基于连续小波变换的雷达信号处理

在步进频率雷达一维距离成像技术中,经典的傅里叶变换算法受到距离分辨率的限制,并且存在较高的副瓣电平。针对这一问题,本文提出将连续小波变换算法用于频率步进雷达的一维距离成像。该方法在保持高距离分辨率的同时,可有效降低回波信号的副瓣电平。     

一种基于多特征提取的雷达目标识别方法研究

直接利用雷达高分辨一维距离像或是提取一维像单一特征进行目标识别难以取得理想效果.为了更好地反映雷达目标本身的物理特性,提高雷达目标识别率,对雷达目标高分辨一维距离像的频谱幅度、能量聚集区长度、散射中心数目和中心矩特征进行提取并构成多特征向量,描述雷达目标高分辨一维距离像频域、能量等物理特性,采用主成分分析方法进行特征维...     

基于小波能量距的雷达距离像特征提取

基于小波分析的方法,采用雷达目标一维距离像回波在不同频带的能量距特征,以此特征为基础,利用径向基概率神经网络对4类目标进行识别,并与传统的子带能量特征方法进行对比,仿真实验结果表明：对雷达目标距离像进行特征提取时,能量距特征更好地利用了小波分析的时频信息,所得特征向量类间类内距离比大于能量特征,目标的可分性更好,识别率得到了提高,因而能量距特征优于能量特征。     

基于Hilbert-Huang变换的车削颤振特征提取

针对车削加工过程中颤振现象,将希尔伯特-黄(Hilbert-Huang)变换方法引入到车削颤振特征提取中。通过对振动信号进行经验模态分解(EMD)获得一系列固有模态函数(IMF),筛选出合适的分量,计算敏感分量的方差和主要分量的瞬时能量分布,并将其作为判断车削发生颤振的依据。用实测振动信号验证了该方法提取的车削颤振特征量,可以作为颤振发生的判断依据。     

雷达目标一维距离像的特征分析

针对一维距离像对姿态角敏感和回波时延的问题．对雷达目标一维距离像的特征进行了分析，结合散射点回波功率的特征提取与傅里叶变换．提出了一种雷达目标识别的方法。     

基于最优变换和聚类中心的雷达目标成像识别

提出了一种基于最优变换和聚类中心的雷达目标成像识别方法。该方法利用一种最优变换减少同类之间差异以及通过在子像空间选定一组最优聚类中心来增大异类之间差异，提高雷达目标识别率。仿真实验结果表明了该方法的有效性。     

幂变换对雷达目标HRRP识别的性能影响

分析了幂变换对雷达目标高分辨距离像的特性影响.从类别可分性角度研究了高分辨距离像(HRRP)经幂变换后,其类内和类间相关系数变化情况以及对特征提取的性能影响.采用主分量分析法对原始HRRP和经过幂变换的HRRP进行特征提取,用提取后的特征输入支持向量机分类器进行训练和学习.实验结果表明,幂变换减小了HRRP类内和类间相关系数的差别,进而影响特征提取性能.     

基于一维距离像的雷达目标识别研究进展

现代高分辨雷达为雷达目标识别提供了新的途径,相应的高分辨一维距离像具有易获取和处理的特点,同时还能够揭示出目标径向结构的分布特性,因而在目标识别领域具有良好的应用前景.文中分析了基于一维距离像的雷达目标识别研究现状,包括一维距离像的模型、距离像特性分析、特征提取方法以及分类器的设计方法等,并且指出了高分辨一维距离像目标识别今后的研究方向.     

步进频率MMW雷达小波变换目标成像方法

提出一种改进的调制型高斯小波分析方法，探索了毫米波雷达步进频率信号小波变换当中小波尺度与目标距离的对应关系，可进行任意距离范围和步进的功率谱分析，并提出目标分阶段的成像方法。该方法与一般小波变换相比减少了运算量，同时获得较为精确的一维距离像，从而更有利于目标定位与跟踪。     

基于小波变换和多神经网络融合的雷达一维距离像目标识别

针对低信噪比情况下目标的雷达一维距离像性能较差的问题,提出利用小波去噪以增强目标一维距离像的方法.对去噪后的目标一维距离像提取归一化中心矩,分别采用径向基函数网络和BP网络进行分类识别;在分析了两类网络用于分类识别特点基础上,指出具有不同拓扑结构和传递函数的神经网络对于各类训练样本分布状况的学习和描述能力不同,提出了一种综合利用两种网络做融合识别的新方法.通过对5类飞机暗室测量数据的实验,验证了上述方法的有效性.     

