基于双谱和支持向量机的小麦碰撞声分类研究

为实现小麦颗粒的自动分类,采用双谱和支持向量机相结合方法对小麦完好粒、虫蛀粒和霉变粒的碰撞声进行分类识别。对碰撞声信号进行双谱估计,提取信号双谱峰值和对角切片谱两部分特征,用支持向量机分类器进行分类,对完好粒、虫蛀粒和霉变粒3种小麦颗粒识别正确率均达84%以上。实验结果表明,该研究具有较强的实际应用价值,为小麦颗粒的分类提供了新的方法和依据。     

参数化双谱估计在中医脉象信号识别中的应用

采用AR模型参数化双谱估计法对15例吸毒者和15例正常人的脉象信号进行了参数化双谱估计,在得到每一例脉搏波的归一化双谱幅值对角切片后,应用K L变换得到30个样本特征矢量,利用这些特征矢量和BP神经网络对两类脉象数据进行分类,得到平均的正确识别率高达96.7%,研究结果表明应用双谱对角切片作为脉象信号特征矢量,利用BP神经网络对海洛因吸毒者和正常人的脉象信号进行分类,具有很高的识别率.     

基于围线积分双谱的雷达辐射源信号个体特征提取

雷达辐射源信号因无法避免的振荡器相位噪声影响而具有无意调制个体特征现象。特定辐射源识别（SEI）技术研究立足于从截获的辐射源信号中提取细微且稳健的特征,这些特征是由特定辐射源个体所决定的指纹信息。采用围线积分双谱提取由振荡器相位噪声所造成的无意调制个体特征,并将围线积分双谱的均值、波形熵和双谱熵作为量化特征衡量不同雷达辐射源之间的个体差异。仿真实验表明,提取的量化特征在一定的信噪比环境下较好地体现辐射源之间的个体差异性,并且能够实现辐射源个体识别。     

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．     

基于局部围线积分双谱的通信辐射源个体识别

对同类通信辐射源个体识别方法进行了深入的研究,提出了基于局部围线积分双谱的通信辐射源个体识别算法,融合了辐射源调制特征参量作为分类特征向量,采用了基于混合核函数的支持向量机(SVM)实现辐射源个体识别。实验结果表明,该方法具有较高的正确识别率(90%以上),并能够较好地解决同型号、同批次通信辐射源的个体识别问题。     

基于高阶谱谱骨架的信号细微特征识别

为解决同型号辐射源识别问题,针对实际信号,采用信号的高阶谱作为个体识别的基本特征向量,建立基于软K段主曲线算法的高阶谱谱骨架模型。将谱骨架的信息维数和盒维数作为特征矢量,并结合信号的时频域分析。最后将得到的融合特征使用SVM分类器进行训练识别,实现对不同辐射源信号的个体识别。通过对比实验充分验证该方法的有效性。实验结果表明,在低信噪比的环境下,该方法能够有效地识别个体信号,具有更好的识别效果,识别率可达到85%以上。     

基于特征融合的通信辐射源个体识别

针对通信辐射源个体识别研究中单一特征不足以全面表示细微特征差异,从而限制识别率的问题,提出了一种基于特征融合的通信辐射源个体识别方法。该方法首先对原信号进行短时傅里叶变换和双谱变换,提取时频特征和双谱特征,结合小波融合技术进行特征融合,最后使用残差神经网络挖掘信号隐含的深层次特征,完成分类识别。实验结果表明,对于模拟信号源发射的短波通信信号,经过特征融合后的识别效果相较于使用单一特征方法有更高的识别准确率,并且在低信噪比的情况下仍有较好的识别效果。     

通信辐射源个体识别中基于l2正则化的最大相关熵算法*

为了衡量通信辐射源细微特征间的相似性,提出基于l₂正则化的最大相关熵通信辐射源个体识别算法.首先提取通信辐射源信号矩形积分双谱特征表征辐射源个体差异,并构造基于l₂正则化的最大相关熵准则的优化模型.然后利用半二次优化方法,将非线性的优化问题转化为加权线性最小二乘问题.最后利用有效集算法得到稀疏系数,并利用系数的判别信息构造分类器,实现通信辐射源的个体识别.在实际采集的同厂家同型号的FM电台数据集上验证文中算法的可行性与有效性.     

