HHT方法用于小麦虫害粒的检测

小麦在储藏阶段由于各种灾害导致损失巨大,并降低了面粉质量,及时检测并分离小麦的受损颗粒迫在眉睫.论文以提取两类小麦碰撞声信号为基础,使用希尔伯特-黄变换方法对小麦完好粒和虫害粒的碰撞声信号提取有效特征,最后利用BP神经网络进行分类,对于两类小麦类型的识别取得了较好的识别率.应用结果该方法能够较好地实现区分小麦虫害粒与完好粒.     

小麦碰撞声信号时域建模与分类

分析小麦碰撞声信号,可识别受损小麦。提取三类小麦碰撞声信号,分析小麦碰撞声的时域特征,建立合适的拟合模型,并提取残差平方和、判定系数、峰值振幅等六个时域特征;最后利用BP神经网络进行分类,发现小麦完好粒、虫害粒及霉变粒碰撞声信号的时域特征存在差异,并取得了较好的识别率。应用结果表明选用适当的数学模型能够较好地拟合小麦碰撞声信号,实现区分受损小麦颗粒与完好小麦颗粒。     

基于双谱和支持向量机的小麦碰撞声分类研究

为实现小麦颗粒的自动分类,采用双谱和支持向量机相结合方法对小麦完好粒、虫蛀粒和霉变粒的碰撞声进行分类识别。对碰撞声信号进行双谱估计,提取信号双谱峰值和对角切片谱两部分特征,用支持向量机分类器进行分类,对完好粒、虫蛀粒和霉变粒3种小麦颗粒识别正确率均达84%以上。实验结果表明,该研究具有较强的实际应用价值,为小麦颗粒的分类提供了新的方法和依据。     

基于小麦碰撞声音的霉变区域识别仿真分析

研究小麦霉变区域的识别优化问题,由于小麦霉变粒、受损颗粒与完好粒的物理构造不同,碰撞声信号与正常小麦信号一定存在差异。差异特征各项属性很容易受到外部噪声的干扰发生改变,造成传统的模式识别方法很难准确识别。提出了一种加入干扰分类去除因子的小麦碰撞差异特征霉变识别方法。在小麦碰撞过程中,确定分类决策因子,并且将小麦碰撞声音的残差平方和SSE引入核函数,设计一个小麦碰撞约束超平面,确保碰撞中的系数特征点中的正类输入以及负类输入,分别处于该约束超平面的两端,实现对霉变小麦碰撞特征的干扰消除。实验表明,改进算法实现了小麦霉变区域的特征识别的优化。     

结合马田系统-SVM的滚动轴承故障模式分类研究

为了有效地确定滚动轴承的故障类型和受损程度,提出了结合马田系统和SVM的滚动轴承故障模式分类方法。利用EEMD方法对原始振动信号进行分解,得到一系列IMF。经过故障敏感IMF选取方法筛选IMF后计算其时域和频域特征参数以及原始信号的能量熵参数,构造初始的多维特征空间。运用马田系统中的正交表和信噪比进行特征降维,得到精简特征空间。接下来使用偏二叉树方法构建支持向量机多分类模型。通过实验数据进行模型验证,结果表明该方法可以实现滚动轴承故障模式分类。     

基于DCT的声呐探测信号鉴定方法

针对水下声发射源较多的问题,为能准确鉴别敌我声呐发射源,利用数字水印技术,结合DCT（离散余弦变换）的时频域特征,提出了一种基于DCT的声呐水印方法,通过在离散余弦变换域的时频系数中嵌入数字水印,并且综合考虑信道特性来产生数字水印,结合二维DCT的酉矩阵特性改变水印嵌入位置和水印个数进行仿真分析测试。仿真结果表明所提出的方法在不影响信号本身性能的基础上,能够实现最佳的嵌入方式以达到最优的检测性能,检测精度得到提高。     

多分量非平稳声信号时频分析

为了准确提取信号所包含的主要频率分量,对多分量非平稳声信号进行了时频分析。利用短时傅立叶变换将多分量非平稳声信号由时域变换到时频域,根据谱图提取信号的主要频率分量。分析结果表明：多分量非平稳信号的各主要频率分量及其时频域特性参数可以准确提取。短时傅立叶变换是提取多分量非平稳声信号主要频率分量的有效方法。     

