基于改进小波包算法的水声信号消噪与重构研究

水声对抗包括主动声呐对抗和被动声呐对抗。为了实现干扰器材的最佳作战效能，干扰信号的产生必须适应水声探测技术的发展趋势-非线性时变和宽带的特征。小波分析是非线性时变信号处理领域的有用工具。文章研究了最优小波包基算法以及非正交小波包基追踪算法在声呐信号消噪与重构中的应用，数值仿真验证了算法的适应性及稳定性。     

基于小波时频图和卷积神经网络的断路器故障诊断分析

高压断路器操动机构振动信号为非平稳性信号,蕴含着丰富的操动机构工作状态的信息,对操动机构工作状态的检验辨识具有重大意义。提出一种基于小波时频图和卷积神经网络的断路器故障诊断方法。对操动机构振动信号进行连续小波变换生成时频图(CWT),并对时频图进行统一压缩预处理;将预处理后的时频图作为特征图输入卷积神经网络AlexNet模型;通过对网络参数的调整,逐步改进网络模型,有监督地实现对操动机构故障状态的辨识诊断。结果表明,该方法能够有效地运用于断路器操动机构故障辨识诊断,与小波频带能量-RBF、小波频带能量-SVM的故障识别相比,故障识别准确率最高。     

基于BP神经网络的水声信号预测

利用水声混沌信号的局部可预测性,结合人工神经网络,研究了水声信号的神经网络预测.讨论了预测模型的建立和网络结构参数的设计.通过对实际舰船水声信号的预测,得到了一些有用的结果,为今后进一步开展水声信号预测研究奠定了基础.     

基于BP神经网络的水声信号预测

利用水声混沌信号的局部可预测性,结合人工神经网络,研究了水声信号的神经网络预测.讨论了预测模型的建立和网络结构参数的设计.通过对实际舰船水声信号的预测,得到了一些有用的结果,为今后进一步开展水声信号预测研究奠定了基础.     

水声信号预测的神经网络方法

水声信号的局部可预测性在水声信号处理中具有重要作用,它是解决非平稳信号检测问题的基础。基于非线性时间序列局部可预测性原理,采用人工神经网络技术,研究了水声信号的神经网络预测,讨论了预测模型的建立和网络结构参数的设计。分别采用BP网络和RBF网络对实际舰船水声信号进行预测,通过对仿真数据和实际舰船辐射噪声数据预测的结果分析,得出了两种网络预测模型的误差分布,提出了减小预测误差的有效方法。为今后进一步开展水声信号预测研究奠定了基础。     

爆破条件对爆破震动信号分析中小波包时频特征的影响

非平稳信号的小波包分析是在小波变换基础上发展起来的 ,它对小波分析中没有细分的高频部分进一步分解 ,从而能够对信号局部信息进行更为精细的掌握。爆破条件是影响爆破震动时频特征分布的主要因素之一。本研究中 ,针对在不同段药量、不同微差间隔时间及近似相同的其它条件下产生的爆破震动信号 ,运用小波包分析方法对其进行了时频分析 ,主要探讨了段药量、段微差间隔时间对爆破震动时频分布的影响规律。段药量对爆破震动波形时频特征的影响主要体现在各层小波包主振频带内的细节信号峰值质点振速方面 ,各细节信号的峰值质点振速随段药量增加而增大 ,但主振频带分布保持基本的一致性 ,同一主振频带下小波包细节信号的阻尼比也趋于一致 ;段微差时间间隔对爆破震动时频特征的影响主要表现在 :延长各主振频带小波包细节信号的振动持时 ,不同微差单段波形的叠加增加了主振频带个数 (优势频率个数 )并使各频带内的优势频率值有微弱增大的趋势     

基于CNN和声音时频特征图的微型振动马达故障判别

为解决人耳听音判别微型振动马达故障困难的局面,提出基于CNN和声音时频特征图的微型马达故障判别方法。通过采集微型振动马达运转过程中的声音信号,进行短时傅里叶变换获得二维时频特征灰度图。将通过经验人员反复听音和相关设备辨别的工件制作成训练集和测试集,通过CNN对训练集中时频特征图进行学习,使网络模型能够具有马达故障判别功能,并在测试集上进行验证。在训练集准确率为99.2%时,测试集准确率为94.1%。为验证模型在实际坏件判别中的可靠性,对6种单一破坏的零件进行分类,平均判别准确率达90%。结果表明:基于CNN和声音时频特征图的微型马达故障判别方法在微型振动马达的故障判别上有可靠的效果,能够运用于工业环境中取代传统的人耳听音判别故障的方法。     

