基于深度残差收缩网络的辐射源个体识别方法

辐射源个体识别是电子对抗领域中的重要技术,通过识别设备间不同细微特征从而达到区分非法设备与合法设备的目的。针对辐射源个体间指纹特征差异细微且在噪声干扰下提取特征较少的问题,本文提出了一种基于深度残差收缩网络的辐射源个体识别方法。该方法首先将I/Q图特征数据进行拼接,利用数据增强技术进行样本扩充,进而构建了深度残差收缩网络识别模型,最后对构建的模型进行ADS-B辐射源个体识别训练并进行识别效果评估。仿真结果表明,本文构建的深度残差收缩网络通过消除数据噪声的优势,对数据增强后的20类ADS-B辐射源个体在0dB的低信噪比条件下总体识别准确率达到98.2%,其性能较相同层数的Resnet网络提高了1.3%,并明显优于现有其他方法。     

基于MATLAB的SUSAN指纹细节点提取

在指纹识别中,指纹细节点提取具有重要的意义,它直接关系到指纹匹配的可行性.指纹细节特征提取通常直接从灰度图像中提取特征点,虽然这种算法不必经过二值化和细化过程,但它要对处理后的指纹图象进行纹线修复,然后再实现细节特征提取.纹线修复往往比较耗时,步骤繁琐,同时对噪声比较敏感,甚至涉及到复杂的梯度和微分运算.本文基于简化运算的目的,首先建立USAN区域,再观察USAN区域的变化情况来判断特征点类型,最后提出了较完善的基于SUSAN原理的指纹特征提取算法,并且在MATLAB下进行仿真.实验结果证明了本算法对USAN的求和相当于求积分,计算简单、抗噪声能力强.     

基于Gabor原子的雷达辐射源信号无意调制特征提取

针对雷达辐射源的个体差异,提出一种雷达辐射源信号无意调制特征提取方法。该方法在过完备Gabor原子库基础上,采用匹配追踪（matching pursuit）方法对具有相位噪声的常规雷达辐射源信号进行时频原子分解,得到表示常规雷达辐射源信号无意调制特征信息的最佳Gabor原子,将最佳Gabor原子时频参数以及重构信号和原始信号的相似度作为个体特征参数。．实验结果表明,提取的个体特征参数可以有效地表示常规雷达辐射源信号的无意调制。     

肥心病心音时频杂波特征提取识别算法研究

为了便捷有效地识别肥心病与正常心音,提出了基于心音信号的时频域(TFD)特征提取新方法。综合应用小波变换与主成分分析对信号进行降噪预处理;基于变频同态滤波(FCHF)提取信号的时域包络,进行分割定位,提取收缩期杂音能量E_s与舒张期杂音能量E_d;通过谱估计提取心杂音缩放因子(SF)对时域E_s与E_d进行加权处理,提出用于表征肥心病心杂音的量化指标。对100例正常心音和181例肥心病心音进行分类,验证提出量化指标的有效性,平均识别准确率可达92.97%,最优识别正确率可达95.37%,结果表明提取的特征能有效识别正常心音与肥心病心音。算法提出的量化指标能够有效表征肥心病病理性特征,研究提出的心杂音量化指标提取算法为肥心病心音的分类识别提供技术基础。     

一种去信道指纹的IEEE802.11a信号辐射源识别方法

针对现有射频指纹识别技术中，使用卷积神经网络提取射频指纹容易受到信道指纹干扰，而导致识别精度急剧下降的问题，提出了一种去信道指纹的IEEE802.11a信号辐射源识别方法。首先提取出待识别信号帧头的时域训练序列，然后利用标准IEEE802.11a时域训练序列作为参考信号，结合LMS自适应滤波器对待识别信号进行信道均衡与补偿；最后采用IQCNet模型从时域信号中提取射频指纹特征进行设备身份识别。实验结果表明，在不同的无线信道环境下，对6台基于IEEE802.11a协议的无线路由器的识别正确率最高达到了96%,能有效去除信道指纹对射频指纹识别带来的不良影响。     

电网安全监测的智能化关键特征识别及稳定分区算法

提出了一种以关键运行特征识别和稳定薄弱环节辨识为目标的智能稳定评估方案,基于改进遗传算法与k阶近邻法(k-NN)相结合的稳定特征提取算法,实现对稳态运行信息中稳定关键特征的识别.在新英格兰10机39母线系统的仿真测试表明,算法能有效提取出反映不同区域稳定水平的少量关键运行特征变量,该特征较好地反映了失稳模式信息.通过构造基于BP网络的临界切除时间(CCT)预测器进一步验证了特征提取的有效性.基于特征提取结果与扰动位置的关联分析,提出了特征重合度判别方法,实现了对电网的稳定分区.     

