基于WSN的战场声目标多特征联合智能分类识别

本文利用WSN对战场声目标进行分类识别。由于战场上目标的声音信号构成非常复杂,采用单一特征很难全面反映其特点,提取多种特征来构成联合特征向量显得非常重要。然而简单的多特征联合识别,给识别带来维数灾难。本文提出,首先对滤波后的信号进行功率谱特征提取,再利用KPCA进行降维处理,将处理后的特征向量与最优小波包能量提取的特征向量组合,最后利用支持向量机完成对战场五类声目标的识别。仿真实验表明,采用这种方法能有效地提高分类识别的准确度。     

基于HHT和SVM的纤维拉伸断裂声发射信号的特征提取及分类研究

为了研究纤维拉伸断裂声发射信号的特征提取及分类方法,采用声发射技术采集了芳纶1313和阻燃黏胶2种纤维的拉伸断裂的声发射信号。通过小波变换,对采集的2种纤维的声发射信号进行消噪预处理以去除部分噪声,应用希尔伯特-黄变换对2种纤维去噪后的信号进行特征频率的提取,运用最小二乘支持向量机(LSSVM)对2种纤维的特征频率进行分类识别。结果表明:小波去噪方法可以去除信号的部分噪声;希尔伯特时频谱可以一定程度上反映2种纤维材料在时间维度上的断裂情况,边际谱上可以提取2种纤维材料声发射信号的特征频率;LSSVM能够对2种纤维材料拉伸断裂的特征频率分类识别,芳纶1313的识别率为40%,阻燃黏胶的识别率为80%,总的识别率为60%。     

金属罐形容器罐底声发射信号的检测研究

基于小波包分析和神经网络的声发射信号缺陷检测方法,提出采用区间小波包分解与能量距相结合作为声发射信号的特征向量,取代了传统的“小波包-能量“特征提取方法,并以金属罐形容器罐底缺陷诊断为例验证了该方法的有效性.结果表明,基于区间小波包能量距的神经网络特征提取方法更好地利用了缺陷信号的主要频带和小波包分析的时频信息,与传统方法相比,能大大简化检测系统的复杂度,提高容器的检测识别率.     

WKICA算法在多光谱遥感特征提取中的应用研究

多光谱遥感图像具有高度冗余、非线性化的特点。对其进行有效的特征提取是完成精确目标分类的前提。基于核方法强大的非线性映射能力,提出一种小波核独立成分分析WKICA算法。WKICA算法结合小波核函数近似正交,能够对复杂非线性信号进行逐步逼近的优势,有效提高了核独立成分分析KICA算法的求解精度。将其应用在多光谱遥感图像特征提取中,并对预处理条件下的图像采用不同的监督分类方法进行分类实验。实验结果表明,在WKICA算法预处理条件下,能够更有效的滤除图像噪声,相比较传统的特征提取算法,能够获取更加精确的图像分类效果。     

基于Daubechies小波和证据理论的声目标识别

根据战场环境复杂多变的特点,提出采用小波变换对目标声信号进行特征转换,用基于Daubechies小波和证据理论(即D-S证据理论)对基于多传感器的声目标进行融合识别。其步骤为:首先,针对Fourier分析在处理目标非平稳随机信号方面的不足,运用Daubechies小波变换对信号进行处理,即将256个数据为一组的采样信号在Daubechies小波第三尺度上进行变换处理,在保留信号的峰峰值位置、个数等原始特征的前提下,数据处理量由256个减少到32个,从而减少了后续数据的处理量和处理难度;其次,对经过Daubechies小波变换的数据采用FOBW编码进行特征提取,并建立常见声目标的特征信息库;最后,分析并研究数据融合在声目标探测识别中的应用。研究结果表明:与单一传感器识别和多传感器融合识别效果相比,采用D-S证据理论的声目标识别,系统的识别率提高,系统的误判率降低,达到甚至超过了预定的技术指标。     

