基于信号稀疏分解的水下回波分类

针对表面起伏不平的水下底质回波分类效果差的问题,提出一种新颖的基于信号稀疏分解理论的水下底质回波特征提取方法。本方法并不使用通用时频字典,而是针对回波分类这一中心任务直接采用回波训练样本集作为字典,将水下回波信号在该字典上进行稀疏分解,然后提取出回波信号的类别能量特征。对水下钴结壳等三类底质回波分类实验表明,基于信号稀疏分解的类别能量特征的fisher分布明显优于小波域模极大值边缘特征和奇异值特征,从而显著提高了水下回波的分类效果。研究结论:在回波特征提取阶段,采用回波样本作为信号表达字典是可行的,同时由回波样本字典引入的回波类别信息将有助于获取更优的回波特征。      

基于小波变换与小域特征模糊融合的人脸识别

小波变换是一种很好的图像压缩方法,利用小波变换对人脸图像进行三次小波分解,并将低频分量分割成为7个子图像。鉴于人脸上的各小域子图像信息的相互独立性。先利用小域子图像实现软分类,然后使用传统奇异值分解(SVD)法提取出各小域子图像的奇异值(SV),构造出小域奇异值特征向量,给出待识别图像对训练样本图像的隶属度,并采用模糊融合的方法对小域特征进行数据融合,获得识别结果。实验结果表明,该方法实现起来简单、识别速度快,具有很高的识别率。     

基于变分模态分解与多尺度排列熵的生物组织变性识别

根据高强度聚焦超声(HIFU)治疗中超声散射回波信号的特点,本文利用变分模态分解(VMD)与多尺度排列熵(MPE)对生物组织变性识别进行了研究.首先对生物组织中的超声散射回波信号进行变分模态分解,根据各阶模态的功率谱信息熵值分离出噪声分量和有用分量;对分离出的有用信号进行重构并提取其多尺度排列熵;然后通过Gustafson-Kessel (GK)模糊聚类确定聚类中心,采用欧氏贴近度与择近原则对生物组织进行变性识别.将所提方法应用于HIFU治疗中超声散射回波信号实验数据,用遗传算法对多尺度排列熵的参数优化后,对293例未变性组织和变性组织的超声散射回波信号数据进行了多尺度排列熵分析,发现变性组织的超声散射回波信号的多尺度排列熵值要高于未变性组织;多尺度排列熵可以较好地识别生物组织是否变性.相对于EMD-MPE-GK模糊聚类以及VMD-小波熵(WE)-GK模糊聚类变性识别方法,本文所提方法中变性与未变性组织特征交叠区域数据点更少,聚类效果和分类性能更好;本实验环境下生物组织变性识别结果表明,该方法的识别率更高,高达93.81%.     

倒谱参数稀疏分解下的汉语音谎言检测

为了提高汉语语音的谎言检测准确率,提出了一种对信号倒谱参数进行稀疏分解的方法。首先,采用小波包滤波器组对语音信号进行多频带划分,求得子频带对数能量并进行离散余弦变换以提取小波包频带倒谱系数,结合梅尔频率谱系数得到倒谱参数;其次,依据K-奇异值分解方法分别利用说谎和非说谎两种状态下的语音倒谱参数集训练得到过完备混合字典,在此字典上根据正交匹配追踪算法对参数集进行稀疏编码提取稀疏特征;最终进行多种分类模型下的识别实验·实验结果表明,稀疏分解方法相比传统参数降维方法具有更好的优化性能,本文推荐的稀疏谱特征最佳识别率达到78.34%,优于其他特征参数,显著提高了谎言检测识别准确率。      

用小波变换进行水下回波边缘特征提取与分类识别

提出一种运用小波变换提取宽带回波信号中的一种暂态特征─边缘特征以进行目标分类识别的方法．文中探讨了宽带回波的边缘与其所对应的目标特性之间的联系，提出运用离散二进小波变换提取出回波的多尺度边缘特征，并在此基础上构造了一个良好的特征空间．对实际采集的四种对应于不同湖底沉积物的宽带回波信号进行特征提取及分类识别，平均正确率可达95％以上．     

基于Hilbert-Huang变换的水声信号特征提取及分类技术

水下目标噪声信号是一种典型的非线性非平稳随机信号，Hilbert-Huang变换较传统方法在处理此类信号时具有很大优势，据此本文提出了一种基于Hilbert-Huang变换的水下目标噪声特征提取方法。本文将环境噪声当作一类目标，利用上述方法对涉及两种航行船舶、海洋生物和海洋环境噪声的四类目标信号的特征进行了详细分析，最后对各类目标噪声信号进行了分类识别实验。实验结果表明基于Hilbert-Huang变换提取的特征对各类目标具有较好的可分性，达到了较高的识别率。     

