基于小波和双谱的脉冲星信号识别

为了提高脉冲星光信号识别效果,提出了一种基于小波变换和双谱分析的脉冲星信号识别算法．首先,本文提出了一种小波域双谱的概念,即对信号进行小波分解后再计算各级小波系数的双谱．然后,采用主分量分析（PCA）提取低频系数的双谱特征;根据最大类间误差平方和准则,用选择双谱的方法抽取高频系数的双谱特征,这些双谱特征构成特征向量．最后,采用最小距离分类器对脉冲星信号进行分类．实验结果表明了该脉冲星信号识别算法在识别效果和特征降维方面的有效性．     

基于Sagnac传感器的周界安防入侵信号识别

针对光纤安防周界系统采集信号的非线性、非平稳性、间歇性等特点,给出了一种入侵振动信号分帧方法.采用嵌入维数计算方法,在保留时间序列信号的内在动力学特性条件下以确定最小分帧长度.利用短时能量和短时平均过零率双条件判断识别振动信号,再进行小波分解,比较各层小波系数能量分布特征,通过二级判定识别降低入侵振动信号误识率.实验结果表明:该方法可行有效,能准确判定识别入侵振动信号.     

无线传感网络中特征序列构造与识别算法

无线传感网络中设备之间的干扰逐步成为制约网络性能提高的瓶颈,但干扰并不会导致信号的所有信息被完全淹没. 为准确识别并发通信的链路,需要为每条链路分配唯一的特征序列. 传统的MAC地址在干扰背景下难以被识别. 本文利用信号的特征信息,提出了一种基于多哈希的特征序列的分布式构造与识别策略. 这种构造与识别策略利用干扰信息提高无线信号的传输效率、提升并发传输的特征序列识别能力,并显著降低识别特征序列的处理时间开销. 实验利用软件无线电试验环境USRP ＋ GNU Radio构建实测平台进行对所设计的算法进行评估,实验结果充分验证了特征序列的构造与识别算法的高效性.     

正交小波包分析方法在分数阶系统特性识别中的应用

基于正交小波包分析思想研究分数阶系统的动力学特性识别,提出了一套新的、能有效识别分数次动力系统复杂动力学行为的程序化方法.首先根据时间序列的平均周期对信号的频带进行分割并获得与各个频带对应的子信号;然后,通过计算子信号能量所占整个采样序列总能量的比重对时间序列的相关特性进行直观识别;最后,采用上述方法对受控的分数次Chen系统进行特征识别的结果与常用的功率谱分析方法所得结果是一致的.这些表明基于正交小波包分析方法能够有效地应用于分数阶系统的动力学特征识别.     

AR模型预测误差比在地震事件识别中的应用

根据天然地震与核爆地震信号的P波差异，提出了基于AR模型预测误差比的地震信号分类和识别方法。该算法首先应用AR模型对地震信号P波初至时段及其后一时段进行建模，分别求出其预测误差，从而计算得出P波的预测误差比，然后利用预测误差比作为特征判据对地震信号进行分类与识别。对20次地震时间的分类和识别实验结果表明，本文方法能够对天然地震及核爆地震两类事件进行有效的分类与识别。     

基于信号抽取与最大似然准则的特定辐射源识别

研究了在信号包络存在细微差异前提下,基于信号抽取与最大似然准则的特定辐射源识别算法.先将接收信号进行滤波,滤除带外噪声,以提高信噪比,并确定带限高斯白噪声的不相关时间间隔,对信号进行抽取,构造一个独立样本序列,进行最大似然检验,完成特定辐射源识别.计算机仿真表明,对两个被识别信号的互相关系数大于0.993 2时,在较低的信噪比条件下(大于3 dB),利用被识别信号的单个脉冲信息,识别正确率达90%以上.     

基于双层CNN-BiGRU-CRF的事件因果关系抽取

针对现有事件因果关系抽取方法关系边界识别能力弱和文本语义表征不足的问题,提出一种基于双层CNN-BiGRU-CRF深度学习模型的事件因果关系抽取方法。将因果关系抽取任务转换为两次序列标注任务分别由两层CNN-BiGRU-CRF模型完成,上层模型用于识别事件因果关系语义角色词,其标注结果作为特征输入下层模型划分因果关系边界。在每层模型中,采用突发事件样本数据对BERT模型进行微调,形成文本表示模型以获取语义特征向量矩阵,利用卷积神经网络和双向门控循环单元分别提取局部和全局深层特征,并将上述特征在每个时间序列步进行线性加权融合以增强语义表征能力,最终基于残差思想将高区分度特征输入CRF模型解码完成序列标注任务。在中文突发事件语料集上的实验结果表明,与BiLSTM-Att-规则特征、GAN-BiGRU-CRF等因果关系抽取方法相比,该方法的事件因果关系抽取效果更好,F值达到91.81%,能有效实现事件因果关系的准确抽取。     

