基于模糊综合和最优小波包分解的信号多类分类

为了对音频信号进行有效地分类，提出了基于模糊综合和最优小波包分解的信号多类分类算法。首先，对音频信号进行窗化处理；其次，基于模糊集对信号进行最优小波包分解，并用最优小波包和信号感知特性来提取音频信号特征，在每一个小波子空间用支持向量机对信号进行多类分类；最后，用模糊积分将分类结果进行综合，得出最终类。试验采用不同的核函数和算法参数验证了本文算法的效果，结果表明本算法速度较快、精确度高。     

基于小波包变换和块模糊分类的自适应水印算法

提出了在WPT域上基于块模糊分类的新的自适应水印算法。首先用m-序列来控制对原始图像进行小波包变换的分解结构,将适当的小波系数组成小波子块。然后根据人类视觉系统(HVS)模型和能量模型,对小波子块进行模糊分类。最后,根据分类结果,将不同强度的二值水印嵌入到不同的小波子块中。实验结果表明,提出的算法能抵抗各种图像处理的攻击,具有较好的鲁棒性。     

基于多重分形和小波变换的声目标信号特征提取

研究了基于关联积分的广义维数谱的定量计算方法,提出了声目标信号的多重分形特 征,并对其特征即广义维数谱的有效性进行了分析;同时利用小波变换分析既能反映信号在变 换域特性又保留其时域信息的特点,提出基于小波变换的子空间能量及主要能量集中子空间时 域信息的特征提取方法,并通过模糊神经网络识别系统对声目标信号的广义维数谱、子空间能 量及时域信息的组合特征进行了验证.     

基于模糊积分分类器融合的人脸识别

提出一种基于模糊积分分类器融合的人脸识别算法。对人脸图像进行小波变换,选取合适的小波基函数及有效的分解层数,提取低频分量系数作为分类特征设计分类器。对原图像采用2DPCA进行特征提取设计另一分类器,采用模糊积分的算法融合2个分类器并得出最终分类识别结果。实验结果表明,模糊积分能够有效融合分类器的互补信息,提高系统的分类性能,从而提高人脸识别率。     

基于模糊积分的不完全小波包子空间集成人脸识别

提出一种基于模糊积分的不完全小波包子空间集成人脸识别方法,并与五种相关方法进行实验比较.首先对人脸图像做不完全小波包分解,对双向低频子空间图像直接进行特征提取,对含有一个方向低频成分的高频子空间图像先求平均,再进行提取特征;然后用得到的不同子空间图像训练模糊分类器;最后用模糊积分融合训练的模糊分类器.该方法能够充分利用不同频率小波子空间图像中包含的有用信息,从而提高人脸识别的精度.在ORL、YALE、JAFFE和FERET这4个人脸数据库上进行实验,实验结果表明该方法在识别精度方面均优于五种相关方法.     

EEG信号识别中可调优化Q因子小波变换的多特征融合算法

EEG信号对脑部疾病诊断具有重要意义, 但其特征选择对信号识别准确率影响较大. 针对这个问题, 本文基于Q因子小波变换, 提出一种可调优化Q因子小波变换融合多维特征的脑电信号识别(Ad-TQWT MF)算法. 该算法首先根据小波分解后的子带信号定义能量香农熵比, 用其作为可调Q因子小波的优化评价标准; 再融合变换后信号的时域, 频域和非线性特征, 通过自适应特征选择方法构建特征子空间; 最后在该特征子空间下对脑电信号进行识别. 在BCI脑电竞赛数据集Dataset III, O3VR, X11b和S4b进行了实验, 实验结果表明: Ad-TQWT MF算法在LDA分类器中精度为89.2%, 81.2%, 83.2%和85.6%, 相比于原Q因子小波变换, 冗余特征减少10%30%, 相较于Haar和Db 4小波精度提高3%5%, 证明了Ad-TQWT MF算法的有效性.     

基于模糊聚类的小波变换图像去噪算法改进

介绍一种改进的较优的基于模糊聚类的小波变换图像去噪算法.首先分析了模糊C均值聚类算法中加权指数m的重要性,采用基于模糊决策的方法,分别构造模糊目标和模糊约束,由模糊目标和模糊约束的交集来共同确定最优的加权指数m以获取较为理想的聚类分类结果.再利用该种加权模糊聚类算法把小波系数划分成包含信号与只包含噪声的小波系数两类,将只包含噪声的小波系数置为零,将包含信号的小波系数利用软阈值法进行收缩,最后对处理后的系数根据M带小波变换的局部时频分析能力及其良好的信噪分离能力进行M带小波变换,得到去噪效果较好的图像.     

