基于EMD-SVD的声发射信号特征提取及分类方法

针对胶合板损伤声发射(AE)信号的非平稳性和损伤类别特征相互重叠的实际情况,提出了基于经验模态分解(EMD)和奇异值分解(SVD)相结合的信号特征提取与识别方法.首先对AE信号进行EMD分解,运用互相关系数和方差贡献率筛选出包含主要信息的本征模态函数(IMF)分量;其次对各IMF分量构建的初始特征矩阵进行SVD分解,将得到的奇异值作为表征各损伤信号的特征向量;最后建立Mahalanobis距离判别函数对各损伤信号进行识别分类.五层胶合板损伤的实测数据表明,该方法能够方便地提取出AE信号特征并对其损伤类型进行有效的识别.     

基于PCA的扬声器响应信号特征提取及识别

研究了利用从扬声器响应信号中提取特征进行扬声器故障识别的方法.首先通过小波包分解及重构得到扬声器响应信号的初始特征;然后利用主分量分析(Principal Component Analysis,PCA)的方法对初始特征进行降维处理,并得到最终特征;设计神经网络分类器,并将得到的最终特征输入分类器进行识别.实验表明,该特征提取方法在满足扬声器故障检测识别率的同时,降低了特征提取过程中的计算量,为扬声器故障诊断提供了一种实用方法.     

基于LBP和PCA特征提取的人脸识别

为有效解决局部二元模式(LBP)在人脸识别特征提取时维数过高的问题,提出了一种结合LBP特征和主成分分析(PCA)的人脸识别方法.首先,对人脸图像进行分块,提取其LBP直方图特征,然后使用PCA方法对特征向量进行降维,最后将降维后的特征向量用于识别.在FERET人脸库上的实验结果表明:相对于原始LBP表达方法,结合LBP和PCA的人脸表达能有效降低计算复杂度,同时也较好地保持了原有识别精度.     

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%。     

基于小波包分析粘接声信号特征提取

本文针对金属与非金属这种特定的复合材料粘接结构,采用一维离散小波变换对得到的粘接信号进行消噪,利用小波包分解得到其粘接声信号相关的特征量,为这种复合材料粘接质量的识别提供有利的依据。     

基于小波包和SVM的小麦碰撞声分类研究

采用小波包分析小麦完好粒、虫蛀粒、霉变粒的碰撞钢板声信号,提取3类信号节点能量、奇异值、节点包络信号的功率谱熵和谱熵臂4个特征,使用支持向量机进行分类,对3类小麦颗粒的识别正确率均在92%以上.实验结果表明,不同类型的小麦碰撞声信号特征差异较大,此研究具有较强的实际应用价值,为小麦颗粒的分拣提供了可行方法.     

基于双空间特征提取的变压器故障诊断模型

为了提高基于油中溶解气体分析(dissolved gas analysis, DGA)的变压器故障诊断正确率,弥补单子空间特征提取的局限性,提出了基于双子空间特征提取的变压器故障分层诊断模型.首先,将DGA测试样本在一个子空间内进行特征提取后,为避免核函数及其参数的选择难题,以及利用多核支持向量机(multiple-kernel support vector machine, MKSVM)鲁棒性强和精度高的特点,采用MKSVM作为分类器对测试样本进行预测.依据预测结果将测试样本分为难分类和易分类样本,对易分类样本直接进行分类识别;对难分类样本则将该样本再次投影到另一子空间进行特征提取后,同样采用MKSVM作为分类器对难分类样本进行预测,综合两次预测结果进行分类识别,实现两分类MKSVM的双子空间特征提取算法.最后,根据故障特征,建立基于双子空间特征提取算法的变压器故障分层诊断模型.诊断实例表明,该模型具有较高的诊断正确率和推广能力.     

