基于fNIRS的恐惧情绪分级研究

功能性近红外光谱技术（fNIRS）能够实现对恐惧情绪的分级。文中设计情绪诱发范式,并对恐惧程度进行分级,将恐惧水平分为三级（无恐惧、弱恐惧和强恐惧）。其次,采集20位受试者在三种情绪诱发视频下的fNIRS实验数据,采用支持向量机（SVM）、K近邻算法（KNN）和随机森林（RF）等三种算法作为分类器,提取fNIRS领域常用统计学特征和熵特征进行比较研究。结果表明,常用统计学特征最高准确率达到84%,而通过集合经验模态分解（EEMD）分解的模糊熵（FuEn）特征最终获得的准确率高达93.98%。研究结果表明,通过EEMD分解的FuEn是一种相较于常用统计学特征更加优秀的恐惧情绪分级特征,可为后续其他情绪的分级奠定基础。     

基于fNIRS的游戏成瘾识别方法研究

网络游戏成瘾已在世界范围内发展成为一种新型精神疾病。随着脑功能成像技术的不断发展,功能性近红外光谱技术(functional Near-Infrared Spectroscopy, fNIRS)已经被广泛应用于各个领域中。本文根据网络游戏成瘾量表筛选出22名受试者,利用fNIRS采集受试者在停止信号任务期间前额叶脑血氧饱和度数据。使用3种传统机器学习方法和长短期记忆(Long Short-Term Memory, LSTM)神经网络对fNIRS信号进行分类,来区分游戏成瘾患者和健康人,得到的最高准确率为85.7%。本文利用fNIRS在游戏成瘾识别方面做了有益的尝试。     

基于融合特征的汽车鸣笛声识别方法

针对复杂路况和现实环境条件下,传统汽车鸣笛声识别方法的分辨力不足问题,提出了一种基于变分模态分解和融合特征的汽车鸣笛声识别方法.采用变分模态分解(VMD)将鸣笛声信号分解为多个固有模态信号(IMF),基于峭度准则筛选出主IMF分量并重构信号;提取重构信号的MFCC和LPCC特征参数.利用融合算法获得基于上述两种特征的融...     

基于IMF能量矩特征提取方法

针对辐射源中的信号识别问题中特征提取困难,提出了一种基于总体平均经验模式分解的IMF能量矩特征提取方法,并且与K最近邻分类相结合用于信号识别。首先利用总体平均经验模态分解方法把信号分解成为若干个IMF,再将重要的IMF分量关于时间轴的积分,得到IMF能量矩的特征向量,最后借助K最近邻的分类(KNN)能力对特征向量进行分类,文中对十类FSK仿真信号分类表明,该方法能够有效、准确地识别信号。     

基于VMD与SSA的OTDR信号去噪算法

为对光时域反射计(Optical Time Domain Reflectometer, OTDR)数据进行去噪处理,提出了一种基于变分模态分解(Variational Mode Decomposition, VMD)与奇异谱分析(Singular Spectrum Analysis, SSA)的去噪算法。首先,对OTDR数据进行VMD分解;然后根据相关系数准则判定有效分量,并采用SSA对与原信号相关系数较小的分量进行处理;再对所有分量求和,得到重构后的信号,从而实现数据信噪比的提高。经实验验证,该算法的去噪效果良好,容易实现,具有较大的实用价值。     

基于VMD的通信辐射源个体识别方法

针对通信辐射源细微个体指纹信息难以提取的问题,根据辐射源指纹产生机理,提出了将接收信号中的数据部分过滤而保留指纹噪声的研究思路,设计了基于变分模态分解的识别方法.该方法采用变分模态分解将接收信号分解为主要包含数据信息的低频分量和主要包含指纹信息的高频分量,并设计深度卷积神经网络对分解后的高频分量进行特征提取和分类识别....     

基于SEEMD的高分辨率SAR图像目标特征提取方法

针对高分辨率合成孔径雷达(SAR)图像,本文提出了一种基于分离集合平均经验模态分解(SEEMD)的目标散射特征提取方法.首先在图像二维波数域进行SEEMD分解获得每个目标的散射函数,然后估计目标散射特征参数,通过该参数可以区分目标所属的散射类型.最后,仿真实验和实测数据的处理验证了方法的有效性.     

