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.     

小波包熵在脑电信号分析中的应用

为研究不同脑功能状态下脑电动态非线性特征,利用小波包变换的频率划分特性,对非平稳脑电信号进行节律提取,并计算相对小波能量,反映脑电节律间的相对能量关系。结合小波包熵分析脑电在不同大脑功能状态下的脑电复杂程度。实验结果表明,小波包分解能更精确地提取特定的脑电节律,小波包熵可以准确反映大脑活动的复杂程度。本方法也为分析其他非平稳信号提供了一种新的途径。     

小波包分解在虹膜识别中的应用研究

小波包分解是从小波变换延伸而来的一种更精细的信号分析算法，具有分析高频特征信息的优势。文中结合小波包分解的特点，提出了一种基于小波包分解的虹膜识别算法。该算法首先对虹膜图像实行分窗小波包分解，并对各窗口的子带图像作筛选处理；然后通过奇异值分解对筛选后的各子带图像作进一步的特征提取和压缩，得到虹膜识别特征；最后利用加权欧氏距离分类器进行识别。实验结果表明了该算法的有效性。     

小波分析和神经网络在水下目标识别中的研究

研究水下目标识别问题.由于环境因素的影响,采集到的水下目标回波信号中含有大量噪声且信号频率范围大,传统方法不能有效提取信号特征导致水下目标识别率低.为了提高水下目标识别的准确率,提出一种基于小波分析和BP神经网络组合的水下目标识别方法(W-BPNN).采用小波对水下目标回波信号进行去噪处理,滤除噪声信号.通过小波包对信号的特征进行提取,提取出最能反映目标本质性质的特征向量,对提取的特征向量作为BP神经网络的输入进行识别.为了验证W-BPNN算法有效性,在Matlab平台上对3类水下目标进行了仿真.结果表明,相对于传统识别算法,W-BPNN获得了更高的识别准确率,证明是有效的水下目标识别方法.     

基于表面肌电信号小波包熵的情感识别

情感识别是情感计算的一个关键问题。针对表面肌电信号（EMG）的非平稳性,根据小波包变换在不同时频段均能精确的刻画信号,并提供丰富模式信息的特点,提出利用小波包熵方法对不同情感状态下的表面肌电信号进行分析。实验表明,该方法对情感的唤醒度识别效果较好。     

小波包熵和BP神经网络在意识任务识别中的应用

探索了小波包熵和BP神经网络在识别左右手想象运动中的作用.采用脑-机接口2003竞赛中Graz科技大学提供的脑电数据,计算C3、C4电极8～16Hz频带脑电信号的小波包熵,将其作为反应想象左右手运动的特征量,用BP神经网络对大脑想象左右手运动任务进行分类,最大分类正确率可达88.57%,与使用线性判别式算法分类结果相比,效果更好.脑电信号小波包熵随时间的变化与事件相关去同步和事件相关同步现象相一致,可在线识别左右手想象运动,为大脑运动意识任务的特征提取及肢残患者的临床康复提供了新思路.     

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。     

小波包特征熵分解的图像水印算法

提出了一种小波包特征熵分解的自适应图像水印算法。该算法通过对宿主图像进行小波包特征熵分解,在高频系数中选取合适的阈值来区分高频系数中图像的纹理细节信息和噪声信息,将水印信息自适应地嵌入到高频系数当中。实验表明,该水印算法对噪声、JPEG2000压缩、滤波、改变对比度、几何剪切等攻击都具有一定的健壮性。     

小波包分析在目标光亮度数据特征提取中的应用

在空间技术的研究与发展逐渐深化的今天,对空间目标的监测与识别显得越来越重要。文中在小波分析的基础上,分析了小波包分解提取信号特征的方法,并利用光度计测量获得的空间目标的光亮度数据,采用小波包分析方法对几个空间目标的光亮度时间序列进行分析,分析结果反映了目标的某些重要的光学特性。     

基于小波包分解的虹膜识别算法

特征提取是虹膜识别的关键技术;由于虹膜图像具有丰富的纹理,提出了基于小波包分解的虹膜识别算法。小波包分解不仅包含了图像的低频部分而且还保留了高频部分,它能够有效地提取虹膜纹理特征,并按hamming距离对虹膜进行匹配。实验结果表明,该算法具有良好的鲁棒性。     

抑郁症静息脑电的小波包节点功率谱熵分析

头皮脑电(EEG)信号反映了大脑皮层神经元细胞群自发性节律性的电生理活动,含有丰富的生理与病理信息,是临床脑神经与精神疾病诊断的重要依据.针对抑郁症的研究和诊断中缺少客观有效的量化参数和指标的状况,提出一种基于小波包分解节点重构信号的功率谱熵值(记为W值)的脑电信号分析方法,并利用此方法对静息态的脑电信号进行计算和分析.实验和分析结果表明:抑郁症患者脑电信号S32节点(频率24~32 Hz)的熵值(置信区间[0.0129,0.0176])在部分脑区显著大于正常健康人(置信区间[0.0246,0.0303]),显示抑郁症病人快波节律的能量分布存在弥散性,符合现在关于抑郁症患者自我调节能力减弱的发病机制.对结果进行了T检验统计分析,证明了这种辨别方法的准确性和可行性,将为抑郁症疾病检测诊断提供有效的量化物理指标.     

