基于多惩罚因子优化VMD的滚动轴承故障特征提取方法

针对变分模态分解(variational mode decomposition, VMD)在提取滚动轴承故障特征时预先设置多惩罚因子具有不确定性的问题，结合灰狼优化(grey wolf optimization, GWO)算法提出一种基于多惩罚因子优化VMD的滚动轴承故障特征提取方法。首先利用GWO算法实现VMD的多惩罚因子自适应优化，再利用优化得到的参数将滚动轴承的振动信号分解为多个本征模态函数(intrinsic mode function, IMF),最后对各个IMF分量作包络解调提取滚动轴承的故障频率特征。研究结果表明，在优化VMD参数时，该方法相对其他方法优化效率有了明显提高，并且提取滚动轴承故障特征效果显著，得到特征频率幅值为其他方法的2～4倍，证明了该方法的有效性和优越性。     

空中目标辐射源的个体识别方法

针对传统的辐射源个体识别方法在低信噪比环境下识别性能不佳的问题,提出了一种空中目标辐射源的个体识别方法,该方法利用经验模态分解和变分模态分解得到信号不同频率的模态分量,将各模态分量的多尺度排列熵作为特征,利用主成分分析对数据进行降维,并采用支持向量机分类器进行辐射源个体识别。仿真结果表明,该方法对相位噪声、频率漂移以及谐波失真等细微特征的识别性能明显优于传统方法,并具有良好的抗噪性。     

基于奇异值熵和分形维数的雷达信号识别

针对低信噪比条件下雷达信号脉内调制方式识别算法识别率低的问题,提出了基于奇异值熵和分形维数的雷达信号识别算法。该方法首先通过Choi Williams分布得到信号的时频图像,提取时频图像的奇异值熵;然后再提取信号频谱的盒维数与信息维数,组成三维特征向量;最后使用基于支持向量机的分类器实现雷达信号的分类识别。对8种典型雷达信号的仿真试验结果表明该方法抗噪性强、识别率高,在信噪比大于1 dB时,平均识别率能达到95%以上。     

Walsh码软扩频信号降噪算法

针对低信噪比(signal-to-noise ratio, SNR)条件下, Walsh码软扩频信号盲解扩以及多址信号盲分离难以实现的问题,提出一种Walsh码软扩频信号降噪算法。首先,采用经验模态分解(empirical mode decomposition, EMD)算法将Walsh码软扩频信号分解为有限个本征模态函数(intrinsic mode function, IMF),分界点位置可通过Walsh码软扩频信号和噪声的IMF自相关函数收敛速度的差异进行判断。然后,采用小波软阈值滤波算法处理分界点之前的IMF。最后,利用处理后的低阶IMF和分界点后的IMF重构Walsh码软扩频信号,减少由于降噪造成的信号损失。仿真结果表明,在一定低SNR范围内,降噪算法以较低误码率(bit error rate, BER)实现解调,信号损失较少。     

峰度检验加窗的EMD脉冲星信号消噪方法

针对经验模态分解(empirical mode decomposition, EMD)过程中本征模态函数(intrinsic mode function, IMF)上存在脉冲星信号与噪声混叠的问题,提出了一种基于局部峰度检验加窗的EMD消噪方法。首先,利用自相关和互相关来判断IMF的重构起点;其次,通过局部峰度检验方法来获取重构起点前两层IMF中信号脉冲部分的左、右端点,选用Turkey Hanning窗滤掉脉冲外噪声;最后,利用自适应阈值方法进一步除噪,改善信号质量。实验结果表明,与其他5种方法相比,所提消噪方法可以有效抑制噪声,保留脉冲星信号细节信息,具有更高的消噪性能。     

基于VMD分解和多域联合分布的雷达辐射源识别

针对现有雷达辐射源个体识别存在的识别准确率低、难以区分同型号雷达、缺乏实采信号验证等问题,提出了一种基于变分模态分解(variational modal decomposition, VMD)和时频能多域特征联合的雷达辐射源个体识别方法。首先对雷达信号进行VMD,然后对得到的模态分量分别在时域、频域和时频域提取13种特征参数,最后结合k近邻分类器实现雷达个体识别。采用实际采集的船用导航雷达信号对所提方法和现有的其他两种方法进行了对比验证,实验结果表明所提方法在识别准确率、算法鲁棒性方面优于现有两种方法,具有一定的工程应用价值。     

