开关柜局部放电信号降噪与缺陷识别研究

文中采用暂态地电压法(TEV)进行检测,设计了四种典型的缺陷模型并搭建试验平台,分别对局部放电缺陷模型进行了实验。由于变电站现场环境复杂,需要对采集的信号进行信号降噪。针对以往小波降噪都是按照经验采取固定的分解层数的问题,提出一种Mallat算法结合最优分解层数自适应算法对含噪信号进行分离与重构,结果显示该算法可以很好地滤除噪声。对重构后的局放信号提取八种时域特征参数,并采用BP神经网络对开关柜局部放电的类型进行识别,当误差准确率δ=0.002时,放电类型的识别正确率最高,能够达到97%。     

改进BP神经网络的EMG手指运动识别

在基于肌电信号(EMG)手指运动的模式识别中,稳定性和识别率是两个主要问题,为此提出了一种新的EMG模式识别算法。该算法采用现代信号处理理论中的AR模型和改进的BP神经网络相结合的算法,有效的解决了BP网络识别中落入局部极值问题。进行试验,将提取到的特征值输入MATLAB建立一个改进多层BP神经网络,识别三个不同类型的手指运动。实验表明,改进BP算法较传统BP算法获得了更高的识别精度,达到94%左右。     

雷达信号识别的GANN方法

利用神经网络方法进行雷达信号识别存在两个问题,一是难以选择最优的网络结构;二是用传统的BP学习算法,常常收敛到局部解。本文提出一种GANN方法,即首先利用遗传算法优化两层前馈神经网络结构以确定中间隐层的节点数,然后用遗传算法进行学习。通过与BP算法相比较,遗传算法不仅速度快,而且能找到最优解。实验表明,将GANN应用于雷达信号识别,识别率更高。     

扩展信息最大化盲源分离算法的研究

盲源分离技术是信号处理和神经网络领域近年来的一个热点研究课题,由于其能够从观测的混合信号中恢复出源信号,而对源信号和混合系统的先验知识要求很少,因此在语音信号处理、无线信号处理、生物医学信号处理、地震信号处理,以及图像增强等方面都具有非常重要的理论意义和实用价值。信息最大化盲源分离算法能够有效地分离语音信号的瞬时混合,但是不能分离超高斯信号(如语音信号)和亚高斯信号(如正弦信号)的混合。基于此,本文讨论了扩展信启、最大化盲源分离算法,通过仿真表明,该算法可以有效的对各种源信号的线性即时混合进行分离,实验证明了该算法的有效性。     

基于BP信号识别的光纤油气管道监测系统

介绍了一种基于BP神经网络信号识别算法的分布式光纤管道安全预警系统,利用提取的现场振动信号时域、频域短时和长时特征,对基于BP神经网络分类器模型进行训练,模型实现了对人工挖掘和机械挖掘的智能分辨.其中BP分类器模型的最大误报率为3.3％,平均误报率为1％,最大漏报率为3.2％,平均漏报率为1％.将该BP模型应用在不同时...     

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。     

用HM框架下的神经网络分类器识别雷达目标

提出了一种HMM框架下的神经网络分类器,它既克服了普通神经网络不能有效地识别时变信号的缺点,又解决了HMM识别时变信号时不能突出不同信号的差异性问题。用网络权的遗传算法进化学习解决了Baum-Welch及BP网络学习中易陷入局部极小点的问题,还给出了用该网络成功识别实测雷达回波信号的实例。     

复值Hopfield神经网络盲恢复8PSK信号

传统的神经网络恢复MPSK信号时,因接收信号是复值的,而采用将信号实部与虚部分开盲恢复,该类方法仍存在无法解决的多值信号盲恢复问题.本文利用接收数据正交补投影和发送信号属于有限字符集的先验知识基础上,在异步调整模式下,设计出复值空间的激励函数,将其引入神经网络的能量函数中,推出了一种基于离散复值Hopfield神经网络...     

