基于小波变换的语音信号的特征提取

本文将小波变换用于语音信号目标特征的提取,利用小波变换对语音目标进行小波包分解后提取各频带内的能量特征作为特征向量。实验表明,小波变换使信号的频率特征得到增强,且压缩了特征空间的维数,具有很好的语音信号分类效果。     

微弱振动信号的谐波小波频域提取

为解决设备故障检测和故障预报中某些微弱振动信号难以提取出来的问题,在介绍谐波小波变换的优良特性及其基本原理的基础上,给出了谐波小波变换的实现技术.在不减少信息点数的情况下,用谐波小波变换成功地对微弱振动信号实现了频域提取与时域重构,并且实现了强噪声下微弱周期振动信号的频域提取.通过算例和工程实例,说明谐波小波方法在微弱信号的频域提取能力和精度上明显优于基于二进分解的小波方法和傅里叶分析方法,且在混有强噪声的信号提取中消除了二进小波包仍然存在的噪声泄漏,同时也显示了谐波小波变换的频域保相特性.     

一种基于小波的数字调制信号识别算法

小波包变换理论上可以实现信号频带的均匀划分，从而更好地提取信号的时频特征.作者首先介绍了卷积型小波包算法，然后分析了三种主要的数字调制信号的小波变换特征，提出了一种基于小波的数字调制信号识别算法，仿真结果表明该算法能够识别典型的数字调制信号，而且具有较好的抗噪声性能.     

滚动轴承故障程度识别

针对实际运行滚动轴承的故障程度问题,提出一种诊断滚动轴承故障程度的方法.深入研究滚动轴承的故障机理、振动信号的时域特征以及不同程度故障对滚动轴承运行的影响进行了,广泛分析振动特征提取方法和支持向量机的算法,采用了小波包能量法提取状态特征,使用新型二叉树支持向量机的多类分类算法.实验结果表明采用小波包提取状态特征和支持向量机可以滚动轴承故障程度识别,模型的学习、泛化能力强.     

基于小波包分解的细胞膜离子电流重构

提出了一种基于小波包算法重构离子电流信号的新方法,利用小波包分解对离子电流进行多分辨率分析,获得尺度能量分布特征信号.然后,进行小波包重构,再经过平滑滤波,恢复通道离子电流信号.仿真实验结果表明,采用小波包算法,在较低信噪比时,离子电流恢复精度高,算法收敛速度快,且具有较强的抗噪能力.     

基于小波变换的数字调制信号特征提取

小波变换的多分辨率特性对暂态信号有很强的检测能力,数字信号在不同码元之间呈现出幅度、频率和相位瞬变现象.文讨论如何利用小波变换对数字调制信号的瞬变特征进行提取,实验表明该方法对数字调制信号幅度、频率和相位的瞬变特征能够进行有效的检测.     

基于小波变换的雷达信号特征提取方法

基于小波变换,提出了一种提取雷达信号特征的方法。通过对雷达信号进行小波分解,设置门限,将小波变换系数转换为二进制,然后将二进制小波系数再转换为十进制,这样就得到了雷达信号的特征。通过目标识别实验,证明本文提出的方法是有效的。     

复杂体制雷达辐射源信号时频原子特征提取方法

针对复杂体制雷达辐射源信号调制类型识别问题,提出一种新的辐射源信号脉内时频原子特征提取方法(TFAD).该方法首先利用稀疏分解原理和改进差分进化算法将辐射源信号在Ga-bor和Chirplet时频原子库中进行分解,然后利用分解后的首原子能量和Gabor原子中心频率参数分别提取出2个相似比特征和1个频率方差特征作为辐射源信号脉内调制类型的分类特征,最后通过构造有向循环图支持向量机分类器实现雷达辐射源信号的分类识别.与计算复杂度至少为O(nlogn)的分形方法相比,TFAD方法只有O(n)的计算复杂度.采用不同信噪比和多种调制参数的5种辐射源信号进行大量仿真实验,结果表明TFAD方法可获得98.3%的平均正确识别率.     

基于小波包算法的电力系统故障信号处理

提出应用小波包算法来提取电力系统暂态故障信号的基频分量。正交小波包分析能够将信号的频带分割得更精细，对频带进行多层次划分。本文提出电力系统故障信号的小波包分析方法，就是对电力系统故障信号进行细分，以便更精确地提取基频信号。并且将小波包算法与传统的傅立叶算法进行了比较。如果将小波包算法应用于数字保护，则对于提高电力系统的数字保护的准确性很有帮助。     

基于Curvelet和小波变换的纹理图像识别

提出了一种基于Curvelet变换与小波变换相结合的纹理图像分类算法.小波变换在分析点奇异信号时具有良好的性能,而Curvelet变换更适合分析图像中的曲线或直线状边缘特征.算法通过提取两者分解子波段的统计学和灰度共生矩阵特征,采用支持向量机对纹理图像进行分类.实验结果表明,和单一的多分辨率变换特征提取相比,该算法具有更高的分类准确率.     

