光纤传感信号的模糊神经网络处理研究

为精准识别处理光纤传感振动信号、实现通信线路异常实时报警,提出了基于模糊神经网络的光纤传感信号处理方法,通过光纤传感采集异常事件振动信号,运用小波包分解对振动信号实施降噪处理,并提取到振动信号的低频与高频特征向量,对振动信号特征向量进行量化处理,将其作为输入,构建基于概率的模糊神经网络分类器,完成对光纤传感振动信号的处...     

基于中心对称梯度幅值相位模式的单样本人脸识别

针对传统人脸识别算法在单训练样本情况下识别 效果不佳的问题,提出一种基于中心对称梯度幅值 相位模式(CSGMP)的单样本人脸识别算法。首先,提取人脸图像的梯度幅值和相位信息;然 后,用一种新 的中心对称局部方向模式(CSLDP)算子对梯度幅值进行编码,再将梯度相位量化到8个区间 进行编码,将 二者融合形成人脸图像的CSGMP特征;最后,分块统计直方图特征信息,将所有块的直方图 串联后作为 人脸图像的特征向量,利用最近邻分类器分类识别。在YALE和AR人脸库上进行测试的结果表 明,本文所提方 法简单有效,对光照变化、表情变化和部分遮挡等环境下单样本人脸识别具有较好的效果。     

一种基于特征向量分析的雷达信号关联识别方法

区别于传统的典型参数比对方法,将雷达信号理解为一种多特征变长数据来研究其关联识别。首先,应用奇异值分解方法得到雷达信号序列的特征向量;其次,基于特征向量对训练模板和测试数据进行相似度计算;最后,对每类训练数据采用滑窗提取模板以保证完备性和容错性,并用K近邻方法获取相似度最大的模板类别,从而实现多特征变长雷达信号序列的关联识别。仿真实验表明,该方法能以较高准确率实现雷达信号的关联识别,具有较强的普适性。     

基于光纤布拉格光栅传感的齿轮故障检测方法

针对齿轮故障难以识别的问题,提出了一种用于齿轮异常状态识别的自适应噪声补偿聚合经验模态分解方法。利用光纤布拉格光栅(FBG)传感器提取齿轮的振动信号,通过自适应补偿高斯白噪声使振动信号频谱均匀化,以消除经验模态算法分解产生的模态混叠现象。利用相关系数和峭度值组成综合评价指标来选择有效分量,并提取其特征,采用支持向量机对齿轮故障进行识别与分类。实验结果表明:所提方法能有效地识别齿轮的不同状态(正常、轻度磨损、重度磨损、点蚀、裂纹以及断齿等),识别正确率均在90%以上。     

一种优化孪生网络的小样本辐射源个体识别方法

针对信号辐射源个体识别小样本难以稳定收敛、识别准确率不足的问题,提出了一种基于优化孪生网络模型进行小样本辐射源个体识别的方法,分析了通过孪生网络实现不同类别样本对特征向量距离增大、相同类别样本对特征向量距离减小的弹簧模型,达到小样本训练损失函数的快速收敛的目的,并结合交叉熵实现损失函数优化,从而提升了小样本个体识别的准确率和稳定性。试验结果表明,针对每类不大于10个训练样本集的通信电台所提方法能够达到88%以上个体识别准确率。     

基于数据挖掘的光纤周界振动信号识别

针对光纤周界振动信号中的噪声干扰以及通过单一特征无法全面描述振动信号的问题，研究基于数据挖掘的光纤周界振动信号识别方法。采用SVD(奇异值分解)方法对所采集的振动信号进行去噪处理，基于秩阶次值重构信号，由此消除噪声；针对无噪音振动信号，将峭度。排列熵与瞬时频率标准差作为特征，并进行特征融合，获取振动信号的特征向量；将特征向量输入概率神经网络中，利用模拟退火算法确定网络中的平滑因子参数值优化网络结构，通过学习与训练的过程输出振动信号识别结果。实验结果显示秩阶次值k为5时信号去噪性能最好，信号特征之间差异较为显著，易于区分，识别准确率平均为94.08%。     

基于影响函数的k-近邻分类

分类是一种监督学习方法,通过在训练数据集学习模型判定未知样本的类标号。与传统的分类思想不同,该文从影响函数的角度理解分类,即从训练样本集对未知样本的影响来判定未知样本的类标号。首先介绍基于影响函数分类的思想;其次给出影响函数的定义,设计3种影响函数;最后基于这3种影响函数,提出基于影响函数的k-近邻(kNN)分类方法。并将该方法应用到非平衡数据集分类中。在18个UCI数据集上的实验结果表明,基于影响函数的k-近邻分类方法的分类性能好于传统的k-近邻分类方法,且对非平衡数据集分类有效。     

