小波包分形与支持向量机在水声目标识别中的应用研究

水声目标分类识别是公认的水声信号处理难题,船舶辐射噪声是一种非线性非平稳信号,具有一定的混沌特性,更好地认识船舶辐射噪声的非线性性质,有助于更好地寻找有效的水声目标检测及识别算法。为了解决水声目标的分类识别问题,提出了利用小波包分形和支持向量机组合进行水声目标识别。利用小波包分解得到目标辐射噪声不同频带内信号分形维数作为特征矢量,并输入到支持向量机实现目标分类,实验结果表明,小波包分形和支持向量机的结合有比较好的分类识别效果,有一定的实际应用价值。     

局域判别基空间能量的水声目标特征提取

考虑水声信号的非平稳性及时变性,对信号进行小波包分解。不同的小波包基可以反映不同的信号特性,基于距离准则,求取小波包局域判别基,在局域判别基的基础上,提出通过求取局域判别基的各子空间的能量,形成特征矢量的特征提取方法。利用Fisher准则函数进行特征选择,得到识别特征矢量,针对识别特征矢量设计神经网络分类器,对三类目标进行分类,验证实验表明,基于这种方法提取的识别特征矢量在水声目标分类识别中是有效的。     

基于声发射信号时频图深度学习的桥梁钢桁架焊接节点损伤程度识别

针对桥梁钢桁架疲劳损伤识别难度大、精度低的现状,提出基于声发射信号时频分析与深度学习的钢桁架焊接节点损伤程度识别方法。对桁架节点在桥梁运营状态下产生的声发射信号进行小波变换,表征不同损伤程度信号的时频能量分布模式,然后建立卷积神经网络(convolutional neural network, CNN)模型对时频图进行损伤特征提取,并通过迁移学习思想提升模型的训练效率和学习能力,从而实现桁架焊接节点严重损伤、轻微损伤和噪声工况的准确识别。进一步对模型各卷积层激活区域进行可视化分析,解剖模型的损伤特征学习过程及分类逻辑。某悬索桥中央纵向腹板钢桁架焊接节点现场试验结果表明：相较于利用时域波形进行特征学习的一维卷积神经网络模型,时频图包含了更丰富的损伤信息,所建立的二维卷积神经网络模型对钢桁架焊接节点三种损伤程度的识别准确率超过94%,具有更强鲁棒性和实际应用价值。     

基于DCAE-CNN的自动倾斜器滚动轴承故障诊断

针对直升机自动倾斜器滚动轴承工况复杂、噪声干扰大,造成故障诊断效果不佳的问题,提出一种基于深度卷积自编码器(Deep Convolutional AutoEncoder,DCAE)和卷积神经网络(Convolutional Neural Network,CNN)的轴承故障诊断方法。该方法首先采用小波变换方法构造不同状态下振动信号的时频图,然后使用DCAE对时频图进行图像去噪,最后利用CNN对去噪后的时频图进行故障分类。利用课题组和美国凯斯西储大学的滚动轴承故障数据开展诊断实验,并与CNN、堆叠降噪自编码器(Stacked Denoise AutoEncoder,SDAE)两种深度学习方法进行对比,结果表明,该方法在高噪声环境下具有更高的故障识别率。     

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。     

小波变换和CNN涡旋压缩机故障诊断

针对传统单尺度信号分析难以有效解决涡旋压缩机故障诊断中的故障特征信息多尺度耦合问题,提出一种基于小波变换和卷积神经网络的涡旋压缩机故障诊断方法。首先将采集到的振动信号进行连续小波变换生成时频图,并对时频图进行网格化规范处理,将预处理后的时频图作为特征图输入Alexnet卷积神经网络,通过不断调节网络参数,得出最为理想的神经网络模型,以此实现对涡旋压缩机故障类型的辨识诊断。结果表明,该方法针对涡旋压缩机故障类型的识别准确率达到94.6%,与传统多尺度排列熵、信息熵熵距的故障诊断方法相比,该故障识别方法具有更高的准确率。     

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。     

嵌入注意力机制的卷积神经网络水声目标识别

针对低信噪比水声目标单一特征识别率低,稳健性差的问题,提出一种基于注意力机制和多尺度残差卷积神经网络（Multi-scale Residual CNN with Attention,MR-CNN-A）进行特征融合的识别方法。该方法根据多尺度卷积核与特征图形成多分辨率分析关系,并以此通过注意力机制实现优势特征权值提取与融合,从而提高模型在文中水声数据集上提取目标噪声特征和分类识别的稳健性与抗噪能力。开展了4类舰船噪声和海洋环境噪声的识别试验、水下和水面自主式水下航行器的识别试验,以及不同信噪比条件下目标噪声的识别试验。结果表明：对于文中所涉及的水声目标噪声和人工高斯白噪声干扰,该网络模型识别正确率明显高于支持矢量机与简单卷积神经网络,且对高斯白噪声的抑制能力远强于支持矢量机与简单卷积神经网络,稳健性好,模型复杂度小。     

基于小波变换的水声信号滤波方法

为更好地改进低信噪比水声信号的滤波效果,本文针对小波滤波算法展开研究.对小波变换系数使用最大后验概率估计算子进行去噪,达到对原始水声信号滤波的目的,去除大部分的噪声;对含噪信号使用可变阈值函数的小波阈值滤波,进一步提高信噪比.文中给出了两种滤波方法的算法,通过对仿真信号和真实水声信号的滤波实验表明:本文方法比常用的滤波方法均方误差更小,更有利于提取水声信号的特征并进行分类识别.     