一种说话者识别的新方法

利用短时傅立叶变换方法对语音信号进行了分析,得到了由各个语音信号相同频率点能量序列构成的时间序列簇。运用时间序列预处理和数理统计的方法,建立了时间序列簇中每一列向量序列与由时间序列簇的每一行向量序列的均值构成的序列之间的线性回归方程。分离了时间序列簇的趋势量和波动量,提取了说话者语音信号的特征参数,并通过这些参数对被识别语音信号进行说话者识别。实验表明在8个说话者194个语音集合中,以文中描述的距离参数为识别指标、取3个特征频率点时,开集平均识别率最高为97.94%。     

基于HOG-SVM的跳频信号检测识别算法

针对非合作通信场景下的跳频信号自动化检测识别问题,本文提出了一种基于方向梯度直方图与支持向量机的跳频信号检测识别算法。该算法将无线通信信号转化为包含时间、频率和幅度的时频瀑布图,采用方向梯度直方图特征提取算法将不同跳频序列在瀑布图上产生的独特结构特征提取出来。然后利用支持向量机将特征序列映射到高维空间,通过寻找最大间隔分离超平面,实现跳频信号的检测与多种跳频序列的识别,并依此建立跳频信号检测识别原型系统。最后在室内多径信道环境下进行了测试验证,该算法能够完全自动化的精确检测到开放电磁环境下的跳频信号并且能够实现对多种跳频序列的识别。在信干噪比不超过20dB时,针对不同跳频序列的平均识别正确率能够达到98.01%。     

基于最大熵的句内时间关系识别

分别对句内事件-时间对关系以及事件对之间的时间关系识别进行研究。分析影响时间关系识别的语言特征,如时间关系对之间的依存关系序列、间隔词数、信号词及其位置等,并使用基于最大熵的方法进行识别。实验结果表明,运用该方法获得的事件-时间对关系识别准确率为87.83%,事件对之间的时间关系识别准确率为80.79%。     

基于Fisher鉴别字典学习的人体行为识别

人体行为识别是计算机视觉中的一个重要研究领域,具有广阔的应用前景。研究了基于Fisher鉴别的字典学习方法在人体行为识别上的应用。首先对人体行为的视频序列提取了局部时空特征,并通过随机投影法降维;然后把降维后的特征作为待分类的信号进行Fisher鉴别字典学习,从而增强字典和编码系数的鉴别能力;最后同时利用重构误差和稀疏表示系数进行分类。实验结果验证了所提方法在人体行为识别上的有效性与鲁棒性。     

基于大脑响应特征的视频情感分类算法

视频情感识别是计算机视觉的研究热点,由于认识到人类本身才是情感产生的源头,近来,利用人类自身的大脑响应等生理特征对视频所包含的情感进行识别,即隐性情感识别成为研究重点。然而,目前利用脑电图信号对音乐视频愉悦度的识别率仍不能令人满意,原因在于未能从大量的脑电图数据中获取到有效的分类特征。为了进一步提高识别准确率,在DEAP数据库中,不采用传统的脑电图时域和频域特征,而是利用数据标准化以及特征选择方法从脑电图时间序列信号中直接提取有效特征,从而提取到脑电图信号中具有较高分类能力的特征,并将得到的脑电图特征用于音乐视频分类实验中,结果表明,相对于传统方法,可以大大提高脑电图信号对音乐视频愉悦度识别率。     

基于模糊神经网络味觉信号识别的研究

文中提出了一种基于模糊神经网络方法的味觉信号识别模型,利用小波变换实现了对传感器所采集的味觉信号进行数据压缩及特征抽取,以模糊神经网络作为味觉信号的识别工具。     

基于样本熵的语音/音乐识别

传统的MFCC及短时能量特征只反映了信号序列的静态特征,目前基于这些特征的语音/音乐识别率为79%～86%。样本熵可以反映信号序列中的新信息量的大小以及新信息量的变化程度。以样本熵作为特征对语音/音乐进行分类识别,提取混合信号的样本熵,计算每段信号样本熵的均值和方差,采用k均值聚类进行识别。仿真实验结果表明,基于样本熵的语音/音乐识别的识别率可提高到88.073%。     