基于声信号的汽车发动机故障诊断方法综述

基于声信号的汽车发动机故障诊断方法近些年发展较快。本文介绍了当前应用于发动机故障诊断领域的声信号测试方法、小波分析故障信号特征提取方法以及神经网络模态识别等智能故障诊断方法,并与传统发动机故障诊断方法进行了比较,阐明了声信号智能诊断方法在发动机故障诊断方面的优越性,可为今后的发动机故障诊断研究工作提供理论依据。     

基于时频联合特征提取的风电机组齿轮箱齿轮磨损程度识别

针对风电机组齿轮箱齿轮发生磨损故障时其声信号非平稳非线性的特点,提出一种基于小波域倒谱的时频域联合特征提取,并与支持向量机相结合的方法,对齿轮磨损程度进行识别.特征提取部分选用db3小波对原始声信号进行三层小波包分解,对每一个节点分别进行小波包重构,计算出重构信号的能量值并进行归一化;对重构信号进行倒谱变换并选取频域异常幅值对应的频率作为特征值,形成一个八维的特征向量;以波形、峰值、峭度、脉冲、裕度五个时域因子组成时频联合特征向量作为原始信号的特征输入;用支持向量机作为模式识别的工具.试验结果表明,基于时频联合特征的分析相对于单特征提取在一定程度上提高了故障识别的准确率.     

LMD和改进小波阈值去噪的轴承声发射信号故障诊断

针对机械故障声发射信号特征提取的问题,提出了一种局部均值分解(local mean decomposition,LMD)和改进的小波阈值去噪相结合的方法;并应用于滚动轴承的故障诊断。首先,把改进小波阈值与三种小波阈值去噪方法进行比较分析。通过仿真信号表明,改进小波阈值方法能更为有效地去除噪声。其次,采用LMD方法将原始轴承故障的声发射信号分解,分解为若干个乘积函数(production function,PF)的线性组合,通过相关系数原则选取能够反映故障特征的PF分量,利用改进小波阈值去噪法对选出的PF分量进行进一步去噪。最后,对去噪后的声发射信号进行包络谱分析,诊断轴承故障的位置。通过滚动轴承单一故障和耦合故障的声发射实验验证了该方法的有效性。     

小波尺度谱在AE信号特征提取中的应用

通过分析典型声发射信号及其特征提取,将小波尺度谱引入到声发射故障诊断领域,首次提出了声发射信号的小波尺度谱分析法。给出了小波基函数及其参数的选取,克服了声发射信号小波尺度谱的时、频分辨率不能同时达到最好的缺陷。将小波尺度谱用于声发射检测的滚动轴承损伤类型及部件的识别,诊断结果十分直观、清晰、准确。仿真分析和实验研究均表明小波尺度谱能有效应用于基于声发射技术的状态监测与故障诊断。     

基于小波包变换的超声回波信号特征提取

超声检测技术中,缺陷的定性分类这一技术难题至今尚未得以彻底解决。文章介绍了一种基于小波包变换的多尺度空间能量特征提取方法,并对实测的超声缺陷回波信号进行了特征提取;进而采用基于距离的类别可分性判据对提取结果进行了评价。结果表明:该方法提取的缺陷回波信号特征值,其可分性测度均值达91.7%,从而证明该方法对超声检测缺陷回波信号的特征提取是相当有效的。     

战场目标的模糊逻辑检测与识别方法

研究模糊逻辑在战场声/地震动目标检测和识别中的有效算法.应用模糊集理论与模糊逻辑推理方法,在分析目标信息不确定性的基础上设计了适用于目标检测和分类的隶属函数,建立了相应的推理规则,构成了战场侦察传感器系统目标检测和分类的模糊逻辑推理系统.典型战场目标信号样本检验表明,该方法具有良好的检测和识别分类效果,利用基于模糊逻辑的分类器实现对战场声/地震动目标的检测和识别分类是可行的.     

