复合深度神经网络在直升机声目标识别中的研究

针对直升机探测中目标运动过程连续识别的鲁棒性问题,提出了一种基于复合深度神经网络的直升机声学特征提取和识别框架。复合深度神经网络由卷积神经网络和长短时记忆神经网络以并行结构组合,进行直升机声学特征的优化,完成直升机类型识别。针对直升机声信号特性,对卷积神经网络进行了改进,使得该复合深度神经网络在信号短时谱基础上优化声信号特征表征并提取前后帧之间的相关信息,弥补通常声目标识别方法不能充分利用目标信号时间历程信息的缺陷。真实外场实验数据测试结果显示:相较于传统识别方法,该算法显著提升了直升机进入有效探测范围后连续识别的鲁棒性和目标识别正确率。     

直升机噪声信号的小波分析

基于小波变换研究了典型飞行状态下直升机噪声所具有的特征．通过对直升机噪声信号小波细节的描述,使我们了解到桨涡干扰噪声分量对直升机噪声的贡献,并能够清楚地观察到直升机噪声的低频拍振荡现象．     

基于灰色预测的直升机齿轮箱状态预测方法

作为直升机上重要的关键部件,直升机齿轮箱能够将动力转换为动力输出形式,从而满足不同形式下动力的需要。针对直升机齿轮箱状态无法准确预测的技术难题,本文将灰色系统理论中的灰色预测方法运用到直升机齿轮箱中,有效解决了齿轮箱使用状态难以准确预测的技术难题。首先对采集到的直升机齿轮箱的不同的振动信号进行特征提取,然后采用信息融合技术,将不同振动信号的特征值进行融合,最后运用灰色预测方法对直升机齿轮箱的使用状态进行预测。文中对所提出的方法进行了试验验证,结果表明,所提出的基于灰色预测的直升机齿轮箱状态预测方法能够实现对直升机齿轮箱的状态准确预测的效能,并对其他航空设备以及机械设备的状态预测具有一定的借鉴意义。     

基于激光回波时频图纹理特征的飞机目标分类方法

为实现直升机、螺旋桨飞机和喷气式飞机的激光遥感探测分类,研究了基于时频图的飞机目标微动纹理特征提取算法。根据旋翼微多普勒模型仿真三类飞机旋转部件回波信号,将平滑伪魏格纳-维利变换得到的时频分布生成灰度图像。采用大津(OTSU)法结合灰度拉伸对图像进行阈值去噪处理,提取目标灰度共生矩阵(GLCM)特征以及Tamura特征,并针对时频图差异进行特征优化,最后使用支持向量机(SVM)实现飞机目标分类。仿真数据分类结果表明:GLCM特征对噪声表现敏感,经所提方法对时频图去噪,信噪比(SNR)RSN=0dB时的分类正确率可达96.4%。Tamura特征在高信噪比条件下分类正确率较高,但当RSN5dB时下降明显。因此提取时频图纹理特征可以达到较为理想的飞机分类效果,且利用改进GLCM特征能够实现低信噪比条件下的目标准确分类。     

