实时二叉判定图

对布尔函数的有效操作是许多计算机辅助设计的重要组成部分,二叉判定图（ＢＤＤ）是对布尔函数的一种有效表示,为了表示带时间参数的布尔函数,在ＢＤＤ的基础上,本文给出了带时间参数的布尔函数（ＴＢＦ）的表示—带时间参数的二叉判定图（ＴＢＤＤ）,并利用ＣＵＤＤ包实现了ＴＢＤＤ．     

测井时间序列的替代数据混沌判定方法的研究

利用测井时间序列进行计算机自动测井解释已成为正确认识油层地质规律的重要途径,但能够有效区分沉积相的曲线特征却难以提取.由于测井时间序列的非均质性,线性特征已不能满足逐渐细分的多种沉积微相的分类要求.而提取时间序列的非线性(混沌)特征时,首先要判定它是否含有混沌特性.这里将替代数据法应用于某油田的3种真实测井数据的混沌判定,并结合全井的关联维数做判据进行实验.得出的判据显示,3种测井时间序列均含有混沌.这一结果表明,具有复杂形态的测井时间序列可以用低阶非线性模型或适当的分维特征来描述.这为进一步应用混沌时间序列分析方法研究测井数据打下了理论基础.     

小波包分解与能量特征提取相结合的水管泄漏位置的确定

针对水管泄漏定位的方法--直接相关法受到噪声和声传播方式的影响,定位精度低,提出了一种基于小波包分解与能量特征提取相结合的水管泄漏定位.该方法首先用声学传感器采集数据,然后通过小波包分解将其分为不同的频段,再基于能量特征的提取选出有用的频段作互相关分析,最后通过比较相关系数来确定泄漏位置.通过仿真和实际实验的分析,本文提出的方法消除了直接相关法的缺点,提高了定位精度,是有效的.     

基于小波分析的频带局部能量的特征提取

提出了一种基于小波分析频带局部能量的特征提取法。利用Matlab软件仿真,把该方法分别运用于频率跳变信号、幅值衰减信号和含瞬态成分的信号,并与常规的频带能量特征提取法进行比较,均得到了更好的特征提取效果。该方法由于考虑了频率的时变性,与常规的特征提取法相比,更具优越性。     

扩频通信中数字混沌序列的产生

本文集中讨论了三种混沌序列的产生方法.这些方法产生的混沌序列随机性良好、抗解码力很强,可作为扩频通信系统中的扩频码或跳频码,具有极高的实际应用价值.     

实时参量预测模型及其分析

从实时系统的随机性和规律性出发,提出了３组共９个实际系统中重要参数的预测模型．对一类实时系统进行了分析,并将其抽象化．对模型的有效性进行了理论分析,从一个实际系统的初步实验中也证明了模型的预测能力和效串．     

基于递归网络的混沌时间序列预测

为了能对时问序列充分建模,从混沌的慨念入手,将混沌与神经网络相结合,利用人工神经网络的拟合特性,提出了递归网络的混沌时间序列预测方法。给出了递归神经网络预测的基本理论、数学模型、及具体步骤,并通过由杜芬方程所产生的混沌时间序列对该神经网络进行了模拟实验。仿真结果表明,该方法远好于前馈网络的预测效果,其预测误差在10^-15的数量级上。     

一种新的基于实时视频流的车型特征提取算法

背景的实时建模、车辆存在判定及车型特征提取是基于实时视频流的车型识别系统中的关键性问题。本文首先从建模质量和建模速度两个方面对比分析了几种常用的背景建模算法。然后提出了一种新的车辆存在判定、特征提取算法“弹性松弛算法”,最后给出了实验结果。结果表明：该算法可以有效的进行车辆存在判定,并能够实时的提取车型长度特征,从而完成车型识别系统中的车辆计数工作,为车型识别奠定了良好的基础。     

基于小波的混沌序列噪声消除

混沌序列以其数量巨大、类随机、易于产生和复制等优异特性受到人们的广泛关注.用于CDMA通信系统中时,其性能直接影响系统的容量和抗扰性能.混沌序列是宽带和非平稳信号,信号具有许多尖峰和突变,用传统的方法对这种信号进行消噪显的无能为力.小波理论和方法给我们提供了一个新的强有力的工具,应用小波消噪原理和方法可以较好地消除噪声,把混沌序列提取出来.通过利用Logistic映射产生混沌序列,对被噪声干扰的混沌序列进行消噪处理,结果令人满意.     

昆明年降雨量时间序列的混沌分析

降雨对水文水资源系统的预报预测是极其重要的.应用重构相空间技术和混沌理论对昆明1951-2010年降雨时间序列的特性进行了分析,通过研究嵌入相空间维数和关联维数之间的变化关系得到了饱和关联维.结果表明,昆明年降水系统中的混沌现象是存在的.这一研究结果为利用混沌理论建立预测模型提供了较为科学的依据.     

桥梁健康监测中损伤特征提取的小波包方法

针对桥梁健康监测中结构损伤识别的特点,从模式识别的角度提出和分析了损伤特征提取问题.阐述了基于小波包分析的两种节点能量特征提取的方法.为了研究小波包系数节点能量和小波包信号成分节点能量对损伤信息进行特征提取的差异,通过对随机荷载激励下的连续梁进行数值模拟,得到了结构未损和损伤状态下的加速度时程信号.应用小波包变换,对不同结构状态下的加速度信号分别提取了两种小波包节点能量特征,并对它们作为结构损伤特征指标的敏感性进行了比较.认为两种特征指标的敏感性相差很小,而小波包系数节点能量特征指标的计算效率更高,更适合桥梁健康监测中损伤特征提取的要求.     

