基于竞争神经网络的逆变器状态识别方法研究

针对地铁车辆辅助逆变电路中电容软故障无明显征兆,难以识别的问题,本文提出一种基于时域参数的样本特征提取,结合模糊聚类方法建立全体样本特征的模糊相似矩阵,并采用竞争神经网络模型对滤波电容进行状态分类。实际应用时,首先建立MATLAB电路模型,分别对该电路的不同故障状态和正常状态进行仿真分析,提取输出电压信号进行时域分析得到信号特征向量,作为特征样本;其次,利用全部状态的特征样本求得模糊相似矩阵,并将其引入竞争神经网络对故障进行分类。实验表明,此方法能简单有效检测区分软硬故障,实现滤波电容状态识别,分类正确率达到93.75%。     

基于PCANet的脉搏信号亚健康检测

目前亚健康状态识别中脉搏信号特征提取困难, 且多依赖于手工提取特征而影响识 别率。针对这一问题,本文提出了一种基于主成分分析网络(Principal Component A nalysis Network,PCANet)的脉搏信号亚健康检测新方法。首先对预处理的脉搏信号进行特征提取; 其次 将这些特征进行哈希编码,直方图分块,作为特征描述;然后使用分类器将健康和亚健康的 两类 脉搏信号进行分类识别,并与传统特征提取方法的分类效果进行比较。实验结果表明本文方 法对 亚健康状态识别达到了较高的准确率,相比传统的特征提取方法,PCANet方法在识别率上提 高 了10%以上,因此,本文所提出的方法能够有效地区分健康与亚健康 状态,为亚健康状态的 检测提供了一种新的参考依据。     

一种新的电能质量扰动特征提取与识别方法

为了克服电能质量扰动识别时由于特征选择和提取不当造成最后识别精度低的缺点,提出一种基于数学统计的电能质量扰动幅值采样点数的特征提取方法和PSO-SVM电能质量扰动识别新方法。该方法根据10个周波信号的幅值差异,统计每段幅值范围内的采样点数,对其进行处理后作为各扰动信号的特征,然后采用PSO-SVM分类器对多种扰动信号进行分类识别。该方法特征提取的过程简单,减少了大量的计算处理时间。仿真实验结果表明,该方法能快速地识别出各种扰动信号,且识别精度高于传统方法并具有较好的抗噪声性能。     

一种基于多频带能量算子的FSK信号分类新方法

本文对MFSK通信信号的分类问题进行了研究.针对信号的特征提取问题,提出了一种稳健的基于多频带能量算子的方法.首先利用小波多频带滤波器组对MFSK信号进行预处理,以减弱噪声对信号的影响,然后对其中的最大频带输出值应用能量算子来提取分类特征;针对无监督聚类算法中FCM算法对初始值敏感,易收敛至局部最优解的缺点,提出了一种基于核的模糊C均值聚类(FKCM)算法来设计分类器,它通过Mercer核把输入数据非线性映射到高维空间,使得在输入空间中线性不可分的样本可分,大大提高了FCM算法的聚类性能.通过计算机仿真可知:多频带能量算子的特征提取方法可以有效地抑制噪声的影响,而FKCM可以更好地进行聚类,其识别精度更高.     

一种基于脉冲样本图和模糊理论的雷达辐射源识别

在现代信号密集环境中,传统的雷达信号特征描述方式很难对复杂体制雷达辐射源进行描述和识别.因此提出了一种基于脉冲样本图和模糊理论的雷达辐射源识别算法,运用格贴近度的模糊识别算法进行雷达辐射源识别.该方法省略了特征提取过程,简化了处理环节,仿真结果表明,这种方法具有很高的识别准确率.     

