基于改进型Logistic混沌序列的SPC-TDCS多址接入研究

针对复杂电磁环境下雷达信号快速聚类分选问题,提出了一种采用变精度粗糙集改进的基于相邻脉冲相似性的快速聚类分选方法。原有方法计算相似度时加权矩阵由专家给定或由经验而定,未考虑到雷达辐射源属性,造成聚类分选结果准确率不高。改进方法利用变精度粗糙集获取雷达辐射源各属性特征参数的权重,由其权重构成最优特征加权矩阵,进而计算相似度,然后基于相邻脉冲相似性对雷达信号进行快速聚类分选。仿真表明,改进方法相比原有方法保持了快速分选的能力,并且将聚类分选准确率提高了5.93%,是一种解决复杂环境下雷达信号快速聚类分选的新方法。     

基于先验信息库的多源混合信号快速识别模型

先验信息库识别是雷达信号分选的前置环节,可以有效提高前端处理效率并指导未知信号分选识别。随着复杂体制雷达大规模应用,信号参数空间严重交叠,传统处理方法面临严峻考验。该文提出一种结合传统脉冲描述字、瞬时频率特征及模糊函数主脊切面特征的先验信息库构建方法,首先,对信号进行多维度表征,然后,使用相像系数度量特征间相似性,最后,利用具备有效性评价的核模糊聚类算法对未知信号进行自动聚类。实验结果表明,所提方法可在传统方法几乎失效的情况下有效稀疏多源混合雷达信号,准确过滤未知信号,并为未知信号分选提供指导。     

基于杂草改进的模糊聚类雷达信号分选

针对雷达辐射源信号参数严重混叠、聚类数目未知等问题,提出一种基于入侵性杂草优化模糊聚类的智能算法,该算法无需事先设定聚类数目,而是在整个数据集的属性空间内并行搜寻最佳的聚类数目和聚类中心,具有结构简单、鲁棒性好的特点。将此方法应用到雷达信号的分选当中,并与传统的K均值算法及AP聚类算法进行对比,实验结果验证了该算法的有效性。     

改进小波包的滚动轴承故障诊断

小波包分解可以提高信号频率分辨率,但子带信号会出现虚假频率成分,造成严重的频率混叠现象。运用小波包的改进算法和经验模态分解相结合,来检测诊断滚动轴承故障的特征。首先,应用快速傅里叶变换和快速傅里叶逆变换对小波包各子带信号进行处理,并调整滤波器组使子带频带顺序排列。提取含故障频率的子带信号对其进行经验模态分解,以互相关、峭度准则提取故障本征模函数分量,可以避免本征模函数分量选择的盲目性。对仿真信号分析和实例分析的结果表明:该方法能够准确地检测出轴承故障,从而突出该方法的有效性。     

基于小波包和EMD处理的滚动轴承故障诊断

为解决异步电机故障轴承振动信号易受噪音影响信噪比较小的缺点,提出了一种新的故障诊断方法。首先,采用小波分析方法对测得的原始信号进行去噪,并根据频率对原始信号进行频带划分;其次,用经验模式分解(EMD)方法对小波包分解重构得到的低频段信号进行分解,获得若干固有内在模函数(IMF);最后,采用傅里叶变换对各个IMF函数进行时频分析获得频谱图,进而提取故障频率,根据故障频率和故障类型的对应关系得出最后的诊断结果。实验表明,该方法能有效地提取出故障特征频率,方便地判断出故障类型。对比分析了傅里叶变换和小波变换与本方法的优缺点,为滚动轴承的早期故障诊断提供了一个新的思路。     

小波(包)滤波方法的GUI及其在深地震测深数据处理中的应用

在深地震测深数据处理中,仍多用基于傅里叶变换的滤波方法和小波二阶相关去噪方法.鉴于傅里叶变换方法对非稳态的地震信号不能提供在时频上的任何局部信息,而小波和小波包方法弥补了傅里叶变换的不足,能够提供时频上的任何局部信息,且高阶相关比二阶相关对随机噪声有更好的抑制和去除作用,本文结合小波和小波包去噪方法以及高阶相关去噪方法,编写了深地震测深数据处理的小波和小波包滤波方法的人机交互软件,用于抑制和去除地震信号中的加性高斯随机噪声.该软件可以方便快捷地显示深地震测深的地震记录截面,进行小波域的自适应阈值去噪、小波域和小波包域的二阶和高阶相关去噪以及基于傅氏变换的常规滤波.实例计算结果表明,方法和程序是有效且可行的.     

ReliefF算法在雷达辐射源信号识别中的应用

采用小波包变换提取雷达辐射源信号特征能够有效对信号进行识别,然而,由小波包变换提取的信号特征维数高,部分信号特征受噪声污染严重.基于此,采用ReliefF算法对信号特征的分类能力进行评价,选择出小波包中分类能力强的信号特征,再通过特征相关度算法去除分类能力相近的冗余特征,利用剩余的分类能力强的信号特征组成特征向量进行分类.仿真实验结果显示,该方法用较少的信号特征能够获得较高的正确识别率.     