基于小波包变换的辐射源信号特征提取和识别

文中基于小波包变换方法,对MSK信号辐射源提取了J-散度特征和能量特征,结合支持向量机分类器完成辐射源的识别,仿真结果表明：两者识别率均达到90％以上,从而验证了基于小波包变换的辐射源识别的有效性。     

基于双向滑动平均的目标长度特征提取方法

基于高分辨距离像的雷达目标识别是该领域的研究热点,而特征提取是其中的关键环节。相对于散射中心强度和位置特征而言,长度特征随目标方位角变化的影响较小,是一种相对稳定的特征,而且长度特征属于目标本身的物理特征,具有实际的物理意义。文中提出一种基于双向滑动平均的目标长度特征提取方法,并将提取的长度特征用于目标粗分类。该方法首先对距离像进行降噪处理,然后从左右两端同时向中间进行滑动平均处理,当滑动均值大于预设的阈值时,即可确定目标区域的起始和终止位置,从而得到目标的长度特征。该方法的核心在于分别估计左右两端各自的阀值,而不是采用一个统一的阀值,并且在阀值估计的过程中同时考虑了距离像均值和噪声的影响。因此,该方法对于距离像突变、非目标区域野值等具有较强的稳健性。通过对五类飞机的实测数据进行实验,验证了该方法的有效性。     

雷达目标一维距离像特征提取方法研究

基于雷达目标一维距离像非衰减指数和模型,文中将遗传算法和Relax算法相结合求取目标散射中心参数,充分发挥两种算法的优势,通过仿真分析证明了文中方法的有效性。     

应用最优小波包变换的特征提取方法

在模式识别或分类中,从原始模式中提取有效的分类特征是非常重要的.但对于大量的非平稳或时变信号模式来说,如语音,雷达,地震信号等,用于分类的特征往往包含在局部的时-频信息中,用一般的变换方法提取有效的特征比较困难.近年来小波变换在信号处理和特征提取中得到了广泛应用,但小波包变换的任意多尺度分解特性,是分析非平稳信号更有效的方法,这是由于小波库中包含了丰富的小波包基,不同的小波包基具有不同的性质,反映不同的信号特性,能获取其他变换所不能获取的信号特征.本文主要研究由给定的训练样本集,如何选择最优小波包基,从被识别或分类的信号中提取具有最大可分性的特征.为此提出了应用三种可分性准则,即距离准则,散度准则和熵准则选择最优基.通过实验,对应用各准则选择最优基提取特征与小波基提取特征的性能进行了比较.     

基于Hilbert-Huang变换的思维脑电分类技术研究

研究基于Hilbert-Huang变换的思维脑电分类方法.对思维脑电信号进行Hilbert-Huang时频预处理,经经验模式分解后,得到多阶固有模态分量.然后将经HHT变换后的时频窗口内的振幅标准差作为不同心理作业信号特征,再应用K-近邻对思维脑电信号进行分类决策.通过对Colorado州立大学EEG研究中心的三类思维脑电心理作业样本进行分类,平均正确率达到82.54%.经Hilbert-Huang变换得到的脑电信号特征,可以作为思维脑电分类的有效依据.     

基于小波变换的汉字签字特征抽取的研究

针对目前汉字鉴别效率低、容易造成几何性质的丢失的现状,提出了一种利用小波分解与重构的技术对汉字签字进行特征抽取的方法.首先对整个签字的每一笔划进行通过多分辨率分析的小波分解公式进行复信号小波变换,这样可以得到每一个笔划的小波分解值;然后设计了一组新的小波重构公式,并利用该公式对各个笔划的特征进行了有机的整合,产生了整个签字的具有旋转、平移及尺度不变性特点的特征,从而使鉴别效果大大提高.     

一种基于Hilbert-Huang变换的雷达回波精细处理技术

某新型雷达通过提取回波中人体的心跳和呼吸信号,达到探测人体的目的,在医学治疗、灾后搜救、反恐作战等领域具有广阔的应用前景.由于目标信号无论在时域或频域上强度都很微弱,传统的雷达信号处理方法很难将其从回波中提取出来,文中基于Hilbert-Huang变换(HHT)方法提出了一种新的精细处理雷达回波的技术,对该型号雷达的实录数据的处理结果表明,上述新技术能够有效地提取出目标的精细特征.     

基于Hilbert-Huang变换的ECG消噪

 提出一种基于Hilbert-Huang变换的ECG消噪方法,该方法对含噪ECG进行经验模态分解,对分解后的IMF进行Hilbert频谱分析,然后根据ECG信号噪声特点对三种主要噪声分别消噪.工频干扰和高频噪声主要存在于ECG的低阶IMF中,而基线漂移主要存在于ECG的高阶IMF中,对低阶IMF采用基于自适应阈值的形态学滤波方法进行消噪,对高阶IMF采用平滑滤波法进行基线漂移估计.仿真实验和实际应用结果表明该方法优于小波消噪法,不仅对三种主要噪声具有较好的抑制作用,还能很好的保留ECG波形特征.     

基于小波变换的通信信号识别算法

通信技术的数字化已经是现代通信发展的趋势.为识别出通信信号中的数字信号的调制方式,分析了解析信号以及归一化处理后的数字信号经过小波变换后的特点,提出直接提取信号小波变换后的频域特征的算法.该算法无需设置判决门限,可以更简单、直接地实现数字信号与其它信号的类间区分以及数字信号之间的区分.通过仿真表明,该方法可有效区分PSK、FSK、QAM与AM、FM、SSB、CW、噪声.