隐马尔可夫模型在被动声信号分类中的应用

为了提高被动声目标识别率，该文研究了隐马尔可夫模型在被动声信号分类中的应用问题，然后，又提出了２种混合分类器：特征矢量混合的ＨＭＭ分类器和ＨＭＭ／ＭＬＰＮＮ（多层感知机神经网络）混合模型分类器。结果表明，这２种混合分类器在性能上都优于单个特定的分类器，它们在被动声信号分类中具有良好的应用前景。     

基于遗传神经网络的战场声目标识别

通过小波包分析提取战场声信号不同频带上的能量作为特征向量,设计了遗传神经网络作为战场声目标识别的分类器,克服了传统BP神经网络容易陷入局部最小点的缺陷,通过Matlab仿真对比实验结果,证明遗传神经网络能够提高战场声目标的识别率。     

一种新的四元阵列融合声源识别方法

针对声源识别中观测模型线性化误差,信号特征参数提取依赖于经验分析阈值判断而造成信息丢失的问题,本文从信号观测模型、预处理、特征提取与分类识别、半实物仿真试验等方面,提出了一种新的四元阵列融合声源识别方法。首先在系统坐标系下建立了四元阵列有色噪声环境下的观测模型;其次基于EMD理论,给出了四元阵列EMD融合算法,有效抑制了高频信号的干扰;再次基于MFCC-DTW方法,设计了阵列信号特征提取与分类识别算法;最后通过半实物仿真试验,并与相关研究基础对比,分别验证了本文提出的EMD融合算法及阵列信号特征提取与分类识别算法的有效性。     

地面装甲目标声信号的混沌特征提取

针对地面装甲目标辐射的噪声信号的非线性特性,为使智能地雷能够有效地识别目标,利用非线性动力学理论中的混沌原理对目标声信号进行特征提取。通过野外场地实验,采集到2种装甲目标在不同运行速度下的40组样本信号,采用改进C-C法求得信号时间序列的相空间重构参数——时延和嵌入维,再利用Wolf法得到了2种目标声信号的混沌特征量——最大Lyapunov指数。结果显示：同一目标声信号的最大Lyapunov指数相近,且与运动状态相关性不大;不同目标间声信号的最大Lyapunov指数相差较大,辨识度较高。结论证明,最大Lyapunov指数可以作为地面装甲目标识别的有效特征参量。     

子空间分解法在声目标特征提取中的应用

研究用于识别直升机目标声信号的特征提取方法,方法通过对直升机信号频特征分析,采用基于子空间分解的多重信号分类法算法提取信号谐波频率作为目标特征,利用子空产妥将观测数据分解为信号子这僮与噪声子空间特点,抑制噪声干扰,提高识别能力。     

基于EMD和多重分形谱参数的耐火材料损伤模式识别

考虑到耐火材料损伤声发射信号模式识别困难,提出一种结合经验模态分解(EMD)、多重分形谱参数和支持向量机的耐火材料损伤形式分类方法。首先对耐火材料损伤声发射信号进行EDM分解得到若干本征模态函数(IMF)分量,并取前4个分量作为研究对象,然后将整个信号的多重分形谱宽及各IMF分量的多重分形谱宽组成的特征向量输入支持向量机进行学习训练,最后实现耐火材料损伤模式识别。研究结果表明,采用由原信号及各IMF分量的多重分形谱宽值组成的特征向量能够有效进行损伤信号的特征提取。该方法对耐火材料界面相损伤的分类准确率为99%,对其基质相损伤的分类准确率为89%。     

基于声信号的履带机器人地面分类试验研究

为了拓展地面识别方式及提升识别率,提出利用履带机器人行驶噪声进行地面类型识别.使用声压传感器采集履带机器人在行驶过程中与地面相互作用辐射的声音信号,对声音信号提取修正的梅尔频率倒谱系数（MFCC）及其一阶差分（△MFCC）使用优化后的支持向量机（SVM）进行分类,并测试了该方法在多种背景噪声环境下的效果.结果表明,行驶噪声包含能够表征地面特点的信息.相比于幅域、频域和时频域特征,修正的MFCC+△MFCC特征具有明显优势.在校园环境中分类准确率达到了89.5%,当信噪比高于20 dB时,在多种背景噪声环境中分类准确率均达到80%左右.      

Acoustic Signal Feature Extraction of Vehicle Targets

IntroductionThe acoustic features of vehicle targets are animportant index for target recognition[13 ] ,butextensive data is needed to understand the acousticfeatures of vehicle targets.Target features can beacquired from existing test results or addition…