正弦信号抽样中若干基本问题的讨论

讨论了抽样定理对正弦信号的适用性及对正弦信号截短时所应遵循的基本原则。对形如ｘ（ｔ）＝Ａｓｉｎ（２πｆ０ｔ＋φ）的一般正弦信号，若φ＝π／２或φ已知（但φ≠０），那么，抽样频率ｆｓ只需取二倍的ｆ０，即可由抽样序列ｘ（ｎ）重建ｘ（ｔ）；若φ未知，不论对实正弦还是复正弦，为保证ｘ（ｔ）的重建，抽样频率ｆｓ至少要取三倍的ｆ０；当用离散傅里叶变换（ＤＦＴ）对截短后的ｘ（ｎ）作频谱分析时，为防止泄漏，抽样频率ｆｓ应取信号频率ｆ０的整数倍，信号长度应包含整周期；此外，还分析了正弦信号抽样中的不确定性以及相应的解决办法。     

近似小波变换的一种空中多目标分选方法

通过对由空中多目标间距引起的目标间多普勒频率的差异分析，基于Morlet小波变换，提出了一种空中多目标分选识别的新方法——小波变换谱分析法。此方法选用不同中心频率的Morlet小波，对信号进行小波变换，求取信号的功率谱，获得雷达目标的一维距离像，从而分选识别目标。     

信号的时频分析评述

从信号的时频局部化分析着手，分析了傅里叶变换在信号分析中的重要作用，指出傅里叶交换在刻划信号的时间信息和频率信息上的矛盾所在．比较了加窗傅里叶分析的优缺点，由于其分析所加的时频窗口有确定的时宽和频宽，所以不能敏感地反映信号的激烈变化程度．对前沿领域小波变换作了理论探讨，小波变换理论灵活的“变焦”特性，为信号的时频局部化分析提供了一条切实可行的方法．     

基于小波包分析与BP神经网络的氧化铝熟料检测

利用小波包分析与BP(Back Propagation)神经网络相结合的算法,对氧化铝熟料检测的应用进行了研究.通过采集回转窑中氧化铝熟料下落碰撞窑壁产生的声音信号,利用小波包分析提取特征向量,根据氧化铝的烧结状况与声音信号特征向量的对应关系,提出建立BP神经网络模型.利用MATLAB对测试样本进行验证,结果表明BP神经网络模型在氧化铝熟料检测中具有可行性,而且具备一定的准确率.     

基于小波包变换的电力系统谐波分析的研究

为了防止谐波对电力系统和用电设备的危害,分别用小波变换和小波包变换对电力系统谐波进行分析.仿真结果表明二者都能将基波从电流信号中正确地提取出来.而小波包变换比小波变换能够分解出更加丰富的谐波信号,利用小波包变换分解的各次谐波频率和幅度的误差率完全符合谐波分析的精度要求.     

基于非线性特征提取的EEG信号支持向量分类器

为提高癫痫脑电(EEG)信号的正确识别率,设计了一种基于非线性特征提取的EEG信号支持向量分类器.分类器首先将EEG信号通过四层小波包变换分解到不同频段,然后计算各频段小波系数的近似熵(ApEn)值,作为特征向量,最后使用支持向量机(SVM)进行分类.实验结果显示该分类器能有效提高正确识别率.     

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。     

小波包与SVM用于压缩机在线故障检测的研究

研究了滚动转子压缩机在线故障检测的方法.以压缩机壳体振动信号作为分析对象,应用小波包分解将信号分解至不同频带上,提取小波包分解系数的统计参数(包括有效值、方差、偏度和峭度)作为支持向量机(SVM)故障分类器的输入特征向量,用于判别正常与故障压缩机.测试结果表明:该方法用于转子式压缩机故障检测是有效的.     

小鼠视觉感受区电位信号 (LFP)的脑电波分离

为研究人（动物）的行为与脑电波之间的关系,提出了一种新的小鼠视觉感受区电位信号(LFP)与呼吸相关联的脑电波分离模型,采用盲信号分离（BSS）、独立分量分析法（ICA）对局部场电位建立线性瞬时混合信号系统数学模型,利用小波包进行LFP的分解并重构信号,对睡眠状态下小鼠视觉感受区局部场电位信号进行了15层分解和重构。实验证明,小波包分解高频分量系数cd13的解析重构信号与δ波频率吻合,小鼠睡眠状态下分离出的与呼吸相关联的脑电波信号为δ波。     

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。     

基于支持向量机的气液两相流流型识别新方法

为准确识别两相流型，提出了基于小波包多尺度信息熵和支持向量机的流型识别方法．利用小波包变换对采集到的水平管空气-水两相流压差波动信号进行3层小波包分解，得到8个不同频带的信号，提取各频带信号的小波包多尺度信息熵作为流型的特征向量，运用支持向量机进行训练并识别流型．结果表明：与BP神经网络相比，采用支持向量机进行流型识别可以获得更高的识别率，表明该方法是有效、可行的．     

基于小波包能量谱的天气雷达伺服电机故障预警系统研究

设计了数据采集的硬件系统,对天气雷达伺服电机振动信号进行实时采集;对采集的数据采用小波包特征的提取方法,利用小波包能量谱的方法将故障信号进行量化、分解,从而达到对天气雷达伺服电机故障的预警目的。经现场安装实验验证,表明基于小波包能量谱分析的天气雷达伺服电机故障诊断方法是一种方便灵活并且准确度很高的故障诊断方法。     

隧道掏槽爆破振动信号两种分析方法

通过设计两次起爆的起爆网路,控制掏槽眼引起的振动速度,有效地减少了振动对周边构建物的影响。对掏槽爆破时振动信号进行了FFT分析、小波包分析,结果发现:单向爆破振动速度控制在2.1 cm/s以内,振动频率集中于50~100 Hz。傅里叶分析法(FFT法)与小波包分析法在处理振动信号主频的结果相差不大,速度的FFT图谱与爆破振动信号能量-频谱图相似。可用FFT法快速粗略地计算振动信号的主频与估计能量分配比例。但FFT法计算精度没有小波包分析法高,在精度要求高的情况下仍需使用小波包分析法进行信号分析。