基于分形和测试理论的信号调制识别

为提高信号调制识别的能力,提出了一种以最直接、最直观的信号波形的复杂度-分形维数为特征,并运用测试理论来组合多个在小信噪比范围内对通信信号调制类型有较高识别率的分类器,从而实现大信噪比范围内识别率明显改善的新方法,同时,应用该方法也可简化单个分类器的设计,提高分类识别效率。计算机模拟结果证实了此方法的有效性。     

基于支持向量机的实际调制信号识别

提出一种基于支持向量机的实际调制信号自动识别新方法。利用支持向量机把分类特征向量映射到一个高维空间，并在高维空间中构造最优分类超平面以实现信号分类。计算机仿真结果表明，该方法对实际采集的信号具有很好的分类性能。     

基于分形和测度理论的信号调制识别

为提高信号调制识别的能力 ,提出了一种以最直接、最直观的信号波形的复杂度 -分形维数为特征 ,并运用测度理论来组合多个在小信噪比范围内对通信信号调制类型有较高识别率的分类器 ,从而实现大信噪比范围内识别率明显改善的新方法 ,同时 ,应用该方法也可简化单个分类器的设计 ,提高分类识别效率。计算机模拟结果证实了此方法的有效性     

基于粒子群支持向量机的通信信号调制识别算法

为了解决大部分通信信号调制识别方法计算量大和分类器训练困难问题,提出一种基于粒子群(PSO)支持向量机(SVM)的调制识别方法.将小波理论与调制信号的瞬时特征、高阶累积量以及分形理论相结合,得到一种混合模式特征向量,并利用粒子群支持向量机对2ASK,4ASK,2PSK,4PSK,8PSK,2FSK,4FSK,8FSK,...     

基于多重分形的膝关节摆动信号特征提取与分类

膝关节摆动(VAG)信号是膝关节在屈伸活动时由于接触摩擦所产生的振动,它能够反映髌骨软化症、半月板损伤和交叉韧带损伤等膝关节损伤疾病的特征与状态,正逐步得到临床医学的重视。本文依据多重分形去趋势波动方法,定量分析了正常和异常VAG信号的特性,提取了分形标度指数、多重分形谱极值点、广义分形维数和时频信息熵值等特征信息,并采用支持向量机对正常和异常VAG信号进行分类,得到较高的分类准确率,对于膝关节损伤疾病的无创检测和辅助诊断具有重要意义。      

海杂波数据的多重分形谱分析

由于海杂波的复杂多变性,多重分形谱被用来分析舰载雷达海杂波数据。从距离向观察纯净的海杂波数据,把有完整起伏的波包作为一个分析单元,通过单独和组合的方式进行多重分形谱分析,谱曲线均表现出很强的相似性。使用分段谱分析和整帧谱分析方法对复杂背景环境(包含人工目标和地杂波)中的海杂波进行研究,表现出与纯净海杂波不同的特性,可用于海杂波仿真和抑制。     

基于谱相关特征的信号调制方式识别

在对不同调制信号谱相关函数及其三组特征谱平面图分析的基础上，提出几种可用于调制信号自动识别的谱相关特征参数，并讨论了对其识别的方法与流程。仿真表明，该方法在低信噪比下识别效果良好。     

基于累积量和SVM的数字调制识别

文中提出了一种基于高阶累积量和支持向量机的数字调制信号识别新算法,即从信号的四阶和六阶累积量中提取的参数作为分类特征向量,利用基于二叉树的支持向量机作为分类器的方法实现了2ASK、4ASK、8ASK、4PSK、8PSK等五种数字调制信号的识别。仿真结果表明,在信噪比为10dB情况下,该算法的正确识别率达到了95.83%以上。     

基于模糊熵的连续相位调制识别算法

针对不同调制参数的多调制指数(Multi-h)连续相位调制(CPM)信号间识别问题,提出一种基于模糊熵的调制识别算法。模糊熵理论摒弃了近似熵中距离与数目的二值化相似性判断,提出利用隶属度函数判断相似性,可以更精确地描述时间序列的复杂度。算法分离接收信号的同相和正交分量并分别求其模糊熵,将求取的模糊熵作为分类特征送入支持向量机(SVM)进行分类,完成不同Multi-h CPM信号的调制识别。仿真实验结果表明,该算法在信噪比大于6 dB时,对不同调制指数集合的全响应矩形成形Multi-h CPM信号可以实现100%识别,且仅需较少符号数即可实现调制识别。     

