调频连续波雷达信号调制方式识别算法研究

提出了一种识别调频连续波雷达信号调制方式的算法.采用短时傅里叶变换得到信号的时频变化曲线,将信号调制方式的识别问题转化为周期性曲线类型的识别.对周期性曲线的频谱进行特征分析,根据谐波成分的差异,实现曲线类型的正确识别,进而得到信号的调制方式.仿真结果表明,该算法能够正确识别常用的调频连续波雷达信号的调制方式,而且在信噪比为-10 dB时仍然具有很好的性能.     

气体传感器温度调制信号的瞬时频谱分析

温度调制技术已被证明能够改善气体传感器的选择性.为了有效提取传感器对被测气体的响应特征,提出应用Hilbert-Huang变换对温度调制下的气体传感器的动态信号进行分析,可获得传感器动态响应信号中的瞬时频谱和边际谱等有效的气体响应特征.通过对一个微热板式气体传感器在矩形波调制下对三种易燃易爆气体响应的动态信号进行测试和分析,说明提取的瞬时频谱和边际谱能较好的体现被测气体信息.进一步研究了调制周期对动态响应信号的影响和该方法在正弦波、三角波等温度调制模式下的传感器对三种易燃易爆气体的响应,结果说明使用瞬时频谱能够有效提取信号中的气体信息.     

基于通信信号时频特性的卷积神经网络调制识别

在通信环境日益密集、信号调制样式层出不穷的情况下,信号的调制识别变得愈加困难。寻求一种高精度、时效性好的自动调制识别新方法,对无线电通信应用领域有重大意义。对此,文中提出了一种结合通信信号时频特性的卷积神经网络(Convolutional Neural Network Based on Time-Frequency Characteristics,TFC-CNN)调制识别算法。首先,采集大量调制信号,将信号的时频特征通过短时傅里叶变换转换成图像特征,并将其作为网络的输入;然后,设计一种特征提取能力更强、参数更少的卷积神经网络,通过改进网络中不同层的连结方式来增加网络的特征提取能力,同时通过减小卷积核的尺度、使用全局均值池化层来减少模型参数,提高了模型的时效性;最后,在网络中添加批归一化(Batch Normalization,BN)层,在增加模型稳定性的同时防止模型出现过拟合。实验结果表明,所提算法在参数和训练时间上比传统方法明显减少,同时有更高的准确率,体现了所提算法的优越性。     

基于卷积神经网络的多进制相位调制信号识别算法

由于多进制相位调制子类信号相似度高,传统的信号识别方法和机器学习算法难以实现特征的自动提取和准确的分类。针对此问题,提出一种基于时频图和深度卷积神经网络的识别算法。将实测信号通过短时傅里叶变换转换成时频图作为实验数据,并设计一个33层的卷积神经网络ReSENet对特征进行自动提取和调制识别。该网络融合了经典模型ResNext和SENet的优点,能通过深度学习和特征重定向学习到数据中复杂抽象的特征。为进一步提高ReSENet的性能,分别从梯度下降算法、激活函数等方面对模型进行优化。与现有方法相比,该算法在对多进制相位调制信号识别上有更优的分类表现。实验结果显示,最终的识别准确率达到99.9%,验证了该算法的有效性。     

气体传感器的温度调制技术研究进展

气体传感器的温度调制技术是改善传感器选择性和稳定性的有效方法之一,近几年研究比较活跃.详细分析了气体传感器的温度调制技术,并从温度调制方法、动态信号处理技术、调制模式优化以及动态响应建模等方面进行了综述,并讨论了该技术的研究趋势.     