雷击与短路故障的S变换特征量识别方法

输电线路落雷后雷电冲击干扰超高速保护动作。基于行波特征区分雷电冲击与短路故障有一定局限性,提出一种利用母线电压信号特征识别雷击与短路故障的新方法。以IEEERBTS-6标准测试系统为仿真对象,对不同雷击情况以及短路故障进行了仿真,验证了该算法的正确性和有效性。检测到的母线电压进行S变换,提取S变换时频等值线和幅值包络向量,根据是否含高频分量和等值包络向量的修正一阶中心矩的正负,直观准确地实现类型识别,并对特征提取和识别算法进行研究。它利用现有电能质量监测装置检测的信号进行识别,为通过母线电压波形辨识雷电冲击与短路故障提供了新方法。     

基于谱相干滤波冲击增强的轴承故障诊断

针对优化特征改进包络谱(IESFO)存在早期故障弱特征提取能力较弱和对频率分辨率要求较高的不足,提出了基于谱相干滤波冲击增强的轴承故障特征提取方法。首先使用IESFO算法选取优化解调频带并进行带通滤波;然后对滤波后信号使用多点优化最小熵反褶积(MOMEDA)算法增强信号中轴承故障产生的冲击;最后进行包络分析。基于实测信号的研究结果表明,和现有方法相比,本方法在轴承性能退化过程中可以提前提取到轴承早期故障信息,且可用于提取滚动轴承复合故障信息。     

基于改进HOG和SVM的苹果多目标检测方法

针对传统算法在自然环境下对小果实目标识别能力差,检测模型识别精度低的问题,提出了一种基于改进方向梯度直方图(HOG)和支持向量机(SVM)的苹果检测算法。该方法采用HOG算法提取苹果目标形状以及纹理的浅层特征,在特征提取部分加入Focus+CSP级联模块进行深层特征提取。同时引入特征金字塔(FPN)获取多尺度特征图并与HOG特征融合,获得更多小分辨率的信息,加强检测效率。最后对SVM进行训练,获得苹果检测分类器,在预测过程加入非极大值抑制输出预测值高的检测图。通过实验得到算法的识别准确率平均值达到90.46%,与原始HOG+SVM算法相比准确率提高了8.54%。证明了训练好的苹果分类器可以在复杂环境下准确地进行苹果检测。     

基于FastICA-BAS-MCKD的滚动轴承复合故障特征提取方法

针对强背景噪声下轴承复合故障特征难以分离提取的问题,提出了一种基于快速独立成分分析-天牛须-最大相关峭度 解卷积算法(FastICA-BAS-MCKD)的滚动轴承复合故障特征提取方法。 首先,引入 FastICA 对滚动轴承多通道故障信号进行盲 源分离;其次,利用 BAS 算法同步优化 MCKD 算法的解卷积周期 T、滤波器长度 L 和移位数 M,构建基于 BAS-MCKD 的滚动轴 承振动信号自适应分析方法;然后,应用 BAS-MCKD 方法处理分离后的信号,实现分离信号的降噪和特征增强;最后,应用希尔 伯特解调方法对 MCKD 处理后的信号进行包络谱分析,实现滚动轴承不同类型故障的识别。 仿真和实测信号的分析结果表 明,所提方法能清晰地从复合故障信号中提取出单一故障特征频率,为滚动轴承复合故障特征提取提供了一种有效的解决 方案。     

基于振动信号区间特征快速提取的断路器储能状态辨识方法

针对断路器伴随振动信号分析故障的特征提取费时、实时性差无法用于在线监测问题,提出一种基于快速提取区间特征的断路器储能状态辨识方法.首先由峭度-小波模极大值检测断路器储能状态起始点,将振动信号通过KS检验标记包络幅值差异明显区间,然后提取信号包络和作为特征向量,采用ReliefF-SFS方法对特征进行筛选降维得到最优特征...     

气体传感器阵列混合气体检测算法研究

针对传统模式识别算法对混合气体定性和定量检测准确率较低的问题,提出了一种基于机器学习的新型混合气体定性识别和浓度定量检测算法。算法首先构造传感器阵列数据特征图,然后利用卷积神经网络(CNN)提取特征,根据特征提取后的特征图,使用不同分支网络对不同气体进行定性识别,得到气体种类和相应气体所处浓度区间;根据前面的气体识别结果,使用核主成分分析(KPCA)与梯度提升树(GBDT)对混合气体的组成成分进行定量估计;最后采用加州大学机器学习数据库的动态混合气体气体传感器阵列数据集进行对比验证。实验结果表明,算法在乙烯和甲烷定性识别中准确率达到了98.7%,定量检测平均相对误差小于4.1%。通过与传统模式识别算法对比,所提出的基于机器学习的混合气体检测算法具有更高的精度和泛化能力。     

