数字调制信号识别的特征参数优化方法

针对数字调制信号识别中特征参数数目多和特征冗余的问题,提出一种数字调制信号识别的特征参数优化方法。首先利用正交实验对常用的20个特征参数进行优化选择,然后利用RI3F神经网络识别9种数字调制信号,最后分别与主分量分析方法((PCA)和核主分量分析方法(KPCA)进行比较。仿真结果表明,该方法在高斯和多径信道下均能够有效地对特征参数进行优化选择,比PCA方法和KPCA方法有更好的优化能力。     

基于多节点信息融合和协作的信号调制方式识别

针对单节点在低信噪比环境下调制识别率低的难题,提出了基于一种多节点信息融合和协作的信号调制方式识别方法。首先设计多个传感器节点协作方案,并提取每节点特征,然后中心节点将各节点特征进行融合,最后采用最小二乘支持向量机建立信号调制分类器。仿真结果表明,相比于其他信号调制识别方法,该方法提高了信号调制识别精度,对信噪比环境具有更好的自适应性。     

多径衰落信道下MQAM信号的调制识别

提出了一种在多径衰落信道下基于阵列接收的盲均衡调制识别算法。该方法采用多天线接收的结构,把各阵元接收到的信号进行选择性联合(SelectionCombiner)处理,再利用自适应盲均衡算法的代价函数作为识别特征进行信号识别。仿真表明,该方法在较高信噪比时可以识别多径信道下的MQAM信号。     

基于卷积神经网络的多进制相位调制信号识别算法

由于多进制相位调制子类信号相似度高,传统的信号识别方法和机器学习算法难以实现特征的自动提取和准确的分类。针对此问题,提出一种基于时频图和深度卷积神经网络的识别算法。将实测信号通过短时傅里叶变换转换成时频图作为实验数据,并设计一个33层的卷积神经网络ReSENet对特征进行自动提取和调制识别。该网络融合了经典模型ResNext和SENet的优点,能通过深度学习和特征重定向学习到数据中复杂抽象的特征。为进一步提高ReSENet的性能,分别从梯度下降算法、激活函数等方面对模型进行优化。与现有方法相比,该算法在对多进制相位调制信号识别上有更优的分类表现。实验结果显示,最终的识别准确率达到99.9%,验证了该算法的有效性。     

基于有理双树复小波和SVM的滚动轴承故诊断方法

滚动轴承故障类型被支持向量机(SVM)智能识别的关键是故障特征的提取。为了提取最优的故障特征,提高SVM的分类识别精度,提出了基于有理双树复小波和SVM的滚动轴承故障诊断方法。首先通过双树复小波包变换将非平稳的振动信号分解得到不同频带的分量,然后对每个分量求能量并作归一化处理,最后将从各个频带分量中提取的能量特征参数作为支持向量机的输入来识别滚动轴承的故障类型。研究结果表明该方法可以有效、准确地识别轴承的故障模式。     

基于卷积神经网络的通信信号调制识别研究

针对传统人工提取专家特征来进行通信信号识别的方法存在局限性大、低信噪比下准确率低的问题,提出一种复基带信号与卷积神经网络自动调制识别相结合的新方法。该方法将接收到的信号进行预处理,得到包含同相分量和正交分量的复基带信号,该信号作为输入卷积神经网络模型的数据集,通过多次训练调整模型结构以及卷积核、步长、特征图和激活函数等超参数,利用训练好的模型对通信信号进行特征提取和识别。实现了对2FSK、4FSK、BPSK、8PSK、QPSK、QAM16和QAM64 七种数字通信信号类型的识别分类。实验结果表明,当信噪比为0dB时,七种信号的平均识别准确率已达94.61%,验证了算法是有效的且在低信噪比条件下有较高的准确率。     

基于高阶累积量和三角矩的联合多参数特征OFDM信号盲识别

提出一种瑞利衰落信道条件下的多载波调制盲识别算法,用以区分多载波调制信号(如OFDM)和数字单载波调制信号(如:MASK、MFSK、MPSK、MQAM)。该算法对传统算法进行了改进,提出了利用信号的高阶累积量构造的组合识别参数以及信号的三角矩特征参数来分类单载波信号与OFDM多载波信号。该算法不需要预先知道信号的载波频率和波特率,只需从中频信号直接进行识别处理。仿真结果表明,该算法具有抗多径能力强、识别率高的优点,在SNR高于0 dB时识别率可达100%。     

