基于小波子空间能量特征的模式分类性能比较

模式分类性能的好坏主要取决于特征提取和分类器的识别能力,基于声信号目标分类的研究成果应用广泛．本文实验选取某型号发动机不同故障的声音作为分类目标,使用小波技术对目标声信号进行消噪和分解,并求解各尺度空间的能量,然后按一定的规则把这些能量组成特征向量,使用SVM和BPNN进行模式分类,计算机仿真结果表明,两种方法识别率都较高,SVM方法略优于BPNN．     

机动车声信号特征提取方法及在目标识别中的应用

使用谐波集法和小波子空间能量法，对目标识别中的声信号特征量提取技术进行了较为深入的研究，介绍了两种用于被动声信号特征提取的方法——谐波集法和小波子空间能量法，谐波集法是提取不同的频域特征作为特征矢量，小波子空间能量法是将不同尺度小波子空间能量作为目标识别的特征矢量；并采用k近邻(kNN)分类器对机动车目标的声信号和非机动车目标的声信号进行分类,经过对实测数据的计算机仿真结果表明，这两种方法都能达到较高的正确识别率，且小波子空间能量法性能更优。     

模糊塔形决策在战地声目标识别中的应用

目的　研究战场上强不确定背景条件下声目标的自动识别问题． 方法　采用模糊塔形决策来实现对战场声目标的自动识别分类． 结果　仿真结果表明： 该方法对 ４ 种车辆声信号具有良好的识别分类效果．结论　利用模糊塔形决策系统实现对战场声目标的自动识别分类是可行的     

基于EEMD穿墙雷达人的运动模式识别

根据穿墙雷达动目标探测中人的运动多普勒信号属于非线性、非平稳信号的特点,分别采用经验模式分解(EMD)和整体平均经验模式分解(EEMD)将人.5种运动的多普勒信号分解为一系列本征模式函数(IMF).采用支持向量机(SVM)学习算法,将两种方法分解后的各IMF能量占总能量的百分比作为支持向量机分类器的特征向量进行模式识别...     

分数阶Fourier变换与新型时频滤波器设计

为了无失真地恢复复杂噪声环境中的非平稳信号,提出一种新型分数阶Fourier变换时频滤波器设计方法．该方法先利用Gabor变换得到信号在时频域的分布状况,然后用支撑向量机(SVM)分类算法结合图像分割得到分离时频图像上信号和噪声区域所需的最优分类线,最后用此最优分类线方程确定时频滤波器的阶数和传递函数．在信号和噪声时频域线性不可分的情况下,对SVM分类曲线进行了全局最小二乘分段线性拟合,然后根据拟合生成的方程构造并行多阶滤波器组．为满足实际应用中实时性的要求,对算法的计算复杂度进行了优化．计算机仿真结果验证了该方法的有效性．     

基于小波变换与SVM的ADHD病人分类

提出基于小波变换的特征提取方法对ADHD病人进行分类研究。采用115名ADHD-200的竞赛静息态功能磁共振数据,首先提取了90个脑区的平均时间序列信号,然后利用小波变换多分辨率分析特性对信号进行3层分解;计算了各个尺度下小波系数的能量值,对能量值进行归一化处理后,将其作为分类特征向量;最后结合SVM分类器采用留一交叉验证法对ADHD病人进行分类。结果表明该方法有助于ADHD病人的分类与诊断。     

基于小波分析-最小二乘支持向量机的转子碰摩故障诊断

针对不同材料碰摩声发射信号分类识别的问题,利用小波分析良好的时频特性和最小二乘支持向量机解决小样本、非线性、高维模式识别问题的优势,提出一种小波分析与最小二乘支持向量机结合的分类方法.声发射信号进行小波多尺度分解,将分解获得的各尺度能量百分比作为最小二乘支持向量机的输入,用于声发射信号分类识别.实验结果表明:该方法可以明显识别出转子碰摩故障信号以及分类不同材料的碰摩信号.     

基于SVM的φ-OTDR光纤振动传感系统模式识别方法研究

针对φ-OTDR光纤传感器系统对相似扰动目标识别判断的误报问题,通过多特征参量识别目标,则可有效降低误报率.提出一种基于φ-OTDR光纤振动传感系统,提取信号主波能量(MVE)、信号主瓣时延(MVBW)、信号主瓣峰峰值(MDV)、信号主波Q值(MVQV)、信号频谱(SFS)等十一种特征参量作为参考衡量标准,利用二叉树的SVM分类器模型,对10组400次实验进行相似目标识别分类,综合识别率达到90％.该方法通过多角度参量进行目标衡量判别,调高了相似识别的准确性.     