基于模糊聚类算法的故障数据分析与类型识别

为精确分析测量系统故障数据和识别故障类型．提出一种基于模糊聚类算法的故障数据分析方法。该方法首先用小波变换有效地检测出系统故障的微弱非线性不规则信号,再用模糊聚类的方法对故障进行分类识别。由于该算法在目标函数中加入隶属度函数,同时定义明可夫斯基的距离测度．因此能够克服K-means算法不适用于进行非凸形状的聚类的缺点．从而使诊断的数据更加精确。     

基于最优小波和序列二次规划的信号压缩算法

为了寻找待压缩信号的最优小波,提出了一种适用于一维和二维信号的寻找其最优正交小波的算法.首先根据小波变换的多分辨分析原理,把待压缩信号投影在其小波变换子空间v-1和w-1上;然后令其在w-1上的投影达到最小并据此推出最优小波滤波器的推导公式;最后,基于序列二次规划求出给定信号的最优小波.实验清楚地显示了用新算法求出的最优小波的正确性,并表明用此算法得出的最优小波进行信号压缩,在压缩比不变的情况下,效果优于D-8小波等其他常见小波.     

小波变换和模糊识别技术在人体血压信号处理中的应用

为了精确测量人体血压，如何对血压信号进行分析和处理是问题的关键．本文首次将小波理 论和模糊识别理论相结合，并应用于人体血压波形信号的实际分析中；创造性地将离散小波 和连续小波变换结合在一起，完成有用信号的特征提取，并用模糊识别的方法实现目标的识 别．本文对各种波形信号的分析提供了非常有效的处理方法，具有很大的实际应用价值．     

联合同步挤压小波变换和多尺度排列熵的局部放电类型识别

为稳定提取变压器局部放电信号的特征,提出一种基于同步挤压小波变换和多尺度排列熵的局部放电特征提取方法,再通过ＧＫ模糊聚类方法对局部放电信号的特征进行识别分类。首先,通过同步挤压小波变换对4种典型变压器故障产生的局部放电信号进行分解,将其分解为一组含有局部放电特征信息的模态分量;然后,通过多尺度排列熵量化各模态分量的局部放电特征信息,使用各模态分量多尺度排列熵的平均值作为识别特征向量;最后,利用模糊聚类得到的局部放电样本标准聚类中心,采用欧式贴近度进行局部放电识别分类。将提出的方法应用于变压器局部放电的实验数据上,并与基于小波分解方法和经验模态分解的识别方法进行对比分析,实验结果表明,所提出的方法具有更好的分类性,对变压器局部放电分类具有更高的识别精度,平均识别精度达到93.60%。     

基于优选小波基和模糊SOM网络的模拟电路故障诊断

为了解决模拟电路故障诊断中的特征提取困难并实现对模拟电路故障模式准确的分类,提出一种优选小波基、模糊理论和自组织特征映射网络(SOM,self-organizing feature map)相结合的模拟电路故障诊断方法.该方法首先对模拟电路故障响应信号进行小波分解、提取能量值、均值和方差组成输入特征向量,同时采用余弦分离度评价小波变换在不同小波基函数下获取故障特征的有效性,据此选择余弦分离度最小的小波基分解的特征向量输入到自组织特征映射网络进行故障分类.仿真实验表明,利用余弦分离度选择的最优小波基能有效提高模拟电路故障特征提取,模糊神经网络能对故障模式进行精确分类.     

基于小波变换和FRVM的电能质量扰动分类

针对相关向量机(RVM)计算复杂度大、训练时间长的问题,提出一种基于快速相关向量机(FRVM)的优化算法,其大大减少了相关向量机的训练时间,提高了分类的精度.将它应用于电能质量扰动分类中,首先对电能质量扰动信号进行基于小波变换的时频分析,提取小波变换各层信号的能量与标准信号的能量之差组成特征向量;然后用FRVM对特征量进行分类,进而实现基于小波变换和FRVM的电能质量扰动分类新方法.实验仿真验证了该方法能够对各类电能质量扰动信号进行分类,并且其分类效率和准确率均优于传统的相关向量机分类方法.     

Wavelet transform-based feature extraction for ultrasonic flaw signal classification

In this paper, we present automatic classification models for ultrasonic flaw signals acquired from carbon-fiber-reinforced polymer specimens. Different state-of-the-art strategies based on wavelet transform are utilized for feature extraction. Furthermore, a wavelet packet transform-based local energy feature extraction method is proposed to solve the deficiencies of the existing methods. Artificial neural networks and support vector machines are trained to validate the effectiveness of different feature extraction methods for flaw signal classification. Experimental results show that the proposed method can extract reliable features to effectively classify the different ultrasonic flaw signals with high accuracy.     