基于生成对抗数据增强支持向量机的小样本信号调制识别算法

着眼于解决小样本信号调制识别问题,该文首先研究了利用支持向量机(SVM)进行分类识别的理论可行性;其次根据统计学习理论,对利用生成对抗网络(GAN)生成数据增强支持向量机分类识别能力进行了理论分析;最后通过构建包含层归一化的深度卷积生成对抗网络(LDCGAN),与普通深度卷积生成对抗网络相比,其生成数据映射至高维空间后特征更加明显,更有利于支持向量机的分类,实验验证了该生成对抗网络生成数据可以在小样本条件下实现对支持向量机分类识别能力的有效增强。     

基于信号幅相特性的副瓣跟踪自动识别方法

传统雷达测角系统副瓣跟踪识别方法主要根据副瓣信号幅度较主瓣明显偏低这一特性提出,该文通过对副瓣跟踪原理的理论分析、仿真分析与实测验证,得出了关于副瓣跟踪特性的新结论：副瓣跟踪时和差相位正交、差和幅度比相对主瓣跟踪明显增大。在此基础上提出一种基于信号幅相特性的副瓣跟踪识别方法：构造以差和幅度比、和差相位差为描述子的幅相特征向量,采用支持向量机(SVM)对特征向量进行分类完成识别过程。实验结果表明,该文方法识别准确率高,鲁棒性、实时性、通用性强。     

基于最优参数搜索的车辆中网识别方法研究

目前国内外车型识别方法中基于中网区域特征的研究较少,且分类识别的效率和精度较低。该文在分析中网格栅区域结构特征、中网窗口形状特征及区域纹理特征的基础上,提出基于最优参数搜索的改进型C参数的支持向量分类(C-SVC)车辆中网分类识别方法,该方法采用双角度约束以提高分类的效率和精度,即一方面设计基于马氏距离和a-原则对样本数据进行优化分选,并结合加权判别算法加快支持向量机的训练测试速度,以提高算法泛化效率;另一方面在核函数参数设定过程中,设计了基于先验知识的迭代最优参数搜索算法,以提高分类器的分类识别精度。实验表明,上述车辆中网识别方法检测准确率达到97.53%,具有精度高、误检率低的优点,同时极大优化分类识别效率,能够满足识别分类的实时性要求。     

基于多尺度细节增强的面部表情识别方法

人类面部表情是其心理情绪变化的最直观刻画,不同人的面部表情具有很大差异,现有表情识别方法均利用面部统计特征区分不同表情,其缺乏对于人脸细节信息的深度挖掘。根据心理学家对面部行为编码的定义可以看出,人脸的局部细节信息决定了其表情意义。因此该文提出一种基于多尺度细节增强的面部表情识别方法,针对面部表情受图像细节影响较大的特点,提出利用高斯金字塔提取图像细节信息,并对图像进行细节增强,从而强化人脸表情信息。针对面部表情的局部性特点,提出利用层次结构的局部梯度特征计算方法,描述面部特征点局部形状特征。最后,使用支持向量机(SVM)对面部表情进行分类。该文在CK+表情数据库中的实验结果表明,该方法不仅验证了图像细节对面部表情识别过程的重要作用,而且在小规模训练数据下也能够得到非常好的识别结果,表情平均识别率达到98.19%。     

基于环形统计量和支持向量机的CPM信号调制识别

频率成形脉冲是CPM信号调制相位的度量,也是信号解调必需的调制参数,包括脉冲形状和关联长度。本文提出一种基于环形统计量和支持向量机(Support Vector Machines, SVM)的CPM信号调制识别技术。首先将基带采样信号的瞬时频率看作环形分布的随机变量,计算瞬时频率的三角矩;然后提取其统计量作为分类特征;最后利用支持向量机,实现了不同频率成形脉冲CPM信号的识别。仿真结果表明,该方法可以实现在不同调制参数类型情况下任意脉冲成形CPM信号的识别。仿真结果中给出了包括多指数CPM信号在内的,不同频率成形脉冲CPM信号间的识别率。由于本文采用基于SVM的分类器,不依赖于信噪比条件,因此具有很高的分类性能和良好的稳健性。      

