基于小波变换的语音信号的特征提取

本文将小波变换用于语音信号目标特征的提取,利用小波变换对语音目标进行小波包分解后提取各频带内的能量特征作为特征向量。实验表明,小波变换使信号的频率特征得到增强,且压缩了特征空间的维数,具有很好的语音信号分类效果。     

ReliefF算法在雷达辐射源信号识别中的应用

采用小波包变换提取雷达辐射源信号特征能够有效对信号进行识别,然而,由小波包变换提取的信号特征维数高,部分信号特征受噪声污染严重.基于此,采用ReliefF算法对信号特征的分类能力进行评价,选择出小波包中分类能力强的信号特征,再通过特征相关度算法去除分类能力相近的冗余特征,利用剩余的分类能力强的信号特征组成特征向量进行分类.仿真实验结果显示,该方法用较少的信号特征能够获得较高的正确识别率.     

基于流形学习和SVM的储粮害虫声信号识别研究

声检测法能够快速检测粮虫,对提早防治储粮害虫具有十分重要的作用.研究了2种储粮害虫的4种活动声信号,利用流形学习的等距特征映射方法对声信号进行降维并提取流形特征,采用以重尾径向基为核函数的SVM训练最优分类面,对流形特征数据进行测试和识别分类.实验结果表明,等距特征映射方法能够有效提取2种储粮害虫声信号的流形特征,且SVM的分类识别效果良好.     

基于遗传神经网络的战场声目标识别

通过小波包分析提取战场声信号不同频带上的能量作为特征向量,设计了遗传神经网络作为战场声目标识别的分类器,克服了传统BP神经网络容易陷入局部最小点的缺陷,通过Matlab仿真对比实验结果,证明遗传神经网络能够提高战场声目标的识别率。     

基于分形理论的水合物回波特征提取及分类识别

针对海底裸露块状天然气水合物的探测问题,为了能从超声回波中准确提取天然气水合物的特征信息并与其他海底沉积物的特征进行分类识别,提出基于分形理论的水合物分类识别方法。通过实验室超声探测装置获取各类海底沉积物样品和天然气水合物样品的回波信号,并利用分形理论对回波信号进行分析,提取不同海底底质的声学回波特征,然后利用分类算法对底质进行分类识别。利用概率神经网络对沉积物试样回波样本的原始广义维数谱及经过核Fisher判别分析法优化后的特征进行分类识别。研究结果表明：采用多重分形方法提取的不同海底底质的广义维数谱特征差异明显,可以达到区分天然气水合物和其他沉积物的目的;未经优化的原始广义维数谱的识别准确率约为68.8%,而采用降维优化处理后的识别准确率提高到82.3%,表明经降维优化后的核Fisher判别分析法对天然气水合物回波信号的识别具有较好的适应性和较高的准确率。     

战场目标的模糊逻辑检测与识别方法

研究模糊逻辑在战场声/地震动目标检测和识别中的有效算法.应用模糊集理论与模糊逻辑推理方法,在分析目标信息不确定性的基础上设计了适用于目标检测和分类的隶属函数,建立了相应的推理规则,构成了战场侦察传感器系统目标检测和分类的模糊逻辑推理系统.典型战场目标信号样本检验表明,该方法具有良好的检测和识别分类效果,利用基于模糊逻辑的分类器实现对战场声/地震动目标的检测和识别分类是可行的.     

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。     

声目标模糊模式识别系统及原理样机实现

针对复杂背景条件下声目标的自动识别问题,设计了一种基于模糊综合评判的声目标识别系统,该系统在对典型战场声目标特征进行充分提取与选择的基础上,建立反映目标类属特征的隶属函数库,采用先进的模糊综合评判技术实现对目标的可靠识别,对特征提取与选择、隶属函数确定、模糊评判、原理样机实现等关键问题进行了详细的讨论。实测检验表明,该系统对战场声目标具有良好的识别分类效果。     

小波包近似熵特征的机动车声识别方法

为了提高复杂背景噪声环境下的车型识别准确性,该文基于近似熵理论,对机动车行驶中辐射的声信号进行了研究。近似熵具有抗干扰能力强的特点,可用于提取动态背景噪声下机动车声信号的车型特征信息。首先,对声信号进行3层小波包分解;然后,利用近似熵量化第3层上各子频带信号的不规则性,描述各频带之间不同的变化趋势并作为目标车辆的声特征。为了提高分类有效性,将分解后的8个子频带信号的近似熵邻比值作为信号的特征向量,并基于支持向量机分类器实现了车型识别。分别在正常和有风两种气候条件下进行了实验,基于小波包近似熵的车型特征均获得了较为理想的分类精度。实验结果显示,小波包近似熵特征能有效地应用于机动车的声识别且对气候的影响具有一定的鲁棒性。     