基于SE-ResNeXt网络的低信噪比LPI雷达辐射源信号识别

针对低信噪比(signal to noise ratio, SNR)低截获概率(low probability of intercept, LPI)雷达脉内波形识别准确率低的问题,提出一种基于时频分析、压缩激励(squeeze excitation, SE)和ResNeXt网络的雷达辐射源信号识别方法。首先通过Choi-Williams分布(Choi-Williams distribution, CWD)获得雷达时域信号的二维时频图像(time-frequency image, TFI);然后进行TFI预处理降低噪声干扰和频率维的位置分布差异,以适应深度学习网络输入;最后在ResNeXt基础上加入扩张卷积和SE结构提取TFI特征,实现雷达辐射源分类。实验结果表明,SNR低至-8 dB时,该方法对12类常见LPI雷达波形的整体识别准确率依然能达到98.08%。     

基于EEMD样本熵和SRC的自确认气体传感器故障诊断方法

针对非线性、非平稳情况下自确认气体传感器的故障诊断问题,提出了对传感器不同故障模式信号进行特征提取和智能识别的在线故障诊断方法。首先,该方法根据传感器信号的变化进行集合经验模态分解(ensemble empirical mode decomposition,EEMD),自适应地获得一组固有模态函数(intrinsic mode functions,IMFs),对每个IMF及残余分量进行样本熵分析,提取传感器输出信号的完备特征;然后,利用稀疏表示分类(sparse representation-based classification, SRC)将各故障模式下训练样本的特征向量构成超完备字典。为了提高故障诊断方法的自适应能力,对SRC分类器进行在线更新。通过求解最小1范数约束问题,获得测试样本的稀疏表示系数,再由不同故障类型的重构误差确定测试样本归属,进行传感器故障类型识别。实验结果表明,与目前其他传感器故障诊断方法比较,本文提出的方法能够更显著地提取传感器故障信号特征,故障识别率提高4%以上,达到97.14%。     

基于极值域均值模式分解的语音增强方法

增强低信噪比(signal to noise ratio, SNR)下的语音质量是语音识别需要解决的问题。在众多增强方法中,经验模态分解(empirical mode decomposition, EMD)是目前应用最为广泛的一种方法。针对EMD在对语音进行增强时存在端点效应的问题,研究了极值域均值模式分解(extremum field mean mode decomposition, EMMD)方法。该方法改变了EMD只利用信号的极值点信息的单一做法,充分考虑输入信号所有信息,计算信号极值点间所有数据的均值,可以有效解决EMD中的端点效应问题。因此,提出了基于EMMD的语音增强方法,实验结果表明EMMD方法的引入,消除局部数据中隐含的支流分量,避免了EMD方法的端点效应问题,明显提高了带噪语音的SNR,改善了语音的质量。     

基于时频特征提取和残差神经网络的雷达信号识别

针对低信噪比(signal to noise ratio,SNR)下雷达信号脉内调制类型识别率较低的问题,提出了基于时频特征提取和残差神经网络的雷达信号识别算法.时频特征提取首先通过分数阶傅里叶变换对信号进行Chirp基分解,按照Chirp基载频与调频率的不同组合对信号划分类别,并设置对应的分类特征参数.然后,计算信号...     

基于熵评价模态分解的雷达信号双谱特征识别

针对在低信噪比下雷达信号调制识别准确率低、抗噪性差的问题, 提出一种基于熵评价模态分解和双谱特征提取的识别方法。利用双谱可以抑制高斯噪声的特点, 分析了在低信噪比下进行信号调制识别的可行性并引入了噪声项。由于噪声项的干扰, 双谱在0 dB以下时, 噪声抑制效果变差, 提出了基于信息熵评价的经验模态化分解对信号进行预处理, 提高信噪比。最后, 设计了卷积神经网络分类器, 实现对不同调制类型信号的识别。仿真实验结果表明, 本文方法相比传统方法具有良好的抗噪性, 能够在低信噪比下对不同类型信号进行有效识别。     