Fault gear identification and classification using discrete wavelet transform and adaptive neuro-fuzzy inference

In this paper, an intelligent diagnosis for fault gear identification and classification based on vibration signal using discrete wavelet transform and adaptive neuro-fuzzy inference system (ANFIS) is presented. The discrete wavelet transform (DWT) technique plays one of the important roles for signal feature extraction in the proposed system. The abnormal transient signals will show in different decomposition levels and can be used to recognize the various faults by the DWT figure. However, many fault conditions are hard to inspect accurately by the naked eye. In the present study, the feature extraction method based on discrete wavelet transform with energy spectrum is proposed. The different order wavelets are considered to identify fault features accurately. The database is established by feature vectors of energy spectrum which are used as input pattern in the training and identification process. Furthermore, the ANFIS is proposed to identify and classify the fault gear positions and the gear fault conditions in the fault diagnosis system. The proposed ANFIS includes both the fuzzy logic qualitative approximation and the adaptive neural network capability. The experimental results verified that the proposed ANFIS has more possibilities in fault gear identification. The ANFIS achieved an accuracy identification rate which was more satisfactory than traditional vision inspection in the proposed system.     

The speaker identification by using genetic wavelet adaptive network based fuzzy inference system

In this paper, an intelligent speaker identification system is presented for speaker identification by using speech/voice signal. This study includes both combination of the adaptive feature extraction and classification by using optimum wavelet entropy parameter values. These optimum wavelet entropy values are obtained from measured Turkish speech/voice signal waveforms using speech experimental set. It is developed a genetic wavelet adaptive network based on fuzzy inference system (GWANFIS) model in this study. This model consists of three layers which are genetic algorithm, wavelet and adaptive network based on fuzzy inference system (ANFIS). The genetic algorithm layer is used for selecting of the feature extraction method and obtaining the optimum wavelet entropy parameter values. In this study, one of the eight different feature extraction methods is selected by using genetic algorithm. Alternative feature extraction methods are wavelet decomposition, wavelet decomposition – short time Fourier transform, wavelet decomposition – Born–Jordan time–frequency representation, wavelet decomposition – Choi–Williams time–frequency representation, wavelet decomposition – Margenau–Hill time–frequency representation, wavelet decomposition – Wigner–Ville time–frequency representation, wavelet decomposition – Page time–frequency representation, wavelet decomposition – Zhao–Atlas–Marks time–frequency representation. The wavelet layer is used for optimum feature extraction in the time–frequency domain and is composed of wavelet decomposition and wavelet entropies. The ANFIS approach is used for evaluating to fitness function of the genetic algorithm and for classification speakers. It has been evaluated the performance of the developed system by using noisy Turkish speech/voice signals. The test results showed that this system is effective in detecting real speech signals. The correct classification rate is about 91% for speaker classification.     

一种基于小波变换的MQAM信号调制识别方法

MQAM调制样式识别是非合作通信研究的重要内容之一。通过分析MQAM信号在小波域具备的特征,提出了一种基于小波变换的MQAM信号识别算法,该算法不需要预先知道载频、波特率等参数,步骤简单,可在低信噪比情况下实现对MQAM信号的分类。     

软组合概率神经网络分类器人脸识别方法

概率神经网络分类器具有学习速度快、易于实现的特点,而且其输出是后验概率, 使得分类器的软组合变得容易。利用概率神经网络的这些特点,提出了软组合概率神经网络分类器人脸识别方法,该方法包括3步:(1)对人脸图像做不完全小波包分解;(2)用包含低频成分的小波子空间图像训练概率神经网络分类器;(3)用模糊积分组合训练好的分类器。将该方法与3种基于矩阵子空间的人脸识别方法在JAFFE、YALE、ORL和FERET 4个人脸数据库上进行了实验比较,结果表明,提出的方法在识别精度和CPU时间两方面均优于其他3种方法。     

基于小波不变矩的雷达辐射源信号识别

针对雷达辐射源信号识别,提出一种基于时频分布的小波不变矩特征向量提取和识别分类方法。对雷达辐射源信号时频图像进行处理,对图像进行小波变换,提取小波矩的特征向量。采用支持向量机分类识别的方法,对特征向量进行训练,实现信号识别。对6种常见雷达信号进行分类,结果表明在信噪比较低的情况下也能取得较好的识别效果,在SNR为-3 dB时,识别正确率仍达到93.9%。     

基于CI-HMM的运动想象脑电信号分类

针对隐马尔科夫模型在运动想象脑电信号分类应用中,其独立性假设与脑电信号间相关性的不一致问题,提出一种基于Choquet 模糊积分隐马尔科夫模型的脑电信号分类方法。该模型应用模糊积分的单调性取代了概率测度的可加性,放宽了隐马尔科夫模型的独立性假设。利用重叠滑动窗对脑电信号分段,然后对每段数据提取绝对均值、波长和小波包相对能量特征,构成特征序列用于CI-HMM的训练和分类。选取2008年BCI竞赛Datasets 1的两类运动想象数据进行分类,实验结果表明,该方法有效提高了隐马尔科夫模型方法对运动想象脑电信号分类的性能。