基于高阶累积量的OFDM信号和单载波信号识别

本文提出了一种利用高阶累积量实现OFDM信号和单载波调制信号识别的方法。该方法利用接收信号的高阶累积量提取特征参数,并结合星座图聚类分析,采用一种决策树的多分类器实现信号的分类识别。使用的特征参数对信号的信道抖动和相位延时不敏感,且能抑制噪声的影响,易于工程实现。仿真和实验结果表明,该方法能有效识别出OFDM信号和单载波信号,具有一定的实际应用价值和发展前景。     

基于改进TFD-Hough变换的时频分量检测

针对通信监测实际环境中现有方法难以有效提取时频分量的问题,提出一种基于改进TFD-Hough变换的时频分量检测算法。在信号分量数目未知的条件下,该方法能充分利用时频分布面各分量的幅值具有线性聚集的特点,通过覆盖聚类和感知编组实现信号分量的逐次提取和参数估计,避免了全局检测中因分量能量差异导致的误检且无法获取目标位置信息的缺陷。实验结果验证了所提方法的有效性,可满足于异常通信信号的主动识别。     

雷达脉内调制信号时频分布特征提取方法

针对复杂体制雷达辐射源信号分类识别问题,提出了一种基于时频分析的雷达脉内调制识别算法。首先对时频矩阵在时间域进行等间隔分区,然后通过检测区间内信号时频能量峰值提取其时频特征,最后用支持向量机实现了分类识别。该方法以信号时频能量峰值分布的差异区别不同的雷达脉内调制方式,有效降低了特征维数。仿真结果表明,该方法对雷达脉内调制具有较好高识别正确率,而且具有较强的抗干扰能力。     

基于PCA余像空间的ICA混合特征人脸识别方法

为改善传统的基于特征脸的人脸识别方法在识别光照变化较大的人脸时效果不尽理想的缺陷,提出一种基于“PCA余像空间”的ICA混合特征人脸识别方法。不同于2阶PCA人脸识别方法,用独立元分析法代替主元分析法,对“PCA余像特征脸集”进行独立元特征抽取得到人脸图像基于PCA余像空间的独立元特征,并综合人脸图像的原始独立元特征得到混合特征作为最终识别的特征。实验表明,基于PCA余像空间的ICA混合特征人脸识别方法,在识别光照、表情等外界因素变化较大的人脸图像时,要优于传统的基于特征脸的识别方法、基于ICA的识别方法以及基于2阶PCA的人脸识别方法,并具有较强的适用性。     

Single-channel source separation of multi-component radar signal based on EVD and ICA

This study explored a novel method based on eigenvalue decomposition (EVD) and independent component analysis (ICA) to separate the multi-component radar signal in the single channel. By exploiting the generalized periodicity of the radar signal, the proposed method structures the multi-dimensional matrix from the observed signal in single-channel through EVD, then applies ICA to the matrix to determine the basic waveform of each component, and finally reconstructs the component signals. Simulation results confirmed the effectiveness of the proposed method and compared it with other methods, although the performance of proposed approach is a bit worse than some other method when processing radar signals, the most outstanding advantage of the proposed approach is that it does not require any other known conditions, and it can recover the component signals with a satisfactory level, so it can yet be regarded as an effective method.     

基于独立成分分析和核向量机的虹膜识别方法

针对虹膜识别过程中的特征提取及识别问题,提出了用独立成分分析提取虹膜特征,用核向量机进行识别的方法.从采集到的人眼图像中定位虹膜,并对其进行归一化处理和图像增强处理.用独立成分分析提取统计独立的特征,通过选择合适的特征个数可以达到较高的识别准确率.在得到虹膜特征编码后,用核向量机进行分类判决,核向量机是一种适合大规模数据集的快速支持向量机训练算法,并将结果与支持向量机的分类结果进行了对比.实验结果表明了该方法的可行性和有效性.     

基于二维图像矩阵的ICA人脸识别

为了解决传统独立分量分析(ICA)在人脸识别过程中存在的高维小样本问题,同时为了提高识别效率,提出了一种基于二维图像矩阵的独立分量分析(ICA)特征提取方法.该方法将人脸图像矩阵作为训练样本,首先利用主分量分析(PCA)对训练样本进行去二阶相关和降维处理,然后对处理后的样本进行ICA特征提取,由于训练样本维数很小,因此它降低了传统ICA方法中高维小样本问题产生的识别错误率,同时减少了识别时间.在Yale人脸库和ORL人脸库上验证了该算法的有效性.     