基于MCKD与CEEMDAN的声信号故障特征提取方法

在双转子轴承状态监测与故障诊断中,信号传递路径复杂,很难通过加速度传感器直接获得信号,而声音信号有非接触式测量的优势,包含大量特征信息.为了能够准确、有效地通过声音信号实现滚动轴承故障诊断,检测出轴承故障,提出了基于自适应噪声完备集合经验模态分解(CEEMDAN)和最大相关峭度解卷积(MCKD)的滚动轴承故障诊断方法.首先运用最大相关峭度解卷积方法增强轴承故障声音信号中的冲击,然后对处理后的信号进行CEEMDAN处理,计算每个经验模态分量的峭度值,根据峭度值选取最优分量并求Hilbert包络谱,以准确提取故障特征频率.文中采用该方法基于声音信号实现滚动轴承故障诊断,为提取最优分量提供了理想筛选标准,一定程度上降低了故障诊断的复杂程度,具有良好的自适应性.     

基于双子空间PCA降维的脑力负荷分类

人类社会至今的飞速发展使得大量体力劳动被机械工程替代,工作者的任务重心也从体力劳动逐渐转变为脑力劳动,对操作者脑力负荷进行实时评估以增强工作效率在当下有着重大意义。目前人类对于脑力负荷评估共有三种方式,有研究表明,采用生物电信号进行脑力负荷分类效果较其余两种方法更客观。但脑电信号经过特征提取后维数极高,所需数据量和运算量巨大,需要对其进行降维。目前降维方面最广泛运用的两种算法为主成分分析（PCA）和线性判别分析（LDA）。针对PCA的非监督性和LDA的特征冗余敏感性,本文提出一种二分类下基于双子空间主成分分析的降维算法,分别对不同类别的训练集数据进行主成分分析,并将所有训练集数据映射到生成的空间中,再次进行PCA-LDA降维,以此提高降维后数据的可分性。实验结果表明,双子空间PCA-LDA降维算法在二分类任务下测试集精度整体高于单子空间PCA-LDA算法,以此为脑力负荷分类领域和高维数据降维领域提供了新思路。     

基于共同空间模式的扫视信号特征提取算法

为了提高基于眼电图(EOG)的扫视信号识别正确率,提出了一种基于共同空间模式(CSP)的扫视信号特征提取算法.该算法首先利用事先标注好的标签数据进行CSP空域滤波器设计,并采用联合近似对角化的方法解决多分类问题;在此基础上,使用该滤波器对原始多导联眼动信号进行空域滤波,滤波输出即为扫视信号的特征参数.在实验室环境中使用支持向量机对上、下、左、右四类扫视信号进行识别,所提算法的平均正确率达到了97.7%.实验结果表明基于CSP的扫视信号特征提取算法在眼动信号分析中呈现出良好的分类性能.     

基于小波变换和改进PCA的人脸特征提取算法

针对在人脸图像高维数据降维时单纯使用主成分分析(PCA)算法的提取精度和速度受限问题,  提出一种基于小波变换和改进PCA的混合特征提取算法. 该方法首先对人脸图像进行小波分解, 选取低频分量对人脸图像进行特征提取;然后利用改进的PCA算法进行主成分提取, 获得代表人脸特征的特征向量; 最后将该算法应用于Olivetti Faces人脸库数据集的图像分类. 实验结果表明, 经过该混合算法处理后的图像特征数据, 由卷积神经网络(CNN)算法分类识别时准确率提升10%, 识别速度提高约37%.     

被动声纳信号分类特征提取的研究

对被动声纳信号进行了分析和特征提取,基于听觉系统识别声音信号的原理,提出了一种新颖的平稳恒Ｑ特征,并给出了距离指数和识别指数２种更为合理的评价方法。实验结果表明本文提出的平稳恒Ｑ特征较原有几种典特征,具有良好的分类正确性。／     

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。     

基于三域特征提取和GS-SVM的ECG信号智能分类技术研究

近年来,基于单域的特征提取方法已经得到广泛的研究,并被用于心律失常的检测分类.事实上,多域特征提取在其分类中往往表现得更好.本文利用MIT/BIH心律失常数据库中的48组ECG信号进行预处理,从时域、频域和小波域提取了信号的三域特征,这些特征从各个方面充分表征了ECG信号的性质.再利用基于网格搜索的SVM结合归一化特征可将ECG信号划分为常见的4类.该方法的总体精度达到98.01%,f_1分值为0.9800,对ECG信号的检测性能良好,相对目前绝大多数ECG信号分类器具有更强的泛化能力.     