基于多级跳线残差网络的雷达辐射源识别

针对复杂体制雷达辐射源的识别问题, 提出了一种基于时频特征提取与多级跳线残差网络(multi-level jumper residual network, MLJ-RN)结合的识别方法。首先,计算辐射源信号的平滑伪Wigner-Ville时频分布生成时频图像以表达信号本质特征, 将图像进行预处理以保留信号细微特征差异。然后,设计多级跳线连接的残差单元, 在此基础上构造MLJ-RN, 对时频图像相邻卷积层的细微特征进行学习和识别, 并使用随机梯度下降法训练网络。最后,通过对网络进行参数优化, 强化对信号的深层特征提取能力。仿真结果表明, 信噪比为－5 dB时, 该方法对12类雷达辐射源信号的整体识别概率达到95.1%, 从而验证了该方法在低信噪比下识别雷达信号的有效性。     

基于SRNN+Attention+CNN的雷达辐射源信号识别方法

针对低信噪比条件下雷达辐射源信号特征提取困难、识别准确率低的问题, 提出一种基于切片循环神经网络(sliced recurrent neural networks, SRNN)、注意力机制和卷积神经网络(convolutional neural networks, CNN)的雷达辐射源信号识别方法, 并在CNN中引入批归一化层, 进一步提升网络的识别能力。模型以雷达辐射源信号幅度序列作为输入, 自动提取信号特征, 输出识别结果。实验结果表明, SRNN相比于门控循环单元(gated recurrent unit, GRU)训练速度大大提升, 注意力机制和批归一化层能有效提高识别准确率; 在采用8种常见雷达辐射源信号进行的实验中, 所提方法在低信噪比条件下仍有较高的识别准确率。     

基于最大似然准则的特定辐射源识别

在信号包络存在细微差异前提下,研究了基于最大似然准则的特定辐射源识别算法.先将接收信号进行滤波,滤除带外噪声,以提高信噪比,接着将处理后的具有带限白噪声背景的信号变换到基带并进行卡亨南-洛维展开,在此基础上对信号的似然函数进行处理,得到等效的检验统计量及判决门限,完成特定辐射源的分类识别.计算机仿真表明,被识别信号的互相关系数为0.9932时,在0 dB信噪比条件下,利用单个脉冲信息,平均识别正确率达94%.     

小样本条件下的通信辐射源半监督特征提取

在通信辐射源信号有标签样本数量较小的情况下,同类通信辐射源个体信号特征提取困难且识别精度较低。对此,提出了一种小样本条件下的通信辐射源半监督特征提取方法。该方法对少量有标签通信辐射源信号样本以及大量无标签通信辐射源信号样本进行变分模态分解提取高维稳态信息熵,利用指数半监督判别分析法映射信息熵形成个体特征,并通过XGBoost进行通信辐射源个体识别来验证识别效果。实验表明,所提方法识别准确率达到85.33%,相比无监督特征提取方法运算时间降低了76.17%,证明其在同类通信辐射源不同个体识别中具有较好的性能。     

小样本条件下的通信辐射源半监督特征提取

在通信辐射源信号有标签样本数量较小的情况下,同类通信辐射源个体信号特征提取困难且识别精度较低。对此,提出了一种小样本条件下的通信辐射源半监督特征提取方法。该方法对少量有标签通信辐射源信号样本以及大量无标签通信辐射源信号样本进行变分模态分解提取高维稳态信息熵,利用指数半监督判别分析法映射信息熵形成个体特征,并通过XGBoost进行通信辐射源个体识别来验证识别效果。实验表明,所提方法识别准确率达到85.33%,相比无监督特征提取方法运算时间降低了76.17%,证明其在同类通信辐射源不同个体识别中具有较好的性能。     

雷达辐射源信号识别特征参数集的构建方法

针对单个脉内特征在雷达辐射源信号(radar emitter signal,RES)识别中存在普适性差和识别性能“瓶颈”的问题,提出组合多个特征参与RES识别的方法。通过特征组合方式和识别性能的讨论分析,提出特征参数优型组合的概念,并在此基础上,研究特征参数集的构建方法。最后,根据对特征参数集的时间成本分析,提出两种典型的特征参数集——时效集和精准集,为不同需求场合的RES识别提供决策依据。