基于GPRS的声目标定位系统设计

声定位技术在军事和民用领域中都具有广泛的应用。文中设计了一种基于GPRS无线传输网络的声目标定位系统,数据采集和控制由以TMS320VC5402为数据采集处理器和MC35为GPRS无线传输模块的硬件系统完成。软件系统完成数据的预处理、目标识别和定位。同时,鉴于时延估计算法和传声器阵列的选择是影响定位精度的主要因素,选取四元十字面阵作为传声器阵列的设计方案,针对非平稳信号提出了基于短时傅里叶变换（STFT）谱图的瞬时频域相关时延估计算法,并进行了重点分析,最后通过实验验证了系统的可行性。     

基于HHT的液压管路裂纹故障诊断方法研究

将HHT方法应用于液压管路裂纹的故障诊断,提出基于HHT的液压管路裂纹故障诊断方法,并以正常液压管路和有裂纹液压管路为例进行实验验证。首先进行EMD（经验模态分解法）振动信号分解。将EMD和HHT方法引入航空发动机液压管路裂纹的振动信号分析,某发动机液压管路的裂纹振动信号的分析结果表明,该方法能够克服傅里叶谱无法同时获得时域和频域信息的缺陷。同时边际谱能够比较真实客观地反映有裂纹液压管路的频率和幅值分布情况。此外由边际频谱图中可知,无裂纹液压管路、有裂纹液压管路振动信号的频率能量分别集中于25 Hz,有裂纹的整体系统刚度大于无裂纹的。据此,有裂纹的管路,其振动加大的现象得以由HHT方法明显呈现。     

基于HHT算法的扬声器异常音检测技术

为了有效地检测扬声器异常音,提出一种基于希尔伯特-黄变换的异常音识别及去噪方法。分析了小波变换的不足,再进行HHT分析。建立常见的几类扬声器异常音数学模型,并经EMD分解得到包含异常振动信息的IMF分量,利用IMF分量特点进行去噪处理。再求出各模拟异常音信号的Hilbert谱,采用图像二值化技术处理Hilbert谱,和小波变换时频谱比较后证明了HHT方法具有更多的优势。而且,根据不同类型异常音在时频域的特征,即可判断出扬声器异常音类型。matlab仿真实验结果表明,当归一化阈值取为0.065时,会得到清晰的图像,能更精确地检测出异常音类型。     

Hyperspectral Reflectance Imaging for Detecting Typical Defects of Durum Kernel Surface

In recent years, foodstuff quality has triggered tremendous interest and attention in our society as a series of food safety problems. The hyperspectral imaging techniques have been widely applied for foodstuff quality. In this study, we were undertaken to explore the possibility of unsound kernel detecting (Triticum durum Desf), which were defined as black germ kernels, moldy kernels and broken kernels, by selecting the best band in hyperspectral imaging system. The system possessed a wavelength in the range of 400 to 1,000 nm with neighboring bands 2.73 nm apart, acquiring images of bulk wheat samples from different wheat varieties. A series of technologies of hyperspectral imaging processing and spectral analysis were used to separate unsound kernels from sound kernels, including the Principal Component Analysis (PCA), the band ratio, the band difference and the best band. According to the selected bands, the best accuracy was 95.6, 96.7 and 98.5% for 710 black germ kernels, 627 break kernels and 1,169 healthy kernels,respectively. The result shows that the method based on the band selection was feasible.
Abbreviations: CCD: Charge-coupled Device; PC: Personal Computer; PCA: Principal Component Analysis; PLSDA: Partial Least Lquares Discriminant Analysis; ANN: Artificial Neural Networks; SVM: Support Vector Machine     

混合核函数支持向量机的磨矿粒度预测模型

选矿厂磨矿粒度是影响精矿品位和回收率的重要因素。针对目前无法对磨矿粒度进行实时有效检测问题,提出了一种基于支持向量机的磨矿粒度预测模型。通过对现有支持向量机建模方法分析比较,选择了新型的混合核支持向量机作为预测模型的建模工具,同时为了解决有效选择混合核参数问题,提出利用遗传算法对模型结构参数进行优化。仿真结果表明,用该方法建立的磨矿粒度预测模型优于基于RBF核支持向量机建立的该预测模型,其具有较好的逼近性能和泛化性能及更高的预测精度。     

