基于噪声特征的地震动信号目标预警和识别算法研究

利用MEMS加速度传感器采集到的人员、车辆目标在地面运动产生的地震动信号,由MSP430单片机采集和处理,完成对地面目标的预警、分类识别. 预警提出了基于噪声方差的3倍作为阈值的方法,目标识别采用一种改进的过零分析方法. 结果表明,该算法能对8 m以内的人员、20 m以内的轮式车辆进行预警和分类识别,正确识别率达到85%以上. 此算法对于识别数字输出式传感器采集到的信号非常简单、实用.      

主成分分析在震动信号目标识别算法中的应用

为了改进基于震动信号的地面运动目标识别算法,提出了一种基于主成分分析（PCA）的2次特征提取算法.首先对地面运动目标引起的震动信号进行目标特性分析,提取多维的特征值;然后利用主成分分析方法对众多的特征值进行分析,去除特征值之间的相关性,提取综合特征值并应用于分类器,得到目标识别结果.基于实地采集的地面运动目标的震动信号进行实验,结果表明：该方法有效地减少了特征值的维数和相关性,降低了分类器训练的难度和训练时间,同时提高了目标的正确识别率.     

基于物理模型法的目标地震动信号建模与仿真

在战场地面目标探测的研究中,由于地形地势复杂多变,为了获得典型目标(人员、车辆)在各种地形地质条件及各种运动状态下充分的样本信号,提出了一种基于弹簧阻尼等效物理模型的建模方法。该方法通过对目标与地面作用过程及地震动信号传播机理的分析,运用物理模型推导得出目标激励函数;并主要以弹性波动方程中赫姆霍兹解法为基础,最终建立了信号传播介质微粒的速度模型。而后在MATLAB环境下,利用该模型仿真得到不同条件下的目标地震动预测信号。仿真结果表明,预测信号与实测信号符合很好,目标信号模型构建正确。该模型将对目标地震动信号库的建立具有重要意义。     

运动目标地震动信号的时频特征分析

该文对由典型地面车辆目标－－轮式车、履带式车引起的地震动信号进行了实时探测，对实验所得的信号，应用短时傅立叶变换、小波及小波包分析方法对信号进行了处理，得到了时频分布矩阵奇异值分布特征（SVD）和小波及小波包分解能量分布特征（WWDD）。采用改进的BP网络，对远距离目标的地震动信号进行目标识别，应用WWDD对远距离信号的识别率可达85％以上，说明WWDD具有更好的可分性。     

声引信目标信号过零率分布研究

该文提出一种新的信号分析方法,即信号的过零率分析法,并对其进行了论证,该方法适用于声引信目标信号分析与识别,可以从背景噪声中识别出直升机、坦克,汽车及人行走等,并能排除风和背景噪声的干扰以及人为干扰。与频谱分析法相比,它不需要进行乘法运算,因而处理速度快,分析结果与信号能量无关。文中给出了应用该方法分析的直升机时、坦克声音、大型卡车声音、人员行走的震动信号的过零率曲线。利用该方法可以提取目标信号的     

基于小波包能量及高阶谱的特征提取方法

针对广泛存在的油气管道周边安全问题,研究了管道周围地面活动目标产生的震动信号的特性,提出了一种基于小波包能量谱和信号高阶谱分析相结合的特征提取方法来区分不同的活动目标.根据目标产生的地面震动信号是非平稳的特点,采用基于小波包分解能量的方法对信号的各频带进行分解,得到信号在不同频带内的能量分布特性.仅根据能量谱并不能完全区分不同类型信号,通过对信号高阶统计特性的分析,提取出高阶谱特征频率,结合这两种方法提取出的特征作为神经网络的输入向量进行模式识别.通过对实验数据进行分析,单独采用小波包能量特征其平均识别率为88.5%,而采用本文提出的方法平均识别率可以提高到94.6%,验证了文中提出方法的有效性.     

HH变换在地震动信号分析中的应用

通过对仿真信号和实际地震动信号的分析,指出HH变换(Hilbert-huang transform)中产生的虚假IMF(intrinsic mode function)主要是由于EMD(empirical mode decomposition)没能将信号中频率相近的分量分解开而产生的.这种虚假的IMF在对地震动信号进行分解时很难将其排除,并且不能正确给出地震动的能量在频率上的分布.此外,Hilbert变换对某种信号会给出错误的瞬时频率.因此将HH变换应用于地震动信号分析时,将Hilbert变换同小波变换联合应用以得到较好的分析结果.     

基于特征融合方法的车型识别研究

车辆音频信号具有复杂的特征,单一特征提取方法不能全面反应该特点。为了使提取的音频信号特征能更好地反映车辆原始信号,本文提出了将已有的短时能量(ENERGY)、短时傅里叶变换（STFT）及梅尔倒谱系数（MFCC）特征提取方法进行融合的方法,依据支持向量机（SVM）的分类识别算法,达到车辆识别的目的。实验表明,提出的组合方法优于单一提取方法,实现了提高识别率的目标,其中,ENERGY+MFCC组合方式效果最好。     

车辆的声音识别技术

提出了一种利用车辆运动的声音进行车辆识别的技术.根据车辆声音与语音的形成过程及信号特征的比较,讨论了适用于车辆声音识别技术的识别模型.介绍了车辆声音识别实验装置的结构与实验过程并分析了实验结果.车辆声音识别装置具有体积小、重量轻、造价低、便于设置和可以全天候工作等特点.     

基于协同表示的声振传感器网络车辆分类识别

针对使用单一信号分类的现有车辆识别技术的不足,提出了一种基于声音信号与振动信号协同表示的车辆分类识别方法.利用梅尔倒谱系数(MFCC)提取车辆的声音信号和振动信号特征,分别对提取的2种信号特征进行多任务训练分类,以获得多任务协同表示的重构误差并对其进行加权处理,得出被检测目标的分类识别结果.结果表明,所提出的车辆分类识别方法对于车辆目标具有较好的分类效果和较高的识别效率.