基于张量分解模型的语音信号特征提取方法

提出了一种通过张量分解提取语音信号特征的方法. 该方法对语音信号进行预处理,然后对每帧语音信号进行小波分解得到不同尺度上的信息,对这些信息提取传统特征参数,构建一个帧结构×分解尺度×特征参数的三阶张量,并经过张量分解得到各阶投影矩阵,从而建立语音信号在高阶空间上的特征体系,以便充分表征语音信号的特征. 实验结果表明,本文提出的方法与传统特征参数体系比较,有利于语音识别系统性能的提高,并且对于带噪语音的识别具有一定的鲁棒性.      

基于表面肌电信号的手势识别方法

为了提高上肢手势动作的识别准确率,通过三阶巴特沃斯滤波器进行表面肌电信号(sEMG)去噪和时间滑动窗口合理分割sEMG信号预处理。特征提取使用了积分肌电值、均方根值和小波包变换系数,并提出了一种时域信号结合时频域信号的特征空间方法,包括了积分肌电结合小波包变换系数(IEME)和均方根值结合小波包变换系数(RMSME)。在特征空间构建基础上,提出了三种手势识别方法：支持向量机分类器(SVM)、人工鱼群算法优化支持向量机分类器(AFSA-SVM)和卷积神经网络(CNN)。实验共采集了10位受试者的8种上肢手势动作sEMG信号,并引用Nina Pro DB2公开数据集进行对比。实验结果表明,无论在实验采集数据和Nina Pro DB2公开数据集中特征空间IEME相对于RMSME都更具识别度,并且特征空间IEME在1D-CNN上识别平均准确率和平均训练用时均优于2D-CNN。在实验采集数据中1D-CNN识别平均准确率高达98.61%,相对于SVM和AFSA-SVM识别准确率提高了6.77%和10.61%,并且采用1D-CNN识别方法的平均训练时间为7.37s较SVM和AFSA-SVM减少了68.32s和221.53s,因此在手势sEMG信号识别分类中采用特征空间IEME和分类模型1D-CNN具有优势。     

基于脑电图的新型情绪识别特征提取方法

基于脑电图(EEG)信号对情感识别计算进行研究.针对脑电图的特征提取难和模型计算难的问题, 提出了一种从EEG信号中获得可靠区别特征的创新方法.该方法将微分熵与线性判别分析(LDA)相结合,可被应用于情绪EEG信号的特征提取.采用3类情绪EEG数据集进行实验,结果表明该方法能够有效提高EEG分类的性能:与原始数据集的结果相比,平均准确度提高了68%,比单独使用微分熵进行特征提取时的准确度高7%.总执行时间结果证明提出的方法具有较低的时间复杂度.研究结果在3类情感脑电图识别领域具有重要的实用价值,可被应用于实际的工程领域.     

一种基于sEMG信号多重分形的肌肉疲劳特征分析方法

针对由表面肌电信号(sEMG)非平稳、非线性、自相似性等复杂特性导致的肌肉疲劳估计不准的问题,提出一种基于sEMG信号多重分形降趋移动平均法(MFDMA)的肌肉疲劳特征分析方法。首先,利用MFDMA方法对采集的sEMG信号、洗牌信号和高斯白噪声信号进行非线性动力学分析;其次,利用MFDMA方法计算sEMG信号的多重分形谱宽度、Hurst指数变化差值、概率测度值和峰值奇异指数4种多重分形特征;最后,利用t-检验法分析肌肉疲劳与非疲劳状态下的多重分形特征的显著差异性。结果表明,MFDMA方法能够描述sEMG信号的多重分形行为,谱宽等多重分形特征在肌肉疲劳与非疲劳状态下具有显著性差异。所提方法能够可靠表征运动性肌肉疲劳,可为肌肉疲劳识别模型建构、康复医学研究提供特征参考。     

基于S变换和双向二维主成分分析的局部放电模式识别

为对不同类型局部放电信号进行识别,笔者提出一种新的特征提取方法.首先,制作了4种典型的局部放电人工缺陷模型,并通过S变换对采集的局部放电UHF信号进行时频分析;然后,采用双向二维主成分分析(2DPCA)对S变换幅值矩阵进行压缩以提取特征;最后,引入基于粒子群算法优化参数的支持向量机对样本特征集进行模式识别.识别结果表明:4种特征维数组合中,(10,5)组合的平均识别率最高,(5,5)组合最低;粒子群优化算法的引入大幅提高了支持向量机的分类性能,平均识别率均在94.43％以上,最高可达到97.67％.由此可见,经过S变换和双向2DPCA提取的特征集在维数显著约减的同时,保留了原始数据大部分信息量,能够获得较为理想的分类识别率.     

