基于Hilbert-Huang变换的瞬时频率法用于水下沉积物分类

针对使用频率范围为2—7kHz的chirp浅层剖面仪系统,本文基于弛豫时间模型,采用瞬时频率的方法实现水下沉积物的分类。所采用的弛豫时间模型综合了声波在海底沉积物中的各种散射能量损失因素,并归结为一个参数。采用脉冲功率谱的中心频率偏移量来估算衰减,提出用Hilbert—Huang变换(HHT)计算瞬时频率,并对试验数据进行了分析。     

基于光学沃尔什变换特征提取的图像匹配

采用光电结合的方法实现了沃尔什 （Walsh）分量变换,提出出反映图像主要特征的分量,用于大容量图像库的内容匹配查找,基于以非相干光相关器为核心的光电混合图像处理系统,实现了基于光学沃尔什变换特征提取的图像匹配算法。     

基于小波包变换的复合材料超声波检测信号特征提取

本文以碳纤维复合材料常见缺陷分层、孔隙、疏松的超声波检测缺陷信号为研究对象，对超声波检测信号进行小波包变换，提取包含信号绝大部分能量的近似系数波形特征及细节系数的统计量作为样本的特征值。应用BP神经网络分类器进行分类识别验证，取得较好的识别效果。该方法能以较小的特征维数表征原始信号特点。     

Hilbert-Huang变换分析THz脉冲信号的时频特性

提出一种基于Hilbert-Huang变换的THz时域光谱分析方法,将THz时域脉冲信号分解成有限数目的单分量信号之和,利用Hilbert变换求得瞬时频率来获得幅值的时频分布Hilbert-Huang变换谱,实现了通过水蒸气的THz脉冲信号的时频分析,揭示了THz波与水蒸气相互作用的频谱时域分布特性,并与基于小波变换的时频图进行了对比分析。结果表明,该方法可以同时提高THz脉冲时频分布的时间分辨率和频率分辨率, 具有局部化分析和自适应选择的特点,还能直观地表现出各频率成分之间的相对时间延迟。     

Hilbert-Huang变换分析THz脉冲信号的时频特性

提出一种基于Hilbert-Huang变换的THz时域光谱分析方法,将THz时域脉冲信号分解成有限数目的单分量信号之和,利用Hilbert变换求得瞬时频率来获得幅值的时频分布——Hilbert-Huang变换谱,实现了通过水蒸气的THz脉冲信号的时频分析,揭示了THz波与水蒸气相互作用的频谱时域分布特性,并与基于小波变换的时频图进行了对比分析。结果表明,该方法可以同时提高THz脉冲时频分布的时间分辨率和频率分辨率,具有局部化分析和自适应选择的特点,还能直观地表现出各频率成分之间的相对时间延迟。     

基于Hilbert-Huang变换的数字全息图中的零级项抑制

针对数字全息图中的零级项问题,提出一种用Hilbert-Huang变换对零级项进行抑制的方法.首先将二维数字全息图数据展开为一维数据,然后用Hilbert-Huang变换进行经验模型分解,得到第一层的本征模函数,该函数包含了全息图的高频分量,继续分解,得到第二层的本征模函数,该函数包含了全息图的直流分量.实验结果证明,将第一层的本征模函数进行再现,即为零级项得到有效抑制的共轭像,第二层的本征模函数为零级项.该方法只需在空域中进行一次经验模型分解就可有效抑制零级项,较好地保存了原物波信息,在计算速度上具有明显优势.     

利用冲击声辨识声源材料的特征提取

声源辨识属于环境声识别的范畴,是模式识别的一个重要研究方向。冲击声携带了大量的声源物理信息,因此利用冲击声提取特征进行声源材料辨识是提高声目标识别分类性能的重要途径。对球-板撞击物理模型合成的冲击声连续统,提出使用基函数学习法提取目标特征,同时利用短时傅里叶变换和小波包变换进行特征提取,以此为基础完成被击平板的材料识别。研究结果表明,利用基函数学习法获得的特征,对于冲击声分类的效果明显优于短时傅里叶变换和小波包变换方法,说明利用该方法进行冲击声声源材料辨识的可行性和优势。     

基于卷积神经网络特征提取的拉曼光谱分类研究

拉曼光谱物质定性识别已被广泛的应用于化工、安防、缉毒等行业和研究领域,但是传统的拉曼光谱分析技术依赖于光谱数据库,通过光谱特征提取进行识别。特征提取是拉曼识别的关键处理步骤,通常利用主成分分析,因子分析等方法进行特征提取,而后通过KNN,SVM和随机森林等方法进行光谱特征定性识别,当拉曼数据库不存在待定性物质时,易造成待检测物质的错误分类。针对此问题,提出一种基于卷积神经网络的对数据库缺少物质光谱识别方法。在实验过程中,采用九类,200余种精神类药品拉曼光谱作为测试对象,通过搭建卷积神经网络自动特征提取并利用Softmax分类器将200余种物质,按照Amphetamine, cathinone, cannabinoids等九种类别进行定性分析。通过与传统机器学习方法如K近邻,支持向量机等方法进行比较,基于卷积神经网络的模型识别准确性有显著提高,该方法可为拉曼光谱数据库的光谱识别检索提供一种新的识别方法。     