基于不同Margin的人脸特征选择及识别方法

Margin在机器学习中具有很重要的意义,基于margin的特征选择方法就是从分类的角度对特征集各特征的权重进行分析。该文对不同的margin进行了分析,提出将sample-margin和hypothesis-margin分别作为特征选择标准对SBS特征选择方法进行改进,然后设计具有最佳超参数的SVM多项式分类器进行人脸识别。实验在FRERT人脸图像库上进行并与Relief特征选择方法进行了比较,对SVM和NN分类器的实验结果也进行了分析。实验结果显示：该文提出的人脸识别特征选择及识别方法是有效、适用的。     

基于粒子群优化-支持向量机方法的下肢肌电信号步态识别

为提高下肢表面肌电信号步态识别的准确性和实时性,该文提出一种基于粒子群优化(PSO)算法优化支持向量机(SVM)的模式识别方法。首先对消噪后的肌电信号提取积分肌电值和方差作为特征样本,然后利用PSO算法优化SVM的惩罚参数和核函数参数,最后利用步态动作的肌电信号样本数据对构造的SVM分类器进行训练、测试。实验结果表明PSO-SVM分类器对下肢正常行走5个步态的识别率,明显高于未经参数优化的SVM分类器,优化后平均识别率达到97.8%,并兼顾了分类的准确性和自适应性。     

基于相关性分析和支持向量机的手部肌电信号动作识别

为了有效提取表面肌电信号(SEMG)的特征,该文提出了一种基于相关性分析的改进的特征提取方法。首先用空域相关法对两路SEMG信号进行消噪预处理,然后对处理后的SEMG信号进行四尺度小波变换,并通过相关性分析提取SEMG信号的重要边缘在各尺度上的小波系数,以各尺度上的这些系数的平方和构建六维特征向量输入支持向量机分类器,对手部的多个动作进行分类。实验结果表明,基于相关性分析和小波变换构筑的特征向量结合支持向量机的方法能够以较高识别率区分伸腕、屈腕、展拳、握拳4种动作,能够得到比传统的神经网络分类器更为准确的分类结果。     

基于Adaboost与支持向量机的人脸特征提取

针对单一分类器人脸检测非常耗时的问题，提出了一种由粗到精的融合分类器结构模式加速人脸检测。该系统分为3个阶段：前两个阶段，使用Adaboost级联分类器快速排除大量简单的非人脸图像；最后一个阶段．使用非线性的支持向量机分类器，将已通过前两个阶段检测的复杂图像准确归类为人脸或非人脸。实验结果表明系统性能良好。     

基于可穿戴设备的日常压力状态评估研究

现代生活普遍压力较大,容易引起消极痛苦的应激,导致不良情绪甚至滋生各类慢性病。心理专家需要了解个体的压力状态,从而开展对应性心理疏导和治疗。传统心理学自评法存在一定的主观性;基于生理多导仪的压力状态评估法,受设备体积所限无法用于日常压力状态评估。针对上述问题,该文采用可穿戴式传感设备实时采集个体生理信号,利用心理和生理的伴生关系,对个体的心理压力进行长期实时评估。同时通过蒙特利尔影像应激实验(MIST)诱发出被试平静、轻微及高度压力3种压力状态,此实验范式同时包含认知负荷精神压力因素与社会评价心理压力因素,与日常真实生活更为接近。该文共采集39名健康被试的实验数据,通过对数据的特征值提取等预处理,结合随机森林算法对最优特征子集进行选择,采用支持向量机(SVM)分类算法对3种压力状态进行分类预测。实验结果表明,通过随机森林特征选择优化后的SVM分类,与通用的单一SVM分类算法相比,具有更好的分类识别效果,对3种压力状态的分类准确率可从78%提高至84%。