时频分析理论和应用

介绍了时频分析理论及常用的时频分析方法 ,概述了时频分析的应用和研究状况     

基于时频分析的雷达信号滤波方法

深空目标的雷达回波信号较弱而且受噪声干扰严重,给检测识别工作带来很大的困难;提出了一种时频滤波方法,将基于广义S变换的时频滤波引入到雷达回波信号去噪当中;采用广义S变换对回波信号进行时频分析,利用变换结果求解信号的瞬时频率,并构造了一种时频滤波器.对雷达回波信号进行时频滤波处理并对滤波效果进行分析;仿真结果表明,经滤波后信噪比有较大提高,且很好保留了信号特征。     

PCA与移动窗小波变换的高光谱决策融合分类

目的 高光谱数据具有较高的谱间分辨率和相关性,给分类处理带来了一定的困难.为了提高分类精度,提出一种结合PCA与移动窗小波变换的高光谱决策融合分类算法.方法 首先,利用相关系数矩阵对原始高光谱数据进行波段分组;然后,利用主成分分析对每组数据进行谱间降维;再根据提出的移动窗小波变换法进行空间特征提取;最后,采用线性意见池(LOP)决策融合规则对多分类器的分类结果进行融合.结果 采用两组来自不同传感器的数据进行实验,所提算法的分类精度和Kappa系数均高于已有的5种分类算法.与SVM-RBF算法相比,本文算法的分类精度高出了8％左右.结论 实验结果表明,本文算法充分挖掘了高光谱图像的谱间-空间信息,能有效提高分类正确率,在小样本情况下和噪声环境中也具有良好的分类性能.     

基于时频分布的跳频信号分析研究

利用时频分布中的三种不同的方法--短时傅立叶变换、小波变换和Wigner-Ville分布进行跳频信号分析,通过理论研究和仿真分析表明,三种方法均可以较好的展示跳频信号的时频特征,同时分析出各自的优缺点,进而证明了每种方法应用于跳频信号分析研究工程应用的可行性.     

小波方差在信号特征提取中的应用

根据小波变换的特点,引入了单一尺度下的小波方差,研究了其在反映随机信号的统计特征方面的特点,以及在信号特征提取中的应用.最后,以一类石油测井信号为实例,分别利用小波方差分析和提取信号在强噪声环境下的特征脉冲.研究结果说明:小波方差是表征信号能量的一个物理量,也是提取非平稳信号的特征的有效方法.     

脉搏信号和主成分分析在亚健康状态识别中的应用

为了评估亚健康状态,提出一种基于脉搏信号的亚健康状态识别新方法。用小波变换对脉搏信号消噪处理,再用功率谱、近似熵、小波熵估计提取特征量,对提取的特征量进行主成分分析,最后用改进的线性判别式分析法分类识别,主成分识别率达100%。该方法计算简单,稳定性好,识别率高,对亚健康状态的评估有一定的可行性。     

Hilbert-Huang变换在语音信号精细时频分析中的应用

语音信号是一种典型的非平稳信号,其特性及表征本质特征的参数均是随时间变化的,而时频分析是分析时变谱的有力工具,Hilbert-Huang变换是一种新型的具有自适应性的时频分析方法,对于非线性、非平稳信号有清晰的物理意义,通过HHT变换,能够得到信号的时间-频率-振幅三维分布特征。分析了HHT算法的原理,采用了合适的端点效应处理方法提高了EMD的分解精度,通过仿真实验得到了语音信号更加精细的时频结构,并与STFT、WVD及Choi-Williams分布进行了对比,显示了HHT算法的优越性。     

基于小波的信号分析

简介小波概念之后,对一组模拟信号进行分析,采用小波变换,选出合适的小波函数,处理后再重构。对采用Mexican hat小波、Shannon小波、Meyer小波这三种不同小波得到的去噪结果进行比较,验证信号的滤波效果与选取的小波类型有较大的关系。     

基于LabWindows/CVI的联合时频分析

在LabWindows/CVI平台的基础上,研究了利用联合时频分析(JTFA)方法来分析信号的能量分布情况。此方法利用了短时傅里叶变换(STFT)的基本原理,对一些非平稳信号进行分析,能很好地描述信号的频率如何随时间而变化。这种方法比单独利用时域或频域来分析信号具有一定的优越性。     

模式识别算法在网络流量分类中的应用

随着互联网使用规模不断激增,网民用户不断增多,越来越多的网络应用被开发出来,网络的使用也因此延伸到各个领域.不论在何种应用情形下,管理员都需要监视网络运行状况以提高网络服务质量,并运用网络安全知识,预防网络攻击对所管网络的使用造成影响.而这一切都以网络流量应用层的分类技术为核心,可是在大数据时代背景下的网络应用不断多样化的今天,网络流量分类都面临着许多挑战.以往的以端口及载荷特征为依据的网络流量分类技术已经不再适用,研究新的网络流量分类方法、提高网络流量分类准确率具有重要的研究价值及现实意义.基于此背景,本文独创的将模式识别算法应用在网络流量分类领域中,并综合的比较了各种模式识别算法在不同情形下网络流量分类中的效率及准确性.最后,基于多次的实验结果并结合相关理论分析,验证了模式识别算法在网络流量应用层分类中的可行性,并在网络流量统计特征的选择及如何将模式识别算法有效应用于网络流量分类方面,给出重要结论.     