半导体气体传感器动态温度调制系统设计及检测方法研究

针对半导体气体传感器存在选择性差的问题,通过温度调制检测方法实现可燃性气体良好检测性能,提高传感器在复杂环境下的选择性。设计了一种参数可调的气体传感器温度调制系统,实现了正弦波和矩形波输出模式,输出频率0~1000 Hz,幅值0~5 V可调,矩形波占空比可调,并给出了系统总体设计方案和硬件设计电路。通过自制旁热式SnO2传感器对CO和CH4两种可燃性气体进行了矩形波温度调制检测分析,得到了优化的温度调制参数。提出以传感器在空气和被测气体响应中温度调制幅值比作为灵敏度系数。测试结果表明,CO和CH4气体在周期10 s的方波温度调制下呈良好的近似线性规律变化,且具有较好的线性度差异,表明两种气体具有选择性差异。     

EMG在语音信号识别中的应用

提出使用肌电信号的语音识别系统。研究证实从面部肌肉中提取的肌电信号存在语音信息。实验使用(0～9)十个数字,受试者每隔10s重复单词。讲话时用电极记录五个通道表面肌电信号。用短时傅里叶变换提取信号的特征量,并通过主成分分析降维,有效地提取特征量进行模式识别。分类错误范围在15%以下。实验表明表面肌电信号的语音识别系统有着极好的前景。     

气体传感器阵列

从气体传感器选择性和多功能化两个重要指标出发，指出气体传感器阵列与微处理机相结合，并通过模式识别技术，不仅能够解决交叉敏问题，提高器件的选择性，而且能够实现多功能化。     

莫尔斯报务信号的检测和识别

目前莫尔斯报务信号的接收译码主要采用人工值守方式,长期工作在这种环境下会给收报员的心理和生理带来很大的影响,研究能够部分取代人的信号自动检测与识别方法十分必要。基于短时傅立叶变换的特性,在时频域上对莫尔斯信号进行特征捕捉,并对捕捉到的莫尔斯信号采用模糊c均值聚类算法(FCM)实现种类识别,以区分莫尔斯信号的点、划和间隔。实验表明,该算法具有较好的识别效果,在莫尔斯报务的自动识别上具有一定的实用价值。     

基于小波特征提取的气体传感器温度调制模式研究

为了有效提取传感器对被测气体的响应特征,通过对单个微热板式气体传感器在不同温度调制模式下,对3种可燃性气体的动态响应信号结合主成分分析(PCA)和概率神经网络(PNN)进行分析和测试,利用小波变换对温度调制下传感器的动态响应信号进行小波特征提取。结果表明:提取的小波特征系数能较好地反映被测气体的信息。     

基于STFT的缝翼滑轨故障静电监测技术的研究

针对飞机缝翼运动机构需要实时监测的要求,提出了一种新的能够提前预警故障的方法,即基于静电感应的状态监测方法.分析了静电监测的原理,并通过模拟实验对该方法进行了初步的研究.实验结果表明:静电传感器能够有效地监测到故障的静电荷水平变化,验证了此传感器用于缝翼滑轨模拟试验件监测的有效性.介绍了短时傅里叶变换(STFT)时频分...     

基于传感器动态检测和神经网络的气体识别

提出将气体传感器阵列动态检测与人工神经网络相结合的方法实现气体的识别。设计了用该方法进行气体检测识别的实验系统。该方法具有实验次数少、识别准确度高的优点。实验以4个金属氧化物半导体气体传感器组成的阵列为例,详细讨论了该方法的实验过程及识别结果。通过实验对甲烷、乙醇、丙酮3种气体及其混合气体进行识别,结果表明:该方法的正确识别率达到100%,具有很高的实用价值。     

基于无线传感网的分布式协作调制识别算法

针对低信噪比时单接收节点调制识别率低的问题,提出了基于无线传感网的分布式协作调制识别方法,在低信噪比下实现对四种典型调制方式的正确识别。首先利用网络中相互协作的多个传感器节点,从提高性能出发,在节点能耗最小的前提下,根据特征的识别能力与信噪比的关系以及特征计算量来设计协作方案,每节点只提取部分特征。中心节点处将汇聚来的特征组合成特征向量,并利用支持向量机分类器对其进行分类。仿真表明,该方法的识别性能优于单节点和已有的多节点方法,传感器节点能耗降低,并且对信噪比环境具有更好的自适应性。     

基于加速度传感器的连续动态手势识别

针对个体手势动作信号的差异性和不稳定性,提出了一种基于加速度传感器的连续动态手势识别方法.通过MEMS加速度传感器采集手势动作信号,并结合手势信号的动作特征,对单个手势的有效数据进行自动定位截取,经预处理和特征提取后,构建隐马尔可夫模型(HMM)以实现对特定手势的实时识别.通过设计实现了一种可穿戴手势信号采集硬件原型系统,对10类手势的1000个手势数据进行识别对比实验,统计结果表明:该方法可以对连续手势进行实时有效的识别.     

