均值张量成分分析及其在步态识别中的应用

针对步态识别中非负样本数据存在冗余,且未经中心化的多线性主成分分析保持聚类结构的特征向量不能对应最大特征值,导致识别效果下降的问题,提出一种保持原始张量数据均方长度的均值张量成分分析算法。该算法首先对原始样本任一模式下内积矩阵进行谱分解,计算该模式下相应的特征值和特征向量;其次,利用获得的特征值和特征向量计算均值向量,并对均值向量值进行降序排列,使较大均值向量值对应的特征向量构成该模式下的低维子空间;最后,将原始样本投影到该低维子空间,形成特征张量。与多线性主成分分析算法相比,该算法不需要对数据去中心化处理,而是保持非负数据均值向量最大均方欧几里德距离和方向。通过在USF步态数据库和TUM GAID步态数据库进行仿真实验,结果表明,经过均值张量成分分析预处理,在2个步态库上的平均识别率分别高达57%和75%,较其他传统方法的识别率有明显提高。     

脉冲噪声下基于自适应特征值分解的时延估计新方法

依据分数低阶统计量理论和噪声特征,提出一种鲁棒性自适应特征值分解（RAED）时延估计方法,扩展了自适应特征值分解（AED）时延估方法的使用环境．该算法在脉冲噪声环境下,组合两个接收信号,使其共变矩阵最小特征值对应的特征向量为信道的估计,并基于广义归一化最小平均p范数（广义NLMP）方法自适应得到该特征向量,从而获得时延估计．计算机仿真表明该方法在脉冲噪声环境下具有较好的鲁棒性．     

特征系统实现算法的虚假模态剔除方法

针对虚假模态影响特征系统实现算法识别结果的问题,提出用奇异值分解结合模态能量水平来剔除特征系统实现算法识别结果中的虚假模态。利用奇异值分解(SVD)方法滤除信号中的部分噪声,减少噪声模态并提高识别结果精度,利用输出矩阵、状态矩阵的特征值和特征向量以及输入分配矩阵计算出识别结果中各阶模态能量矩阵,对其进行奇异值分解得到最大奇异值,将其作为各阶模态对输出能量贡献的衡量指标,称之为模态能量水平,然后由计算模态与噪声模态能量为零的特点剔除识别结果中的虚假模态。通过数值仿真和实例分析验证了方法的有效性。     

应用主成分分析法的ECG身份识别方法

提出了一种基于主成分分析法对ECG信号进行特征表述的身份识别新方法。在预处理阶段对ECG信号进行滤波、分段、归一化、抽样处理，然后计算ECG信号的协方差矩阵及协方差矩阵的特征值和特征向量，其中较大的特征值对应的特征向量具有与ECG相似的形状，利用这些特征向量可描述、表达和逼近ECG信号并用于后续的身份识别。实验结果表明：相对于ECG基点特征提取技术，该方法提高了录用率，获得了较好的识别效果。     

基于协方差矩阵重构的DOA估计方法

针对空间信号的波达方向估计,提出了协方差矩阵重构测向算法。由数据协方差矩阵的特征分解求得信号特征值及其对应的信号特征向量,根据各个信号特征向量构造相应的子协方差矩阵,算法定义一个新协方差矩阵。从理论上证明了新协方差矩阵在信号相干时仍然满秩,新算法在解除信号相干性的同时没有造成阵列孔径的损失。与空间平滑类算法相比,估计同样相干信号数,新算法能节省更多阵元。仿真实验证实了新算法优越的分辨能力和估计性能。     

一种基于极值特征值之差的全盲多天线频谱感知算法

提出了一种新的基于接收信号取样协方差矩阵（SCM）极值特征值之差的多天线频谱感知算法BDDEE，其以SCM的最大最小特征值之差与接收信号平均能量之比作为感知判决量，在检测过程中摆脱了对噪声方差的依赖，且无须使用主用户信号及无线传输信道等相关参数.在此基础上，基于有限维Wishart随机矩阵有序特征值分布的相关结果，从理论上提出了一种精确的虚警概率和判决门限的分析和计算方法；更进一步，考虑到次级用户计算和存储资源的限制，利用高维Wishart随机矩阵中极值特征值的分布理论，通过融合最大和最小特征值极限分布所对应的判决门限，提出了一种低计算复杂度的判决门限计算方法.综合考虑检测性能和虚警性能指标来看，新算法比经典的CAV、MME和DMME算法具有更优的感知性能，在样本数目有限的条件下能获得更加稳健的检测结果，数值仿真结果证明了所提BDDEE算法的有效性.     