一种基于层级分类策略的复杂模式识别方法

针对大量复杂而亟待分类的模式类型,提出了一种基于层级分类策略的复杂模式识别方法。该方法通过选择合适的分层标志,从多侧面反应被分类对象的属性,降低了分类的复杂度,提高了分类效率。建立了层级分类策略模型以及关键性步骤,并将其应用于利用表面肌电信号识别手部动作的实验验证,通过对比是否采用此策略,进而说明了基于层级分类策略在面对复杂模式识别的有效性,为该方法的推广使用奠定基础。     

基于PCA的离散小波自回归情感识别

针对情感识别进行研究,提出基于主成分分析法（PCA）过滤小波变换结合自回归模型提取的信号特征方法,并基于梯度提升分类树以实现情感分类.将特征提取的重点放在脑电信号变化情况以及小波分量变化情况作为脑电信号特征.采用Koelstra等提出的分析人类情绪状态的多模态标准数据库DEAP,提取8种正负情绪代表各个脑区的14个通道脑电数据.结果表明,算法对8种情感两两分类识别平均准确率为95.76%,最高准确率为98.75%,可为情感识别提供帮助.     

基于混合滤波LBP和PCA的掌纹识别

针对基于局部二值模式(LBP)的掌纹识别易受噪声影响,导致算法鲁棒性下降,提出一种结合混合滤波LBP(HFLBP)和主成分分析(PCA)的特征提取方法.从滤波和特征提取的角度对传统LBP算法进行改进,先对图像进行去噪处理,然后对掌纹图像进行分块,提取LBP直方图特征向量,并通过PCA算法对特征向量进行降维,最后利用欧氏距离匹配.在香港理工大学PolyU图库和PolyU噪声图库上与几种典型算法进行对比实验,实验结果表明,本文算法分别获得最低等误率为1.1405％、4.0101％,有效地提高了识别率和鲁棒性,具有很好的应用前景.     

小波变换提取的胎动信号的神经网络识别

胎动监护是预防围产期胎死的一项重要手段。本文介绍了一种用小波变换实现胎动信号滤波并利用BP神经网络识别胎动以实现胎动自动监护的方法,其中胎动信号利用压力传感器从孕妇腹部获取。通过使用所设计的分类系统对13例共260min的腹部胎动信号进行识别,总的正确率达90．05％。从实验结果看,本方法效果令人满意。     

基于模糊模式识别的车型分类研究

根据目前中国路桥车辆收费标准，提出了一种基于模糊模式识别的车型分类系统。车辆经过环形线圈传感器时，形成感应曲线，提取感应曲线的特征并进行特征分离，利用模糊模式识别方法对车型进行匹配分类。研究结果已在路桥收费系统以及交通流量统计中得到应用。     

基于小波变换的雷达信号调制类型识别方法

为适应复杂环境下雷达信号脉内分析的需要,提出一种脉内调制类型识别方法。基于Morlet小波变换提取信号小波脊线,根据瞬时频率和最佳尺度的关系得到时频曲线,基于时频曲线的形状识别脉内调制类型。构造时频分辨率调节函数,优化小波脊线提取过程,提出形状识别算法,达到提高识别准确率、降低计算量的目的。仿真结果表明,信噪比为3 dB时,该算法的识别准确率在98%以上,信噪比为1 dB时,识别准确率能达到70%以上。     

基于分位数特征提取的时间序列模式分类

高速运行的离心机设备,其振动状态检测数据通常呈现出明显的非线性、正态分布和大样本的特征,数据波动的随机性使得其趋势特征难以捕捉。为此,提出一种新的时间序列模式分类方法。采集离心机设备运行状态的振动信号时间序列进行分析,根据对称原理提取序列数据的分位数,构建特征向量,采用欧氏距离函数构建相似性度量,建立模式分类的判定依据,使用k-means分类算法实现状态模式的自动分类。仿真结果表明,该方法能有效区分离心机设备运行中空载和负载的模式状态,且比传统的小波分析模式分类方法更加准确。     

基于无监督神经网络的故障模式识别

无监督学习的竞争式神经网络是一种数据聚类方法,能保持输入空间的拓扑关系不变,借助于一维或二维输出平面的一组有序的向量,实现高维数据的聚类和可视化;探讨了一种无监督神经网络--SOFM网络原理、思想和算法步骤,研究了无监督网络在模式识别中的应用,提出了基于SOFM网络的故障模式识别和状态监测方法;通过实例研究了SOFM网络在机械设备故障模式识别和状态监测中的应用.     

基于小波矩和主分量分析的车牌字符识别方法

随着物联网技术的发展,车联网的应用日益广泛,从而对车牌字符的识别提出了更高的要求,而字符识别的关键在于特征的提取和选择。提出了一种基于小波矩和主分量分析提取和选择特征向量的方法。该方法首先通过小波矩提取字符的特征,然后通过主分量分析对提取的特征进行选择,最后将特征向量送入BP神经网络进行字符识别。该方法能够很好的反映图像的全局特征和局部特征,并且具有较强的抗干扰能力。实验结果表明,该方法可以得到较好的识别效果。