换（Constant-Q Transform,CQT）和海洋捕食者算法（Marine Predator Algorithm,MPA）的优化掩模经验模态分解方法（Optimized Masking EMD based on CQT and MPA,CM-OMEMD）。采用CM-OMEMD算法对情感语音信号进行分解,得到固有模态函数（Intrinsic Mode Functions,IMFs）,并从IMFs中提取了可以表征情感的时频特征作为第一个特征集。然后采用WSN提取了具有平移不变性和形变稳定性的散射系数特征作为第二个特征集。最后将两个特征集进行融合,采用支持向量机（Support Vector Machine,SVM）分类器进行分类。通过在含有七种情感状态的TESS数据集中的对比实验,证明了本文提出的系统的有效性。其中CM-OMEMD减小了模态混叠,提升了对情感语音信号时频分析的准确性,同时提出的SER系统显著提高了情绪识别的性能。      

光纤周界入侵信号特征提取与识别方法的研究

提出一种基于互补经验模态分解(CEEMD)奇异值熵结合多核支持向量机(SVM)的入侵信号特征提取与识别方法。首先,采用CEEMD方法对入侵信号进行分解得到若干个本征模态函数(IMF);其次,再对IMF分量进行奇异值分解,计算其奇异值熵;然后,根据奇异值熵筛选出有用IMF分量,构建特征向量;最后,采用多核支持向量机识别入侵信号。采用实际采集的攀爬,敲击,汽车,风等场外入侵信号进行了实验验证,结果表明：CEEMD方法有效解决了EEMD的残留白噪声问题,多核SVM比单核SVM具有更好的识别率,攀爬入侵信号识别率达到95%。     

改进的气体泄漏识别算法研究

为了获得理想压缩气体泄漏信号的识别准确率，进而实现高效检测的目的，提出一种基于经验模态分解、梅尔频率倒谱系数和主成分分析的泄漏超声信号特征提取方法。首先，使用经验模态分解提取泄漏信号的超声频段，通过对固有模态函数的熵值设定阈值，优化频谱混叠；其次，通过构造梅尔变换函数，设计分别针对目标频段中不同分布的梅尔滤波器组；然后，使用主成分分析代替离散余弦变换，提取改进的梅尔频率倒谱系数；最后，在实验室模拟泄漏环境，采集不同泄漏条件的泄漏信号，使用支持向量机实现识别分类，完成泄漏检测。结果表明，使用熵阈值优化的经验模态分解能够提高泄漏信号的识别准确率，改进的梅尔频率倒谱系数是一种更有效的泄漏信号特征，相比改进前识别准确率提高了7.76%。     

部分集成局部特征尺度分解:一种新的基于噪声辅助数据分析方法

 局部特征尺度分解(Local Characteristic-Scale Decomposition,LCD)是最近提出的一种类似于经验模态分解(Empirical Mode Decomposition,EMD)的非平稳信号分析方法.为解决LCD方法的模态混淆问题,论文首先提出了基于噪声辅助分析的集成局部特征尺度分解方法(Ensemble LCD,ELCD).然而,ELCD有类似于总体平均经验模态分解(Ensemble EMD, EEMD)和互补总体平均经验模态分解(Complementary,CEEMD)的固有缺陷,在此基础上,同时结合最近提出的随机性检测方法——排列熵(Permutation Entropy,PE),论文提出了部分集成局部特征尺度分解(Partly Ensemble LCD,PELCD)方法.仿真数据分析表明,论文提出的PELCD方法不仅能够有效地抑制LCD分解的模态混淆,而且在抑制伪分量的产生以及分量精确性等方面要优于CEEMD和ELCD方法.     

基于VMD和小波分析的油液磨粒信号去噪方法

油液金属磨粒检测传感器通过监测机械设备油路中的金属磨粒,可实时反馈机械设备故障特征。为了提升油液磨粒检测传感器的检测精度,文章提出一种针对油液磨粒信号的变分模态分解（Variational Mode Decomposition,VMD）结合小波分析的去噪方法。首先,通过计算各模态分量与原始油液磨粒信号的相关系数确定最优K值;其次,对原始信号进行VMD分解,筛选出特征分量;最后,利用小波阈值去噪方法对特征分量进行降噪处理。实验结果表明,与经验模态分解（Empirical Mode Decomposition,EMD）和传统小波去噪方法相比,本方法的信噪比最高,均方根误差最小,能量占比最大,在油液磨粒信号降噪效果中表现最好,有利于提升磨粒检测传感器的检测精度。     

一种合成孔径雷达图像特征提取与目标识别的新方法

该文提出了一种利用小波域主成分分析和支持向量机进行的合成孔径雷达图像特征提取与目标识别的新方法。该方法对图像小波分解后提取低频子带图像的主成分分量作为目标的特征,利用支持向量机进行分类完成目标识别。实验结果表明,该方法可以明显提高目标的正确识别率,是一种有效的合成孔径雷达图像特征提取和目标识别方法。     