基于并行FIR滤波器结构的数字下变频

对宽带信号进行并行处理,可同时满足低功耗和实时性的要求,已成为目前宽带信号处理的研究热点。本文提出了一种可在FPGA中实现的并行快速FIR滤波器设计方法。该方法通过应用并行多相处理技术中的一种新型分布式处理算法,在滤波器结构上实现了多级级联的形式,增强了中频处理的灵活性和通用性,节省了硬件开销。仿真结果表明,该算法很好的解决了原始低通滤波器速度跟不上A/D采样率的问题,把采样率提高到了320MHz以上。同时该方法应用软件实现并行信号处理,避免了使用DDC专用芯片,具有较强的通用性,可以很好的移植到其他CPLD中。     

联合空时滤波算法在接收机抗干扰中的应用

从空时自适应滤波技术出发,结合数字多波束天线实际应用,提出了一种改进的联合空时滤波算法,解决了当干扰信号与卫星信号空间角接近时,传统的空时滤波算法在抑制干扰信号的同时,极大衰减该卫星有用信号,从而降低了接收机抗干扰性能的问题。仿真和实测结果表明,在卫星信号与干扰信号夹角接近10°和多干扰信号存在的条件下,改进的联合空时滤波算法明显优于传统的空时滤波算法。     

Learning multimodal dictionaries.

Real-world phenomena involve complex interactions between multiple signal modalities. As a consequence, humans are used to integrate at each instant perceptions from all their senses in order to enrich their understanding of the surrounding world. This paradigm can be also extremely useful in many signal processing and computer vision problems involving mutually related signals. The simultaneous processing of multimodal data can, in fact, reveal information that is otherwise hidden when considering the signals independently. However, in natural multimodal signals, the statistical dependencies between modalities are in general not obvious. Learning fundamental multimodal patterns could offer deep insight into the structure of such signals. In this paper, we present a novel model of multimodal signals based on their sparse decomposition over a dictionary of multimodal structures. An algorithm for iteratively learning multimodal generating functions that can be shifted at all positions in the signal is proposed, as well. The learning is defined in such a way that it can be accomplished by iteratively solving a generalized eigenvector problem, which makes the algorithm fast, flexible, and free of user-defined parameters. The proposed algorithm is applied to audiovisual sequences and it is able to discover underlying structures in the data. The detection of such audio-video patterns in audiovisual clips allows to effectively localize the sound source on the video in presence of substantial acoustic and visual distractors, outperforming state-of-the-art audiovisual localization algorithms.     

通信信号调制识别方法研究

将小波特征提取和BP神经网络理论相结合,设计一种新的调制识别方法。针对非稳定、大信噪比(SNR)变化的通信信号进行了有效的特征提取和分类,实现了通信信号调制方式的识别。收敛速度慢是传统BP算法存在的主要问题,为此提出Levenberg-Marquart算法对其进行改进。实验结果表明,收敛速度及识别正确率得到明显改善。     

一种新型探测器在火灾探测中的应用

提出将串联型模糊神经网络应用于火灾探测系统,并且使用多传感器技术。首先将多传感器测得的多个信号模糊化后送入神经网络进行处理,其模糊系统用指派法定义隶属度函数,神经网络采用3层前馈BP网络结构,用BP算法进行网络参数的训练。其后由模糊逻辑判决火灾或非火灾。     

基于遗传神经网络自适应噪声抵消技术的研究

自适应噪声抵消技术是减除背景噪声影响的有效处理方式。概述了自适应噪声抵消原理、BP算法及遗传算法等基本理论,结合各自的优点,提出一种基于BP神经网络和遗传算法相结合的自适应噪声抵消系统。该系统中采用遗传算法优化网络权值方式构造遗传神经网络,用遗传神经网络替代传统的自适应滤波器,以此达到更好的噪声抵消效果。使用MATLAB仿真实例,发现其消噪效果显著同时信噪比得到提高。     

