基于声信号多重分形和支持向量机的目标识别研究

为提高智能地雷对地面装甲目标的识别率,针对地面装甲目标辐射的噪声信号具有非线性的特性,建立了一种基于多重分形和支持向量机(SVM)相结合的分类识别模型。通过野外场地实验,采集到两种装甲目标在不同工况（运行速度）下的各40组样本信号;利用多重分形分析计算得到两种目标信号的广义分形维数谱(GFDS),分析了两种目标信号在不同工况下多重分形谱的特征;将GFDS值作为目标特征向量输入SVM分类模型,经训练得到最优分类结果,并与小波包能量(WPE)法提取样本特征后输入SVM的识别效果进行了对比,结果表明前者的识别率达到92.5%,高于后者的85%的识别率。     

基于高阶累积量和熵值联合特征的调制识别算法

现代战争信息传输主要通过无线电通信实现,调制识别是通信侦察的关键技术,准确识别信号调制方式可为后续信号的解调及采取相应的对抗措施提供有利的条件。文章提出了一种基于高阶累积量和熵值联合特征的数字信号调制识别算法,提取高阶累积量和熵值作为分类特征。依据各特征参数的分类性能选取判决准则和门限值,构造出决策树分类器,从而实现对数字通信信号调制方式的识别。根据设定数字信号进行了仿真实验,结果表明该算法可在低信噪比情况下正确地识别数字通信信号调制方式,具有较强的可靠性与准确性。     

基于Gabor原子变换和支持向量机的毫米波雷达目标识别方法

为提高毫米波雷达目标识别能力,提出一种基于Gabor原子变换和支持向量机(SVM)的雷达目标识别方法。该方法充分利用了Gabor原子变换在信号表示方面的有效性以及SVM在分类方面的优越性,首先将雷达回波信号进行Gabor原子变换,获得信号的特征量,然后利用SVM网络进行分类识别。实验结果表明：该方法可行且具有较高的识别率。     

基于小波神经网络的信号识别

信号的分选和识别技术在当今信号处理的系统中占有相当重要的地位.小波分析和神经网络是近年来兴起的一种分析信号方法.文中对二者的结合问题进行了研究.小波空间可以作为信号分类的特征空间,进而可以通过神经网络对信号进行特征识别.小波神经网络是基于小波分析而构造的神经网络模型.在信号调制类型识别中,利用小波伸缩平移把信号分解到不同频道上进行特征提取;把提取的特征信息输入神经网络进行分类.仿真结果表明,利用此方法可以较好的对信号进行分选和识别.     

基于双谱特征融合的通信辐射源识别算法

针对当前通信辐射源个体识别方法存在识别效率不高,内在细微特征难以提取等问题,提出了基于双谱特征融合的通信辐射源特征提取算法。该算法通过融合对角积分双谱与双谱对角切片特征组成特征向量,并对对角切片特征提取方法进行了改进,将原信号先进行经验模态分解(EMD),在得到的本征模函数(IMF)基础上提取对角切片特征,最后使用支持向量机(SVM)得到分类结果。分类实验结果表明,基于双谱特征融合的算法较积分双谱的算法在识别效果上有一定程度的提升。     

基于倒谱特征和小波包特征熵的直升机声目标识别

提出了一种将倒谱特征和小波包特征熵相结合的直升机声目标识别新算法，首先分析了直升机声信号的特点，计算了声信号的MFCC（MEL频率倒谱系数）、差分MFCC（差分MEL频率倒谱系数）和小波包分解后各个频带内的小波包特征熵组成的特征向量，并以此向量输入反向误差传播（Back Propagation，BP）神经网络进行训练，再用训练好的神经网络进行不同直升机型号的识别，最后给出了统计结果。结果表明：该算法对直升机机型的识别有较好的效果。     

隐马尔可夫模型和支持向量机混合模型声识别

为弥补单一模型在识别低空飞行目标时的不足,进一步提高低空飞行目标的识别率,提出一种基于HMM和SVM混合结构的低空飞行目标声识别算法.针对战场环境下声信号的特点,算法综合考虑HMM适合处理连续动态信号及SVM小样本情况下的强分类能力,利用HMM处理待辨识的连续动态信号,将HMM易混淆的信号作为与待辨识信号较为相似的模式类,形成候选模式集,再由SVM在候选模式中对待辨识信号作最后决策.实际数据的识别结果表明相对于单一的HMM和SVM,混合模型的识别率有一定的提高.     

基于多传感器信息融合的路面等级识别研究

针对车辆行驶路面等级识别的问题,通过采集与融合多种传感器的信号数据,提出一种基于小波包和经验模态分解(EMD)协同信号处理方法.通过最大相关最小冗余(MRMR)算法对特征子集进行优化,优质特征子集将进入概率神经网络分类器(PNN)与随机森林分类器组成的级联分类器进行训练与测试,得到最终路面等级分类结果.仿真结果显示,与使用单一传感器进行路面等级识别相比,分类结果正确率得到有效提高.     

基于小波尺度谱重排与小波排列熵的自动机故障诊断

用小波包变换对自动机振动响应信号进行时频分析,提出了对每层小波包系数进行小波尺度谱重排处理,计算了每层小波系数的排列熵,并以此作为自动机短时瞬态冲击时微弱故障信号的特征量,使用支持向量机对特征量进行故障分类识别,结果表明,该方法能有效地提取特征值并识别微弱故障,可较好地解决自动机的故障诊断问题。     

基于多小波能量谱与SVM的导弹惯性器件故障预报

针对利用时域信号进行故障预报精度低的问题,提出一种基于多小波能量谱与支持向量机(SVM)的故障预报方法.该方法以信号在多小波域上分解形成的能量谱作为故障的诊断特征,通过距离评测准则选取最优多小波能量谱特征子集.最后将最优特征作为样本训练支持向量机.利用训练后的SVM进行故障预报,试验结果表明多小波能量谱能更有效地反映惯性器件故障特征,利用SVM与多小波能量谱结合可以得到更好的预测精度.     

