一种低复杂度振动信号检测分类算法

低复杂度的振动信号常规峰度检测算法只能检测人员入侵行为,不能检测车辆入侵行为.根据噪声数据与车辆入侵数据特点,结合时间窗和马尔柯夫过程概念,提出了基于改进峰度的振动信号检测分类算法.该算法引入背景噪声的平均能量,利用包含比例因子P和异常突变阈值r的分段函数代替信号能量,可以避免毛刺信号干扰,检测并区分人员入侵和车辆入侵而不需要任何先验条件.试验表明,该算法具有复杂度低,资源要求低,漏警率低的特点.     

基于随机共振的驱动桥故障诊断方法研究

结合驱动桥运行时的实际情况,通过分析随机共振原理,给出了一种自适应随机共振算法.该算法能够根据输入信号自动调节系统参数,使其达到共振从而提取淹没在强背景噪声下的有用信号特征.通过仿真实验验证了该自适应算法能够从强背景噪声中提取一个和多个频率的信号.将该自适应算法应用于驱动桥故障检测中,结果表明该算法能够区分和识别驱动桥存在的不同故障类型.     

轴承早期故障特征提取方法研究

针对滚动轴承早期故障信号被背景噪声淹没、故障特征不明显的问题,提出一种基于小波包分解和互补集合经验模态分解(CEEMD)的轴承早期故障信号特征提取方法.利用Matlab软件对采集到的轴承振动信号进行快速谱峭度分析,根据峭度最大化原则确定带通滤波器的中心频率和带宽,设计带通滤波器;对经过带通滤波器滤波后的信号进行小波包分解和CEEMD分解,根据峭度、相关系数筛选出有效本征模态函数(IMF)分量;利用IMF分量重构小波包信号,对重构小波包信号进行包络谱分析,提取轴承早期故障信号特征频率.该方法通过谱峭度分析降低背景噪声干扰,通过小波包分解增强故障冲击信号,并将CEEMD与小波包分解相结合,解决经典EMD分解存在的模态混叠、无效分量问题.仿真结果表明,相较于传统包络解调算法,重构后信号的背景噪声得到抑制,故障特征分量突出,验证了所提方法的可行性和有效性.     

基于BP神经网络的弱信号提取方法研究

提出一种基于ＢＰ神经网络结构与算法的信号提取方法，该方法在网络节点连接权向量域，从宽带背景噪声中提取弱信号，且对信号的先验知识没有要求。文章具体给出了ＢＰＷＶ方法的原理及推导过程，仿真结果表明，该方法能显著地提高信噪比。     

基于ICA技术的管道泄漏特征信号提取方法

为了解决强背景噪声下采集到的管道压力参数信号中泄漏特征信号难以准确提取的难题,本文提出利用独立分量分析技术(ICA)对负压波信号进行处理,提取泄漏信息特征信号,实验结果显示利用该方法可以有效实现信号中弱目标信号和强背景噪声的分离,使负压波信号信噪比大幅提高,为泄漏诊断打下良好基础.     

基于负熵的人员脚步震动信号检测识别算法

提出一种基于震动信号的人员脚步检测识别算法,该算法根据信息论中的负熵概念,采用高阶累积量的负熵近似计算方法.仿真与实测结果证明,与一般的模式识别算法相比,该算法具有三个重要的优点,包括环境适应性强、识别准确率高和运算量小.这些优点使得该算法更适用于能量受限、随机自组的无线传感器网络,能够在野外环境下准确、简单的检测识别人员脚步震动信号.     

一种基于WiFi的室内重点区域监测方法

针对无设备的室内重点区域监测问题,本文提出一种Wi-KAM方法,通过获取室内人员的实时位置信息,判断重点区域内部的人员存在情况和区域边界的入侵情况.本方法使用高斯低通滤波算法和主成分分析(PCA)法对提取出的信道状态信息(CSI)进行预处理,并提取位置特征信息.结合最小二乘支持向量机(LSSVM),对样本集进行离线训练和在线分类,获取人员实时位置,实现对重点区域内部及周边人员位置情况的监测.实验表明,本方法可以更精确地进行重点区域内人员入侵检测和位置判别,并提高了室内人员定位的准确性.     