人脸签名在智能化办公系统中的身份认证应用

为了提高基于网络的智能化办公系统特别是敏感系统的安全性,提出使用人脸识别作为智能化办公系统的身份认证方法。采用多部件融合的人脸识别算法,将人脸图像分成一系列基元部件,从中选取选择出具有统计最优的部件集合,提取其局部二值模式（LBP）直方图特征,通过对应的线性判别分析(LDA)变换矩阵得到LDA变换后的特征,作为每个部件的最终特征,并用求和的方式实现部件的相似度融合。将此算法应用于智能化办公系统的身份注册与识别,实验结果表明具有较高的精度与安全性。     

应用复小波和独立成分分析的人脸识别

结合双树复小波变换（DT-CWT）和独立成分分析（ICA）提出了一种人脸识别新方法。该方法首先应用双树复小波变换提取图像的特征向量,接着通过主成分分析（PCA）降低特征向量的维数,在此基础上应用独立成分分析提取统计上独立的特征向量,然后基于相关系数的分类器对特征向量进行分类。双树复小波变换具有方向与尺度选择性,并能有效的保持图像的频域信息,其与独立成分分析相结合提取的特征具有良好的分类性能。在ORL和AR人脸图像数据库上进行算法验证的结果表明该方法的有效性。     

基于多线性主元分析和FLD的掌纹识别*

为了减少高维对计算成本的影响,同时提取有利于分类的判别特征,提出运用多线性主元分析(MPCA)与FLD相结合的方法进行掌纹识别。运用MPCA直接对掌纹张量进行降维和特征提取,低维特征向量作为FLD的输入,提取判别特征向量,计算特征向量间的余弦距离进行掌纹匹配。PolyU掌纹图像库的实验结果表明,与主元分析（PCA）、PCA+FLD、二维主元分析(2DPCA)、独立元分析（ICA）和MPCA相比,该算法的识别率(RR)最高为9991%,特征提取和匹配总时间为0398 s,满足实时系统的要求。     

基于独立成分分析的表面缺陷特征提取与识别方法

为了提取表面缺陷图像特征,常对图像进行线性变换,但通常的wavelet变换、Gabor变换及其基函数都是预先定义和不变的,不能适应于缺陷图像的特点.为此提出基于独立成分分析(ICA)和拓扑独立成分分析(TICA)的特征提取方法,并将其应用于冷轧带钢表面缺陷自动识别.首先利用ICA和TICA从缺陷集中自适应地估计出基函数和滤波器,这些基适应于缺陷图像的特点;然后用与基对应的滤波器对缺陷图像滤波,提取滤波响应作为特征向量;最后用支持向量机对样本进行分类识别.该方法建立在对缺陷集无监督学习的基础上,能够自适应地提取缺陷图像的显著特征,且计算简单,可并行处理.实验结果表明,文中方法对形状类缺陷、纹理类缺陷及其他缺陷的识别率都非常高,总体识别率可达95.52％.     

基于希尔伯特变换联合卷积神经网络的脑电信号识别方法

传统运动想象脑电信号识别方法需要人为提取大量特征,识别性能受研究人员经验影响较大,主观性强;提出一种基于希尔伯特变换(HT)联合卷积神经网络(CNN)的运动想象脑电信号自动识别方法,首先利用HT对原始EEG信号进行分析,实现一维数据向二维幅-相图像转换的同时增加信息提取维度;然后将其作为输入利用CNN层次化的对幅-相二维图像进行理解和解译,自动提取特征并完成分类识别,基于BCI竞赛中所用Graz数据集开展试验,结果表明相对于传统特征提取方法,文章所提算法在低、中、高信噪比条件下均能获得更好的识别性能,具有更强的噪声鲁棒性.     

基于小波和独立分量分析的煤矸界面识别

为了解决综采工作面放顶煤开采过程中煤矸界面识别问题,给出了一种基于小波去噪和独立分量分析相结合的煤矸放落声信号特征提取算法.利用小波分析对传声器实时采集的声信号进行降噪处理,提高信噪比.利用独立分量分析方法片煤矸混合声信号进行盲源分离,分别提取出煤和矸石的独立声谱特征信号.选取该信号的统计特征值作为神经网络分类器的输入...