利用改进单分类支持向量机提升舰船尾流目标的检测准确率

舰船在航行过程中会在尾部产生一段包含大量气泡的湍流区域,通过对尾流的声学检测可以有效地跟踪船舶。基于一种改进单分类支持向量机（OCSVM）算法,利用无尾流情况下回波信号作为训练集的一个最优分类器,用于尾流回波信号模式判断。对回波信号进行降噪处理,进而提出一种自适应特征提取方法对回波信号进行处理;将特征提取作为输入,使用两层决策边界的双阈值OCSVM算法进行尾流检测。仿真结果表明,与常规OCSVM算法相比,改进算法在不同信噪比下的检测准确率均有提升,检测准确率最高可达96.27%,具有较好的工程应用价值。     

基于参数优化的支持向量机战场多目标声识别

针对网格搜索支持向量机(SVM)参数的方法存在复杂度高、运算量大等不足,提出了一种改进的网格搜索SVM分类器的最佳参数选择算法。将其应用于战场多目标SVM分类器中,对该分类器与KNN分类器和改进BP神经网络分类器进行的分类对比实验表明,改进的网格搜索SVM分类器参数选择算法可以有效地减少SVM分类器的运算量、改进学习性能并提高识别率。     

改进的离散小波-优化极限学习机在倾转旋翼机故障诊断中的应用

针对倾转旋翼机飞控系统的故障诊断问题,提出一种改进的离散小波-优化极限学习机（OMELM）的故障诊断算法。提出自适应启发式小波去噪方法对采集的信号进行消噪,定义了帕塞瓦尔能量用来提取测量信号经离散小波变换分解后的特征,并对OMELM进行了改进。将提取的故障能量特征进行归一化后输入到改进的OMELM多分类器中进行分类,以美国XV-15倾转旋翼机为例进行仿真验证。结果表明文中方法平均辨识率高,诊断时间短,对未来我国进行倾转旋翼机故障诊断的研究有一定参考价值。     

融合SVM 的多特征DSST 目标跟踪算法

为解决DSST算法多尺度搜索策略跟踪时目标出现严重遮挡、非刚性形变、目标脱离视场导致的目标外观变化的问题,提出一种将支持向量机(support vector machine,SVM)目标重检测模块融合的算法.提取目标的多种特征然后将这些特征矢量融合以增强目标的特征表达.在DSST算法的位置和尺度滤波器的基础上,新增目标外观滤波器,利用训练好的SVM全局搜索目标.采用不同大小的窗口采样来训练相关模型并建立一个SVM的最优分类面,通过SVM对丢失后的目标进行重检测.实验结果表明,改进算法比DSST算法在对目标受到遮挡、目标非刚性形变等问题上的鲁棒性能均有提高.     

基于小波脊线特征提取的雷达辐射源信号识别

针对在低信噪比条件下雷达辐射源信号识别率低的问题,提出了一种基于小波脊线特征提取的雷达辐射源信号脉内调制方式识别方法.该方法使用新的改进Morlet小波提取信号瞬时频率,变换后提取其二次特征用于分类识别.计算机仿真结果表明本方法提取的特征向量具有良好的识别能力,在2 dB的低信噪比条件下,平均识别率可达到90%以上,通过与现有方法进行对比仿真验证了本算法在低信噪比环境下的优越性.     

基于加权特征融合的 SAR 图像目标分类方法

针对现有分类器对 SAR 图像分类正确率不高的问题,考虑到单一的特征很难完全描述 SAR 目标,并且单一的分类器识别率有限,提出了一种基于加权特征融合的图像分类方法,采用多种特征来描述目标,并且用多个分类器同时对目标识别。实验结果显示,提出的方法能够达到较高的分类正确率,证明了该方法的有效性。     

基于多尺度子带能量集特征的膛口波识别方法

面向实际复杂环境下的枪声探测应用,提出一种基于多尺度子带能量集特征的膛口波识别方法。采用一组低频子带滤波器增强膛口波信号,通过膛口波检测和波峰搜索确定候选膛口波的起点位置,并基于该起点以嵌套方式截取候选膛口波及其各子带分量的多尺度数据片段,用各片段数据的短时能量和能量比构成多尺度子带能量集特征输入支持向量机和k近邻分类器,进行膛口波和非膛口波识别。对372段外场实录枪声数据进行数值实验,结果表明：所提方法对膛口波识别的查全率、查准率均高于93%,加权调和平均高于0.95;两种分类器下的识别结果无明显差别,但所用特征维数和计算耗时却远低于常用的离散小波方法,更接近实际应用需求。     

采用主分量分析的非合作水声通信信号调制识别

由于信道传输特性、信噪比低等因素的影响,非合作水声通信信号的调制识别极具挑战性。对信号功率谱、平方谱进行主分量分析,提取代表不同类型调制信号特有信息的主分量作为特征参数,从而降低特征参数维度、抑制噪声影响,并在此基础上设计一种基于人工神经网络的水声通信信号调制方式分类器。海上实录信号数据的识别实验结果表明了该方法的有效性。     

基于支持向量机的雷达高分辨距离像识别

以支持向量机（SVM）作为分类器。研究了雷达目标高分辨距离像（HRRP）分类法，设计了相应的预处理算法，提出一种结合留一法和单一验证法的参数选择新方案。基于三种雷达目标的HRRP数据，比较了SVM分类法和匹配相关分类法性能。实验结果表明SVM算法在目标姿态的稳定性、对训练集大小的稳定性和抗噪能力方面都占有相当优势。