基于小波包分解的声信号特征提取方法

论文提出并论述了一种基于小波包分解的特征提取方法，介绍了小波包分解的原理及其实现过程，并将其应用于超低空声目标识别系统中的特征提取过程。通过对几种典型的超低空飞行目标声信号的实验，验证了此基于小波包分解的特征提取方法的有效性。     

基于VMD的激光雷达回波信号去噪方法研究

为滤除激光雷达回波信号中的噪声,提高其信噪比,本文提出了一种基于变分模态分解(VMD)的回波信号去噪方法。该方法利用去趋势波动分析对信号进行变分模态分解,通过巴氏距离区分相关模态和非相关模态,采用移动平均法提取非相关模态中的有用信号,并将其与相关模态进行重构实现噪声的有效去除。实验结果表明,经该方法处理后的回波信号输出信噪比提高到了22.58 dB,均方根误差减小为0.78×10-11。该方法能有效滤除激光雷达回波信号中的噪声,保证信号的完整性,与小波变换、经验模态分解直接阈值、变分模态分解局部重构等方法相比,具有明显优势。     

基于持续学习和联合特征提取的特定辐射源识别

针对特定辐射源识别(SEI)识别准确率较低和单次样本学习花销较大的问题,该文提出一种基于增量式学习的SEI方法,设计多个连续增量深度极限学习机(CIDELM)。从截获信号中分别提取变分模态分解(VMD)后的Hilbert谱投影和高阶谱,降维后作为射频指纹(RFF)用于分类;在极限学习机(ELM)中采用稀疏自编码结构对多个隐含层进行无监督训练,并利用参数搜索策略确定最佳隐含层数和隐节点个数,实现对多批次标记样本的连续在线匹配。实验结果表明,该方法对不同调制方式、载波频率和收发距离均能表现出良好兼容性,能够实现对于多个辐射源个体的有效识别。     

基于感兴趣脑区LASSO-Granger因果关系的脑电特征提取算法

该文将脑功能网络引入到脑电特征提取的研究中,提出一种基于感兴趣脑区LASSO-Granger因果关系的新方法,克服了当前基于孤立脑区的研究方法的不足。先利用主成分分析提取各感兴趣区的最大主成分,然后计算它们之间的LASSO-Granger因果度量,并将其作为特征向量,最后输入支持向量机分类器,对BCI Competition IV dataset 1中的4组数据进行分类识别。结果表明,基于感兴趣脑区间LASSO-Granger因果关系分析和支持向量机分类器的方法对不同的运动想象任务识别率较高,提供了新的研究思路。     

基于多通道的调频连续波雷达生命信号提取

针对单通道调频连续波(FMCW)雷达不能保证生命信号检测准确度的问题,该文提出一种基于多通道的FMCW雷达生命信号提取方法。所提方法对各等效接收通道进行距离像重构和相位信号提取后,首先采用最大比率融合(MRC)技术对各通道提取的相位信号进行融合,接着对融合后的相位信号进行变分模态分解(VMD)并对生命信号进行重构,最后对重构信号进行快速傅里叶变换(FFT)得到呼吸和心跳信号频率。实测数据处理结果表明相比于单通道FMCW雷达,所提多通道方法能够更加稳健准确地提取生命体征信号,且结合MRC技术与VMD的信号处理方法明显优于结合MRC技术与带通滤波(BPF)的信号处理方法。     

基于变分模态分解和压缩感知的弱观测条件下雷达信号重构方法

针对弱观测条件下雷达信号存在数据残损的问题,该文提出一种基于变分模态分解和压缩感知(VMD-CS)的雷达信号重构方法。首先通过变分模态分解对采样数据进行降解去噪处理,其次在压缩感知框架下构造观测矩阵、稀疏表示字典矩阵,然后基于正交追踪匹配(OMP)算法重构出稀疏表示向量。在此基础上利用离散余弦稀疏矩阵重构信号,实现对残损雷达信号的数据重构。在连续丢失数据和随机丢失数据两种情况下,对实际采集的线性调频(LFM)雷达信号进行仿真实验。实验结果表明：在数据连续丢失率不高于30%或随机丢失率不高于60%的情况下,该文方法能有效重构雷达信号,在时域、频域和瞬时频率上能够准确逼近原始信号。     