一种基于指纹图像特征的图像分割算法

良好的指纹分割算法能够有效的提高特征提取精度和减少后续处理时间,在指纹识别系统的预处理过程中具有重要的作用。在分析了灰度均值计算方法和噪声对方差的影响之后,提出了一种基于指纹图像特征的图像分割算法。通过实验证明,这种方法对含有噪声的指纹图像的分割是有效的,且对不同类型的指纹图像有较高的适应性。     

基于改进型对抗网络的步态特征提取方研究

针对步态识别易受环境干扰等问题,本文以步态特征提取方法为研究重点,基于对抗学习网络框架提出了改进型姿态估计算法提取步态特征。该方法利用改进型残差网络获取由低层次到高层次的步态特征,随着网络层数的加深,对残差网络做出相应的调整,突出对局部细节特征信息的聚焦;同时设计了时序编码器,不仅提高了步态特征对于环境变化的泛化性,还减少了环境对特征提取的影响。最终在三种不同的实验模式下,基于CASIA数据集进行了大量的实验,识别精度均在83%以上,最终证明本文所提出的特征提取方法在复杂环境展现出良好的灵活性。     

融合轮廓增强和注意力机制的改进 GaitSet步态识别方法

针对传统基于轮廓的步态识别方法受限于输入特征及模型特征提取的能力,从而导致识别准确率不高的问题,提出一种融合轮廓增强和注意力机制的改进GaitSet步态识别方法。首先通过预处理获取行人的轮廓图,求得其均值,合成步态GEI能量图,将其作为神经网络模型的输入特征,增强了人体外观的表示。其次在提取特征的过程中引入注意力机制,增强模型的特征提取能力,从而提高步态识别的精度。最后在CASIA-B和OU-MVLP数据集上进行实验,所提方法的平均Rank-1准确率分别为87.7%和88.1%。特别是在最复杂的穿大衣行走条件下,相较于GaitSetv2算法,准确率提升了6.7%,表明所提出方法具有更强的准确性。此外,所提方法几乎没有增加额外的参数量、计算复杂度和推理时间,说明其各模块的快速性。     

基于多核支持向量机的混合扰动波形辨识算法研究

针对特征提取手段自身局限性导致的扰动典型特征间边缘重叠对混和扰动辨识的影响,提出一种基于多域特征优选的多核支持向量机辨识算法。首先,利用多种特征提取手段获取混和扰动多域典型特征。其次,为考虑高维特征与目标类别的相关性和度量尺度的规范化,利用改进的最大相关最小冗余准则优选用于辨识的关键特征子集,进而利用计及半径信息的多核SVM来辨识混合扰动波形。仿真结果表明,所提辨识算法能够克服混合扰动特征空间模糊对辨识精度的影响,受噪声影响小,稳定性好。     

基于深度迁移学习的天气图像识别

当对天气图像等场景复杂和特征不明显的图像进行识别时,往往存在识别率不高和特征冗余等问题。基于此,本文提出了一种基于深度迁移学习的图像分类算法。该算法利用ImageNet数据集的模型参数构建ResNeXt、Xception以及SENet 3种网络模型提取图像特征,采用领域自适应的判别联合分布自适应算法来相似化特征向量,完成高质量的特征表示,并以其结果为准则融合模型特征,将融合特征经过多层感知机训练以实现高准确率识别的图像分类。实验结果表明,该算法的性能优于传统的单一网络模型,进一步提升了图像分类准确率的上限。     

身份验证中基于主动外观模型的手形匹配

身份验证系统包括了指纹识别、人脸识别、声音识别、虹膜识别和手形识别等生物识别技术。采用主动外观模型（AAM）用于手形的匹配,在特征提取阶段共同提取手形特征和纹理特征,实现了在特征级的特征融合。与现有方法进行了试验比较后表明,该方法提高了识别准确率与验证准确率。     

基于PCA和MPGA优化神经网络的整流器故障诊断

针对电力电子整流电路故障识别方法中的信号提取与模式识别两个核心问题,提出一种基于主元分析(PCA)和改进多种群遗传算法(MPGA)优化BP神经网络的三相整流装置电路故障识别方法。首先采用主元分析提取故障信号中对应的故障特征向量,然后利用移民算子与迁徙算子结合的MPGA优化BP神经网络分类器进行故障类型的识别。仿真结果表明,该方法对三相桥式整流装置进行故障诊断能准确识别与定位各故障类型,而且具有鲁棒性更好,诊断正确率更高的特点。