基于二叉树和SVM的指纹分类

为解决支持向量机(Support Vector Machine, SVM)进行指纹多类分类存在困难的问题，在应用二叉树理论的基础上，提出了一种新型的指纹分类方法．该算法首先使用二叉树进行多类决策，将原始分类数据分解成3个二类分类问题，然后利用SVM进行二类分类，使3个分类超平面得到优化．两者的有机结合，充分发挥了SVM在二类分类问题方面相对于其它方法的优势，从而使算法的推广能力有较大提高，总的分类正确率可达97.9%．实验结果证明，二叉树构造多类框架将指纹多类分类问题分解成3个二类分类器系统，不仅可以有效的提高指纹分类的效率，还充分发挥了SVM分类器解决二类分类问题的优势．     

基于振电结合的高压断路器特征提取及分类方法研究

为了对高压断路器操作机构的工作状态进行较准确的评估,提高高压断路器机构的运行稳定性,提出了一种基于振动信号与电流信号结合的高压断路器信号特征提取和分类方法。首先通过对高压断路器分合闸线圈电流信号和振动信号的机理分析,提出利用时间节点参数作为特征向量,然后采用曲线斜率方法提取电流信号时间参数,利用基于短时能量的双门限法提取振动事件的时间参数,将两者的参数作为模式识别的特征向量。最后通过支持向量机(Support Vector Machine, SVM)分类结果表明:线圈电流曲线与振动信号相结合能够准确而全面地反映操作机构的运行状况,利用SVM可以快速准确的判断操作机构的故障类型,对于断路器的故障诊断和检修维护具有重要的意义。     

基于二叉树和SVM的指纹分类

为解决支持向量机（Support Vector Machine，SVM）进行指纹多类分类存在困难的问题，在应用二叉树理论的基础上，提出了一种新型的指纹分类方法．该算法首先使用二叉树进行多类决策，将原始分类数据分解成3个二类分类问题，然后利用SVM进行二类分类，使3个分类超平面得到优化．两者的有机结合，充分发挥了SVM在二类分类问题方面相对于其它方法的优势，从而使算法的推广能力有较大提高，总的分类正确率可达97．9％．实验结果证明，二叉树构造多类框架将指纹多类分类问题分解成3个二类分类器系统，不仅可以有效的提高指纹分类的效率，还充分发挥了SVM分类器解决二类分类问题的优势．     

基于支持向量机的提升机制动系统故障诊断

针对提升机制动系统中常见的卡缸故障，利用支持向量机（SVM）这一新的机器学习方法进行智能诊断．在某一闸系统正常时获得2组信号，卡缸时获得6组信号，采用3层小渡包对闸瓦间隙-时间信号进行分解，以各频带的能量为元素构造特征向量，形成故障诊断样本，在Matlab6．5环境下用SVM工具箱进行编程，建立SVM故障分类器并时测试样本进行测试，从而实现提升机制动系统卡缸故障诊断．实验结果表明，在不到0．1S时间内，就建立了SVM故障分类器，该分类器对测试样本的诊断正确率达到了100%；当训练样本由6组减少至4组时，SVM故障分类器仍可以有效地实现对卡缸故障的诊断．因此，SVM方法对于少样本的故障诊断有较强的适应性，非常适合于矿井提升机这种安全运行要求很高，但又不具备大量故障样本的系统．     

基于Fisher比率与SVM的滚动轴承故障诊断方法

针对滚动轴承故障诊断中普遍存在的小样本学习问题,采用支持向量机实现轴承故障的模式识别.为了解决时域统计参数对于轴承故障的多分类效果较差的问题,引入小波包分解(wavelet packet decomposition,WPD)技术,提取振动信号各频带的能量系数构造特征向量,并采用Fisher比率法对特征向量进行优化选取;然后利用支持向量机(support vector machine,SVM)进行故障模式识别,并与小波包分解及时域统计参数的分类效果进行对比分析.结果表明:支持向量机是实现轴承故障模式识别的一种有效手段;本方法的分类效果及时间效率明显优于传统的多维时域指标和小波能量系数分类方法;将Fisher比率法与SVM相结合可以提高轴承故障诊断的准确率.     

基于小波变换与RBF网络的声发射信号识别

声发射检测技术不需开罐就能对储油罐安全性在线评估,声发射信号识别是储油罐腐蚀状况分析的基础,针对现有参数分析法的不足,提出一种基于小波变换特征提取与RBF神经网络识别的声发射信号识别方法。利用db2小波对声发射信号6层分解,将6层细节特征空间的能量作为声发射信号特征向量;结合声发射信号特点设计RBF神经网络,利用已知模式声发射信号训练RBF网络;用RBF神经网络对腐蚀、裂纹和冷凝声发射信号进行分类测试。实验结果表明,RBF网络的识别率达到93.3%,显示了RBF网络识别声发射信号的优越性。对储油罐安全状况的定量分析具有一定意义。     