基于小波包的调频波解调软件方法

提出了基于小波包的调频波解调方法 ,通过对各种调频信号进行时频分析 ,给出了信号的时间—频率谱图 ,能有效地检测到瞬时频率和获取调频信息 ,该方法可广泛应用于动态测试和软件无线电等领域     

传播介质特性对爆破震动信号分析中小波包时频特征的影响

传播介质是指爆破震动赖以向外传播的地层介质 ,其基本特征是影响爆破震动时频分布的主要因素之一。当传播介质中有爆破震动通过时 ,其动态响应将会因其原地结构的不同而在响应持续时间、频谱、响应的衰减等特征方面均有较大差异。本文利用岩体 (岩土混合体 )基本质量指标BQ值以及完整性系数Kv 来量化传播介质特性。通过对不同岩层地质条件下产生的爆破震动进行小波包分析 ,探讨了传播介质特性量化参数与爆破震动时频分布之间的关系。研究中发现 ,传播介质特性对单段波形小波包细节信号的主振频带分布、峰值质点振速及衰减阻尼比等时频特征参数均有较大影响 ,其中主振频带分布范围随着传播介质的完整性系数Kv 值减小而增大 ,优势频率值随完整性系数Kv 值减小而增加 ,而峰值质点振速及衰减阻尼比与完整性系数Kv 值之间的规律性不强     

基于小波变换的主动水声信号检测

信号检测是水声信号处理领域的研究重点之一。文章通过对水下航行器自噪声特性的研究，发现其具有1／f衰减特性，同时利用小波变换对1/f信号有类似K—L展开的作用，提出了一种基于小波变换的信号检测方法，对1/f噪声背景下的主动水声信号进行了检测；文中详细推导了相应的检验统计量及其统计分布特性；同时，将该方法与匹配滤波器、能量检测器的检测性能进行了比较，仿真试验结果表明了本方法的有效性。     

基于卷积神经网络和Transformer网络的鸟声识别

针对传统鸟声识别算法中特征提取方式单一、分类识别准确率低等问题,提出一种结合卷积神经网络和Transformer网络的鸟声识别方法。该方法综合考虑网络局部特征学习和全局上下文依赖性构造,从原始鸟声音频信号中提取短时傅里叶变换(Short Time Fourier Transform,STFT)语谱图特征,将其输入到卷积神经网络(ConvolutionalNeural Network,CNN)中提取局部频谱特征信息,同时提取鸟声信号的对数梅尔特征及一阶差分、二阶差分特征用于合成梅尔频率倒谱系数(Mel Frequency Cepstrum Coefficient,MFCC)混合特征向量,将其输入到Transformer网络中获取全局序列特征信息,最后融合所提取的特征可得到更丰富的鸟声特征参数,通过Softmax分类器得到鸟声识别结果。在Birdsdata和xeno-canto鸟声数据集上进行实验,平均识别准确率分别达到了97.81%和89.47%。实验结果表明该方法相较于其他现有的鸟声识别模型具有更高的识别准确率。     

基于卷积神经网络的水下多目标方位估计方法

针对水下多目标方位估计问题,提出了一种利用卷积神经网络模型对目标声源进行方位估计的方法。该方法使用不等强度的声源数据进行训练并使用焦点损失函数作为训练损失函数。通过对阵列接收到的信号进行特征提取,使用焦点损失函数指导卷积神经网络训练,最终利用训练好的卷积神经网络模型进行目标方位估计。对不同模型参数的训练进行对比,结果表明所训练的卷积神经网络模型在较低信噪比条件下也能正确估计弱目标的方位。试验结果表明,与采用二元交叉熵损失函数的卷积神经网络模型相比,该方法对弱目标的方位估计能力更强,提高了方位估计的准确率。     

复合基神经网络在水声目标分类识别中的应用

本文根据不同神经网络的分类特点，提出将径向基函数网络和多层感知器网络复合构成复合基网络，用于水声信号的分类识别，试验表明，该网络的分类能力及对未来训练目标的适应性优于ＢＰ网和ＲＢＦ网。     

