基于探地雷达信号频带介电谱特征的公路早期病害检测

现有的探地雷达(GPR)技术都是在公路病害产生后进行病害定位;而不是在病害发生的早期对病害进行预测。为了实现公路早期病害检测,构建了公路早期病害识别系统;该系统充分利用GPR信号的频带介电谱特征,分别抽取训练样本和测试样本的频带介电谱特征向量,以识别公路早期病害情况。实验结果表明:频带介电谱特征向量可较好地表征GPR信号对应的地电信息,适用于GPR信号的分类;该系统能对公路基层的密实度特征和含水量特征进行有效识别,为公路早期病害检测提供了技术保障。此外,该系统具有很强的实时性,对各个测试样本进行特征向量提取和识别的平均耗时不大于0.8 ms。     

基于探地雷达的沥青路面内部病害快速识别

为了提高沥青路面内部病害的检测精度及效率,开展了路面探地雷达(GPR)图像的自动识别研究．采用三维探地雷达(3D-GPR)设备高效、无损地探测沥青路面内部结构,以获取海量3D-GPR图像数据;通过多维度GPR图像辨识内部病害(横向裂缝和层间不良)的回波特征,矩形框准确标注纵断面GPR图中病害特征,进而构建内部病害回波特征GPR图像数据集(训练集、验证集和测试集);基于深度学习技术,引入YOLOv4(you only look once version 4)算法模型,首先利用训练集和验证集完成模型网络参数的迭代更新,然后利用测试集进行模型综合检测性能评估．研究结果表明：YOLOv4模型在测试集上测试的综合检测精度大于95%,并且其检测视频的每s帧数也超过30;而层间不良的回波特征相对内部横向裂缝识别更加准确;该模型可以实时、高精度自动识别出沥青路面GPR图像中病害回波特征．     

极点特征聚类的公路隐藏裂缝自动识别算法

对公路隐藏裂缝病害的无损检测与识别在公路养护中尤为重要,然而通常利用地质雷达检测获得的B-scan图像多是依靠其双曲线特征获得目标的位置信息,对目标介电属性等方面的深入研究还存在困难。对此该文提出一种基于极点特征聚类的地质雷达公路隐藏裂缝自动识别算法。首先对回波信号进行奇异值分解,提取体现目标信号的大奇异值,重构回波信号,由此不仅对回波信号进行降维,还去除了噪声干扰。通过解卷积过程获得目标的冲激响应,利用奇点展开法提取其晚时响应部分的极点信息,构建极点特征空间,根据已知环境样本对极点进行初始聚类中心优化并取其均值,利用此均值初始聚类中心对待识别目标回波的极点特征空间进行聚类。实验结果验证了算法的有效性。     

基于级联卷积神经网络的公路路基病害识别

针对当前公路路基病害识别中探地雷达(GPR)技术的数据分析还依赖于人工识别,识别效率低、准确性差问题,建立了级联卷积神经网络来实现自动识别探地雷达图像所反映路基病害的任务。级联卷积神经网络系统由2个卷积神经网络组成,分别用于识别低分辨率和高分辨率探地雷达图像。神经网络的建立包括训练、验证和测试3个步骤。通过训练和测试的结果验证了级联卷积神经网络系统的稳定性,并将级联卷积神经网络和Sobel边缘检测,K值聚类分析进行比较,以论证其优越性。结果表明:级联卷积神经网络在路基病害分类训练中的识别准确率为97.46%,验证中的识别准确率为95.80%,其识别路基病害的精度较高;级联卷积神经网络对发射频率300、500、900 MHz的图像分类准确率分别为94.20%、93.89%、94.57%,对不同公路结构的图像分类准确率分别为94.80%、94.78%、94.28%、94.21%,可见级联卷积神经网络的识别准确性不受雷达发射频率和路面结构的影响;当图像分辨率较低时,Sobel边缘检测和K值聚类分析无法准确提取路基病害几何特征信息,级联卷积神经网络可通过分类器2准确识别;当图像分辨率较高时,Sobel边缘检测和K值聚类分析仅能提取路基病害的部分特征,后续病害类型的识别需要人工完成。可见级联卷积神经网络较其他算法在路基病害识别方面更准确、高效。     

基于小波包BP网络的超声检测缺陷类型识别

针对A型反射超声波检测仪难以准确识别缺陷类型的问题,探讨了基于小波包和BP神经网络相结合的超声检测缺陷类型识别方法。对检测的多组超声缺陷信号分别进行3层小波包分解,提取小波包频谱能量特征,归一化后构造了各缺陷信号的特征向量,并分别组成训练样本集和测试样本集,用于3层BP神经网络的训练和网络识别效果检验。实验结果表明该方法能准确快速地识别出超声检测缺陷类型。     