基于时频谱特征的白酒品质分类方法研究

为了建立快速、准确的白酒品质鉴别方法,利用机器学习方法对不同品质的白酒建模。为了提取不同品质白酒的特征,使用离子迁移谱对不同品质白酒进行分析,构建了基于白酒离子迁移谱信号的特征向量,并对不同品质的白酒进行了识别与分类。白酒样本的离子迁移谱信号通过利用美国Excellims公司GA2100型电喷雾-离子迁移谱仪（ESI-IMS）采集获得,每一个离子迁移谱信号是强度随时间变化的时间序列信号;提取了原始数据离子迁移谱的时域特征谱峰。为了获得更全面的特征,对离子迁移谱数据进行了傅里叶变换并提取频域内的特征谱峰。同时为了表述信号变化的特征,计算了离子迁移谱的谱熵和过零率,构建N×9维的特征向量矩阵;使用主成分分析(PCA)和线性判别分析(LDA)分别对上述获得的特征进行了特征降维,其中使用PCA对特征向量矩阵降维后的前三维特征对整体特征的累计贡献率达到了95%,而使用LDA对特征向量矩阵降维后的前两维特征对整体特征的累计贡献率就达到了95%。因此,选择了LDA作为特征降维方法;最后,利用机器学习中的非线性分类器支持向量机(SVM)对白酒离子迁移谱数据进行分类研究。实验结果表明,在真酒和添加酒精的白酒二分类中,SVM方法正确分类率达到100%;而在真酒和分别添加10%,20%,30%,40%和50%酒精浓度的五种假酒的六分类中,SVM方法正确分类率达到99.7%。比较了逻辑回归(LRM)分类、模糊C均值分类(FCM)和K近邻分类(KNN)对白酒样本离子迁移谱分类实验结果。研究表明,对于离子迁移谱非常接近的真酒和添加酒精的白酒,基于频谱特征向量的SVM方法能够准确的区分开来,为白酒的品质鉴别提供了一种新的检测方法。     

时域同步平均技术在直升机主减速器故障诊断中的应用分析

由于直升机主减速器的结构特点致使振动信号的信噪比很低,给故障特征的提取带来了难度;文中以某型直升机的主减速器为研究对象,开展时域同步平均技术在主减速器故障特征提取上应用的深入研究,分析了该技术在实际中的应用以及在应用过程中的误差影响,在此基础上提出了时域同步平均误差分析的改进方法,通过在直升机主减速器飞行数据的对比应用分析,证明该方法的可行性和有效性,并能在一定程度上提高故障特征提取的精度。     

三种谐波族检测算法的性能对比

基于高阶累积量谱、时序循环平稳信号分析、时频面Hough变换等预处理方法,给出了相对应的三种谐波族信号基频搜索与检测算法,并在2阶、4阶、8阶谐波情形下,应用于受白噪声污染的模拟谐波族信号、实测无人机信号和实测直升机信号等三种谐波族信号的检测概率的计算。计算结果表明,随着阶数的提高,三种算法对目标的检测性能均有所提高;对于上述三种不同信号,其基频搜索与检测能力最好的算法有所不同。所给出的谐波族信号基频搜索与检测算法将在直升机、无人机等目标的检测应用中发挥更好的作用。     

时频-Radon变换在激光微多普勒效应特征提取中的应用

鉴于激光微多普勒效应探测运动目标复合振动的重要性,利用离散小波多分辨分析对激光微多普勒效应探测运动目标复合振动的实验数据进行分解,研究不同尺度下的信号特征。将Radon变换与时频分析结合在一起,对实验所得信号在时频域中进行分析,结果表明:时频-Radon变换适合于微多普勒信号的识别,应用该方法能够抑制多分量信号时频分布产生的交叉项干扰,有效地提取微动目标的特征,为目标特征的识别、分类和探测提供了便利。     

直升机模型旋翼声学试验声信号分析中的抑噪方法研究

将直升机模型旋翼在消声室中进行声学性能测试是研究直升机旋翼噪声特性的一种最有效最直接的方式;在直升机模型旋翼消声室试验中,发现传声器采集到的围绕170 Hz特征频率分布的频带极窄的旋翼声信号上叠加有宽频无用噪声;试验中采集到的声信号信噪比与总距角大小成正比,小总距角时声信号信噪比较小,无用信号成分会掩盖声信号真实信息,必须采用高效的方法去除无用成分并同时最大可能不损坏需要成分;模型旋翼声信号中各成分频带分布不同,信号自相关长度与其分布频带有关,文章指出可以根据信号中各成分之间自相关长度的差异性采用自适应线性预测器把所需信号成分预测分离出来;通过分别对比在总距为0°、6°、10°时声信号与各自处理结果,表明叠加在信号上的无用成分被成功滤除,信号质量得到明显改善。     

