基于局部递归率分析的振动信号非平稳评价

针对土木工程结构环境振动信号非平稳程度评价的问题,提出一种新的基于递归量化分析的评价环境振动信号非平稳程度指标.首先,研究递归图中反映信号非平稳特征的模式,根据递归量化分析中已有的信号非平稳程度评价指标即递归趋势应用于土木工程结构环境振动信号时的不足,将质量损失函数理论引入递归量化分析,分析递归图中局部递归率的变化情况,并以最小局部递归率为基准,提出一个新的衡量信号非平稳程度的指标——递归损失量;然后,以几种典型的非平稳信号为例,分别计算2种非平稳评价指标并进行对比分析,讨论其差异及各自不同的适用条件;最后,将指标用于桥梁结构环境振动信号的非平稳程度评价.计算结果表明:提出的递归损失量比递归趋势更能适应环境振动信号的特点,能够对环境振动信号的非平稳程度进行更客观的评价.     

基于递归定量特征的变压器励磁涌流识别

为避免励磁涌流对变压器差动保护的影响,进一步提高变压器差动保护动作的准确率,针对变压器励磁涌流和内部故障电流信号的非平稳特征,提出一种基于递归定量分析(RQA)的励磁涌流识别方法.首先,应用相空间重构理论,在高维相空间中研究励磁涌流和内部故障电流信号的内在规律;然后,采用RQA方法提取信号的非线性特征参数即递归率、确定率、分层度及熵.研究结果表明:励磁涌流的递归率、确定率和分层度均比内部故障电流的小,而熵比内部故障电流的大,说明励磁涌流比故障电流的规则性低,混沌性高;通过RQA的这4项特征量可以对变压器励磁涌流进行有效识别.     

基于HMM的表面肌电信号模式分类

按等时间间隔将表面肌电信号(SEMG)划分为不同的段,利用小波变换对其进行特征提取,借助隐马尔可夫模型(HMM)的动态建模能力来感知不同动作模式下SEMG的时变特性.具体应用时,先根据样本对各动作模式下的HMM进行训练,待各模型参数稳定后,再利用HMM对特征提取后的SEMG进行模式分类.实验结果表明:该方法具有很好的分类识别率.在6个手部动作识别中,上翻、下翻、内旋和外旋4种动作的识别准确率均在90%以上.     

HMM在下肢表面肌电信号步态识别中的应用

提出了一种基于隐马尔可夫模型(HMM)的分类方法,利用下肢表面肌电信号(SEMG)进行人体步态状态的识别.对每通道的SEMG信号按时间分段后,对每段数据提取4个时域特征来描述信号特点.根据对步态周期中状态的划分确定了HMM的结构,将HMM的状态与步态状态一一对应,并利用改进的Baum-Welch算法估计HMM参数,然后...     

超声多普勒血流信号的非线性特征分析及应用

通过引入非线性研究方法 ,对超声多普勒血流信号的特征进行综合分析 .利用数学形态学方法提取声谱包络 ,并进行包络特征点的自动识别 .采用综合反映声谱包络形态特征的波形分类决策法和超声多普勒音频信号的分形特征表示法提取信号的新特征 ,其中波形分类决策法采用了非线性的人工神经网络分类器 .这些非线性特征的分析经临床应用 ,均取得了较为显著的效果 ,预期为胎儿宫内生长发育状况的判断和疾病的早期诊断提供更好、更灵敏的指标     

基于递归图理论的飓风信号非平稳特征定量分析

为解决传统时频域分析方法无法定量表征风信号的非平稳特征问题,提出采用递归定量分析方法对风场的非平稳特征进行可视化和定量化分析,该方法适用性强且噪声对计算过程的影响较小.首先,采用相空间重构技术和递归图理论对飓风Gustavo(2008)典型时间序列做非平稳性分析;然后,通过引入递归率、确定率、信息熵、对角线平均长度、层状度和捕获时间等6项递归定量分析指标对飓风过境的全过程进行信号特征的定量分析,并给出飓风信号和良态风信号的6项定量指标界限;最后用台风梅花(1109)进行了上述指标的验证.研究发现,飓风过境前期信号具有一定的周期性和平稳性,中期信号的非线性、非平稳性比较突出;6项递归定量分析指标能够客观区分开飓风信号和良态风信号;递归定量分析方法完全适用于风信号系统的研究,能够更全面、定量地描述风信号的非平稳特征.     

超声多谱勒血流信号的非线性特征分析及应用

通过引入非线性研究方法，对超声多普勒血流信号的特征进行综合分析，利用数学形态方法提取声谱包络，并进行包络特征点的自动识别，采用综合反映声谱包络形态特征的波形分类决策法和超声多普勒音频信号的分形特征表示法提取信号的新特征，其中波形分类决策法采用了非线性 的人工神经网络分类器，这些非线性特征的分析经临床应用，均取得了较为显著的效果，预期为胎儿宫内生长发育状况的判断和疾病的早期诊断提供了更好，更灵敏的指标。     

基于SEMG分析的交互意图感知方法

针对以往依赖鼠标、键盘等传统设备的交互方式,其易受到各种场景和使用环境的限制,已成为虚拟现实以及新型显示技术发展的屏障,因此提出了一种基于SEMG分析的交互意图感知方法。由于连续表面肌电信号的实时识别不能通过单独的动作产生的活动段进行信号的分割识别,采用一种连续表面肌电信号的上下文分割思想进行实时信号识别。最后对识别出的信号进行模糊决策的交互意图分类,将识别的信号数据对设备进行交互感知控制。通过实验分析可知,基于SEMG分析的人机交互能够较好地感知识别人的不同意图动作,交互识别正确率能够达到95%以上。     