震动信号识别传感器系统设计

设计了一种具有信号识别功能的震动传感器,用于监测地面运动引起的信号,实现安防区域24h无人监控.系统利用处理器实现信号识别算法,通过无线芯片将识别结果发送给数据控制系统中心,实现传感器信号识别和信息传输功能.实验测试结果表明:该系统能够在3s内有效地对25m距离内的人和车辆信号进行识别,正确识别率达96％;在10s内对100 m距离内的轮式车和履带式车识别,正确识别率达90％.     

基于最近邻域法的气体传感器模式识别技术研究

提出将气体传感器阵列检测与最近邻域法相结合的方法实现气体的模式识别。设计了用该方法进行气体识别的实验系统。该方法具有实验次数少,且识别准确度高的优点。实验以3只金属氧化物半导体气体传感器组成的阵列为例,详细讨论了该方法的实验过程与识别结果。通过对CH4,H,CO 3种气体进行识别实验,结果表明:该方法的正确识别率达到100%,具有很高的实用价值。     

气体传感器阵列常用模式识别算法

模式识别在气体传感器阵列的测量中占有举足轻重的地位。介绍了k近邻法、聚类分析、判别函数分析、反向传播人工神经网络、主元分析法、概率神经网、学习向量量化、自组织映射、自适应共振网、遗传算法等气体传感器阵列常用模式识别算法的原理和特点。同时,指出了在应用中模式识别算法选择和评价的标准。     

基于纳米ZnO气体传感器阵列的乙醇、丙酮、苯、甲苯、二甲苯的识别研究

采用6个不同掺杂的纳米ZnO气体传感器组成的阵列实现了乙醇、丙酮、苯、甲苯、二甲苯的识别。研究表明，掺杂可大幅度提高传感器的敏感度和对可挥发有机物（Vocs）的选择性。对比了k近邻法、线性判别法、反传人工神经网络、概率神经网络、学习向量量化等在本实验中的应用。反传人工神经网络具有最高识别率，可达100％。本研究表明电子鼻在空气质量监测中具有广阔的应用前景。     

基于DAE+CNN辐射源信号识别算法

针对利用卷积神经网络进行辐射源信号识别过程中时间复杂度高的问题进行研究,提出一种基于降噪自编码器和卷积神经网络结合的算法。首先对雷达辐射源信号进行短时傅里叶变换,获取时频图像;然后对图像进行灰度和阈值二值化处理,将处理后的图像向量化操作输入到降噪自编码器中,提取降噪自编码器隐藏层特征数据完成降维处理,再重构成图片矩阵输入到卷积神经网络中,利用常用的softmax分类器进行分类识别。通过仿真表明,添加降噪自编码器降维处理后的模型相比较原模型,时间复杂度大幅度下降,在SNR=-6 dB,识别效果能达到80%以上,与利用传统降维方式性能相比,识别效果明显提高。     

基于光纤辐射效应的温度传感器工作波长研究

辐射后光纤的损耗值显著增加,这种现象被称为光纤辐射致衰减（ RIA）效应。基于RIA效应的温度特性,搭建了一种新型的光纤温度传感器。为选择合适的传感器工作波长,基于位形坐标模型理论对锗磷（ Ge/P）共掺杂光纤在825～1500 nm范围内的RIA谱特性进行了研究,发现短波段光纤RIA对温度的依赖性明显优于长波段。选用了常见的850 nm普通单模光纤作为敏感光纤,搭建光纤温度传感器,最后对所搭建温度传感器的性能指标做出了评估。