一种基于改进PCA和BP神经网络的人脸识别算法

机器学习中存在大量处理图片的高维数据,PCA是一种有效降维数据的方法.针对PCA算法在提取前几个特征值时计算量大且易受光照噪声等影响的问题,提出一种改进算法,利用分割矩阵的做法求出每一个小矩阵的最大特征值,将其特征向量组成图片的特征矩阵.这样提取出来的特征值更加具有代表性,经仿真实验验证,改进算法的正确识别训练图像集和测试集数目以及识别率均比应用在传统PCA算法上有效.     

基于高阶循环累积量的正交频分复用(OFDM)信号子载波调制识别算法

针对OFDM(正交频分复用)信号的子载波调制方式在高斯信道下的盲识别问题,提出一种基于高阶循环累积量调制识别方法。通过理论分析了高斯信道下子载波采用不同调制方式的OFDM信号的四阶循环累积量,并证明了只有当循环频率等于子载波频率时,OFDM信号的四阶循环累积量才不为零,由于不同调制方式的OFDM信号的四阶循环累积量值不同,因此将信号四阶循环累积量值作为特征量来区分信号的不同调制方式。该方法不需要任何的先验信息就能识别子载波调制方式,仿真表明该方法具有一定可行性。     

基于矩阵特征值的主用户信号全盲检测算法

在多天线主用户信号检测过程中,在信道空闲和信道被占用2种情况下接收信号取样协方差矩阵的最大和最小特征值存在明显差异.根据这一观察,提出了一种新的基于取样协方差矩阵最大和最小特征值的盲检测算法.该算法以取样协方差矩阵最大与最小特征值的差与和的比值作为感知判决量,再通过引入大维随机矩阵中关于取样协方差矩阵最大和最小特征值分布的最新成果,设计出一种有效的判决门限计算方法.相对于经典的特征值检测算法,蒙特卡罗仿真实验比对结果表明,新算法具有感知判决门限计算准确的优点,能有效地提高检测性能和判决结果的可靠性.     

基于数学形态学分形理论与PNN的轴承状态监测与故障诊断

针对滚动轴承状态监测实时性差、故障诊断准确率低的问题,提出一种基于改进局部均值分解（ILMD）和数学形态学分形理论的特征提取算法,并结合概率神经网络（PNN）完成对轴承状态的智能化识别分类.该算法首先通过ILMD分解轴承原始振动信号,选取相关性系数最大的两阶分量,求取其分形维数作为特征向量;其次,结合盒维数理论,将“形态学覆盖面积”作为第三维特征向量,同时构建起三维特征矩阵;最后将特征矩阵输入PNN以完成状态的识别分类.使用西储大学实测轴承数据验证算法,结果表明,该算法不仅能够精确识别不同状态的轴承,还能有效分类同种故障下不同损伤程度的轴承状态,平均识别率超过99.6%,平均识别时间0.21s.     

基于电弧声ARMA双谱分析对熔滴过渡类型SVM模式识别

运用电弧声对熔滴过渡模式进行识别,获取不同熔滴过渡的电弧声信号,利用ARMA双谱对不同熔滴过渡的电弧声进行分析,并提取其特征向量,采用支持向量机(SVM)方法对所获得的特征向量进行模式识别,由此成功地识别了各种熔滴过渡类型.     

二次调制信号与PSK类信号的自动盲识别算法

研究了卫星通信中常用的二次调制信号和PSK类信号的自动盲识别算法。从信号时域和频域出发,提取了能反映调制方式差异的瞬时特征,并对这些特征进行了理论分析。在区分非恒包络信号时,引入了自相关处理,改进后瞬时幅度包络特征差异更加明显,在对二次调制信号进行识别时,引入了FM盲解调用于恢复内调制信号,内调制PSK信号的识别采用基于谱线特征的识别算法。最后通过计算机仿真验证了其识别性能,在信噪比不低于4 dB时,对信号集内的信号识别率达到90%以上。     

矢量多载波多元差分混沌移位键控在水声信道下的性能研究

水声信道具有严重的时频双选择衰落特性,使得设计性能稳健的水声通信系统极为困难。为了克服水声信道时频双选择衰落带来的信道难以跟踪的挑战,提出一种采用非相干检测的多载波混沌通信系统,该系统基于差分混沌移位键控,将参考信号以及经扩频调制的信息承载信号当作矢量组,对这些矢量组进行离散傅里叶逆变换(inverse discrete Flourier transform, IDFT)完成多载波调制,经串-并转换后输出。在时频双选择性衰落信道下的仿真表明该系统具有良好的抗多普勒频移的特性,此外,在仿真水声信道和实测水声信道下的实验结果表明,该系统在水声信道下能够获得稳健的性能,相对于已有的多载波多元差分混沌调制方案,具有更好的抗时频双选择衰落的性能。     