肌肉疲劳过程中电诱发表面肌电信号的小波分析

分析由电刺激腓肠肌得到的表面肌电信号(Surface electromyography, SEMG),研究肌肉疲劳过程中表面肌电信号的特征,采用小波分析的方法,选择与M-波形状相似的小波函数,对其两个半波进行小波变换,分别分析两个半波在时域波形的拉伸程度,确定以小波变换尺度为主要依据的肌肉疲劳指数,实现疲劳状态的定量描述.该方法克服了傅里叶变换在时域中没有分辨率,信号在某一时刻变化将影响整个频谱特性的缺点,确定了特异性和可靠性良好的表征肌肉疲劳的SEMG指标,为进一步应用这些指标评价肌肉功能状态提供理论依据.     

基于感觉运动BCI系统的EEG手部运动分类

对于残疾人或者运动不便的健全人,感觉运动相关的BCI（Brain Computer Interface）系统是十分必要的.BCI系统的关键部分是对EEG（Eletroencepalograph）信号的采集、提取和分类.本文研究的是手部三种动作在运动执行的情况下,人脑产生的EEG信号的不同.利用EEG信号在运动时发生于大脑感觉运动皮层区域的ERS（Event-Related Synchronization）和ERD（Event-Related Desynchronization）现象,运用EMD（Empirical Mode Decomposition）等算法进行信号的特征提取,然后进行分类,得出了平均准确率为78.75％的良好结果.此次研究提供了一种基于EMD新的有效的运动相关BCI系统研发中的EEG信号的特征提取算法.     

基于径向基网络的表面肌电信号处理

利用AR模型对实验所采集到的原始二通道表面肌电信号（SEMG）加以分析,提取AR系数作为特征值,将其作为训练样本输入到RBF神经网络进行训练,用此网络对前臂的伸臂和曲臂两种运动模式的表面肌电信号进行模式分类。实验表明,基于径向基函数RBF神经网络分类准确率比BP神经网络更高,具有较强的鲁棒性和自适应能力,可以有效识别肌肉的单动作模式。     

基于小波包分解的声目标识别

小波变换是处理非平稳信号的一个有力工具,研究了基于小波包分析的声信号特征提取方法,并应用该方法对直升机等4种目标的声信号进行了特征提取,降低了特征向量的维数。采用设计改进的BP神经网络分类器对声目标进行分类,分类结果准确率高,获得满意的实验效果。     

基于盲辨识理论的双通道肌电信号建模与分类

基于肌电信号产生机理 ,对双通道前臂肌电信号建立单输入多输出 IIR系统模型 ,由于模型输入未知且不可测 ,采用了盲信道辨识方法对模型传递函数进行辨识 .通过提取模型参数作为信号特征 ,能够对握拳、展拳、前臂内旋和前臂外旋四类前臂动作进行识别 .实验表明 ,该方法运算量小 ,适合在线实现 ,性能要优于传统的 AR模型方法     

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.     

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EMD和SVD特征提取的通信辐射源个体识别方法

为改善通信辐射源指纹特征提取算法抗噪声及干扰能力差导致的对通信辐射源个体分类识别率低和稳定性差的问题,提出了一种基于经验模态分解和奇异值分解特征提取的方法.通过对信号进行经验模态分解,来克服噪声对指纹特征提取的影响,经希尔伯特-黄变换和奇异值分解实现对通信辐射源信号的指纹特征提取,结合支持向量机算法完成对通信辐射源的个...     

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%。     

基于非线性特征提取的EEG信号支持向量分类器

为提高癫痫脑电(EEG)信号的正确识别率,设计了一种基于非线性特征提取的EEG信号支持向量分类器.分类器首先将EEG信号通过四层小波包变换分解到不同频段,然后计算各频段小波系数的近似熵(ApEn)值,作为特征向量,最后使用支持向量机(SVM)进行分类.实验结果显示该分类器能有效提高正确识别率.     

基于PCA和KPCA特征抽取的SVM网络入侵检测方法

提出一种新颖的基于特征抽取的异常检测方法,应用主分量分析(PCA)和核主分量分析(KPCA)抽取入侵特征,再应用支持向量机(SVM)检测入侵。其中PCA对输入特征做线性变换,而KPCA通过核函数进行非线性变换。利用KDD 99数据集,将PCA-SVM、KPCA-SVM与SVM、PCR、KPCR进行比较,结果显示:在不降低分类器性能的情况下,特征抽取方法能对输入数据有效降维。在各种方法中,KPCA与SVM的结合能得到最优入侵检测性能。     

采用相对小波能量法的脑-机接口设计

针对基于两种不同意识任务(想象左手运动和想象右手运动)的脑-机接口,提出采用相对小波能量的特征提取方法.首先深入研究了相对小波能量的计算方法,然后利用相对小波能量对脑电信号进行特征提取,最后采用支持向量机进行分类,并采用分类准确率和互信息作为该脑-机接口的评价标准.离线分析结果表明:分类准确率最高为85.7%,最大互信息为0.41比特.与较常用的自适应自回归(AAR)模型系数作为特征的方法相比,所提方法具有更高的识别准确率和互信息.