Beamforming‐based feature extraction and RVM‐based method for attacker node classification in CRN

Cognitive radio is a promising technology for the future wireless spectrum allocation to improve the utilization rate of the licensed bands. However, the cognitive radio network is susceptible to various attacks. Hence, there arises a need to develop a highly efficient security measure against the attacks. This paper presents a beamforming‐based feature extraction and relevance vector machine (RVM)‐based method for the classification of the attacker nodes in the cognitive radio network. Initially, the allocation of the Rayleigh channel is performed for the communication. The quaternary phase shift keying method is used for modulating the signals. After obtaining the modulated signal, the extraction of the beamforming‐based features is performed. The RVM classifier is used for predicting the normal nodes and attacker nodes. If the node is detected as an attacker node, then communication with that node is neglected. Particle swarm optimization is applied for predicting the optimal channel, based on the beamforming feature values. Then, signal communication with the normal nodes is started. Finally, the signal is demodulated. The signal‐to‐noise ratio and bit‐error rate values are computed to evaluate the performance of the proposed approach. The accuracy, sensitivity, and specificity of the RVM classifier method are higher than the support vector machine classifier. The proposed method achieves better performance in terms of throughput, channel sensing/probing rate, and channel access delay. Copyright © 2016 John Wiley & Sons, Ltd.     

基于FMCW雷达的人体复杂动作识别

针对利用摄像机进行人体动作识别时易受视距和光线影响等问题,提出一种基于FMCW雷达的人体复杂动作识别方案。首先基于FMCW信号模型对雷达采样数据采用一种以RDM（Range Doppler Map）向速度维投影的方式逐帧构建微多普勒谱图,继而基于微多普勒谱图来提取用于表征整个动作频谱相关信息的8种特征矢量。最后,基于雷达实测数据,以贝叶斯超参数调整优化后的支持向量机作为分类器,分析利用所提取的单特征矢量以及特征矢量组合来进行分类时对分类准确率的影响,用以筛选最优异的特征矢量组合。实验结果表明,从微多普勒谱图中所提取的特征矢量皆可直观地表述整个动作过程的特性,且利用最终筛选得到的最优异的特征矢量组合对已知个体和未知个体的9种动作进行识别,识别准确率分别高达99.07%和96.76%。     

入侵检测中基于SVM的两级特征选择方法

针对入侵检测中的特征优化选择问题,提出基于支持向量机的两级特征选择方法。该方法将基于检测率与误报率比值的特征评测值作为特征筛选的评价指标,先采用过滤模式中的Fisher分和信息增益分别过滤噪声和无关特征,降低特征维数;再基于筛选出来的交叉特征子集,采用封装模式中的序列后向搜索算法,结合支持向量机选取最优特征子集。仿真测试结果表明,采用该方法筛选出来的特征子集具有更好的分类性能,并有效降低了系统的建模时间和测试时间。     

基于最小二乘支持向量机的自适应盲均衡器

提出了一种普适性较强的基于最小二乘支持向量机(LSSVM)的自适应盲均衡器(ABSVME)。该方法根据信号的特征恢复思想,将LSSVM均衡器的输出进行过采样,构造具有时间去相关特性的代价函数,结合Kumar快速算法和静态迭代学习算法在线跟踪信道。通过仿真实验,并与传统恒模盲均衡器和最大似然序列估计均衡器进行比较,结果证明该方法具有优良的非线性均衡能力。     

基于随机子空间-正交局部保持投影的支持向量机

针对高维数、小样本数据分类问题,提出一种基于随机子空间-正交局部保持投影的支持向量机.利用随机子空间方法对原始高维样本的特征空间进行多次随机采样,生成多个具有不同特征子集的基支持向量机(SVM)分类器;利用正交局部保持投影对各基SVM分类器的样本进行特征提取,实现维数约简;然后,利用降维后的样本对各基SVM分类器进行训...     

红外图像中人体目标检测技术研究

针对红外序列图像中人体目标检测问题,采用了基于特征点的特征区域提取方法,先用FAST算法快速提取特征点,然后基于提取出的特征点,使用LBP算法提取特征区域,在得到感兴趣的特征区域（ROI区域）后,用对ROI区域进行基于离散小波变换的小波熵特征提取,并采用复合分类方法对ROI区域进行分类,利用此方法有效地将人体目标从红外序列图像中检测出来。     

基于同步压缩短时傅里叶变换的微型无人机识别

针对利用雷达微多普勒效应的微型无人机识别问题,提出了一种基于同步压缩短时傅里叶变换(Synchrosqueezing Short-Time Fourier Transform,SSTFT)的分类识别方法.首先对无人机的微多普勒回波信号进行SSTFT从而获得信号时频谱,然后对时频谱进行多维度特征提取获得回波信号的时频特征...