模拟调制信号的神经网络识别方法

首先介绍从信号幅度、相位、频率及功率谱等特性中提取的三种特征参数，应用这三种参数采用人工神经网络对模拟调制信号进行了识别。在基于网络输出最小均方误差和最佳正确识别率的原则下，提出识别CW、AM、SSB、FM信号的隐含层的神经元个数为10个时较佳；得出输出层采用log-sigmoid函数为激励函数时，可以达到较佳的识别效果的结论。     

一种小波调制信号的识别方法

小波调制是一种全新的多载波通信调制方式,该文主要研究加性高斯白噪声信道条件下小波调制信号的识别.根据小波调制信号的特点,以信号高阶累积量与功率谱峰度为特征参数,采用分步识别的方法对小波调制信号进行了识别.仿真结果表明,该方法非常有效而且能够很好的抑制高斯噪声的干扰.     

基于小波变换与SVM的调制信号识别方法

为了准确地识别通信信号的调制方式,运用小波变换与支持向量机（SVM）对调制信号类型进行识别。采用小波分解重构方法对常用3种模拟信号和6种数字信号提取特征值,将提取的小波特征参数送到 SVM判决器,对信号调制类别进行训练与测试,得到平均识别率。实验结果表明,在信噪比不低于5 dB时,识别率达到了100%,具有良好的分类性能和抗噪能力。     

基于FRFT的小波包调制信号的识别研究

该文基于正交频分复用调制和小波包调制信号的调制原理,利用分数阶傅立叶变换的时频旋转特性,探讨了在高斯信道、瑞利信道和频率选择信道下小波包调制信号的识别.仿真实验结果表明,该方法具有良好的识别性能,不需要任何信道参数,能较好的实现盲信道的小波包调制识别.     

基于提升小波变换和Hilbert调制技术的故障识别方法

齿轮局部发生故障后,非线性振动信号频谱中齿轮啮合频率及其二、三次谐波附近的边频带均出现显著增长.由于提升小波算法预测和更新原理与故障信号紧密相关,利用提升小波对振动信号进行时频特性分析和信息预处理,通过预测器和更新器的设计取代小波基函数选取过程;随后对蕴含大量故障特征信息的高频细节信号实施Hilbert变换,调制信号的包络谱中彻底剔除常规振动分量仅保留故障信息,该方法可高效识别振动信号频谱中的齿轮故障特征频率.最后用实例验证基于提升小波变换的Hilbert调制分析在齿轮故障诊断中的有效性.     

基于双谱估计的小波包调制信号识别研究

小波包调制是一种全新的多载波调制方式。根据小波包调制信号的非线性和二次相位耦合性特点,该文利用双谱分析方法,对小波包调制信号进行参数化双谱估计,并提取特征参量,实现对小波包调制信号的识别。仿真结果表明,该方法具有良好的识别性能。     

基于神经网络实现多种数字信号调制方式的自动识别

A．K．Nandi与E．E．Azzouz提出基于决策论的信号调制样式自动识别方法具有简单易行，适合在线分析的优点．本文在该方法的基础上，针对该方法的数字信号调制样式识别进行深入仿真实现，并提出了基于该方法利用正交最小二乘法(OLS)的RBF神经网络实现数字信号调制样式自动识别的方法，最后对计算进行了改进，提高了该方法的识别能力，对SNR为8～20dB的信号识别得到了较好的结果．本文识别的数字信号为2ASK、4ASK、2PSK、4PSK(QPSK)、2FSK、4FSK与16QAM七种信号．     

损伤声发射信号小波包神经网络特征识别方法

在材料损伤的检测和评价时,为了在大量接收信号中识别有效声发射信号,提出了一种基于小波包特征提取的损伤声信号神经网络识别方法,首先利用小波包全局分解的优势,准确提取非平稳信号的特征信息,建立相应特征向量,对有效声发射信号和干扰噪声信号进行表征;然后根据特征向量和识别输出要求,建立了3层结构的反向传播神经网络对信号进行分析和识别,滤除噪声信号,保留有效声发射信号;最后,在玻璃钢复合材料的声发射实验中,采集了400组信号对该方法进行验证,准确性达到97.5%,能够满足工程需要.     

基于小波分解的OFDM信号与单载波信号识别方法

通信信号调制方式的自动识别是软件无线电和非合作目标通信的关键技术.针对航空信道下OFDM信号与单载波信号的识别问题,提出了基于小波分解得到信号概貌信息均值方差特征的调制识别方法,分析了本文方法对OFDM信号和单载波信号的识别性能,以及OFDM信号子载波数对识别率的影响,并与已有方法进行性能对比分析,通过计算机仿真验证了该方法的有效性.     

