基于高阶统计量的合成图像鉴别方法

随着各种图像编辑软件的广泛应用,数字图像被篡改的现象越来越普遍。论文研究了一种鉴别合成照片真伪的方法,在提取可信图像和拼接图像的双谱特征和边缘密度特征的基础上利用支持向量机(SVM)进行分类训练,并提出了在特征提取前去除图像的非高斯噪声。实验结果表明,该方法可将鉴别正确率由71%提高到75%,并具有一定的抗JPEG压缩能力。     

利用信号围线积分双谱分形特征实现电台识别

信号的双谱能反映信号的细微特征,可用于电台识别中,但将它直接应用于电台识别需要计算复杂的匹配模板,增加分类器的复杂度,影响识别效率。针对此问题,提出了一种将信号围线积分双谱的分形特征作为电台特征参数的识别方法。首先由信号双谱估计值求出围线积分双谱,然后利用盒维数和信息维数定量描述围线积分双谱波形的复杂度,并将这两种分形维数作为特征向量,最后利用支持向量机(SVM)实现电台分类识别。对两部实际电台所发射的2FSK信号利用所提方法进行分析,结果表明在信噪比为7 dB及以上时,电台正确识别率能达到94.29%以上,验证了所提方法的可行性。     

基于分数低阶统计量的双谱及其估计方法

稳定分布可更好地描述实际中所遇到的具有显著脉冲特性的随机噪声.为了更好地抑制信号背景中的非高斯噪声,本文提出了基于分数低阶的双谱定义,并给出在分数低阶有色噪声背景下双谱非参数和参数模型的估计方法.仿真结果表明,同传统的双谱估计相比较,非参数法分数低阶双谱估计能有效的识别信号,保留了信号的幅度和相位信息,但存在较大的估计方差.基于AR模型的分数低阶双谱估计具有最大的谱平坦度,能够有效地抑制噪声,具有良好的韧性.     

Asymptotic Bias and Variance of Conventional Bispectrum Estimates for 2-D Signals

In this paper, we derive the asymptotic bias and variance of conventional bispectrum estimates of 2-D signals. Two methods have been selected for the estimation: the first one – the indirect method – is the Fourier Transform of the weighted third order moment, while the second one – the direct method – is the expectation of the Fourier component product. Most of the developments are known for 1-D signals and the first contribution of this paper is the rigorous extension of the results to 2-D signals. The calculation of the bias of the direct method is a totally original contribution. Nevertheless, we did all calculations (bias and variance) for both method in order to be able to compare the results. The second contribution of this paper consists of the comparison of the theoretical bispectrum estimate bias and variance with the measured bias and variance for two 2-D signals. The first studied signal is the output of a non-minimal phase linear system driven by a non-symmetric noise. The second signal is the output of a non-linear system with Gaussian input data. In order to assess the results, we performed the comparison for both methods with different sets of parameters. We show that the maximum bias coefficient is the one of the 1-D case multiplied by the dimensionality of the signal for both methods. We also show that the estimate variance coefficient is the 1-D case coefficient with a power equal to the signal dimensionality.Received October 21, 2002; Revised December 2003; Accepted March 25, 2004; First Online Version published in December 2004     

双谱估计在导引头信号检测与处理中的应用

双谱估计是一种应用广泛的高阶谱估计。将双谱估计应用于超宽带导引头信号检测与处理系统中,为导引头信号处理中的平滑和滤波增添了一种新的方法。仿真结果表明该方法是有效的。     

基于栈式稀疏自编码器的新型干扰识别

为了有效应对频谱弥散干扰(SMSP)和切片组合干扰(C&I)两种新型干扰,提出了一种基于栈式稀疏自编码器的识别算法。该算法首先对干扰与否的雷达接收信号进行双谱分析;然后对双谱特征进行降维,得到高维样本。预训练阶段,构造稀疏自编码器神经网络模型进行无标签样本的预训练;然后根据有标签数据对该模型参数进行有监督微调;最后利用Softmax分类器完成新型干扰的识别。仿真实验证明该方法有较高的识别率,特别是相较于其他文献方法,该方法受信噪比影响最小且识别效果最佳。说明了深度学习方法应用于雷达新型干扰信号识别领域的可行性和优越性。     

基于双谱信号重构的物探数据插值方法

实信号可以用谐波信号来描述,谐波信号的系数、相位角由实信号的双谱振幅谱、相位谱推算得到,由此实现对实信号的重构,即双谱信号重构。在信号重构过程中,通过缩小信号的采样间隔可以实现数据的内插。数值模拟和实际应用结果表明,对于重力异常等具有确定性分布的信号,用基于双谱信号重构的数据插值方法内插出来的数据具有高保真性。     

利用双谱提取固井模式特征信息

介绍了双谱的概念和有关性质,给出了基于双谱提取固井胶结特征信息的方法,并利用这种方法对实际信号进行了处理。研究了研究结果表明,基于双谱的特征信息提取方法能有效地从超声回波中获取固井胶结模式特征,使得不同胶结模式具有明显的可分性。     

基于非高斯性强度的风电齿轮箱故障特征提取

研究了风电机组齿轮箱的复杂振动信号并提取故障特征.由Gabor变换进行滤波和重构,抑制振动信号中的啮合频率及其谐波成分,对以边带成分、随机成分、固有频率成分为主的重构信号进行双谱分析,揭示齿轮正常状态与点蚀故障时振动信号的非高斯性差异,并提取到非高斯性强度特征值.结果表明：齿轮故障会引起振动信号中非高斯分布成分发生变化,由滤波信号提取到的非高斯性强度特征值对齿轮点蚀故障十分敏感,该计算方法较为便捷,具有一定的工程实用价值.     

双谱核主元分析在气液两相流流型识别中的应用

针对压差波动信号的非线性和非高斯特性,提出了一种基于高阶谱和核主元分析相结合的流型识别方法。通过对气液两相流压差波动信号的双谱分析,提取了不同流型下信号的非高斯特征,以双谱分析核主元数字特征提取流型的特征,最后利用最小二乘支持向量机对流型进行智能识别。实验结果表明,提取的核主元特征反映了两相流的流动状态,最小二乘支持向量机可以有效地识别水平管道内的4种典型流型,整体识别率达到95%,为流型识别提供了一种有效的方法。