基于改进粒子群算法的UWB雷达人体动作识别研究

针对雷达信号中的杂波干扰及样本数量对人体动作识别精度的限制,提出一种基于改进粒子群算法(particle swarm optimization,PSO)优化支持向量机(support vector machine,SVM)模型的超宽带(ultra-wideband,UWB)雷达人体动作识别算法。利用动态目标指示(moving target indication,MTI)与小波阈值滤波对接收到的UWB回波信号进行预处理,消除回波信号中的杂波和噪声对人体动作识别的影响;结合二维离散小波包分解(two dimensional discrete wavelet packet decomposition,2D-DWPD)与奇异值分解(singular value decomposition,SVD),对预处理后的雷达信号进行特征提取和降维;提出一种改进粒子群算法,优化SVM模型的相关参数进行识别和分类。实验结果表明,提出的算法准确率可达到96.25%,具有良好的识别性能。     

基于小波函数的模糊大脑情感学习分类器

将小波函数和模糊推理相结合，提出一种基于小波函数的模糊大脑情感学习分类器（WFBELC）。采用小波函数的时频局部化特性反应输入信号的突变信息，快速精确地逼近信号，并去除噪声；利用参数自学习规则更新WFBELC结构参数。将该分类器应用于3个公开数据集，并与BP算法模型、模糊小脑模型(FCMAC)和模糊大脑情感学习模型（FBEL）进行对比。仿真结果显示，分类器在3个数据集上的分类准确率平均值均为最高，其中，在Wine数据集上的准确率最大值达到100%，平均值为9756%，表明WFBELC对数据集的学习能力更强，能获得更好的分类效果。     

一种渐晕纹理图像自动分类方法

传统纹理分类方法对光照比较敏感,不均匀的光照分布（如渐晕）会在很大程度上影响纹理分类的准确率．为解决此类问题,针对渐晕纹理图像,提出了一种纹理图像自动分类方法;在利用小波包提取纹理指数算法的基础上,根据渐晕系数自动调整各小波包分解系数,从而消除了渐晕现象对纹理特征指数的影响,最终提高了纹理分类的准确率．仿真实验结果表明,利用此方法对渐晕纹理图像进行分类,准确率有了较大程度的提高,取得了比较理想的分类效果．     

基于混沌人工蜂群算法优化的SVM 齿轮故障诊断

为克服支持向量机中模型参数的随意选择对分类性能造成的不利影响, 提出了基于混沌人工蜂群算法的支持向量机(CABC鄄SVM: Chaotic Artificial Bee Colony algorithm of Support Vector Machine)参数优化方法。该方法采用Logistic 混沌映射初始化种群和锦标赛选择策略, 对支持向量机的惩罚因子和核函数参数进行优化时以分类准确率作为适应度函数。通过UCI 标准数据集实验证明, CABC 具有较强的局部和全局搜索能力, 其优化的支持向量机可在很大程度上克服局部极值点, 从而获取更高的分类准确率, 并有效缩短了搜索时间。将该方法应用于实际齿轮故障诊断中, 采用小波相对能量作为特征输入支持向量机, 分类准确率达到99. 4%, 验证了该方法的可行性和有效性。     

电能质量扰动分类的决策树方法

提出一种新颖的基于决策树方法的电能质量扰动自动分类方法.该方法首先对采集到的扰动信号进行小波多分辨率分解,扰动信号在每个小波分解尺度的能量分布构成一个特征向量;然后利用CART决策树算法从这些特征向量构成的训练样本中自动提取相应的分类规则,得到决策树分类模型,并将该模型应用到电能质量扰动测试数据中.仿真结果表明所提电能质量扰动数据分类挖掘方法的有效性和鲁棒性.     

基于小波变换的图像自适应水印算法

根据人类视觉系统(HVS)特性和小波变换特性,提出了一种新的自适应水印算法.这种新的自适应水印算法可将小波变换后的图像的小波系数组成小波子块.根据人类视觉系统(HVS)特性,采用多参数对小波子块进行分类.根据分类结果并结合小波变换特性,将不同强度的水印幻方置乱后嵌入到不同的小波子块中.实验结果表明,该算法具有较好的鲁棒性和不可感知性.     

一种改进的小波域自适应图像水印算法

分析传统小波域自适应水印算法鲁棒性不够理想的原因,提出改进的小波域自适应图像水印算法.利用噪声可见性函数局部分析能力强的特点,在小波分解后的子带中查找容噪能力强的位置嵌入水印,并结合小波域视觉可见误差门限JND值实现水印强度的自适应嵌入.实验结果表明,改进后的算法不但保留了视觉效果好的特点,而且在水印的鲁棒性上得到大幅度的提高.     

融合频带能量特征和双向门控循环单元的运动想象意图识别

针对脑电信号分类正确率低的问题,结合频带能量、小波包变换和双向门控循环网络,提出了一种基于频带能量特征序列和深度学习算法的运动想象意图识别方法。首先,利用小波包变换对脑电信号进行分解、重构,获得运动想象相关频带信号;其次,对所得频带信号进行加窗,并滑动截取,通过计算所截每段信号能量,实现能量特征的时序化分解;最后利用双向门控循环网络对脑电信号进行识别并输出分类结果。实验结果表明:所提算法取得了92.1%的分类正确率,表明所提方法是切实可行的,能够有效改善分类识别率。