混合调制信号调制识别方法

研究基于决策理论算法的混合调制信号特征参数提取与自动识别技术,提出适合混合调制信号调制识别的树型分类器及相应识别步骤。在外调制、内调制识别时首次分别采用副载波信号个数构成的特征矢量、均值归一化包络方差、副载波信号瞬时幅度分布区域统计值等算法,抑制噪声干扰,提高特征参数的准确性,仿真结果表明,在信噪比为6 dB情况下,调制识别率接近90%,和现有混合调制识别方法相比取得较好的识别效果,在混合信号调制识别管理中具有广泛的应用前景。     

基于麻雀搜索算法优化支持向量机的刀具磨损识别

针对微小深孔钻削刀具磨损状态检测的工程需求,提出了基于钻削声信号的麻花钻头磨损状态识别方法。根据不同磨损程度的麻花钻在钻削过程中的声信号,使用经验模态分解(empirical mode decomposition, EMD)将声信号分解成若干个固有模态函数(intrinsic mode functions, IMFs),通过时频联合分析探索刀具磨损与声信号特征之间的关联规律;再使用麻雀搜索算法(sparrow search algorithm, SSA)优化支持向量机(support vector machine, SVM)的参数,并利用SVM实现基于声信号特征的刀具磨损状态识别。实验结果表明,微小深孔钻头磨损程度与钻削声信号特征之间存在非线性耦合关系,声信号高频特征对钻头磨损程度的变化非常敏感;采用经过SSA优化后的SVM算法,基于优选的IMF特征能够准确识别钻削刀具磨损状态,识别准确率可达98.246%。     

基于门限估计的水声通信接收机自动增益控制

为了使用自动增益控制对接收信号的幅度进行动态压缩,采用统计接收端信号过门限瞬时值次数的方法,判断是否要调整原信号和基于对数或指数信号的变步长调整自动增益控制算法。在对数或指数信号变步长调整中,对数或指数信号之间是可以互相转换的,步长和收敛因子的选取受水声信道特性、信号幅度、噪声种类的影响。该方法已应用于水声信号接收系统,可较好地对输入信号的幅度进行动态压缩,还滤除了部分噪声的影响,达到了设定的期望值。实验结果表明,该方法抑制噪声能力强,跟踪速度快,适合在水声通信系统中应用。     

矢量水听器阵列超复数模型及在高分辨率波达角估计中的应用

将超复数代数引入矢量水听器信号处理领域,用超复数来整体表示了矢量水听器输出的4个信号分量,并建立了矢量水听器阵列的超复数模型.在此基础上应用基于超复数奇异值分解的超复数MUSIC算法进行波达角估计并进行计算机仿真.仿真时与长矢量方法进行了比较,理论分析表明,运用超复数模型,算法所需的存储量和除法运算量都减少了75%;仿真结果显示,在取得上述优点的同时,超复数MUSIC算法在性能上没有损失.     

基于改进ReliefF算法的哑铃动作识别

为了实现哑铃动作分类识别的目标,在哑铃上加装惯性传感器模块,通过采集哑铃锻炼过程中的运动信号,经信号标准化、滤波、基于初始静态量周期分割预处理后,提取侧平举、前平举、反握弯举、锤式弯举、弯举5种哑铃动作的特征向量,使用改进的ReliefF特征选择算法,选择最优特征向量,采用基于平衡决策树的支持向量机对不同的哑铃动作进行分类识别。通过在实验室自主研发的哑铃动作识别系统上进行测试,结果表明：系统能够在单个哑铃动作周期内对哑铃动作进行识别,且识别率可达90%以上,为提供更加个性化的哑铃动作指导奠定基础     

基于SARSA算法的水声通信自适应调制

水声信道复杂多变,自适应调制系统中反馈信息存在较大的时延,实际信道状态与接收到的反馈信息无法匹配,带来反馈信道状态信息过时问题,发送端不能准确做出自适应决策进而导致传输误码高及吞吐量低等问题。针对该问题,利用强化学习中的SARSA算法学习信道的变化并进行行为策略的选择,根据信道的变化,择优选出最佳的调制方式,以改善系统的传输误码和通信吞吐量。对比固定调制方式和直接反馈情况下的系统的误码率和吞吐量,结果表明,经强化学习后的系统误码率和吞吐量均优于其他两种方式,可见,强化学习算法在时变水声信道自适应调制中改善传输误码和吞吐量的问题上是有效可行的。     

基于特征的超声信号分类检测方法

超声检测技术在工业和科研领域得到广泛的应用。在恶劣的条件下,超声信号受到混响的干扰。传统的匹配滤波方法在这种情况下检测性能不理想。该文提出一种基于特征的检测方法,对接收信号进行分类再进行检测。该方法基于模式识别来区分是否存在回波。先利用Wigner-Ville分布和双谱提取信号的特征,然后进行主成分分析降低特征的维数,降维的特征向量送入有监督学习的分类器。实验表明,与传统的匹配滤波方法相比,该方法在-5dB的信混比时具有较好的检测性能。