基于经验模态分解的空中飞机目标分类

该文研究常规窄带雷达体制下喷气式飞机、螺旋桨飞机和直升机目标的分类问题。首先根据微多普勒效应利用多散射中心模型从理论上分析了飞机目标旋转部件的雷达回波模型;然后针对3类飞机目标回波在多普勒域频率调制的不同,提出一种基于经验模态分解(Empirical Mode Decomposition, EMD)算法的特征提取方法;最后基于仿真数据训练、实测数据测试的模式,使用支持矢量机(Support Vector Machine, SVM)分类器的分类结果表明新方法较现有方法在较高信噪比条件下具有更好的分类性能。     

基于FRFT的α域-包络曲线的雷达信号特征提取及自动分类

提取和补充新的特征参数是解决复杂体制雷达辐射源信号分选和雷达目标识别难题的有效手段,为此该文提出一种基于FRFT的域-包络曲线特征向量的提取方法。该方法通过FRFT搜索得到旋转角域的包络曲线函数,提取出该曲线峰值所对应的值、峰值大小及包络曲线峰度这3个特征,构造新的特征向量,并以此作为经典参数的补充。同时,采用动态聚类法就所提取的特征向量分选空间雷达辐射源信号。大量的仿真结果表明,提取的新特征具有较好的类内聚敛和类间分离能力,还具有较好的抗噪声性能,证实了新特征向量作为信号分选参数的有效性和可行性。     

基于脑功能网络和样本熵的脑电信号特征提取

针对脑-机接口(BCI)研究中采用单一特征对运动想象脑电信号(EEG)识别率不高的问题,该文提出一种结合脑功能网络和样本熵的特征提取方法。根据事件相关同步/去同步(ERS/ERD)现象以及皮层与肢体运动想象间的对侧映射机制,选取小波包变换消噪重构后的\begin{document}$ \mu$\end{document}节律脑电信号,用左侧27个通道、右侧27个通道分别对左半球脑区和右半球脑区构建脑功能网络,计算网络的平均节点度和平均聚集系数作为运动想象的脑功能网络特征,并结合C3, C4通道节律的样本熵构筑分布性和指向性相结合的特征向量。选用支持向量机(SVM)对左右手运动想象脑电信号进行分类,结果表明基于脑功能网络和样本熵的特征提取方法能够实现更优的分类效果,分类准确率最高可达90.27%。     

基于时间-距离像分布的锥体目标进动与结构特征提取

多特征综合利用是弹道目标识别的发展趋势。现有研究报道中,弹头进动特征提取通常假设某些结构特征已知,而结构特征提取通常又需要已知某些进动特征,这一学术僵局目前尚未有效突破。论文以旋转对称锥形弹头为研究对象,详细分析了各散射中心1维距离像位置与参考相位中心距离变化规律,基于时间-距离像分布,结合散射中心运动规律和几何关系,实现了进动特征(进动频率、进动角、初始相位角以及视线角)和结构特征(锥体高度、底面半径、质心到底面的距离)的联合提取,同时还估计出了质心与雷达的距离,仿真结果证明了算法的有效性和适应性。     

基于小波域NMF特征提取的SAR图像目标识别方法

该文提出了一种基于小波域非负矩阵分解特征提取的合成孔径雷达图像目标识别方法。该方法对图像二维离散小波分解后提取低频子带图像,用非负矩阵分解对低频子带图像提取特征向量作为目标的特征,利用支持向量机进行分类完成目标识别。将该方法用于对MSTAR数据中三类目标识别,识别率最高可达97.51%,明显提高了目标的正确识别率。实验结果表明,该方法是一种有效的合成孔径雷达图像特征提取与目标识别方法。