一种有效的全景图像自动拼接算法

图像拼接是基于图像绘制技术中的一种常用方法。该文用特征提取算子得到2幅图像的特征点,根据特征点邻域灰度的归一化相关性得到初始的匹配点集,利用特征点与其周边特征点之间的关系来获得更加精确匹配;利用随机采样一致性方法对匹配点集进行优化,以具有最多内点数的模型作为投影矩阵的系数。     

雷达辐射源信号双谱二次特征提取方法

现有的双谱特征提取方法可以满足信号分类识别,但是出现了交叉项、平凡双谱以及特征维数过高等一些问题。针对以上问题,提出一种双谱二次特征提取方法,将双谱转化为灰度图像,以灰度值表示双谱幅度;再利用图像处理技术提取双谱二次特征,提取出能够表征辐射源信号双谱图像纹理信息的灰度共生矩阵特征集;将该特征集与Hu-不变矩特征集进行对比实验。仿真结果表明:该方法具有更好的分类识别性能,对于CW、LFM和NLFM信号的平均识别率均达90%以上。     

雷达辐射源信号双谱二次特征提取方法

现有的双谱特征提取方法可以满足信号分类识别，但是出现了交叉项、平凡双谱以及特征维数过高等一些问题。针对以上问题，提出一种双谱二次特征提取方法，将双谱转化为灰度图像，以灰度值表示双谱幅度；再利用图像处理技术提取双谱二次特征，提取出能够表征辐射源信号双谱图像纹理信息的灰度共生矩阵特征集；将该特征集与Hu-不变矩特征集进行对比实验。仿真结果表明：该方法具有更好的分类识别性能，对于CW、LFM和NLFM信号的平均识别率均达90%以上。     

一种基于ICA-SVM的故障诊断方法

提出了一种基于独立分量分析和支撑向量机(ICA SVM)对系统性能进行监控的整体框架.这一框架包括特征提取和故障识别两部分.独立分量分析被用于从当前工况的数据矩阵中提取出代表当前工况特征的投影系数矩阵,而这些投影系数矩阵则被用于训练多个支撑向量机,以实现故障类型的识别.TennesseeEastman过程的仿真结果证明了该算法的有效性.     

基于关键帧轮廓特征提取的人体动作识别方法

为了在人体动作识别中获得更加准确的前景分割和防止关键信息的几何丢失,提出一种利用关键帧提取关键姿势特征的人体动作识别方法.由于背景建模和差分获得的前景不准确,利用基于纹理的灰度共生矩阵提取动作轮廓,并对原图像帧进行分割;然后计算人体Blob的能量,选取最大信息内容的帧作为关键帧,关键帧的获取使得特征提取对时间的变化具有一定鲁棒性;在特征分类识别阶段,为了提高分类的准确性,提出使用支持向量机-K最近邻(support vector machine-k nearest neighbor,SVM-KNN)混合分类器完成分类.在Weizmann,KTH,Ballet和TUM 4个公开数据集上实验验证了该方法的有效性.相比于局部特征方法、全局特征方法和关键点方法等,该方法获得了更高的识别率.此外,实验结果表明,该方法在KTH和Weizmann数据集上的早期识别效果优于Ballet数据集.     

基于最大间距准则和差分向量的人脸特征提取

提出了一种结合最大间距准则(MMC)和差分向量的特征提取方法,将其应用在人脸识别中.首先对样本图像进行Gram-Schmidt正交变换得到每类样本的共同向量;然后将每幅原始图像与该类的共同向量之间的差作为差分向量,通过MMC方法得到差分向量的最优投影变换矩阵;最后将测试样本的差分向量和训练样本的差分向量投影到最优投影变换矩阵上获得特征向量,利用三阶近邻分类器进行分类识别.在ORL和Yale人脸数据库上的实验结果表明了该方法具有较好的识别性能.     