基于粒子滤波的机械设备故障振动信号识别研究

针对目前机械设备故障振动信号识别精准度低的问题,文章提出了基于粒子滤波的机械设备故障振动信号识别研究。设计信号识别流程,对频带内信号能量分析,以能量为元素构造特征向量获取特征向量矩阵和归一化的特征向量,提取机械设备故障振动信号。结合小波包重构方法分析电机断条故障,使用粒子滤波分析轴承故障,利用非线性时间序列方法分析齿轮故障,以齿轮正常独立分量与齿轮断齿分量的相关系数为依据识别振动信号。由实验结果可知,该方法在不同故障情况下,信号波动频率与实际情况相差最小,具有精准识别效果。     

基于深度学习的网络传输数据异常识别方法

互联网技术的广泛普及使得网络用户数量急剧增加，网络传输数据体量也随之增大，在多种因素的影响下，内部异常数据占比也越来越高，为网络数据传输、应用带来了极大的困难，为此提出一种基于深度学习的网络传输数据异常识别方法。该方法在LSTM神经网络模型的应用下，大幅度提升了评价指标——F1值，能够更加精确的识别异常数据，为网络传输数据的应用与处理提供更有效的方法支撑。应用高斯混合模型分割网络传输数据集合（训练集合/测试集合），引入深度学习技术——LSTM，构建网络传输数据异常识别模型，根据LSTM神经网络长期与短期记忆单元需求重塑网络传输数据，基于梯度下降法制定构建模型训练程序，确定异常数据判别规则，将测试集合输入至训练好的识别模型中，输出结果即为异常数据识别结果。实验数据显示：应用所提方法后，F1值呈现波动状态，最小值为83.70%，最大值为94.50%，符合数据异常识别需求，证明该方法具备可行性。     

基于信道状态信息幅值-相位的被动式室内指纹定位

基于信道状态信息(CSI)的室内定位技术近几年备受关注。已提出的室内定位方案主要在适用性和定位精度等方面进行不断地创新和改进。该文提出一种被动式的1发2收指纹室内定位系统。用两个固定接收端采集CSI数据,信号预处理阶段对CSI幅值进行奇异值去除与低通滤波,用线性拟合的方法对CSI相位进行校正,将两个接收端采集处理得到的CSI幅值和相位信息共同作为指纹,最终通过全连接神经网络对指纹样本进行训练,并与采集到的实时数据进行匹配识别。实验表明,采用两个接收端以及幅值和相位结合定位的方法,匹配识别率达到了98%,定位精度达到0.69 m。证明该系统能精确有效地实现室内定位。     

基于全局-局部SVM的钢板表面缺陷分类

为了提高钢板表面缺陷分类识别,提出一种新的全局和局部支持向量机分类模型。首先,通过样本提取算法将整个训练样本划分为非边界样本和边界样本。非边界样本用于训练全局支持向量机,并获得两条全局决策边界。边界样本用于寻找测试样本的K-近邻样本,通过训练K-近邻样本获得相应的局部支持向量机。若测试样本位于全局决策边界线两侧,直接给出分类结果,否则,由局部支持向量机进行分类决策。最终,新的模型结合二叉树算法实现了4种钢板表面缺陷的分类问题。实验结果显示,全局和局部支持向量机模型有令人满意的综合性能。     

毫米波探测器多普勒信号分析与目标识别方法研究

常规多普勒信号识别主要以多普勒信号幅值作为判定依据。该方法在扇面波束探测器的目标识别过程中,由于多普勒时域波形变窄,存在识别率低的问题。基于测试的多普勒信号数据,进行了时频变换分析。在不改变现有波束形状的条件下,提出了一种采用频率和幅度联合判定的信号识别方法。实验结果表明,当6次目标进入探测范围时,探测器都能准确识别目标,为无人机目标识别提供了借鉴价值。     

一种基于目标空间的局部判别投影方法

现有的局部判别分析方法依据样本在投影前的近邻关系(原空间的近邻关系)设定优化目标中的权值,没有考虑样本的近邻关系在投影前后的变化。为了更准确地描述分类优化目标,该文提出了一种基于目标空间的局部判别投影方法,依据样本投影后的近邻关系(目标空间的近邻关系)设定目标函数中的权值矩阵,并采用迭代过程求解。其基本思想是使目标空间中的同类近邻样本尽量紧凑,目标空间中的异类近邻样本尽量分开。实验结果表明,该方法有效克服了原空间局部判别分析中存在的固有问题,在人工数据集和手写数字标准数据集均取得较好效果。     