基于互相关的二阶段时间序列聚类方法

提出了一种高效的时间序列聚类方法,以互相关函数为基础,通过二阶段的方法实现更低时间复杂度下的时间序列聚类。第一步以时间序列符号化为基础,通过设计符号化序列特征抽取算法,抽取特征时间段;第二步以互相关函数为基础,通过改进的互相关函数步骤,实现更快速的时间序列聚类。实验结果表明,该方法可以适应稀疏及密集的时间序列数据抽取,同时与传统的聚类距离公式相比,处理速度更快,对时间序列形状的缩放有更好的表示效果,并能保持较高准确性。     

改进声发射信号的桥梁焊缝裂纹识别仿真研究

针对因环境中存在过多噪声,导致桥梁焊缝裂纹识别精准度低的问题,提出基于声发射信号的桥梁焊缝裂纹识别方法。利用传感器提取桥梁周围的实时信号,通过信号在周期序列上的幅值变化,判定噪声信号,采用小波变换算法对噪声信号实施重构变换,建立硬阈值和软阈值函数,约束噪声信号。采用神经元传递函数计算原始信号序列中隐含层神经元的具体特征表现参数,得到信号的特征类间平均值,通过类间参数求得特征量。以带有声发射信号提取技术的传感器作为识别载体,将特征参数输入到识别传感器中,针对不同的桥梁测试点,建立焊缝裂纹识别通道,完成有效识别。实验结果证明,所提方法的识别精准度较高,无论是以持续频率还是持续时间信号作为测试指标,均能实现高效识别。     

基于单边自相关序列的语音特征及其在带噪语音识别中的应用

提出了一种抗噪声语音特征。首先计算语音信号单边自相关序列的差分序列,再计算该差分序列的线性预测系数,进一步求出例说系数。实验证明,传统的线性预测例谱系数和边自相关序列的一性预测倒谱数相比,采用单边自相关序列差分序列的线性预测倒谱系数作为语音信号的特征矢量,可以提高语音识别系统对带噪音语音的识别率。     

基于加权IMF对时间序列相似匹配

经验模态分解（EMD）算法非常适合非稳定序列信号、非线性序列信号以及复杂信号的分解, 具有很高的噪声比。序列信号经过EMD分解为本征模函数（IMF）以及残差序列, 所分解出来的IMF包含了原序列信号不同时间尺度的局部特征信号, 是整个原序列的“去杂”反映。针对IMF所包含的不同尺度的特征这一特性, 给出用EMD分解原始序列信号, 提取其全部有限个本征模函数和残差序列, 根据不同的IMF所包含原序列的特征信息量的大小引入信息权重w, 然后通过欧氏距离对各个序列不同IMF序列进行相似匹配判定, 最后通过综合各个IMF所占权重综合判定时间序列的相似匹配。实验结果表明, 基于IMF对时间序列相似匹配和直接对原时间序列进行匹配, 前者首先对时间序列进行分解, 去掉其噪声等干扰, 提取出IMF间接进行加权匹配, 提高了时间序列的模式匹配精度, 证明了该方法的有效性。     

二维心音图特征提取与识别方法的研究

针对心音的特征提取问题,将一维心音信号转换成二维心音图,采用图 像处理技术提取心音的图像特征。本文首先对一维心音信号进行小波降噪和幅值归一化,将 处理后的心音信号转换成具有统一性和可比性的二维心音图,并进行预处理;然后结合心音 生理意义和二维心音图的图像特征,对能表征二维心音图生理信息的图像特征进行分析研 究,重点研究二维心音图纵横坐标比和拐点序列码特征;最后,基于纵横坐标比、拐点序列 码、小波分解系数3 个特征,探讨利用欧氏距离和支持向量机（SVM）两种识别方法进行 二维心音图分类和身份识别的可行性。实验结果表明,3 种特征都可以实现二维心音图的分 类识别,其中拐点序列码识别率最高;这种基于图像处理的二维心音图分类和身份识别方法 具有明显的可行性和实用性,拥有广阔的应用前景。     

有监督时间序列分割与状态识别算法

时间序列分割与状态识别是一项重要的时间序列挖掘任务,可用于识别被监测对象的运行状态,然而目前多数无监督时间序列分割算法得到的结果无法满足用户的状态识别期望。为实现符合用户意图的时间序列分割,提出一种有监督的时间序列分割算法。构造特征集合并自动训练特征概率模型参数,以此构建特征高斯概率分布模型进行相关序列的特征设计,同时利用匹配损失计算和改进的贪心策略设定特征权重约束,通过增加分割位置约束条件及增量计算2种优化方式提高分割效率。在多个真实数据集上的实验结果表明,与pHMM和AutoPlait算法相比,该算法可以全面表达状态类别,对时间序列进行更精准的分割。