鲸类声信号的分类系统设计

针对传统的水声信号分类技术处理方法复杂、特征提取时间长以及特征量多等问题,提出了一种基于稀疏表示的分类系统,先利用正交匹配追踪法(OMP)算法提取与水声信号最为匹配的少数原子作为目标特征,再采用支持向量机(SVM)进行分类.对鲸类声信号进行仿真实验,实验结果表明,不仅提高了压缩效率和运算速度,而且识别率高,在水声信号的实时处理中具有较高的实用价值.     

基于二叉树支持向量机的小麦碰撞声分类研究

为了实现小麦颗粒的自动分类,采用二叉树和支持向量机相结合方法对小麦碰撞声进行识别分类.首先从时域和频域对小麦碰撞声信号进行分析和处理,提取信号特征,然后利用二叉树支持向量机分类器进行分类,实验结果表明,对小麦完好粒、虫害粒、霉变粒和发芽粒4类麦粒的识别均达到84.0%以上.该项研究具有较强的实用价值,为小麦的自动识别分类提供了一种可行方法.     

飞行器目标推进系统声信号特征提取研究

为了提取低空来袭的飞行器目标推进系统声信号的特征,分析了典型飞行器目标推进系统辐射噪声的信号特性,并建立了其推进系统辐射噪声的数学模型及被动声预警系统的接收信号模型.进而提出了基于Radon变换的LOFAR谱图线谱提取算法,以获取飞行器的推进器转速特征.通过对实测飞行器噪声数据的分析,验证了信号模型算法的合理性.     

基于CSP-PSO-SVM的运动想象EEG信号特征提取与分类算法

为了解决EEG信号特征提取困难及识别率低等问题,提出一种基于CSP-PSO-SVM的脑电(EEG)信号特征提取与分类算法。该算法首先通过小波包变换实现EEG信号的预处理,提取出EEG信号中的特定频段信号,然后通过构建"一对一"共空间滤波器对EEG信号进行特征提取,最后通过粒子群优化的支持向量机算法实现EEG信号分类识别,并选用2008BCI竞赛2A数据集进行算法分类效果校验。研究结果表明:改进型CSP-PSO-SVM算法的分类准确率最高可达到93.07%,且其平均准确率比其他算法的高。其特征能很好地反映EEG信号的特点,可明显提高分类识别的准确率,可为脑机接口的发展与应用提供参考。     

储粮害虫微弱声信号特征提取与分析

 提取了5种主要储粮害虫微弱爬行声信息,采用现代数字信号处理新方法,建立特征模式识别.通过对声信号时域和频域2方面的分析,发现了不同储粮害虫声信号间差异,时域信号的差异表现为声脉冲的不同,频域信号的差异表现为功率谱幅值和主要频域范围的不同,信号间差异与害虫爬行速度快慢有关,并与害虫体重有关,体重大的害虫具有较大的振动能量.5种害虫时域及频域信号的差异是害虫种类差异的表现,这一差异揭示出不同种类害虫声信号的本质特征.本研究内容为有针对性地采取灭虫措施提供了依据,有利于及早确定防治对策,降低储粮损失.     

基于降噪及独立分量分析的轴承故障声信号特征提取

针对传统降噪算法的缺点,提出了将局部投影用于故障声信号的降噪.该算法具有较高的计算效率及广泛的应用前景,不仅可用于线性系统,而且还可用于非线性系统.而独立分量分析可用于分解相互独立的信号,它解决了多传感器信号的信息融合与特征提取问题.综合局部投影算法及独立分量分析算法两者的优点,提出了一种轴承弱故障特征识别算法.试验表明,该方法能有效地分离背景信号及特征信号.