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.     

超声多普勒栓子信号的小波特征提取及分类应用

采用超声多普勒技术无损检测栓子,有积极的临床意义。为降低探头或病人移动引起的干扰对检测栓子的影响,从超声多普勒信号小波变换的两个角度研究相应特征参数的提取。先根据小波尺度图分析信号波形的奇异性,提取表征尺度图特征的横向和纵向参数;然后提出自适应小波包基分析方法,提取表征信号最优逼近特性的能量、尺度等参数。综合两方面特征,通过求解Fisher广义最佳鉴别平面,建立起一个超声多普勒栓子信号分类系统。通过对300例仿真和298例临床采集的脑动脉超声多普勒信号的试用。结果表明:系统对训练集和测试集的栓子信号检测率分别达99.0%和98.5%。可见,本方法比传统方法在检测准确性上有了较大的提高,有望应用于栓子信号的临床自动检测。     

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。     

基于小波多尺度特征匹配的类星体红移测量方法

在中国正在实施的大型巡天项目(LAMOST项目)中,预计能获得105数量级的类星体光谱。文章旨在研究适用于LAMOST观测数据的类星体红移测量方法。为了克服信噪比较低的不利因素,文章采用小波变换的方法对类星体宽发射线进行特征提取,然后利用多尺度特征匹配的方法进行类星体红移测量。通过对sloan digital sky survey(SDSS) data release 2(DR2)中的15, 715条类星体光谱的实验表明,在误差为0.02的范围内所用方法的正确率达到95.13%。该方法可对相对定标的类星体光谱数据进行红移测量,符合LAMOST数据的要求,可为天文学家进行类星体和宇宙大尺度等研究提供帮助。     

基于组合支持向量机的水声目标智能识别研究

为解决水声目标小样本模式识别问题,有效地提高复杂海洋环境中的识别精度,提出了一种基于经验模式分解(EMD)、特征距离评估技术(FDET)和组合支持向量机(CSVMs)的水声目标智能识别方法。首先,将滤波、Hilbert包络解调和EMD等信号处理方法对水声目标的辐射噪声信号进行预处理,提取7个包含原始信号和预处理信号的时域和频域统计特征的特征集。然后,通过FDET从原始特征集中选择出7个敏感特征集。最后,将7个敏感特征集输入到7个支持向量机分类器中,利用遗传算法对7个分类器的结果进行合并,构成CSVMs分类器,从而实现对水声目标的智能识别。将该方法应用于舰船等水声目标的识别中,研究结果表明,该方法的识别性能优于单一SVMs分类器:同时,经过FDET得到的敏感特征集能明显地提高识别精度。     

基于谱线特征匹配的恒星光谱自动识别方法

我国正在实施的大型巡天项目(LAMOST项目),急需恒星光谱的自动识别系统。文章给出了一种基于谱线特征匹配的恒星光谱自动识别方法。该方法由以下主要步骤组成：(1) 利用小波变换的方法对观测光谱进行谱线特征提取;(2) 将提取出的特征和恒星谱线的特征模板进行相关匹配;(3) 根据相关匹配结果进行恒星光谱识别。通过对Sloan Digital Sky Survey (SDSS),Data Release Four (DR4)中的大量真实光谱数据实验表明,该方法具有对噪声鲁棒等特点,正确识别率高达96.7%。该方法可对相对定标的巡天光谱进行自动识别,符合LAMOST数据的要求,可为天文学家进行恒星和银河系的结构等研究提供帮助。     

基于特征约束的谱线自动提取

已有的谱线自动提取方法均采用整体阈值约束或局部阈值约束进行谱线识别,因而谱线提取结果中普遍存在谱线遗失或伪谱线过多的缺点。文章在谱线识别时加入了2个特征约束,第1个特征约束是： 谱线线心的强度必须大于局部阈值和整体下阈值,并且如果某一点的强度大于整体上阈值,则可认为在该点存在谱线;第2个特征约束是： 谱线的起始波长和终止波长处的强度必须小于谱线线心的强度。这2个特征约束使得该文的谱线提取效果较之已有方法有显著的提高。通过实验对该文方法和已有的方法进行了比较,实验结果充分体现了该文方法的优势。     

基于局部不变特征的目标自动识别

为快速、准确地识别图像中的目标,提出一种结合图像熵和加速鲁棒特征算法的目标自动识别方法.首先,分块计算图像的信息熵,根据阈值筛选出纹理丰富区域.然后,结合Hessian矩阵和Harris算法提取纹理丰富区域的局部特征点.接着,计算特征向量并用主成分分析降低向量维数.最后,采用双向最近距离比例匹配算法进行分类,并用随机抽样一致算法剔除误匹配点.实验结果表明:对仿真数据库中带有视角、光照和尺度变化的图像,识别率分别为87.12%、75.31%和84.98%,平均识别时间分别为70.35ms、71.27ms、220.63ms;对含8956×6708像素的航空大面阵图像,正确匹配率为78.13%,识别时间为68.09s.本方法识别率和时间性能均优于加速鲁棒特征算法.     

支持向量机的动物血液光谱特征提取和识别分类

利用光谱检测和数据挖掘实现不同种类动物血液光谱数据的精确识别与分类具有重要意义,目前尚未见到较为完善及普适的相关研究报道。实验采集了鸽、鸡、鼠、羊四种动物全血和红细胞溶液(浓度为1%)的荧光光谱数据;基于小波变换的软阈值去噪方法,首先对原始光谱数据进行去噪处理,并确定了717个原始特征(包括荧光峰强度值、荧光峰连线斜率等4类特征);提出以“区分度统计量”为核心的特征提取方法,结合主成分分析法和平均影响值算法,实现了对717个原始特征到2个识别特征的高效筛选;进一步建立了径向基核函数的支持向量机分类器,对四类不同动物的全血荧光光谱数据实现了准确率为100%的识别分类,对红细胞荧光光谱数据实现了94.69%～99.12%的识别率;最后蒙特卡洛交叉验证的结果表明所提出的思路和方法对于动物全血溶液的识别分类具有较好的泛化能力,能对荧光光谱数据进行准确的识别分类,因此能够在进出口检查、食品安全、医药等领域发挥重要作用。针对动物血液荧光光谱,提出的基于“区分度统计量”的特征提取方法,相比于传统的人为特征选取方法,能够从大量原始特征中自动提取少量且有效的识别特征,具有较强的普适性和高效性,为其他领域的光谱特征提取和识别分类提供了一种新的思路。     

三维测量中一种新的自适应窗口傅里叶相位提取法

针对多尺度窗口傅里叶变换中,窗口尺寸的自适应选取及提取基频时的频谱混叠等问题,提出基于希尔伯特-黄变换(HHT)的自适应窗口傅里叶相位提取法.对变形条纹信号进行HHT后,通过谱分析,自适应确定能够准确描述条纹信号变化情况的瞬时频率及条纹图的背景分量.根据所得的瞬时频率,给出自适应定位条纹信号局部平稳区域的步骤,进而确定窗口尺寸.不需额外计算,可有效去除背景分量以减少基频提取过程中零频频谱的干扰.与现有的用最大脊法确定窗口尺寸的方法相比,本方法不受被测相位必须线性逼近且变化缓慢的前提约束.实验证明本方法有效、可行,且对测量携带陡峭边缘或面形复杂的物体也能进行较为精确有效的测量.