车辆振动信号的特征提取方法比较

针对用于车辆振动信号分析的常用方法:小波分析方法和Hilbert-Huang变换方法,以及作者新近提出的时序多相关-经验模式分解方法,通过仿真对比分析了它们各自的特点以及它们在振动信号特征提取中的适用性。非线性信号的仿真分析表明,在没有噪声或分析对象背景噪声较小的情况下,后两种方法能提取到特征信号,小波分析不适合非线性信号的分析;在强背景噪声下,前两种方法均不能得到满意的特征信息,而时序多相关-经验模式分解方法能提取到所需的目标信息。最后将时序多相关-经验模式分解方法用于某特种车辆特征信号的提取,得到了满意的结果,验证了该方法在车辆振动信号特征提取中的有效性。     

提取混沌中谐波信号的时频方法

首先采用谐波小波变换将观测信号分解成窄带信号,然后使用经验模态分解方法将每一个窄带信号分解为有限个内禀模态函数(IMFs),根据功率谱密度选取内禀模态函数,提取谐波信号。该方法的性能可由噪声缩减因子和相关系数两个指标度量。理论分析和仿真实验表明,在信噪比不太低的情况下,该方法对提取淹没在混沌和噪声背景下的谐波信号非常有效。     

小波包变换在电力负荷特征信号提取中的应用

为了给电力系统不良数据辨识提供良好的数据基础,提出了一种新的基于小波包除噪的方法来提取电力负荷特征信号.该方法将不良数据看成是被淹没在大量的噪声信号中特征信号,通过比较小波包除噪法与小波除噪法对信号消噪的效果,得出结论:小波包除噪法有较好的消噪能力,为电力负荷特征信号的提取提供了有效的分析方法.     

基于ICA的语音信号表征和特征提取方法

推导了基于独立分量分析(independent component analysis,ICA)的信号表征方法的有效性,并将基于ICA的信号特征分析应用到说话者识别任务中,通过计算机仿真实验证明该方法对非高斯语音信号受高斯噪声干扰时特征提取的有效性。最后的比较结果证明,基于ICA的信号特征,性能较传统的基于离散余弦变换(discrete cosinetransform,DCT)的Mel频率倒谱系数(mel-frequency cepstral coefficients,MFCC)特征有明显的提高。     

基于提升小波变换的心音信号特征提取方法的研究

为了准确提取心音信号的病理性信息,提出了一种基于提升小波变换的改进的特征提取方法针对性地分析第一心音(S1)和第二心音（S2）及其时限并对不同心音信号进行分类。首先利用提升小波软阈值降噪法对不同心音信号作去噪预处理;然后利用提升小波时间熵法检测心音信号在不同时刻的分布情况,并提取其熵值;通过香农能量优化双阈值法提取心音包络信号及S1、S2时限;最后改进选取心率、S1和S2时限、心动周期、包络面积,熵值六个特征参数,并利用支持向量机算法（SVM）对不同心音信号进行分类。分析和仿真结果表明该算法对正常和心脏病患者的心音准确分类率达到98%,表明该算法能有效识别不同心音信号。     

FDA与ML-KELM结合的机电系统故障识别

为准确识别坦克自动装弹机中的机电系统故障,提出了一种结合函数型数据分析(Functional data analysis,FDA)和多层核极限学习机(Multi-layer kernel extreme learning machine,ML-KELM)的故障识别方法。首先,以函数的视角对机电系统运行过程中具有平滑特性的时序数据进行特征信息挖掘,利用函数型主成分分析和主微分分析从不同空间将时序数据的变化特性表征为特征参数;其次,对提取的多传感器时序数据的特征进行Relief-F特征筛选,得到与分类强相关的特征;最后,采用ML-KELM对强相关特征进行深度特征学习,获取更抽象的特征表达,进而实现准确的故障识别。结果表明: 采用与某坦克自动装弹机中的链式输送机原理一致的实验装置进行故障识别实验,函数型主成分分析和主微分分析能够从不同的特征空间中提取时序数据中的有效故障特征,并且两种方法提取的特征具有互补性; 基于多传感器时序数据特征中的强相关特征,使用3层隐含层的ML-KELM能够实现较为准确的故障识别,所提方法具有可行性和有效性,为坦克自动装弹机中的机电系统故障识别的研究提供了一种参考。     

基于二维ICA变换的语音特征提取

独立成分分析（ICA）方法已经被广泛地应用于语音信号处理中.讨论了ICA方法在语音信号特征提取中的应用.ICA被应用在对数Mel滤波器组变换域中来代替常用的离散余弦变换,后者被应用来得到Mel倒谱系数（MFCC）特征.我们将应用一种新的方法即二维ICA方法来发掘语音信号的时域跟频域的信息,从而提高语音特征的效率跟噪声鲁棒性.这些特征被用于基于高斯混合模型的说话人识别应用中.仿真结果表明我们得到的时频二维特征优于传统的一维特征.     

基于二维ICA基于二维ICA变换的语音特征提取

独立成分分析 (ICA)方法已经被广泛地应用于语音信号处理中.  讨论了ICA方法在语音信号特征提取中的应用.ICA被应用在对数Mel滤波器组变换域中来代替常用的离散余弦变换，后者被应用来得到Mel倒谱系数(MFCC)特征.我们将应用一种新的方法即二维ICA方法来发掘语音信号的时域跟频域的信息，从而提高语音特征的效率跟噪声鲁棒性.这些特征被用于基于高斯混合模型的说话人识别应用中.仿真结果表明我们得到的时频二维特征优于传统的一维特征.