基于指纹特征融合的辐射源识别方法

提出了一种利用辐射源＂指纹＂特征融合识别辐射源的方法。首先分析了功放信号模型、接收信号模型、频率和重复频率稳定度;然后定义了四个＂指纹＂特征;在此基础上利用获取的指纹特征构造辐射源特征数据库,结合D-S证据理论给出了识别算法的步骤和框图。依据该方法对四部雷达辐射源进行了指纹特征提取,采用融合技术进行了仿真实验,结果表明基于指纹融合的方法能有效地识别辐射源。相比于经典的模板匹配法、模糊识别法,指纹特征有更高的稳定性,对信噪比不敏感,辐射源的识别率较高。     

无人机飞行声特征与提取方法比较

目前,对无人机飞行声信号的分析主要是基于传统语音信号处理的手段,并未进行深入分析。文中针对无人机飞行声信号,结合无人机的气动特点深入研究分析得出无人机声信号的特征,分析比较傅里叶变换(FFT)、梅尔倒谱系数(MFCC)和基因周期3种特征提取算法并提取特征,应用支持向量机(SVM)分类算法,进行机型识别分类。实测与实验结果表明,FFT与MCC识别率相近,FFT运算复杂度低,基因周期不太适合单独进行特征识别,因此得出FFT适合作为无人机声特征提取方法。     

基于扩张残差网络的雷达辐射源信号识别

针对低信噪比条件下,复杂多类雷达辐射源信号识别存在特征提取困难,识别正确率低的问题,本文提出了一种基于时频分析和扩张残差网络的辐射源信号自动识别方法.首先通过时频分析将信号时域波形转换成二维时频图像以反映信号本质特征;然后进行时频图像预处理以保留时频图像完备信息,适应深度学习模型输入;最后构建扩张残差网络以自动提取信号时频图像特征,实现雷达辐射源信号分类识别.实验结果表明,信噪比为-6dB时,该方法对16类雷达辐射源信号的整体识别正确率能够达到98.2%,对时频图像特征相似的类LFM（Linear Frequency Modulation）信号的整体识别正确率超过95%.本文提供了一种新的雷达辐射源信号智能识别方法,具有较好的工程应用前景.     

基于相位聚类的MPSK信号调制分类算法

针对非协作通信中的MPSK信号调制识别问题,提出基于相位聚类的调制识别算法.该算法以MPSK信号相位聚类的周期性为分类特征,应用傅里叶变换作为特征提取的方法,实现了对MPSK信号的类内识别.同时本文还对该算法进行了改进,减少了该算法的计算量,并使该方法可对含有载波频偏的MPSK调制信号进行识别.该算法在信噪比较低的情况...     

基于脉冲多普勒雷达时域回波的直升机识别算法

针对窄带雷达不同类直升机的识别问题,本文提出了一种基于时域回波信号的分类方法。首先分析了直升机主旋翼转动的运动模型;然后分析主旋翼奇偶性对桨叶反射信号强度以及间隔的影响;最后根据两类目标回波的不同,提出了桨叶反射回波强度以及间隔等特征对不同直升机的识别。基于实测数据的实验结果表明,所提方法对这两类直升机具有较好的识别效果。     

基于HHT的声频传感器车辆分类识别

针对传统语音信号识别过程中出现的识别率较低或者是计算时间复杂度高的问题,提出了基于希尔伯特黄变换(HHT)的快速声频传感器车辆识别方法.该方法将HHT算法和语音信号特征提取中常用的梅尔倒谱系数(MFCC)相结合,形成一种新的特征提取方法.实验中,将这种方法分别与K-近邻算法(K-NN)、支持向量机算法(SVM)和稀疏表示分类算法(SRC)配合进行语音信号识别,结果表明,该特征提取方法与K-NN分类算法配合,在识别率和算法运行效率方面具有明显的优势.     

直升机声信号的检测和识别

详细介绍了一种基于小波包和神经网络的新算法，用于对直升机声音信号检测并且识别机型。具体方法是对采集到的声音样本利用小波包分析提取特征向量，把这些特征向量输入反向误差传播（Back Propagation，BP）神经网络训练，用训练好的检测神经网络进行直升机的检测。检测完毕，证实是直升飞机声信号后，再通过识别神经网络区分不同型号直升机。实验表明，此方法能利用小波包时频局部聚焦分析能力和BP神经网络的自适应能力，较好地对不同型号的直升机声信号进行有效地检测和识别。因此。基于小波包和神经网络的直升机检测和识别算法不仅可靠而且是可行的。     

一种基于时频原子特征的雷达辐射源信号识别方法

提出了一种全新的基于时频原子特征的雷达辐射源信号识别方法.训练阶段,在过完备时频原子库的基础上,以类区分度为度量,提取少数最能区分不同类别信号的时频原子作为一组固定的特征;识别阶段,以原子和信号的内积的绝对值作为分类器的输入特征,采用有监督模糊自适应共振网络进行辐射源的自动识别.对5类典型雷达辐射源信号的实验结果表明,...     