利用深度神经网络实现分布式相干瑞利光纤振动事件分类

该文利用分布式相干瑞利光纤传感系统,在西气东输一线无锡至苏州段开展现场测试,采集了光纤沿线车辆行走、机械挖掘、人工锄地、定向钻孔等8种振动作业产生的光纤信号,并提出了一种具有5层结构的全连接深度神经网络用于振动事件分类识别以实现不同振动作业的分级管理。振动作业产生的光纤信号能量集中在低频,该文利用梅尔对数频率的非均匀特性提取了25维单帧信号特征量,并将连续40帧信号特征量组合成高维向量作为网络输入特征向量,实现对不同振动作业时变特性的建模。分类识别结果表明,基于深度神经网络结构的振动信号分类识别器能够有效识别不同振动作业类型,实际线路实验验证了该文算法的有效性。     

圈养瓶鼻海豚通讯信号分析及融合分类方法

针对圈养条件下瓶鼻海豚通讯信号（whistle）分类时混叠大量回声定位信号（click）导致分类正确率降低的问题,提出了一种基于机器学习的融合分类方法。分别提取whistle信号的时频分布特征训练随机森林分类器,梅尔时频图特征训练卷积神经网络分类器,在此基础上设计融合判决器对混叠whistle信号进行分类识别。对圈养海豚声信号采集实验数据的分类识别结果表明,融合分类方法具有更好的分类性能,对混叠whistle信号分类正确率大于94%,优于时频分布特征分类器和梅尔时频图特征分类器,能够提高混叠信号的分类能力。      

基于平板冲击声的声源特性表征及自动识别*

以平板结构导纳函数为纽带,建立冲击声信号特征与声源特性之间的关联,获得与声源属性密切相关的特征用于目标分类。针对四边简支矩形被击板,借助信号参数识别算法获得与声源物理属性有关的6维导纳特征,并从冲击声样本中提取80维音色特征,将音色特征和导纳特征做相关性分析,获得与声源物理属性相关的信号特征集。利用BP神经网络进行分类,结果表明,当采用与特定声源物理属性相关的信号特征子集时,分类效果达到同组最优。     

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FICP算法提高对低频噪声时延的估计精度

针对非平稳随机噪声（直升机飞行声音，导弹喷流噪声）信号，研究了提高时延估计计算精度的方法，通过计算信号的细化频谱，并避免了标准FFT计算带来的栅栏效应，从而使得对于超短取样信号的频谱计算精度与信号长度无关，采用快速计算方法FICP由N点互谱计算2N点相关波形，提高了相关波形的分辨率，使得时延估计精度得以提高。对实测直升机飞行噪声和导弹噪声计算了不同取样长度和不同采样率下的时延估计，得出了谱分辨率越高，时延估计精度越高的结论。     

铝合金焊缝电涡流磁场信号的非线性特征提取及分类方法研究

采用巨磁电阻(GMR)传感器对铝合金惰性气体保护焊焊缝的涡流电磁信号进行提取.采用非线性特征分析的方法对良好、含有密集气孔和未焊透三种不同状态焊缝的涡流电磁信号的特性进行分析.提取焊缝涡流电磁信号的Lyapunov指数、关联维数等参数进行分析,分析结果表明焊缝涡流电磁信号具有明显的非线性混沌特性.采用Lempel-Ziv复杂度和近似熵测度分析三种状态焊缝涡流电磁信号的复杂度,结果表明:Lempel-Ziv复杂度和近似熵对不同状态焊缝的涡流电磁信号是敏感的,可以得到焊缝的电磁信号的非线性特征,并对焊缝的类别进行分类辨识,为分析焊缝的不同状态提供了一种有效的辅助工具和方法.     