基于SVM的语音情感识别算法

为有效提高语音情感识别系统的识别正确率,提出一种基于SVM的语音情感识别算法.该算法提取语音信号的能量、基音频率及共振峰等参数作为情感特征,采用SVM(Support Vector Machine,支持向量机)方法对情感信号进行建模与识别.在仿真环境下的情感识别实验中,所提算法相比较人工神经网络的ACON(All Cl...     

基于HHT的人员脚步信号识别算法

针对地面环境监控中的人员脚步信号识别问题,提出一种基于希尔伯特-黄变换的识别算法。利用经验模态分解方法将探测得到的震动信号分解成若干个固有模态函数分量,找出各分量在频谱上的奇异点,通过对这些奇异点的希尔伯特谱进行判定,实现对人员脚步信号的识别。实验结果证明,该算法具有较高的正确识别率。     

IDS规则库构建与合并算法

提出一种适合于入侵检测系统IDS(intrusion detection system)的频繁模式算法,该算法基于关联规则算法和序列模式算法,把属性间的关联与记录间的串行序列模式有效地结合到一条规则中.通过改进关联规则算法能避免产生大量无用的频繁模式.利用频繁模式算法(Frequent Pattern Algorithm)提取规则,构建规则库.并且对规则库进行不断地扩充与合并,能更有效地检测入侵.     

A recurrent neural fuzzy network for word boundary detection invariable noise-level environments

This paper discusses the problem of automatic word boundary detection in the presence of variable-level background noise. Commonly used robust word boundary detection algorithms always assume that the background noise level is fixed. In fact, the background noise level may vary during the procedure of recording. This is the major reason that most robust word boundary detection algorithms cannot work well in the condition of variable background noise level. In order to solve this problem, we first propose a refined time-frequency (RTF) parameter for extracting both the time and frequency features of noisy speech signals. The RTF parameter extends the (time-frequency) TF parameter proposed by Junqua et al. from single band to multiband spectrum analysis, where the frequency bands help to make the distinction between speech signal and noise clear. The RTF parameter can extract useful frequency information. Based on this RTF parameter, we further propose a new word boundary detection algorithm by using a recurrent self-organizing neural fuzzy inference network (RSONFIN). Since RSONPIN can process the temporal relations, the proposed RTF-based RSONFIN algorithm can find the variation of the background noise level and detect correct word boundaries in the condition of variable background noise level. As compared to normal neural networks, the RSONFIN can always find itself an economic network size with high-learning speed. Due to the self-learning ability of RSONFIN, this RTF-based RSONFIN algorithm avoids the need for empirically determining ambiguous decision rules in normal word boundary detection algorithms. Experimental results show that this new algorithm achieves higher recognition rate than the TF-based algorithm which has been shown to outperform several commonly used word boundary detection algorithms by about 12% in variable background noise level condition, It also reduces the recognition error rate due to endpoint detection to about 23%, compared to an average of 47% obtained by the TF-based algorithm in the same condition.     

微弱正弦信号参数估计算法研究

该文提出了一种强噪声背景下微弱正弦信号频率、幅值与相位三个参数的估计算法.根据离散小波变换,对强噪声背景下采样序列进行预处理,构造N+2个新的序列.对该序列实施离散傅里叶变换,结合序列的构造方式得到了正弦信号频率,相位和幅值的估计算法.仿真实验表明,在不同类型的噪声背景下,该算法具有较高的估计精度与较强的鲁棒性.     