小波矩结合三维荧光光谱简单快速鉴别掺伪芝麻油

芝麻油营养丰富,因市场价格较高,掺假现象频出,严重损害了消费者利益和市场的健康发展。因此,研发一种简单快速准确鉴别掺伪芝麻油的方法,对保障消费者权益和市场健康具有重要意义。为此,提出了一种小波矩结合三维荧光光谱掺伪芝麻油鉴别方法。该方法简单快速,计算样本的任一有效特征进行谱系聚类,即可准确鉴别掺伪芝麻油。以43个样本(芝麻油16个,掺伪菜籽油、掺伪大豆油及掺伪玉米油各9个)为研究对象,用FS920荧光光谱仪获得样本的三维荧光光谱。用db2小波将光谱进行多尺度分解(MRSD),用MRSD的一阶离散逼近系数构造小波矩。用前两阶小波矩值W_(0,0),W_(1,0),W_(1,1),W_(0,1),W_(2,0),W_(2,1),W_(2,2),W_(1,2),W_(0,2)分别作为特征对样本进行谱系聚类,观察分析聚类结果。结合邓恩分类指数(DVI)进一步分析,研究同阶小波矩分类效果及规律。进而研究各阶小波矩的分类效果及规律。最终确定了用于鉴别掺伪芝麻油的最佳小波矩值。结果表明:MRSD一阶逼近重构光谱可以在保留原光谱的有效特征基础上,大量去除噪声,减少光谱数据量72.4%,增强模型的抗噪稳定性和实时性。利用小波矩前两阶矩值W_(2,1),W_(2,2),W_(1,2),W_(0,2)其一作为分类特征进行谱系聚类,即可鉴别掺伪芝麻油。同阶小波矩(W_(p,q))随p值减小q值增大呈现规律性,确定了同阶小波矩的有效矩值及最佳有效矩值。小波矩随着阶数的增加DVI先增后减,最后趋于稳定,确定了各阶小波矩中可用于鉴别掺伪芝麻油的目标矩值W_(0,q≥2)及最佳目标矩值W_(0,6)。小波矩的有效及目标矩值是针对样本分类的有效特征,计算样本的任一有效特征进行谱系聚类,即可实现掺伪芝麻油的鉴别。该研究思路及结论为矩值法应用到三维荧光光谱提供参考。该方法简单快速,可实现在线测量,为质监部门及生产企业提供油品检测和鉴定手段。     

基于自适应无参经验小波变换和选择集成分类模型的运动想象

运动想象模式识别率的提高对脑机接口(BCI)技术的应用具有重要意义,本文采用自适应无参经验小波变换(APEWT)和选择集成分类模型相结合的方法提高脑电(EEG)信号的分类识别准确率.首先,通过APEWT将EEG信号分解成不同的模态;然后,使用最优模态重构后的信号计算其能量谱(ES)特征,使用最优模态分量计算其边际谱(MS)特征;最后,将不同时间段的ES特征和不同频段的MS特征输入到构建的选择集成分类模型中,从而得到其分类结果,并将该方法与其他4种组合方法进行比较.实验结果表明,本文方法具有较好分类准确率和实时性,其平均分类正确率高于其他4种方法,同时较近期使用相同数据的文献也有优势.本文为在线运动想象类BCI的应用提供了新的方法和思路.     

基于提升小波变换的雷达生命信号去噪技术

对于噪声干扰严重、非线性、非平稳、多奇异点的微弱雷达生命信号而言,去噪是对有用信号进行分析前的必要手段。基于多普勒效应原理和雷达噪声的统计特性,建立了雷达生命信号的模型,分别用传统小波变换和提升小波变换对强噪声干扰下的生命雷达信号进行了去噪处理,结果表明被强噪声污染的雷达生命信号可以用传统小波变换的方法和提升小波变换法对其有效去噪,提升小波变换去噪效果优于传统小波变换去噪效果,其信噪比(SNR)和均方误差(MSE)两个性能指标均高于传统小波去噪。对雷达生命信号进行去噪处理时,使用的小波基函数是sym8,分解层数为3层。     

基于多尺度Radon变换的图像检索

根据Radon变换的统计特性构造了不变量,提出一种新的基于多尺度Radon变换的图像形状检索方法.对检索图像作小波变换,根据小波模极大原理得到边缘图像,对边缘图像构造Radon变换中心矩,在中心矩的基础上根据Radon的统计原理构造出尺度不变矩.由于矩阵的奇异值具有旋转不变性,因此针对不变矩向量矩阵求奇异值,该奇异值特征向量具有平移、尺度和旋转不变性.将该Radon变换的不变量作为形状特征,并进行高斯归一化,按照欧氏距离计算不同图像间的形状相似度.试验结果表明,该方法对高斯噪音具有较强的鲁棒性,与其它方法相比具有较好的检索效果.