基于K近邻算法的主机异常行为检测

基于主机异常的入侵检测方法可以识别用户操作是否存在异常,从而提醒用户进行处理以保证系统安全。为了能够快速高效地识别用户操作异常,文章提出了基于K近邻算法的主机异常检测方法。该方法首先在特征提取过程中使用自然语言处理的算法来提取特征向量,然后采用主成分分析算法进行降维处理,接着使用K近邻算法学习主机的正常操作和异常操作的相关特征,建立检测模型,最后使用学习后建立的模型来判断主机是否存在异常操作。该方法采用澳大利亚国防学院的ADFA-LD数据集进行实验,验证了所提出方法性能良好。     

一种用于表情识别的局部判别简

 在判别分量分析算法的基础上,提出了一种针对人脸表情识别任务的局部判别分量分析算法.首先该算法为每个测试样本选取了一组近邻训练样本,获取了训练集的局部样本结构.然后在最大化判别样本子集协方差的同时,最小化样本子集内所有数据的协方差,从而有效地提取了测试样本的表情特征.在多个人脸表情数据库上的实验结果表明,该算法不但提高了判别分量分析算法的表情识别率,而且具有较强的鲁棒性.     

基于MSP430的莫尔斯报训练装置设计

为解决以往莫尔斯报训练装置使用不便、真实感差、识别率低等问题,设计一种基于MSP430单片机的新型装置,具有发报、听报训练功能,识别结果可由数码管实时显示或回送电脑,通过预处理电路消抖并产生反馈给操作者的监听音.对原有码识别算法加以改进,采用等距离判定法和递减的修正因子动态计算判定闲值,通过查表法识别码符号,实现了识别速度、准确性和适应性间的平衡.     

一种用于表情识别的局部判别分量分析算法

在判别分量分析算法的基础上,提出了一种针对人脸表情识别任务的局部判别分量分析算法.首先该算法为每个测试样本选取了一组近邻训练样本,获取了训练集的局部样本结构.然后在最大化判别样本子集协方差的同时,最小化样本子集内所有数据的协方差,从而有效地提取了测试样本的表情特征.在多个人脸表情数据库上的实验结果表明,该算法不但提高了判别分量分析算法的表情识别率,而且具有较强的鲁棒性.     

基于K-L变换和平均近邻法的人脸识别

首先介绍了K-L变换和近邻法判别的原理;然后以MATLAB R2009b为实验平台,分别利用类间散布矩阵和总体散布矩阵作为K-L变换的的产生矩阵,对ORL人脸库的400幅图片进行K-L变换,一部分作为训练样本,一部分作为待识别样本,训练样本以产生特征脸空间;接着计算出待识别图片在特征脸空间的坐标,采用平均近邻法进行人脸识别.最终的实验结果给出了基于两种产生矩阵的算法时间和正确识别率,实验证明采用K-L变换对人脸提取特征很有效,本文基于K-L变换和平均近邻判别法的人脸识别的方法正确率最高可达到95％.     

基于损失加权修正的舰船目标HRRP小样本元学习识别方法

针对现有小样本高分辨距离像（high resolution range profile,HRRP）元学习识别方法难以适应任务经验差异的问题,提出了基于损失加权修正的舰船目标元学习识别方法。该方法以元学习理论为基础,设计了基础学习器与元学习器相结合的预训练模型。由于不同的特性损失可反映出学习经验的差异程度,故基于任务损失值对元学习器的损失函数进行加权处理,以减轻不同任务的偏差影响。然后,利用预训练模型对仿真数据的学习经验,在小样本测试任务集上进行舰船目标实测HRRP的分类识别。实验结果表明,所提方法与对比模型相比,可在小样本条件下获得更佳的识别效果,具备良好的小样本分类识别能力。     

基于油液在线监测的风机齿轮箱磨损状态识别

针对风机齿轮箱磨损状态识别中传统算法识别准确率低的问题,该文提出了一种基于BP神经网络的风机齿轮箱磨损状态的识别方法。该方法基于油液在线监测的多维数据样本,构建BP神经网络风机齿轮箱磨损状态识别模型。仿真实验中,在经过对测试数据学习训练后,BP神经网络和传统聚类算法分别对一组测试数据进行磨损状态识别,BP神经网络模型的风机齿轮箱磨损状态识别准确率可达到98%,而相同样本下,传统聚类算法的识别准确率仅为90.4%。对比实验结果表明,所提方法具有更高的识别准确率。