基于改进小波包与样本熵的表面肌电信号特征提取

针对表面肌电信号(sEMG)进行小波包分解后子空间维数较大导致部分子空间的特征信息被减弱和相邻子空间的频率接近会导致不同程度的信息冗余问题,提出了一种基于改进小波包与样本熵相结合的特征提取方法.在对原始sEMG进行小波变换的同时,对其某一高频子空间也进行小波变换,提取改进小波包分解后四个低频子空间的样本熵作为特征.在智能轮椅平台上进行实验,实验结果显示采用基于该算法的轮椅系统不仅正确识别率较高,而且稳定性更好.     

基于小波包变换和支持向量机的虹膜识别方法

提出了一种基于小波包变换和支持向量机的虹膜识别方法.用小波包变换对归一化的虹膜图像进行2层分解,并计算出每个子频带的能量;通过选择具有最大能量值的特征作为小波基特征,以减少进入支持向量机的样本数目和提高识别准确率;最后,用支持向量机对虹膜特征进行模式匹配.实验结果表明,该方法取得了较好的识别效果.     

小波包信息熵特征矢量光谱角高光谱影像分类

目的 针对高光谱数据波段多、数据存在冗余的特点,将小波包信息熵特征引入到高光谱遥感分类中。方法 通过对光谱曲线进行小波包分解变换,定义了小波包信息熵特征矢量光谱角分类方法(WPE-SAM),基于USGS光谱库中4种矿物光谱数据的分析表明,WPE-SAM可增大类间地物的可区分性。在特征矢量空间对Salina高光谱影像进行分类计算,并讨论了小波包最佳分解层的确定,分析了WPE-SAM与光谱角制图(SAM)方法的分类精度。结果 Salina数据实例计算表明：小波包信息熵矢量能较好地描述原始光谱特征,WPE-SAM分类方法可行,总体分类精度(OA)由SAM的78.62%提高到WPE-SAM的78.66%,Kappa系数由0.769 0增加到0.769 5,平均分类精度(AA)由83.14%提高到84.18%。此外,通过Pavia数据验证了WPE-SAM分类方法具有较强的普适性。结论 小波包信息熵特征可较好地表示原始光谱波峰、波谷等特征信息,定义的小波包信息熵特征矢量光谱角分类方法(WPE-SAM)可增大类间地物可区分性,有利于分类。实验结果表明,WPE-SAM分类方法技术可行,总体精度及Kappa系数较SAM有一定的提高,且有较强的普适性。但WPE-SAM方法精度与效率有待进一步提高。     

改进的基于小波包变换的语音特征提取算法

针对语音信号的非平稳特性,传统的应用短时分析技术容易丢失信息的现状,提出了一种利用小波包变换的技术对语音信号的共振峰特征（FDWPT）进行提取的方法。对整个语音信号进行多分辨分析的小波包变换,这样可以得到每个频带的小波分解值,结合共振峰的频率特性,选取适当的小波包分解结点,对这些结点建立共振峰参数,使用矢量量化模型进行识别,从而提高了说话人识别的效果。     

基于小波包的表面肌电信号特征表示与识别

为提高智能轮椅人机接口中表面肌电信号的正确识别率和识别效率,主要研究了基于小波包多尺度分解的特征表示及识别。把采集的表面肌电信号在指定尺度及核函数的同一组正交小波包基下进行分解,用小波包多尺度分解的系数构造表面肌电信号的特征基向量。考虑到多通道表面肌电信号可能存在特征信息冗余,为消除这些冗余信息,对多通道表面肌电信号的特征空间通过正交规范化进行重构,并且用重构特征向量的对偶坐标向量作为表面肌电信号的最终特征表示。用非线性自回归神经网络实现了双通道表面肌电信号四种不同动作模式的分类。实验结果表明,小波包多尺度分解系数的重构对偶坐标向量不仅可作为表面肌电信号的特征表示,并能有效简化分类器的结构。     

基于小波包变换的脑电波信号降噪及特征提取

针对原始脑电波信号存在非平稳性且非常容易受到各种信号干扰等特点,对基于小波变换和小波包变换的脑电波信号的滤波降噪方法,和基于小波包变换的脑电波信号特征提取方法进行了研究。首先利用MindSet采集到原始脑电波数据,然后分别应用小波变换和小波包变换对其进行降噪处理,比较了两种方法的性能,验证了基于小波包变换的降噪方法的优越性和特征提取方法的有效性。