基于Fisher判别分析的有监督特征提取和星系光谱分类

随着天文观测技术的进步、数据获取能力的提高和大型光谱巡天计划的相继实施,光谱数据的自动处理研究越来越受到重视和关注。文章在分析了文献中光谱自动分类研究的特点和无监督特征提取方法所固有的一些不足的基础上指出了光谱有监督特征提取研究的必要性。并重点研究了Fisher判别分析(FDA)有监督特征提取方法在星系光谱自动分类中的应用。该方法： (1) 具有突出的维数约减能力; (2) 能有效地融合训练数据的类别信息,并按照分类能力提取特征。实验表明,将FDA方法用于某些星系细分类不仅明显地提高了分类器的速度,而且具有良好的分类性能。因此,对于较大的光谱识别系统更能体现出该方法的优越性。     

基于Hilbert变换及间歇混沌的水声微弱信号检测方法研究

利用Duffing振 子从混沌到间歇混沌的相变及其对策动力和待检测信号频差较小的周期信号的敏感性, 研究了强海洋背景噪声下微弱周期信号的检测. 通过构造混沌振子列的方法对频率未知信号进行扫频, 从而提取待检测信号的频率范围, 最后利用希尔伯特变换, 实现对间歇混沌的包络检测, 并计算出待检测信号的频率. 计算机仿真与实测水声信号处理结果表明, 利用基于希尔伯特变换的间歇混沌振子对水声微弱信号检测, 其检测信噪比比一般的间歇混沌振子提高了至少4.4 dB, 验证了所提方法的有效性.     

广义对角切片谱及用于水下目标特征提取的性能分析

人眼分类双谱图时具有沿副对角线方向进行观察的特点,为了分类不同的水下目标辐射噪声以实现目标识别,在已有对角切片的基础上提出广义对角切片及其谱定义,并通过对各切片幅值进行简单求和或取最大值得到两种特征向量,引入Fisher可分性测度对特征向量进行降维处理,利用支持向量机的一对一方法对实测水下目标辐射噪声进行分类实验。实验结果表明:对广义对角切片谱各切片幅值进行求和得到的特征向量具有极高的分类正确率,且分类稳定性优良。     

水下目标识别中的特征优化选择

本文将模式识别中的特征选择方法用于水下目标特征的优化选择。用距离测度作为选择的准则,对提取的三类舰船噪声的高维组合特征进行自动选择,并用10-折交叉验证方法对选择出的特征子集进行评估,分析结果说明该方法能从原始的特征集中选择出有利于分类的特征子集,提高了水下目标分类的正确率。     

基于HHT与LSSVM的远区核爆电磁脉冲识别

为实现远区核爆电磁脉冲（NEMP）和闪电电磁脉冲（LEMP）的有效识别,提出一种基于希尔伯特黄变换（HHT）和最小二乘支持向量机（LSSVM）的识别算法。采用希尔伯特黄变换对远区NEMP和LEMP进行分析,利用两种信号的Hilbert谱在不同频带上分布的差异性,选择谱图中两个区域的能量占比作为信号的特征,选择LSSVM作为分类器进行分类识别。实验结果表明,采用能量占比特征可有效识别NEMP和LEMP,且综合识别率可达到98.59%。     

混沌干扰中基于同步挤压小波变换的谐波信号提取方法

针对混沌干扰背景下多个谐波信号的提取问题, 提出了一种基于同步挤压小波变换(SST)的谐波信号抽取方法. 首先利用SST将混沌信号和谐波信号组成的混合信号分解为不同的内蕴模态类函数, 然后利用Hilbert变换对分离出的内蕴模态类函数进行频率识别, 从中分离出各谐波信号. 以Duffing混沌背景为例, 对混沌干扰下多谐波信号的提取进行了实验分析. 实验结果表明: 对于不同频率间隔的多个谐波分量, 本文方法的提取结果都具有较高的精度, 而且所提方法对高斯白噪声的干扰具有较好的鲁棒性, 综合提取效果优于经典的经验模态分解方法.     

基于分块离散小波变换的图像信息隐藏与盲提取算法

提出了一种在小波域中图像信息隐藏与盲提取算法. 该算法首先对载体图像进行分块两层离散小波变换, 找到每块第二级分解子带中的最大值即最重要小波系数, 然后根据小波特征树的对应关系将其在第一级分解子带中的对应区域作为嵌入区域, 在该区域嵌入由秘密信息生成的伪随机序列. 提取过程中, 同样按照小波系数对应关系寻找到嵌入区域并判断其与伪随机序列的相关性即可解密, 不需要提供原始图像. 实验结果表明, 该算法能实现二值图像的嵌入与盲提取, 且提取出的图像质量较好并具备一定的抗攻击能力, 尤其对于剪切攻击的鲁棒性较好.     

基于调频信号子带相关性分析的回波特征提取方法

利用两种典型调频信号(LFM及HFM)的波形特点,本文提出了一种基于目标回波子带相关性的特征分析方法,并提取了回波统计特征。仿真与海上试验数据分析结果表明,该方法提取的回波统计特征对于识别水下人造金属目标与非目标具有较好的可分性。     

水下声目标的梅尔倒谱系数智能分类方法

传统水下声目标识别分类方法具有较强的人机交互特性,无法满足未来水下无人平台智能识别分类水声目标的需求。针对这一问题,提出了一种基于梅尔倒谱系数（MFCC）的水下声目标智能识别分类方法,该方法通过提取水下声目标梅尔倒谱系数特征,采用长短时记忆网络（LSTM）构建了智能识别分类模型。使用实际水声信号对该方法进行了验证,结果表明,基于梅尔倒谱系数的水下声目标智能识别分类方法能够在不依赖人工提取特征的情况下,对目标噪声进行识别分类,具备智能化识别分类能力。