A self-tuning adaptive trend extraction method for process monitoring and diagnosis

Trend analysis is an efficient tool for process monitoring and diagnosis. However, the performances of a trend-based diagnosis system depend on the reliability of the trends extracted from the signals. One challenge in trend analysis is to design algorithms able to adapt themselves to the varying conditions of background noise and artefacts occurring non-deterministically on a same signal. Moreover, while long term trends such as decreasing/increasing have been extensively studied other subtle changes such as slow drifts and step-like transients have received little attention. In this paper, an adaptive on-line trend-extraction method is presented. It extends a former algorithm based on a linear segmentation to filter the signal and extract trends. In this version, the tuning parameters are not set to a fixed value for a given signal but can self-adapt on-line according to an estimation of the noise variance. An increasing or decreasing trend is detected if the variations on the signal are significantly higher than the level of the background noise. An initialisation phase is proposed to automatically set the initial values of the parameters, making the algorithm a self-tuned algorithm with minimal user intervention.The method was evaluated on a set of simulated data with various levels of background noise. It was also applied on real physiological data recorded from babies hospitalised in a Neonate Intensive Care Unit. It showed improved performances compared to the non adaptive algorithm, whatever the level of noise corrupting the data.     

基于奇异谱分析和维纳滤波的语音去噪算法

针对维纳滤波算法对非平稳语音信号去噪存在的信号失真、信噪比(SNR)不高的问题,提出了一种奇异谱分析(SSA)和维纳滤波(WF)相结合的语音去噪算法SSA-WF。通过奇异谱分析将非线性、非平稳的语音信号初步去噪,提高含噪语音的信噪比以获取尽可能平稳的语音,并将其作为维纳滤波的输入,以剔除其中仍存在的高频噪声,最终获取纯净的去噪语音。在不同强度的背景噪声下进行仿真实验,结果表明SSA-WF算法在SNR和均方根误差(RMSE)等方面都要优于传统的语音去噪算法,能够有效去除背景噪声,降低有用信号的失真,适用于非线性、非平稳语音信号的去噪。     

一个语音基频提取新算法

为了准确提取语音基频,设计了一种新的基频提取算法,并对此算法的抗噪性能进行了评估,同一段语音进行加噪和未加噪两类处理,通过实验提取两类语音的基频,以未加噪基频作为准标值,对不同信噪比的语音基频与准标值的偏离情况进行了分析,从而了解算法提取基频的抗噪性。以便全面掌握此算法的性能,达到优化算法,减小估计带来的误差,提高语音基频提取的目的。     

非高斯噪声背景下小波阈值算法分析

针对小波阈值算法以高斯噪声为研究背景的局限性,为解决硬阈值函数不连续和软阈值函数估计小波系数和分解小波系数存在恒定偏差的问题,在非高斯噪声背景下提出一种新的小波阈值算法。新阈值函数从Garrote阈值改进而来,引入了高阶幂函数。该算法首先对加入一类非高斯噪声的信号进行小波分解,然后根据新的阈值函数对每层高频小波系数进行量化,最后用小波分解的低频系数和处理过的高频系数重构信号。在非高斯噪声背景下进行的仿真结果表明,新阈值函数去噪相对于软阈值、硬阈值、两类改进阈值以及Garrote阈值在信噪比和最小均方误差上都得到了改善。     

基于小波旁瓣相消器的轴承故障特征提取

为解决强背景噪声下声信号提取的轴承故障特征不显著问题,提出一种基于小波旁瓣相消器的故障特征提取方法。该方法利用小波滤波器组将含噪故障轴承声信号变换到小波域,进行小波域阵列广义旁瓣相消自适应波束形成,再通过小波滤波器组重构增强后的故障轴承信号,最后对重构增强后的信号进行包络解调并提取故障特征频率进行故障诊断。实验结果表明,该方法能够在强背景噪声下有效提取滚动轴承故障特征,并且相较于传统的延时求和波束形成器具有更好的降噪和故障特征增强效果。     

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%。