基于损伤特征向量谱的桩板式挡土墙损伤预警

对结构动力系统响应信号间的虚拟脉冲响应函数进行小波包分解得到小波包频带能量谱,引入剩余频带的概念,创建特征频带向量谱,并在特征频带向量谱的基础上构建损伤特征向量谱。当损伤特征向量谱为零向量时,挡土墙不存在损伤;当损伤特征向量谱为非零向量时,挡土墙存在损伤。为了量化挡土墙的损伤状态,提出2个损伤预警指标:能量比均方差D_(IS)和能量比变异系数C_(Ⅳ)。对某桩板式挡土墙进行锤击振动试验,通过损伤预警指标对不同损伤状态下的挡土墙进行损伤识别。研究结果表明:当DIS=0,C_(Ⅳ)=0时,挡土墙不存在损伤;随着D_(IS)和C_(Ⅳ)的增大,挡土墙的损伤程度增大。因此,预警指标D_(IS)和C_(Ⅳ)不但可诊断挡土墙是否存在损伤,而且可识别挡土墙的损伤程度,可用于挡土墙结构的损伤预警。     

水声信号的调制方式识别

研究了不同水声信道环境下不同调制方式的水声信号识别算法。该算法利用双谱计算信号的双谱矩阵,并对双谱矩阵进行特征值特征向量分解,将分解得到的最大特征值对应的特征向量作为特征量。文中选取不同水声信道传输的样本信号计算其特征量,将待识别信号的特征量与样本信号的特征量做内积运算,将最大内积值对应的调制方式作为待识别信号的调制方式。实验仿真结果表明,该算法较好地实现了不同信道环境下的水声信号分类识别,在高信噪比条件下能达到90%以上的识别率。     

EMD近似熵与支持向量机在音频分类处理中的应用

将动物声音作为音频源,针对家养动物声音的非线性、非平稳特征和在现实条件下难以获取大量动物声音样本的实际情况,提出一种经验模态分解(EMD)近似熵(ApEn)结合支持向量机(SVM)的家养动物声音分类识别方法.通过EMD方法将非平稳的动物声音信号分解成若干个平稳的固有模态函数(IMF);对IMF进行筛选,计算所筛选IMF的近似熵构成特征向量;将特征向量输入SVM分类器进行分类识别.对家养动物声音样本按该方法进行测试,结果表明,该方法能有效提取声音特征,在小样本情况下也具有较高的精度和较强的泛化能力,该方法能有效地应用于动物声音的识别分类.     

基于Bandelet变换的手背静脉识别算法

提出一种基于Bandelet变换的手背静脉识别算法, 该算法利用Bandelet变换对静脉图像进行特征点提取, 通过提取的特征点构造了表征静脉纹理特征的特征向量, 通过计算待识别样本特征向量与目标样本特征向量的相关系数得出其相似度, 并在利用自制采集设备采集的样本库上对算法进行测试, 给出了实验结果.     

基于信息熵和BP神经网络的信号奇异点智能检测

引入时间窗口和sym8小波包作为特征提取工具,对指定频带上的信号分量进行信息熵提取,结合常用特征量,构建反映信号特征的信号多维特征向量;利用BP人工神经网络的非线性映射特征建立信号特征向量和信号奇异点类型之间的一种对应关系,取多组信号特征向量作为训练BP人工神经网络的训练样本.以桩基损伤应力波信号为实验对象,以MATLAB R2010a为实验环境,利用BP人工神经网络检测桩基损伤应力波信号特征向量.实验数据显示,经过训练的BP人工神经网络能够对信号奇异点进行智能识别和定位.     

基于小波变换和灰度-梯度共生矩阵的局部放电特征提取及识别

为了能够充分利用局部放电(Partial Discharge, PD)信号中包含的特征信息,提高变压器内部局部放电类型的识别率,文中提出了一种基于小波变换(Wavelet Transform)和灰度-梯度共生矩阵(Gray-GradientCo-occurrence Matrix,GGCM)算法的局部放电类型识别方法。结合变压器内部结构特点,设计四种局部放电缺陷类型,在实验室搭建变压器局部放电实验检测平台,通过脉冲电流法采集局部放电高频电流信号。运用小波变换对非平稳信号处理时的灵活性对局部放电信号脉冲构建时频谱图;然后结合GGCM算法提取时频谱图的15维纹理特征组成特征向量;将特征向量输入到支持向量机(Support Vector Machine,SVM)分类器进行模式识别。结果表明,小波变换和GGCM算法结合的识别方法能够有效地对不同局部放电缺陷类型进行识别。     

人体腿部表面肌电信号特征提取方法

表面肌电信号(sEMG,surface electromyography)作为人体运动检测的主要信息源之一,已被广泛应用于康复训练福祉机器人领域。针对人体下肢动作识别的问题,提出了一种针对表面肌电信号进行小波变换的特征提取方法。在肌电信号的频域分布中,该方法选取小波子空间中活动段的平均功率组成特征向量。为验证所提出方法的有效性,设计实现了一种微型便携式多通道sEMG信号采集系统,并利用支持向量机(SVM,support vector machine)构建分类器对腿部动作进行识别。实验结果表明:该方法能有效识别腿部常见的4种动作,同一个体动作识别率能达到95%以上,不同个体识别率平均能达到85%,能够较好地应用于下肢运动障碍患者的日常康复训练。     

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%。     

基于随机森林的认知网络主用户信号调制类型识别算法

针对低信噪比情况下主用户信号调制类型识别率低的问题,提出了一种使用信号循环谱中特征参数作为样本参数的基于随机森林的认知网络信号类型识别算法,通过使用训练完成的随机森林对主用户信号类型识别,有效抑制了采用ANN和SVM进行识别所造成的误差影响,提高了低信噪比下信号识别的精确度,实现了不同调制类型信号的有效检测与识别.实验结果表明:所提出的算法有较高的主用户信号调制类型识别精度,进而验证了算法的有效性.     