基于PCA初始化卷积核的CNN手写数字识别算法

针对卷积神经网络对手写数字识别训练在卷积核随机初始化情况下收敛速度慢和识别率低的问题，提出一种主成分分析（PCA）初始化卷积核的卷积神经网络（CNN）手写数字识别算法。算法首先选取训练样本集并将其送入CNN，在相应层对Feature Map进行全覆盖取图像块处理，然后进行分层PCA学习，将学习到的特征向量做为对应卷积层的卷积核参数进行初始化，最后再用这些卷积核对原始图像进行卷积操作。实验结果表明，与随机初始化卷积核的CNN手写数字识别算法相比，改进的算法在应用MNIST数据库训练时不仅收敛，而且在产生相同均方误差的情况下迭代次数少，识别率高。     

思维作业脑电的IMF能量熵特征提取与分类研究

提出了一种基于固有模态函数（Intrinsic Mode Function,IMF）能量熵的特征提取方法。对三类脑电思维信号分别进行了经验模态分解（Empirical Mode Decomposition,EMD）,并得到与其相对应的IMF。试验发现对于不同类别的信号,同阶的IMF能量的判别熵有明显的不同。而采用K-近邻分类器对三类脑电信号进行了分类,发现基于最佳特征向量选择的分类试验的平均正确识别率达75%以上。     

基于多传感器融合的动态手势识别研究分析

研究利用三类传感器（表面肌电仪、陀螺仪和加速度计）信号的特点进行信息融合,提高可识别动态手势动作的种类和准确率。将动态手势动作分解为手形、手势朝向和运动轨迹三个要素,分别使用表面肌电信号（sEMG）、陀螺仪信号（GYRO）和加速度信号（ACC）进行表征,利用多流HMMs进行动态手势动作的模式识别。对包含有5个运动轨迹和6个静态手形的识别实验结果表明,该方法可以有效地从连续信号中识别动态手势,三类传感器组合使用获得的全局平均识别率达到92％以上,明显高于任意两个传感器组合和仅采用单个传感器获得的平均识别率。实验表明该方法是一种有效的动态手势识别方法,并且相较于传统的动态手势识别的方法更具有优势。     

多特征融合的脑电情绪分类

为进一步探究不同类型特征互补性对脑电情绪分类的影响,提出一种基于多特征融合的脑电情绪分类新方法。对预处理后的脑电信号进行DE、MST和SampEn特征提取,采用双样本T检验去除冗余筛选出最优特征并融合,采用SVM分类模型来识别不同的情绪状态。在SEED-Ⅳ数据集上的实验结果表明,单一特征中DE的平均分类准确率最高（77.86%）,而融合非线性SampEn特征与功能连接MST属性后平均分类准确率得到进一步提升（84.58%）,不同时间段采集的数据上重测实验则证明了该方法的有效性与稳定性。     

L-SMOTE与SVM结合的不平衡数据集分类研究

针对不平衡数据集的低分类效率,基于L-SMOTE算法和混合核SVM提出了一种改进的SMOTE算法（FTL-SMOTE）。利用混合核SVM对数据集进行分类。提出了噪声样本识别三原则对噪声样本进行精确识别并予以剔除,进而利用F-SMOTE和T-SMOTE算法分别对错分和正确分类的少类样本进行采样。如此循环,直到满足终止条件,算法结束。通过在UCI数据集上与经典的SMOTE等重要采样算法以及标准SVM的大量实验表明,该方法具有更好的分类效果,改进算法与L-SMOTE算法相比,运算时间大幅减少。     

基于patching的P2P VoD频道间协作策略

在P2P点播系统中,“冷播”频道往往节点较少且分布分散,各个节点形成多个独立的“播放链”,服务器往往需要为每个播放链单独提供一路数据流,负载很大。为此,提出了一种P2P VoD冷热播频道间协作策略,通过利用“热播”频道中具有富余服务能力的节点为“冷播”频道节点提供patching服务,从而连接“冷播”频道各个独立的“播放链”,进而减轻了多频道P2P点播系统中由于频道冷热播的不均衡导致“冷播”频道给服务器带来巨大的负载压力。仿真结果证明了该策略能有效提高多频道点播系统的并发服务能力。