一种基于一维小波包分解的信号特征提取方法

本文主要针对主动声纳的水中目标回波信号,使用一维二进离散小波包分解技术进行信号的特征提取,研究了信号特征的提取方法和分解节点与实际频带对应列表的计算方法,并通过不同的仿真实验对特征提取算法进行了验证和分析,旨在为基于信号处理提取水中目标回波信号的特征提供一种新的方法和思路。     

Detection of landmines and underground utilities from acoustic and GPR images with a cepstral approach

This paper introduces a cepstral approach for the automatic detection of landmines and underground utilities from acoustic and ground penetrating radar (GPR) images. This approach is based on treating the problem as a pattern recognition problem. Cepstral features are extracted from a group of images, which are transformed first to 1-D signals by lexicographic ordering. Mel-frequency cepstral coefficients (MFCCs) and polynomial shape coefficients are extracted from these 1-D signals to form a database of features, which can be used to train a neural network with these features. The target detection can be performed by extracting features from any new image with the same method used in the training phase. These features are tested with the neural network to decide whether a target exists or not. The different domains are tested and compared for efficient feature extraction from the lexicographically ordered 1-D signals. Experimental results show the success of the proposed cepstral approach for landmine detection from both acoustic and GPR images at low as well as high signal to noise ratios (SNRs). Results also show that the discrete cosine transform (DCT) is the most appropriate domain for feature extraction.     

Fuzzy wavelet packet based feature extraction method and its application to biomedical signal classification

In this paper, we develop an efficient fuzzy wavelet packet (WP) based feature extraction method for the classification of high-dimensional biomedical data such as magnetic resonance spectra. The key design phases involve: 1) a WP transformation mapping the original signals to many WP feature spaces and finding optimal WP decomposition for signal classification; 2) feature extraction based on the optimal WP decomposition; and 3) signal classification realized by a linear classifier. In contrast to the standard method of feature extraction used in WPs, guided by the criteria of signal compression or signal energy, our method is used to extract discriminatory features from the WP coefficients of the optimal decomposition. The extraction algorithm constructs fuzzy sets of features (via fuzzy clustering) to assess their discriminatory effectiveness. This paper includes a number of numerical experiments using magnetic resonance spectra. Classification results are compared with those obtained from common feature extraction methods in the WP domain.     

基于LSTM网络和特征融合的通信干扰识别

针对现有通信干扰信号识别方法识别效果不佳的问题,提出了一种基于长短时记忆网络(Long Short-Term Memory,LSTM)和特征融合的通信干扰识别方法.该方法利用LSTM网络提取干扰信号的特征,通过LSTM强大的序列特征提取能力提升干扰信号特征提取的性能;通过提取信号的时域和频域特征后进行特征融合,使用全连...     

采用DSP与小波变换实现声信号单目标识别

采用TMS320F2812数字信号处理器作为系统核心处理器件,辅以必要的外围电路实现声信号的采集、处理、特征提取及目标识别。根据典型目标声信号的特性,运用小波变换理论对其进行阈值滤波处理;利用小波分析能够反映信号时域和频域局部特性的优点,采用小波变换实现子空间能量特征提取;实现了声信号的快速处理与识别。将此系统应用于典型的车辆目标进行识别,取得了满意的识别效果。     

基于同步压缩短时傅里叶变换的微型无人机识别

针对利用雷达微多普勒效应的微型无人机识别问题,提出了一种基于同步压缩短时傅里叶变换(Synchrosqueezing Short-Time Fourier Transform,SSTFT)的分类识别方法.首先对无人机的微多普勒回波信号进行SSTFT从而获得信号时频谱,然后对时频谱进行多维度特征提取获得回波信号的时频特征...