虫蛀玉米种子的空气耦合超声波检测

提出了一种基于空气耦合超声波技术的玉米种子虫蛀孔洞颗粒和完好颗粒分类识别方法·首先根据玉米颗粒的弹性模量、泊松比和密度等物理量计算出了玉米颗粒的声速,并根据检测精度需求设定了激励信号频率。然后采用MATLAB对采集的两类种子超声波信号数据进行分析处理,并分析了种子厚度和摆放方位对超声波响应特征的影响。最后建立了K近邻(KNN)、簇类独立软模式法(SIMCA)、Fisher线性判别(LDA)和决策树(DT)识别模型,并对模型性能进行了测试.结果表明;种子孔洞深度、胚部厚度和正反面方位不同,即超声波在种子表面的反射程度不同、在种子中传播声程不同,则起声波信号衰减程度不同,导致接收到信号的幅值不同,且样本点在主成分分析(PCA)特征空间的分布也不同。4种识别模型均可以实现对两类玉米的分类识别,其中KNN模型性能最佳,其对虫蛀孔洞颗粒和完好颗粒的正确识别率分别为98%100%,误差带为2%,0。此结果说明采用空气耦合超声波技术可以实现对玉米种子虫蛀孔洞颗粒的检测。      

倾斜油水两相流流型混沌吸引子形态周界测度分析

在两维相空间中定义了吸引子形态周界特征量（吸引子面积、长轴、短轴）,考察了吸引子周界特征量随时间延迟的变化规律.发现在吸引子展开过程的第一区域内,其吸引子周界特征量变化率具有不变性.通过对正弦信号、噪声信号和混沌信号进行仿真分析,发现采用吸引子周界特征量可以对这些不同信号进行有效分类.在采集倾斜油水两相流电导波动信号基础上,对水为连续相的倾斜油水两相流流型进行了吸引子形态周界测度分析,发现吸引子面积增长率是描述吸引子形态的不变特征量,该特征量对水为连续相的拟段塞水包油（D O/W PS）和局部逆流水包油（ 关键词： 倾斜油水两相流 流型识别 吸引子形态 周界测度     

基于子带信号瞬时频率的特征提取及其在车型分类中的应用*

车型识别是智能交通系统的关键技术之一,具有重要应用价值。针对车辆噪声信号的复杂性,提出了一种基于相位信息和能量信息融合的车型分类方法。通过耳蜗滤波器组将车辆噪声信号分解成窄带信号,为了避免相位卷绕问题,利用傅里叶变换性质结合相位一阶导数估计窄带信号的瞬时频率并提取瞬时频率特征。该特征能够有效地完成车型分类,通过将瞬时频率特征和对数能量联合,进一步提高了分类准确率。     

基于支持向量机的~(252)Cf中子裂变信号时频特征分析及识别

基于裂变中子(252Cf)对裂变链(235U系统)依存关系,在对252Cf中子裂变信号的测量原理及信号特点分析基础上,开展了基于支持向量机的中子裂变信号时频特征分析及识别研究工作。采用小波分解和去噪小波包分解方法,提取不同状态下随机核信号的时频能量特征,借助于统计学习理论的支持向量机(SVM)分类器原理进行训练和分类。研究结果表明:通过直接小波分解或去噪小波包分解,以获取核信号特征的方法是有效的;去噪小波包分解特征提取方式,较之直接小波分解特征提取方式更能反映中子裂变核系统的内部特征和规律;基于SVM核信号样本的分类,训练后的SVM分类器有着大于70%以上的正确率,且较好地克服了训练样本数较少的问题,验证了方法的可行性和有效性。     

脉冲声信号影响锥特征的自适应选取EI北大核心CSCD

为了解决低信噪比下脉冲声信号影响锥特征的自适应选取和检测问题,提出了一种改进的整体嵌套边缘检测方法。利用脉冲信号小波域的时间-尺度分析谱图中明显的边缘效应特征,构造自适应影响锥(A-COI)模型。该模型可自适应输出最适影响锥部分,在减弱噪声干扰的同时最大程度的包含了脉冲信号的主要特征。进而将最适影响锥部分对应的小波系数用于脉冲信号检测,有效提升了低信噪比下的检测性能。对典型直升机桨-涡干扰脉冲信号的仿真和实验数据进行分析,结果表明在0 dB,2 dB,5 dB信噪比的复杂环境下,使用基于A-COI模型的检测率分别达到了65.13%,82.33%,95.27%,相对于传统固定大小影响锥的检测算法提升了42.42%,22.99%和2.36%。