基于深度学习的地震子波分类识别

针对地震勘探中噪声压制的问题,构建了一种适合分类和识别地震子波的卷积神经网络模型.首先对卷积神经网络模型的激活函数、卷积核大小以及归一化层等进行了设计,然后利用已搭建好的卷积神经网络对地震信号的时频谱图进行特征提取,最后实现了不同类型的含噪地震信号的分类和识别.实验结果表明,该模型有高分类率和识别率及较好的抗干扰能力,...     

基于改进小波阈值去噪的深度学习水下目标分类

由于海洋环境噪声复杂,噪声等级高,水下待识别目标信噪比低,从而造成了特征提取困难,目标识别率低的问题。基于此,文章提出了基于改进小波阈值的深度学习水下目标分类方法。此方法在传统小波阈值去噪的基础上提出了一种新的小波阈值函数,对于所采用的具体阈值将其与分解尺度相联系,从而实现降低背景噪声,提升水下目标分类识别率的目的。此方法对实测舰船辐射噪声信号进行小波分解,提取每一层的高频小波系数并对其进行处理;对处理完的信号再提取时频特征,最后将其输入后续的深度学习网络中。实验结果发现：在利用原有数据集情况下,利用基于改进小波阈值的深度学习进行水下目标的分类识别,采用卷积神经网络算法可达到88.56%的分类识别率。对前述实验结果进一步分析后,采用生成对抗网络的方法扩充数据样本,可达到96.673%的分类识别率。     

基于小波包分解和PCA-Attention-LSTM的舰船辐射噪声识别技术

为了改进舰船辐射噪声分类系统的性能,进一步提高识别准确率,文章提出了一种基于多特征的小波包分解在长短期记忆(LongShort-TermMemory,LSTM)网络中分类的方法。该方法首先通过小波包分解技术,分频段提取舰船辐射噪声的多种特征,将提取的特征利用主成分分析法(Principal Component Analysis, PCA)进行数据降维,通过添加注意力机制(Attention Mechanism)算法的LSTM网络,对辐射噪声结果分类,提高了学习效率和识别准确率。为了更精细地提取特征,分频段提取了舰船辐射噪声的时频域特征、小波变换特征和梅尔倒谱系数等特征,并将分频段与不分频段的特征、多特征与单一特征、不同信噪比间的算法性能进行对比。实验结果表明,基于小波包分解和PCA-Attention-LSTM的模型可以有效地提高舰船辐射噪声分类的性能,是一种可行的分类方法。     

基于声发射信号与BP神经网络的煤粉粒径识别研究

煤粉粒径的测量是燃煤电站一项重要的工作。针对目前筛分法存在的缺点,提出了一种结合声发射信号与BP神经网络在线识别煤粉粒径的方法。在频域中对噪声信号与煤粉声发射信号进行比较,确定了信号中反映煤粉粒径的频率区间,并利用小波包置零方法对信号进行去噪,在信噪比与信号平滑度方面比较了几种常用小波函数的去噪效果。通过功率谱分析发现了信号能量随煤粉粒径的变化特征。最后提取信号能量特征,利用BP神经网络对煤粉粒径进行识别。研究结果表明,结合声发射信号与BP神经网络识别煤粉粒径,可以获得良好的效果。     

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。     

HHT在水雷目标特征提取中的应用

Hilbert-Huang变换（HHT）是近年来发展起来的一种处理非线性非平稳的时频分析方法。水声信号具有非线性非平稳的特点,把HHT方法应用于水声信号的分析中,将典型主动声纳信号的Hilbert边际谱和Hilbert谱分别与傅里叶幅度谱和传统的时频分析进行了比较。然后对水下目标回波的亮点模型作了仿真研究,并与小波变换作比较,最后用实际目标的回波作了分类研究。仿真与实际数据都证明了HHT在水下目标特征提取中的优越性。     

三种鱼类发声信号频带能量特征提取与分类研究

海洋渔业资源的开发和利用对经济鱼类的分类识别提出了迫切的技术需求。根据鱼类的不同发声特征,文章采用有监督机器学习方法实现了三个不同鱼种发声信号的分类。基于小波包分解技术提取了黄花鱼、大米鱼和黄姑鱼三种鱼类发声信号的频带能量特征,并利用不同的分类器进行分类。结果表明：三种鱼的发声信号频率主要集中在300～800 Hz之间,基于小波包分解的频带能量特征可实现3种鱼的有效分类。其中,线性判别分类器和随机子空间判别分类器的分类效果较好。该方法可为海洋渔业资源的开发和利用提供服务。     

用1(1/2)维谱结合小波包能量提取地震动信号特征

针对车辆（轮式车、履带式车）引起的地震动信号中,具有非平稳、非高斯性特征相互重叠的实际情况,研究了地面活动目标产生的地震动信号特性;从理论上说明了1(1/2)维谱可消除车辆引起的地震动信号中的高斯白噪声或有色噪声,在将[112]维谱分析和小波包能量谱相结合的基础上,提出一种特征提取方法,以便区分不同的车辆目标。在时频域构建以[112]维谱和小波包能量谱作为地震动信号的联合特征向量,建立以训练误差为目标的BP神经网络模式分类器;然后对两类车辆信号进行识别。地震动信号的车辆实测数据表明,该方法能够准确和有效地识别车辆引起的地震动信号。     

基于栈式自编码神经网络的脑电信号情绪识别

针对维度情感模型生理信号情绪识别准确率较低的问题,本文基于DEAP维度情绪生理数据集,利用AR模型功率谱估计方法,提取脑电θ,α,β,γ节律的功率谱密度;采用小波包分解提取脑电小波包系数和能量占比时频特征;通过非线性分析提取脑电样本熵和小波包熵特征.然后,设计栈式自编码神经网络算法对脑电组合特征在效价和唤醒度两个情感维...