基于距离分类准则的雷达目标识别方法

雷达目标信号是非平稳信号，对于这样的非平稳信号，用于分类的特征往往包含在局部的时一频信息中，用一般的变换提取有效的特征比较困难。利用小波包基的性质，提出了一种雷达目标识别方法。首先，对雷达回波信号进行小波分解，利用距离准则，选择最优小波包基，从被识别的信号中提取具有最大可分性的特征，得到目标识别的特征向量，由此进行目标识别。仿真实验结果表明，该方法具有高的识别率。     

脑机接口中基于小波包最优基的特征抽取

在脑机接口研究中,针对脑电特征抽取,提出一种基于小波包最优基分解的方法．依据距离准则,从小波包库中选择一个对分类最优的小波包基;在该小波包基包含的所有分解系数中,抽取部分具有最大可分性的系数作为有效特征;不同通道脑电信号有效特征的结合,构成分类的特征矢量．通过对该特征矢量可分性和识别精度两个性能指标的评估,并与现有分类结果进行比较,表明了所提出方法的有效性．     

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。     

EEG Signal Denoising and Feature Extraction Using Wavelet Transform in Brain Computer Interface

Electroencephalogram (EEG) signal preprocessing is one of the most important techniques in brain computer interface (BCI). The target is to increase signal-to-noise ratio and make it more favorable for feature extraction and pattern recognition. Wavelet transform is a method of multi-resolution time-frequency analysis, it can decompose the mixed signals which consist of different frequencies into different frequency band. EEG signal is analyzed and denoised using wavelet transform. Moreover, wavelet transform can be used for EEG feature extraction. The energies of specific sub-bands and corresponding decomposition coefficients which have maximal separability according to the Fisher distance criterion are selected as features. The eigenvector for classification is obtained by combining the effective features from different channels. The performance is evaluated by separability and pattern recognition accuracy using the data set of BCI 2003 Competition, the final classification results have proved the effectiveness of this technology for EEG denoising and feature extraction.     

子空间分解法在声目标特征提取中的应用

研究用于识别直升机目标声信号的特征提取方法,方法通过对直升机信号频特征分析,采用基于子空间分解的多重信号分类法算法提取信号谐波频率作为目标特征,利用子空产妥将观测数据分解为信号子这僮与噪声子空间特点,抑制噪声干扰,提高识别能力。     

小波包频带能量分解在断路器机械状态监测中的应用

基于小波包原理,将断路器操作振动信号分解到独立的频带内,不同频带内信号能量的变化反映了断路器机械运行状态的改变.提取主要的频带能量作为断路器状态监测的特征向量,并根据试验结果确定了不同状态下能量特征向量的容差范围,从而实现了不同机械状态的简单分类,为断路器的机械状态监测提供了相应的量化依据.试验模拟了ZN12-35型真空断路器4种不同的合闸同期性状态,采用单个加速度传感器在机构箱上获取合闸时的触头振动信号.该信号经过小波包频带能量分解后,可以将各种合闸同期性状态分类集中在复平面中明显区分的不同区域内,从而验证了该方法在断路器机械状态监测中的有效性.重复试验表明,在保证监测系统稳定的前提下,该方法具有较高的状态监测准确率.     

脑-机接口中小波和小波包方差的特征比较

针对两种不同意识任务的脑-机接口设计,提出了以方差作为特征的方法和以分类速率作为评价标准之一的新方法.首先深入研究了小波理论,分析了小波包分解中存在的频带交错现象,然后以小波系数和小波包系数的方差作为特征,对C3,C4导联脑电信号分别进行两种特征的提取,最后采用线性支持向量机作为分类器进行分类.结果表明,两种特征对应的最大分类正确率均达到了86.43%,对应时间分别为4.32和4.31 s.因此,以小波方差和小波包方差作为特征是完全可取的;分类速率的提出能同时反映分类正确率和分类时间,为大脑意识任务分类提供了新思路.