基于小波熵的辐射源指纹特征提取方法

在对辐射源信号进行小波分析的基础上,提出一种基于小波熵的辐射源指纹特征提取方法。 首先计算辐射源信号的功率谱,对功率谱进行连续小波变换,提取不同尺度下小波系数的熵 特征作为辐射源信号指纹特征。识别分类器采用概率神经网络,对20部手持机进行识别实验 ,并与传统矩形积分双谱进行对比。实验结果表明,该方法能够把辐射源信号的时频特性信 息通过小波系数的熵特征映射到特征向量中,从而实现对辐射源个体的有效识别,而且该特 征参数对噪声干扰不敏感,在信噪比为20 dB时,系统识别率达到95%以上,在信噪比为5 dB 时系统识别率仍优于80%,验证了所提方法的有效性。     

基于多谱与支持向量机的通信辐射源个体识别

:研究电台信号性能识别问题,针对同类辐射源个体难以分类识别的特点,为消除噪声,识别有效信号,采用一种局部积分双谱作为个体识别的基本特征向量,并融合了对分类具有显著贡献的电台辐射源特征参数形成新的特征向量,提出了一种基于混合核函数的支持向量机实现通信辐射源个体的分类识别的方法,并比较了核函数的不同参数对通信信号分类正确率的影响以及使用混合核函数和普通核函数的各自的分类效果.对FM电台辐射源个体分类的实验结果表明,方法在较低信噪比下对同型号、同批次通信辐射源个体识别可以取得良好的效果.     

一种结合EWT和成分分析的无线电指纹提取方法

无线电台信号个体识别主要是提取无线电信号中的杂散成分,通过对杂散成分进行分析达到个体识别的效果。针对线电信号杂散成分具有非线性、非平稳性的特点,本文将经验小波变换(EWT)和信号成分分析结合起来,提出了一种新的信号特征提取方法。该方法首先利用EWT对信号进行自适应的分解处理,通过选取部分能够表征个体差异的信号成分进行特征值谱分析,并以信号成分的归一化特征值谱的差异为依据进行信号指纹特征的提取,再根据指纹特征对信号进行识别。仿真结果表明,该方法与HHT和局部积分双谱分析方法相比,具有更加优越的识别性能,并且具有更加优良的特征稳定性,同时受信噪比的影响较小。     

短丝纤维卷绕牵伸齿轮箱故障信号的图像特征提取方法

针对短丝纤维卷绕牵伸齿轮箱故障信号不易提取的问题,提出了基于图像纹理信息的特征提取方法。通过对齿轮箱振动信号进行小波包双谱分析,获得具有稳定纹理信息的振动信号双谱图,采用基于小波变换对双谱图进行图像融合,提高图像的综合纹理特征。采用灰度共生矩阵的四个特征参数对振动信号的双谱图进行加权融合特征提取。在短丝生产线上对齿轮箱常见的齿轮破损和裂纹进行了实验分析,结果表明本文方法的故障识别率达到85%以上。     

基于指纹识别的通信电台识别仿真算法研究

研究电台准确识别的问题。在准确跟踪敌台活动、检测有效信息的过程中,由于信号受到哭声影响,实现识别较难。当待识别电台是相同调制模式和型号的不同电台个体,发射信号的差别非常细微。传统的关于暂态信号的识别方法是利用瞬间的暂态信号提取细微特征信息,造成信号的信噪比不高,不能正确识别电台信号。为了解决上述难题,提出了应用电台指纹的电台识别技术,通过对电台的稳态信号进行分析,计算信号的双谱特性,采用方形双谱和核主元分析算法,提取出信号中细微的指纹信息,通过分析电台的指纹信息完成电台的识别。实验表明,这种方法能够准确将差别细微的电台识别出来,避免传统方法信噪比不高的问题,保证了电台识别的准确率,取得了满意的结果。     

焊接缺陷超声检测回波信号的双谱分析

针对焊接缺陷超声检测中信号处理的特征提取问题，应用高阶谱方法对三类压力容器焊接缺陷的超声回波信号进行了分析，在焊接缺陷超声检测中，回波信号的相位携带有被检对象重要的结构特征信息。高阶谱方法与常规的功率谱分析方法不同，它不仅有振幅而且包含有相位，能揭示常规功率谱分析所不能表现的重要信息。本文应用高阶累积量技术对缺陷回波信号进行双谱分析，提取出缺陷回波基于双谱的平均相位信息作为特征参量，取得了较好的识别结果。     