基于三维特征的雷达信号脉内调制识别

针对低信噪比条件下雷达信号识别算法对噪声敏感的问题,提出了一种基于三维特征的雷达信号脉内调制识别算法。该方法通过提取信号的差分近似熵、调和平均分形盒维数和信息维数特征组成三维特征向量,使用遗传算法优化的BP神经网络分类器实现雷达信号的分类识别。仿真结果表明,所提取的三维特征在信噪比为-4~10 dB变化范围内具有较好的类内聚集度和类间分离度,可以实现对不同雷达信号进行识别,证实了该方法的有效性。     

一种改进的最小频移键控调制信号定时同步方法

MSK信号具有良好的频谱效率和功率效率,在通信系统中应用十分广泛。同步作为解调的前提,对MSK信号同步方法的研究十分必要,从而达到解调分析信号的目的。在复杂电磁环境中,信号可能受到噪声和信道衰落等影响,增加了MSK信号的正确盲同步处理难度。因此,提出了一种基于新型非线性变换与前馈结构的MSK信号同步方法,可对信号实现符号定时同步。该方法适用于较低信噪比的情况,算法精度高且计算复杂度较低,还可在缺少先验信息的条件下对MSK信号实现同步,能在一定程度上有效克服信道衰落等因素的影响,获得较好的处理性能。     

声发射信号诊断的膝盖骨性关节炎

针对目前膝盖骨性关节炎(OA)发病率高,传统的诊断方法缺乏便携性,价格贵,存在放射性危害等局限性。该文提出了一种基于遗传算法优化BP神经网络的膝盖OA诊断。该方法以健康组和患病组为研究对象,将采集到的声发射(AE)信号通过遗传优化算法得到BP网络的最佳初始权值和阈值,利用BP神经网络对AE信号进行诊断分类。经实验室建立的膝盖OA声发射数据库的实验结果表明,该诊断方法效果好,误差小,能对膝盖OA患者进行实时检测和早期预测,具有临床价值。     

基于交替投影神经网络的带限信号外推算法

本文通过对频带受限数字信号的离散傅立叶变换特性的研究,引进了交替投影神经网络,并将其应用范围从实数域拓广到复数域,且给出了在复数域仍然成立的若干结论.运用这些结论,在对网络噪声抑制、网络收敛速度及待外推信号因截断而造成频谱严重外泄等问题的分析与讨论的基础上,提出了一种基于交替投影神经网络的外推算法.仿真实验表明该方法是行之有效的.另外,该算法对频谱外推同样适用;由于它采用全互连神经网络结构,易于并行计算和VLSI实现,从而可满足军事上实时处理的需要.     

超宽带阵列天线的接收波束形成研究

针对超宽带接收波束形成问题,提出了一种基于延迟线(tapped delay line)网络结构阵列信号处理方法,应用这种方法修正各路信号,最后对齐信号合成输出。详细分析了基于延迟线的数字波束形成原理,研究了该方法对空间信号的接收性能,并通过仿真验证了这种方法的可行性。分析了阵列天线参数的选取及方向图出现栅瓣的情况。这种方法处理阵列信号简单实用,易于工程实现。     

一种优化前馈神经网络算法

神经网络由于其非线性处理能力强，性能稳定等特点得到了广泛应用和研究。主要应用于模式识别、信号处理、知识工程、专家系统、优化组合、机器人控制等。神经网络中使用最为广泛的就是前馈神经网络。其网络权值学习算法中影响最大的就是误差反向传播算法（back—propagation简称BP算法）。BP算法存在局部极小点，收敛速度慢等缺点。基于优化理论的Levenberg-Marquardt算法忽略了二阶项。该文讨论当误差不为零或者不为线性函数即二阶项S（W）不能忽略时的Hesse矩阵的近似计算，进而训练网络。