一种基于VGGish神经网络的水声目标识别方法

水声目标智能识别是水声装备智能化的重要组成部分,深度学习则是实现水声目标智能识别的重要技术手段之一。当前水声目标智能识别经常面临数据集较小带来的训练样本量不足的情况,针对小数据集识别中存在的因过拟合导致模型泛化能力不足,以及输入的水声信号二维谱图样式不统一的问题,文章提出了一种基于VGGish神经网络模型的水声目标识别方法。该方法以VGGish网络作为特征提取器,并在VGGish网络前部加入了信号预处理模块,同时设计了一种基于传统机器学习算法的联合分类器,通过以上措施解决了过拟合问题和二维谱图样式不统一问题。实验结果显示,该方法应用在ShipsEar数据集上得到了94.397%的识别准确率,高于传统预训练-微调法得到的最高90.977%的准确率,并且在相同条件下该方法的模型训练耗时仅为传统预训练-微调方法的0.5%左右,有效提高了识别准确率和模型训练速度。     

Image texture classification using wavelet based curve fitting and probabilistic neural network

This article describes a new approach for image texture classification based on curve fitting of wavelet domain singular values and probabilistic neural networks. Image textures are wavelet packet transformed and singular value decomposition is then employed on subband coefficient matrices after introducing non‐linearity. Lower singular values are truncated based on energy distribution to effectively classify textures in the presence of noise. The selected singular values are fitted to the exponential curve. The model parameters are estimated using population‐sample analogues method and the parameters are used for performing classification. A modified form of probabilistic neural network (PNN) called weighted PNN (WPNN) is employed for performing the classification. Compared to probabilistic neural network, WPNN includes weighting factors between pattern layer and summation layer of the PNN. Performance of the approach is compared with model based and feature based methods in terms of signal to noise ratio and classification rate. Experimental results prove that the proposed approach gives better classification rate under noisy environment. © 2007 Wiley Periodicals, Inc. Int J Imaging Syst Technol, 17, 266–275, 2007     

An intelligent system for gastrointestinal polyp detection in endoscopic video using fusion of bidimensional empirical mode decomposition and convolutional neural network features

This paper presents an intelligent system for gastrointestinal polyp detection in endoscopic video. Video endoscopy is a popular diagnostic modality in assessing the gastrointestinal polyps. But the accuracy of diagnosis mostly depends on doctors' experience that is crucial to detect polyps in many cases. Computer-aided polyp detection is promising to reduce the miss detection rate of polyp and thus improve the accuracy of diagnosis results. The proposed method illustrates an automatic system based on a new color feature extraction scheme as a support for gastrointestinal polyp detection. The scheme is the combination of color empirical mode decomposition features and convolutional neural network features extracted from video frames. The features are fed into a linear support vector machine to train the classifier. Experiments on standard public databases show that the proposed scheme outperforms the previous conventional methods, gaining accuracy of 99.53%, sensitivity of 99.91%, and specificity of 99.15%.     

基于卷积神经网络的超声金属材料辨识

传统的金属材料辨识方法会给被检测样品带来一定程度的损伤。文章通过采集金属材料的超声回波时域信号,采用短时傅里叶变换对其进行时频分析,得到包含金属材料微观组织信息的超声时频谱。将目标样品的超声时频谱预处理后作为训练样本,输入到构建好的卷积神经网络中进行训练。然后采集目标样品以及干扰样品的超声频谱图,分别将其输入网络进行辨识。结果表明,神经网络在训练时收敛较快,损失函数在迭代200次后收敛,在经过100次迭代后训练集准确率趋于100%。训练完成的网络模型记录着对应训练样本的特征信息,利用该训练好的网络对待测样本进行辨识,最终可实现超声金属材料辨识。     

基于多分辨率时频特征融合的声学场景分类

声学场景分类是计算机听觉中最难的任务之一,在单一特征条件下采用基本的卷积神经网络相对于传统的分类方法精度已经有所提升,但是效果依然不够理想。针对这一问题,在卷积神经网络框架下,提出了一种基于时频特征融合的声学场景分类方案。在分类模型构建方面,提出一种多分辨率卷积池化方案,构造多分辨率卷积神经网络,以更好地适应提取特征的时频结构;在特征选取方面,融合低层次包络特征对数——Mel子带能量和高层次结构特征——非负矩阵分解系数矩阵,把两种二维特征堆叠为三维特征送入分类模型。在2017年和2018年声学场景分类和事件检测挑战赛的开发数据集上进行了训练和测试。实验结果表明,文中提出方案比基线系统的分类精度分别提高7.5%和10.3%,可有效改善分类效果。