一种多特征提取的脑电情感识别方法

针对如何有效地缩小不同受试者脑电信号之间的波动和差异,提高分类精度的问题,提出一种多特征提取算法用于脑电情感识别.首先,采用数据空间自适应算法对脑电信号数据进行空间线性变换,使目标空间与源空间之间的差异最小化.再采用共空间模式将数据空间自适应变换后的信号变换到一个最优子空间,使两类之间的方差差异最大,将共空间模式处理后的数据作为数据空间自适应算法的输入数据,反复迭代多次.然后提取功率谱能量特征和小波包能量特征,最后采用Bagging tree、SVM、线性判别分析和贝叶斯线性判别分析进行情感分类.实验结果表明,所提算法相比于主成分分析算法在分类精度上提高了0.151 4;相比于只进行DSA-CSP迭代和提取小波包能量,在分类精度上提高了0.103 4;相比于只进行DSA-CSP迭代和提取功率谱密度,在分类精度提高了0.095 8,所提算法有效缩小了不同受试者脑电信号的波动和差异,提高了分类精度.     

用GA、PCA和改进SVM相结合进行车辆实时分类

用GA、PCA和改进SVM结合进行车辆实时分类研究对公路管理和控制具有实际应用意义和社会效益。在某公路的匝道口两侧设置了8个测试点,对通过匝道口的车辆进行测试,提取特征向量,采用声波和振地波信号在匝道口进行了实时分类测试研究。由于特征向量的维数太高,用GA和PCA降低特征向量的维数,再用SVM和改进的SVM对特征向量进行分类,大大提高了分类精度。通过实验及分类得到声波和振地波的测试集分类精度最高分别是92.0%和76.1%,同时声波和振地波特征向量的维数降低至26和21,其相应的比率分别为95%和99%,独立集的分类精度分别为87.5%和71.3%。实验表明:用改进的SVM和GA、PCA结合的方法进行分类,其效果要优于单独使用主成分分析(PCA)、遗传算法(GA)以及它俩的结合使用的方法。     

LMD支持向量机电机轴承故障诊断研究

针对支持向量机(SVM)对处理大样本数据和多分类问题以及核函数选择的局限性,提出LMD支持向量机电机轴承故障诊断方法。首先应用局域均值分解(LMD)算法对信号进行自适应分解,得到一系列PF分量,并利用相关分析剔除虚假分量,提取真实PF分量能量组成特征向量;其次应用新的核函数对SVM进行改进,实现自适应的训练,并针对大样本数据和多分类问题采用‘一对多’的方法;最后以特征向量作为改进SVM的训练样本和测试样本,对电机轴承故障信息进行训练,预测。实验验证,该方法能有效的对电机轴承故障进行自适应的诊断。     

一种基于支持向量机的目标定位方法

为了提高声纳在浅水域的性能，提出了一种基于统计学习理论的目标识别器的目标定位方法.该方法选择支持向量机（SVM）作为学习算法的核心.从已知训练样本得到多通道数据的协方差矩阵，将得到的矩阵转化为SVM的输入多维特征向量，并训练SVM而获得权向量.利用此权向量和SVM输出估计，可以得到目标位置信息.理论推导和仿真结果表明，与多重信号分类（MUSIC）算法相比较，该方法具有高的定位精度和快的收敛速度.该方法能有效地对在平面波模型下的目标进行测向，并具有鲁棒性.     

基于CNN-SVM的飞机EHA故障诊断算法研究

针对飞机电动静液作动器(electro-hydrostatic actuator, EHA)系统集成度高、工况复杂、故障种类多的特点,为了对其典型故障进行有效诊断,提出一种基于卷积神经网络(convolutional neural networks, CNN)和支持向量机(support vector machine, SVM)的故障诊断算法。使用CNN对故障数据进行自适应特征提取,再利用SVM对CNN全连接层输出进行分类。为提高SVM分类性能,使用带动态惯性权重的自适应粒子群优化算法(dynamic inertia weight adaptive particle swarm optimization, IWAPSO)实现对SVM参数的优化选择。引入Ramp损失函数降低SVM的噪声敏感性。结果表明：经过参数优化后的SVM准确率比标准SVM提升了12.6%,比传统CNN方法提升了17.3%;当使用含噪声信号的测试集时,基于Ramp损失函数的SVM表现出了更好的鲁棒性。     

复杂样本分类系统的FAGABPNN法

针对复杂样本的模式分类问题，提出了有效的因子分析法（FA）、遗传算法（GA）和BP神经网络（BPNN）相结合的FAGABPNN分类方法，基本思想是：首先利用因子分析法对输入样本降维，然后利用遗传算法和BP神经网络相结合的方法对系统进行建模．仿真结果表明，该系统为给复杂样本的分类提供了一条有效的途径．