应用数理方程反演提取语音特征

先讨论由语音信号反演声门激励函数，发现波沿非均匀声管传导既能产生新的频率（共振作用），也可抑制原有频率（滤波作用）．这说明目前用于语音处理基础的全极点ＬＰＣ模型并不能充分反映这些特征．然后研究如何直接从语音生成的偏微分方程模型出发，用反演方法提取一种新的语音特征参数代替ＬＰＣ作为研究各种语音处理的基础．     

基于改进SOFM网络的调制方式的自动识别

提出了应用改进的自组织特征映射神经网络自动识别信道调制方式的方法．首先，提取信号特征矢量；然后对网络的输出结构进行优化，引入反馈策略，并采用自组织分析方法，对训练后的节点进行动态聚类．最后，利用训练好的网络对加载不同噪声的调制信号进行识别．仿真结果表明，该识别法识别率高于传统的决策论法的识别率，平均值高3．2个百分点左右．     

热辐射信号特征对热喷涂粒子参数测量的影响

对基于热辐射测量喷涂粒子速度、温度的检测系统，建立了单窗调制光阑下的信号演变过程模型，提取了4种基本信号特征类型，发现只有曲边梯形信号可准确测量粒子速度、温度与尺寸等状态参数，而其他类型信号的出现将增加测量误差．用超音速火焰喷涂实验验征表明，实测信号特征与理论模型分类基本相符，瞄准距离与孔径光阑直径对信号特征影响显著，减小孔径光阑直径可降低非曲边梯形信号引入的测量误差，但也会导致信号强度和捕获粒子总数的下降．     

焊接裂纹的金属磁记忆信号特征

为研究不同焊接裂纹的信号特征,制备了预制焊接裂纹的管道时接焊试件,对试件进行了金属磁记忆检测,提取了检测信号的Deta、ΔH_p/ΔL_x、ΔH_p和傅里叶分析相位突变点4个特征,对4个特征的分析表明：用这4个特征来描述焊接裂纹是可靠的；对金属磁记忆检测信号的4个特征进行综合分析可反映焊接裂纹的存在；当4个特征中有2个或2个以上存在时可判断存在焊接裂纹．     

基于无意调制的同类型雷达辐射源信号分选

无意调制特征对调制样式和各参数均相同的不同辐射源发射的信号分选具有重大意义。从相位噪声的角度提出利用双谱的二次特征分析信号,提取围线积分双谱均值、奇异值以及双谱范数熵特征;从波形差异的角度,提出利用模糊函数的主脊切面特征挖掘不同辐射源发射信号之间的差异,提取旋转角、一阶原点矩和二阶中心矩特征。在事先不知道信号数目时,将提取的特征分别进行近邻传播聚类验证,以及串联结合两种特征的聚类分析。实验表明,两种特征结合的聚类准确率要明显高于一种特征的准确率,尤其是在低信噪比的情况下。     

波导与开口腔体瞬态特性研究

从理论上分析了矩形波导中传播模式的瞬变过程，给出了在冲激脉冲、阶跃脉冲和高斯脉冲波形激励下，波导中电磁波瞬态响应的解析公式，并采用时频分析方法对波导中传播信号、开口腔体的散射信号的瞬态特性进行了分析．分析结果发现，当电磁脉冲信号投射到开口腔体上时，其散射信号中含有与其腔体形状、尺寸特征有关的谐振模式，不同的腔体目标，其散射信号后期信号中的谐振频率不同，通过提取散射信号中的谐振特征，可对带腔体目标进行目标识别．     

小波变换在视觉诱发电位信号提取中的应用

在基于视觉诱发电位脑机接口研究中，需要在强噪声背景下迅速准确地提取出微弱的视觉诱发电位信号。对信号进行小波分解，分析诱发电位信号及噪声在不同尺度上的分布特点，选择诱发电位信号能量相对集中且能较好反映信号主要特征的频带设计了小波时频滤波器。小波时频滤波器结合少量次累加平均，可提高信噪比，提取出视觉诱发电位信号。实验表明，平均刺激9-20次就能提取出信号。本方法能准确快速地提取出有明显特征的诱发电位信号，有利于提高脑机接口通信速度及正确率。     

基于信号局部特征的自适应小波分析方法研究

提出了基于信号局部特征的自适应小波分析以及分段阚值自适应选择方法．针时旋转机械检测信号首先在时域中分析信号的局部特征，根据其局部特征分段自适应地选择小波函数进行信号处理，并分段计算其相应的阚值，进行小波信号处理，从而最大限度地保留信号特征，提高信号处理的性噪比．图2，参7．     

心室晚电位识别的一种方法

论文采用小波包分析和人工神经网络相结合的方法完成对心室晚电位的识别。首先利用小波包分解技术提取心电信号的特征，将不同频带子信号的能量作为心电信号的一组特征值，然后采用径向基函数网络实现对晚电位的分类。经过对28例3导信号平均心电图实验数据的处理，取得了较高的识别准确率。     

机械噪声故障特征提取的盲分离法与小波提纯法

机械噪声故障特征提取的难点在于观测信号的信噪比较小．将盲分离技术引入噪声故障特征提取，通过声源信号的相互独立性质，使用二阶盲分离算法从观测的混合信号中提取独立声源信号，然后，通过随机噪声与有效信号在多尺度空间中模极大值的不同传播特性，使用小波模极大值法提取有效信号特征．该算法不仅消除了临近机器或部件辐射噪声的干扰，还消除了随机噪声的干扰，有效提取了机械噪声故障特征．电动机噪声特征提取实验验证了上述算法的有效性．