瑞利信道下小波包调制信号的识别研究

小波包调制是一种全新的多载波调制方式,该文主要研究在瑞利衰落信道条件下的小波包调制信号的识别。根据小波包调制信号的特点,首先用基于高阶混合矩联合信噪比估计的方法进行类间识别,然后利用反映功率谱包络变化的参数进行类内识别,实现对小波包调制信号的区分。仿真结果表明,该方法具有良好的识别性能。     

基于LPMCC特征和小波RBF网络的语音识别

小波神经网络是结合小波变换理论与人工神经网络思想而构造出来的一种"新型的神经网络模型",融合了小波变换良好的时频局域化性质及神经网络的自学习功能。它通常可看作RBF网络的推广。本文构建了一个以Morlet母小波作为小波基,代替RBF网络中的激活函数的小波神经网络结构,并采用线性预测美尔倒谱(LPMCC)作为特征参数,进行了孤立词语音识别。实验结果表明此种方法抗噪性能好,识别效率高。     

基于小波神经网络的掌纹识别

提出了一种基于小波神经网络的掌纹识别方法。首先对掌纹图像经过预处理得到掌纹的感兴趣区域（ROI）,然后利用小波包分解的方法对该区域进行掌纹特征的提取,再利用RBF网络的容错能力和较快的收敛性对掌纹图像加以识别。针对香港理工大学掌纹数据库进行了实验,实验结果证明,本算法可以达到很好的识别效果,为掌握识别提供了一种新途径。     

带时频区间精度小波神经网络的信号仿真研究

研究了小波神经网络的带时频区间精度集中理论,并应用于信号的仿真.首先利用小波变换和神经网络把信号信息集结为时域区间数与频域区间数形式;再通过预设时域和频域区间数精度,构造s(x)仿射小波框架,保证代价函数的凸性,使其局部极值极小值与全局极小值相一致;然后计算给出带时频精度的理想信号表达式及其算法;最后以具体信号给出基于小波网络框架带时频精度的信号仿真形式.     

小波包消噪提高小波网络故障识别性能

针对强噪声背景的高频振动信号,给出一种利用小波包消噪和频带分割技术,根据信号能量在小波包空间的分布特性,提取故障信号特征信息的方法．在小波包空间自适应软阈值去噪,消除白噪声;运用频带分割消除有色噪声,计算各子空间的能量,抽取低维特征矢量,作为小波网络的输入．该方法既提高了小波包神经网络的故障识别性能,又简化了决策网络结构,提高了收敛速度．     

小波框架支持向量机的模糊小波网络分类方法

针对现有的支持向量机(SVM)不具有多分辨率学习的特点,提出一种新的小波框架的多尺度支持向量机(SVM)的模糊小波网络(FWN)算法.将小波多尺度学习和模糊推理方法相结合,由于FWN对应着多个模糊规则,而每个模糊规则的后件对应一个小波网络,解决了模糊规则后件难以描述的问题;对高维输入的小波网络的初始参数和网络结构的确定困难问题,用基于正交小波框架的支持向量机代替小波网络的方法,使FWN模型具有更好的泛化性能;为了提高FWN模型的逼近精度,使用梯度下降方法调节FWN参数.仿真结果表明,与传统的模糊神经网络(FNN)相比,该方法能显著地提高分类精度.     

Seismic signal recognition using improved BP neural network and combined feature extraction method

Seismic signal is generally employed in moving target monitoring due to its robust characteristic. A recognition method for vehicle and personnel with seismic signal sensing system was proposed based on improved neural network. For analyzing the seismic signal of the moving objects, the seismic signal of person and vehicle was acquisitioned from the seismic sensor, and then feature vectors were extracted with combined methods after filter processing. Finally, these features were put into the improved BP neural network designed for effective signal classification. Compared with previous ways, it is demonstrated that the proposed system presents higher recognition accuracy and validity based on the experimental results. It also shows the effectiveness of the improved BP neural network.     

一种基于深度神经网络的句法要素识别方法

为改进传统特征方法很难获取中文句子中结构信息的问题,提出一种基于深度神经网络的句法要素识别模型。采用Bi-LSTM网络从原始数据中自动抽取句子中的结构信息和语义信息,利用Attention机制自动计算抽象语义特征的分类权重,通过CRF层对输出标签进行约束,输出最优的标注序列。经过对比验证,该模型能有效识别句子中的句法要素,在标注数据集上F₁达到84.85%。     

孔隙式隔振系统非线性阻尼特性

针对舰载设备隔振系统中双出杆液压孔隙式粘滞阻尼器阻尼力的非线性问题,建立了考虑油液压缩性的隔振系统数学模型,提出了基于AMESIM仿真试验确定隔振系统阻尼力的方法,依据仿真得到的系统压力确定了阻尼力流动指数并验证了流动指数取值的合理性.搭建隔振系统的试验装置,利用通过冲击试验获得的隔振系统位移和加速度响应验证隔振系统数学模型的准确性.结果表明,数学模型仿真和冲击试验结果误差在6%以内,为液压阻尼器非牛顿流体阻尼力的计算提供了有效、快捷的途径.     

基于Rough集和RBF网络的车牌字符识别方法

提出了一种基于Rough集和RBF神经网络结合的车牌字符识别方法。该方法针对车牌字符二值化图像,给出了基于粗糙集理论的知识获取方法,包括根据训练样本的特征向量建立决策表、离散决策表属性、约简决策表属性,然后由约简后的属性构造RBF网络识别器。试验表明该方法有效地减少了决策属性的个数,简化了神经网络识别器的结构,提高了泛化能力和抗噪声能力,在车牌字符识别中取得了较好的识别效果。     

基于小波神经网络的简支梁桥损伤识别

针对小波神经网络对一维信号逼近能力强的特点,利用灰色理论中的关联分析法,对结构损伤特征参数和损伤指标进行灰关联分析,将所获得的参数间关联度作为把结构动态特征参数整合为一维输入量的权值,进而提出了基于灰色关联分析的小波神经网络模型。为提高网络的收敛能力和逼近效果,应用局部学习策略改进了小波神经网络的学习算法。仿真结果表明,利用上述方法进行结构损伤识别,识别结果明显优于传统的神经网络模型。