一种基于卷积神经网络的下肢动作模式识别方法

针对目前下肢动作模式识别技术存在的数据量少、识别率低的问题,提出了一种新的基于卷积神经网络的下肢动作模式识别方法。以下肢步态动作识别为对象,采集无负重平地行走,无负重上/下楼及负重上/下楼5种步态的表面肌电信号（surface electromyography,sEMG）,对sEMG进行特征提取,构建了一种以特征集作为输入的卷积神经网络,并比较了其与另外几种传统分类识别方法的识别准确率和工作特征。实验结果表明,新方法对于5种步态的平均识别准确率大于95%,错误率都低于8%,具有较高的准确性。因此所提方法的输入特征集更能代表预测模型特征,模式识别率更高,可为康复医疗机器人、助力机器人等设备改善下肢运动功能提供参考。     

基于GLCM-SDAE的滚动轴承故障诊断方法

目的针对传统信号分析方法在滚动轴承故障特征提取和故障分类等方面的不足,结合堆栈去噪自编码(Stacked De-noising Auto-Encoders,SDAE)算法在提取特征和特征分类等方面的优势,提出一种基于灰度共生矩阵(Grey-Level Co-occurrence Matrix,GLCM)和SDAE的滚动轴承智能故障诊断方法.方法首先通过短时傅里叶变换(Short-Time Fourier Transform,STFT)将滚动轴承振动信号转化为灰度时频图,然后利用灰度共生矩阵提取灰度时频图中的故障特征参数,构建滚动轴承故障类别的特征向量空间,最后将其输入到构建的SDAE网络模型中,以实现滚动轴承的智能故障诊断.结果在轴承数据集上进行了故障特征提取和故障类型识别实验,结果表明笔者所提方法在训练集和测试集上平均分类精度均达到了95%以上.结论相较于从原始信号中提取特征的支持向量机(Support Vector Machine,SVM)、深度信念网络(Deep Belief Network,DBN)等方法,笔者所提出的方法能够提高故障识别率,可有效地对滚动轴承故障状态进行智能诊断.     

基于VMD-TEO窗和DBiLSTM的早期轴承故障诊断

针对现代滚动轴承早期故障监测因数据量增大所带来的诊断困难问题,提出了基于变分模态分解(VMD)与TEO窗特征提取的深层双向长短记忆神经网络(DBiLSTM)轴承故障诊断方法。首先,利用改进果蝇算法优化的VMD-TEO窗函数,提取轴承振动信号的瞬时能量特征,构造具有时序特性的特征矩阵;其次,利用训练集对DBiLSTM模型进行学习以确定模型参数;最后,用测试集对模型进行验证,输出轴承状态识别结果。试验采用凯西西楚大学轴承故障数据集,结果表明:该方法在处理数据量较大的滚动轴承故障诊断问题时,能有效地对多种故障类型,不同损伤等级的滚动轴承振动信号进行识别。     

基于VMD-MPE-KPCA特征提取与MRVM相混合的滚动轴承故障诊断方法

针对滚动轴承振动信号在强噪声环境下出现非线性、非平稳、强干扰特性,进而导致故障特征难以提取及故障诊断准确率低的问题,提出变分模态分解(VMD)-多尺度排列熵(MPE)-核主元分析(KPCA)特征提取与多分类相关向量机(MRVM)相混合的滚动轴承故障诊断方法.该方法首先通过VMD-MPE进行滚动轴承振动信号的高维故障特征提取,其次对提取的故障特征进行KPCA可视化降维,最后将降维后的故障特征输入可实现不同样本概率输出的MRVM进行滚动轴承故障诊断.通过美国西储大学的滚动轴承故障数据集对该方法的有效性进行验证,结果表明提出的VMD-MPE-KPCA特征提取与MRVM相混合的滚动轴承故障诊断方法能够有效提取和识别滚动轴承故障特征,所提出的混合智能故障诊断方法与相关文献报道的故障诊断方法相比较,故障识别准确率达到了99.18%.     