基于三阶累积量对角切片的信号特征检测

提出了一种基于三阶累积量对角切片的特征检测方法。该方法既不需待检信号做高斯和平稳的假设,也不需要有信号的先验知识。其原理是首先通过滤波器组将检测信号在频域上进行分离,选取输出能量较大的一组子频带信号近似给出信号的时频描述;然后在各个选中的子频带内分别计算三阶累积量的短时估计,从而抑制有色噪声,将信号的特征检测出来。仿真信号验证了该方法的有效性和适应性。     

基于MOMEDA与双谱分析的滚动轴承早期故障诊断

滚动轴承早期故障阶段,故障特征微弱且环境噪声干扰严重,采集数据包含大量噪声信息,传统的包络谱分析难以提取故障特征信息。双谱分析理论上可以抑制高斯噪声,但很难从强背景噪声下提取出微弱故障特征。而多点最优调整的最小熵解卷积（Multipoint Optimal Minimum Entropy Deconvolution Adjusted,MOMEDA）方法能增强信号中的冲击特征,但其效果和故障信号周期区间等参数有关。利用MOMEDA与双谱分析进行信号处理,将提取到的信号高阶谱特征作为滚动轴承早期故障分类依据。利用MOMEDA方法对采集信号进行滤波处理,提取出有冲击特征的时域信号;对特征增强的信号进行双谱分析,从高阶谱中提取故障特征。经过仿真信号分析和实际轴承故障信号验证,该方法能有效地提取出滚动轴承早期故障特征,实现故障诊断。     

Prediction of paroxysmal atrial fibrillation based on non-linear analysis and spectrum and bispectrum features of the heart rate variability signal

In this paper, an effective paroxysmal atrial fibrillation (PAF) prediction algorithm is presented, which is based on analysis of the heart rate variability (HRV) signal. The proposed method consists of a preprocessing step for QRS detection and HRV signal extraction. In the next step, several features which can be used as markers for the prediction of PAF are extracted from the HRV signal. These features consist of spectrum features, bispectrum features, and non-linear features including sample entropy and Poincaré plot-extracted features. The spectrum features are able to discriminate the sympathetic and parasympathetic contents of the HRV signal, which are affected before PAF attacks. The bispectrum features are used in order to reveal information not presented on the spectral domain, and to detect quadratic phase coupled harmonics arising from non-linearities of the HRV signal. Moreover, the non-linear analysis can map the heart rate irregularities in the feature space and it leads to better understanding of the system dynamics before PAF attacks. In the final step, a support vector machine (SVM)-based classifier has been used for PAF prediction. The performance of the proposed method in prediction of PAF episodes was evaluated using the Atrial Fibrillation Prediction Database (AFPDB). The obtained sensitivity, specificity, and positive predictivity were 96.30%, 93.10%, and 92.86%, respectively. The proposed methodology presents better results than the other existing approaches. The other important advantage of the proposed method when compared to the other approaches is that we do not need the both records of a subject to specify which episode preceding PAF events.     

基于固有时间尺度分解模型的通信辐射源特征提取算法

针对当前通信辐射源个体识别方法准确率不高,特征提取效率不高等问题,提出了基于时间尺度分解(ITD)模型的通信辐射源特征提取算法。该算法提取了原始信号特征、信号经ITD分解后得到的固有旋转分量特征以及瞬时幅频谱的特征组成特征向量,使用支持向量机(SVM)得到分类结果。通过6部实际电台的分类实验结果表明：该算法在不需要先验信息的前提下,可以得到较好的分类效果,并且相对与经验模态分解(EMD)的特征提取在分类效果及运算效率上都有一定程度的提升。     

基于特征融合的跳频信号射频指纹识别技术

射频指纹识别(RFID)是一种物理层身份认证的方法,是电子对抗中一个重要且基本的研究方向,为现代战争提供情报信息等方面发挥着重要作用;为了提升在电子战复杂环境下RFID的准确率,同时解决在跳频信号片段长度有限致使稳态特征难以提取的问题,提出了一种基于信号多个维度特征融合与深度卷积网络提取特征的智能识别技术,改进了传统的星座图特征提取方法并提取了信号的双谱、星座图和希尔伯特-黄变换 (HHT)时频谱进行特征融合,并设置了不同信噪比和不同输入条件下的对照实验来证明该方法的有效性和鲁棒性;相比于传统的识别方法,该方法运算量小,且提升了在各信噪比下识别准确率,在正常室外环境下对六部相移键控(PSK)类跳频电台的识别准确率达到了99.29%。