基于局部保持映射和隐马尔科夫模型的模拟电路故障诊断方法

针对模拟电路信号的非线性特征,提出一种基于局部保持映射和隐马尔科夫模型的故障模式识别新方法. 首先提取模拟电路的信号特征构成原始高维特征样本空间;然后采用LPP算法将原始高维故障数据映射至低维空间,提取数据的内在流形特征作为特征矢量;最后通过构建混合HMM反映系统的真实状态,并作为分类器实现对各状态的分类识别. 通过仿真分析,将该方法与其他方法进行对比,结果表明,LPP-HMM方法可以有效识别早期故障特征,具有较高的故障识别率.      

IFD与KELM结合的滚动轴承故障诊断方法

针对滚动轴承振动信号非线性、非平稳的特点,提出基于迭代滤波分解(iterative filtering decomposition, IFD)提取各分量特征,结合核极限学习机(kernel extreme learning machine, KELM)的故障诊断方法.通过对原始信号进行IFD分解,得到一组本征模态函数(intrinsic mode functions, IMF).计算包含主要故障信息在内的IMF分量能量与排列熵组成的故障特征向量,将特征向量作为KELM输入识别轴承的故障类型.实验分析结果表明,以IFD作为预处理器的特征融合方法比经验模态分解(empirical mode decomposition, EMD)为预处理器的特征融合方法有更高的故障识别率,并且该方法在少量样本情况下仍能有效识别故障类型.     

一种新型语音识别系统

提出一种新型语音识别系统,采用帧能量与帧过零率的乘积作为指标量进行语音端点检测,以MFCC作为语音信号特征矢量,基于HMM语音识别模型进行语音识别.同时,提出了一种新的抗噪语音识别方法,通过改进型重复Wiener滤波结合PUM模型进行抗噪语音识别,较好地抑制了噪声干扰,提高了语音识别率.     

Feature Extraction and Classification of Echo Signal of Ground Penetrating Radar

0IntroductionGrvoeluonpde dpienne rtercaetinntg y reaardsa r, (wGhiPchR)is i se map lnoeywedte bcyh nsicqieunet idset-and engineers to obtaininformationfromsubsurface and man-made structures .It has advantage of quick,easy and non-de-structive way toi mage the first few meters of the subsurfaceSo,it is widely used in utility location,landmine detectionroad and airport runway inspection,geophysical survey,andarchaeological investigations ,etc[1 ,2]. Conventionally,radaecho signals can be form…     

在线单机采集的人手多生物特征识别

单一生物特征识别方法在实际应用时容易受到限制,系统的识别率低、稳定性差.针对上述问题,提出了一种基于在线单机的手形和掌纹相结合的多生物特征识别方法.对于手形识别,提取手指的相对长度构成特征矢量,采用k近邻分类器和支持向量机分类器相结合实现个人身份的识别,然后利用二维Gabor提取掌纹感兴趣区域(ROI)的纹理方向信息作为掌纹特征,对手形分类结果加以认证.在混合图库上进行试验,二者相结合的识别方法的识别率达到98.65%.实验结果表明,采用手形和掌纹双模态特征识别,可以有效提高系统的安全性和稳定性.     

内燃机优化VMD-CWD时频表征与BSNMF编码识别诊断方法

针对内燃机振动响应信号强耦合、弱故障特征的问题,提出一种基于参数优化VMD-CWD内燃机振动时频表征与BSNMF分块编码识别的故障诊断方法.利用变分模态分解(VMD)将内燃机振动信号分解成一组本征模态函数(IMF),并叠加IMF分量信号的Choi-Williams分布(CWD)获得时频聚集性良好,无交叉项干扰的振动谱图像.针对VMD分解过程中的参数选取问题,引入功率谱熵作为目标函数,对VMD的分解参数进行网格寻优,提高了VMD分解的自适应性.为了实现内燃机振动谱图像的自动识别诊断,在稀疏非负矩阵分解(SNMF)的基础上提出一种更容易收敛的分块稀疏非负矩阵分解算法(BSNMF),用来对内燃机振动谱图进行特征提取,并采用支持向量机对提取的特征参数直接进行模式识别.将本文方法应用于内燃机故障诊断实例中,结果表明:该方法能有效提取内燃机振动信号中的微弱故障特征,实现内燃机气门机构故障的自动诊断.