用于动态化工过程故障检测的T-TELPP算法

工业过程具有高复杂性、动态性等特点。在特征提取时,引入时滞因子扩展时序矩阵可以解决现场变量带有的自相关与互相关特性问题。特征提取算法处理三阶张量形式的扩展数据时需要将三阶张量在某一方向向量化,这将破坏原始数据内在二维结构信息。对此,本文提出了基于张量空间的时序扩展局部结构保持算法(Tensor-Temporal Extension Locality Preserving Projection,T-TELPP)。首先,改进局部保持投影(LPP)算法得到时序扩展的LPP算法(TELPP),使其充分提取欧氏空间近邻与时序近邻信息;然后,将TELPP扩展到张量空间得到T-TELPP算法。T-TELPP直接将动态扩展数据投影到特征空间与残差空间,并分别建立T2和SPE统计量。对田纳西-伊斯曼(Tennessee Eastman,TE)过程进行监测,通过与PCA、DPCA和DLPP算法对比,验证了T-TELPP算法在动态过程监测上的有效性与优越性。     

基于CNN 和sEMG 的手势识别及康复手套控制

由于sEMG( Surface Electromyography) 对肌肉疲劳、不同患者以及电极位移等都非常敏感,设计一种可 靠、鲁棒的智能手部康复设备仍然是一项艰巨的工作。为此,提出一种基于深度学习的康复手势神经解码方 法,利用患者前臂的表面肌电信号,通过卷积神经网络( CNN: Convolutional Neural Network) 识别患者的手部运 动意图。通过组合特征提取方法,对8 通道肌电信号每个通道的信号进行组合特征提取,组合特征包括小波包 分解能量特征、时域特征和频域特征共32 个特征。将8 个通道特征组成一个8 × 32 的数值矩阵并进行灰度处 理成特征图,再用此特征图训练卷积神经网络,对5 种不同手势进行分类,分类器准确率达到98． 1%。最后通 过STM32 I /O 口根据分类结果输出对应的PWM( Pulse Width Modulation) 控制信号控制康复手套的动作,表明 了该方法的可行性,为深入研究康复手套运动控制奠定了基础。     

基于Morlet小波变换与SVD的故障特征提取

针对Morlet小波变换结果中的特征提取问题,对连续小波变换得到的小波系数矩阵进行奇异值分解(SVD),分析了所获得的奇异值与Morlet小波变换结果中的特征信号以及噪声的对应关系.基于这种关系,通过选择合适的奇异值进行重构,清晰地提取到Morlet小波分解结果中的有效特征信息;进一步计算得到频率-能量谱,根据峰值位置能够提取冲击特征.将该方法应用于轴承振动信号的故障特征提取,并与其他方法进行了比较.结果表明,文中方法所获得的故障波形非常清晰,在低信噪比时具有较好的故障特征提取效果.     

应用主成分分析法的ECG身份识别方法

提出了一种基于主成分分析法对ECG信号进行特征表述的身份识别新方法。在预处理阶段对ECG信号进行滤波、分段、归一化、抽样处理，然后计算ECG信号的协方差矩阵及协方差矩阵的特征值和特征向量，其中较大的特征值对应的特征向量具有与ECG相似的形状，利用这些特征向量可描述、表达和逼近ECG信号并用于后续的身份识别。实验结果表明：相对于ECG基点特征提取技术，该方法提高了录用率，获得了较好的识别效果。     

基于L_1-范数的鲁棒稀疏的张量PCA人脸图像分析

张量主成分分析(Tensor Principal Component Analysis,TPCA)是主成分分析(Principal Component Analysis,PCA)在多维空间上的推广,能充分利用图像/视频的空间关联,在图像分析和视频处理中扮演了重要的角色.传统的张量PCA方法提取的特征向量是非稀疏的,这使得其很难进行解释.近年来出现了众多稀疏PCA方法,能提取只包含少量非零元的特征.把稀疏特征提取引入到张量分析,提出一种鲁棒稀疏的张量PCA方法(TPCAL1S).首先,设计了能实现稀疏特征提取的目标函数.一方面,用L1范数代替Frobenius-范数,使得算法对异常数据更加鲁棒;另一方面,在目标函数中引入弹性网,联合使用Lasso与Ridge惩罚因子来实现稀疏化,增强了算法的语义解释性.然后,设计了一种基于二阶张量的投影矩阵交替求解算法,二阶张量便于数学描述,也易于推广到更高阶张量.此求解算法分为两个步骤(V,U分别表示左投影矩阵和右投影矩阵),先固定U优化V,再固定V的值优化U,两个步骤反复交替执行,直到收敛.每个步骤都采用贪心算法以迭代的方式逐个特征提取以求得U或V.最后,对迭代过程的单调性做了理论证明.基于ORL,Yale和Feret库,将TPCA-L1S应用于人脸图像分析并与其他常见方法作比较,实验结果验证了该模型的有效性.