基于堆栈自编码网络的铣刀磨损特征提取方法

针对传统切削数据人工提取的特征主观性和盲目性强、特征提取过程耗时且提取质量难以保证等问题,提出一种基于堆栈自编码网络(SAE)的切削信号数据特征提取方法,构建了由3个自动编码器(AE)组成的SAE网络。前一个AE无监督训练后得到隐藏层特征,作为下一个AE的输入,最后整体利用反向传播算法进行有监督微调,从而得到更优的特征表达。从基于SAE的数据重构性能分析和加工信号特征主成分分析2个层面,对切削信号特征提取的优劣进行评估。实例验证说明,相比于传统手工提取特征的方法,所提方法在压缩信号的特征提取方面表现出明显的优势,进一步说明了SAE特征提取的有效性。     

利用瞬时频率提取雷达辐射源特征的新算法

介绍了一种新的雷达辐射源特征提取算法,该算法首先通过伪维纳分布寻找一个随时间变化的最佳窗,基于该窗精确估计信号的瞬时频率,从瞬时频率估计中,可以识别出相位编码信号,然后对于不同的编码类型,利用所估计的瞬时频率,提取瞬时频率的自相关的主瓣峰值和最大旁瓣值的比值作为识别特征.仿真实验证明该算法提取的特征值可有效识别不同体制的雷达信号.     

基于韦尔奇功率谱的雷达辐射源信号识别

应用韦尔奇功率谱原理提取信号识别特征参数,根据提取出的参数特点设计信号识别流程模型。从多种信号中检测识别线性调频信号、相位编码信号、频率编码信号。分析了特征的适用范围和信号环境。仿真分析该特征提取算法和识别方法的可行性。     

基于HOSVD局部重组的利噪抑噪经验模式分解及应用

及时准确地识别航天机构萌生和发展的损伤故障特征信息,可为机构故障诊断评估、科学任务调整以及未来在轨维修提供科学决策依据。集成噪声重构经验模式分解(ENEMD)及其衍生方法都是基于噪声利用机制以原信号中估计噪声改善模式混淆并实现信号降噪。然而,该方法中奇异值拐点难以获取、阈值处理中噪声不连续等带来的噪声估计偏差,将降低微弱特征提取准确性。为此,提出一种基于高阶奇异值分解(HOSVD)局部重组的噪声估计技术。研究基于滑动窗截断和Hankel矩阵相结合的张量构建,然后将奇异值曲率谱上的最大峰值点作为合理奇异阶,最后根据选取的奇异阶重构张量分解模型得到所需的估计噪声分量。在此基础上,将HOSVD局部重组引入ENEMD方法中,提出利噪抑噪经验模式分解方法。该方法可进一步提高微弱噪声估计精确度,实现对航天机构损伤微弱特征的增强提取。仿真分析和某航天轴承试验案例验证了该方法在损伤微弱特征提取和识别上具有实用性与有效性。     

液体火箭发动机振动故障特征信号提取方法

液体火箭发动机试验是一项高成本、高风险的工程,由于设计缺陷、零件加工误差、工作过程及机械连接结构的影响,导致试验过程发动机大振动现象的发生。基于发动机振动信号分析的状态监测与故障诊断方法是提高发动机可靠性和降低试验成本的重要手段。在给出液体火箭发动机振动故障诊断数学模型的基础上,详细介绍了发动机试验过程中7种特征信号提取方法,即:振幅特征提取、功率谱特征提取、频谱分析(谐频识别和边频识别)、突频特征提取、状态特征提取、小波特征提取和高阶谱特征提取,并结合发动机实际故障诊断方案,给出了发动机特征信号提取算法应用实例,通过发动机热试车验证了液体火箭发动机振动故障诊断的特征信号提取方法的正确性。     

高分辨率SAR图像分割及目标特征提取

提出了一种非监督SAR图像快速分割算法,对分割得到的目标区域进行特征提取.分割方法利用固体热扩散模型与图像尺度空间的等价性,在SAR图像初始分割的基础上,引入最大后验概率矩阵的各向异性多尺度平滑,在保持图像结构信息的同时滤除斑点噪声对于分割的影响.然后提取目标区域6个特征以详细描述目标,实验结果表明：该方法计算速度快,能够从获得的目标区域得到大量有用的信息.     

基于被动探测的目标磁扰动信号检测与定位

针对目标探测定位的快速发展中,军事领域主动雷达存在的缺陷和实现具有高度隐蔽性的目标检测技术的需求,提出一种基于被动磁矢量测量的目标扰动信号检测与定位技术。该方法利用磁传感器阵列测量目标产生的磁矢量扰动信息,通过滤波、门限检测、基函数展开等技术将有效扰动从复杂的背景场中提取出来,并结合速度估计、磁梯度张量矩阵算法研究任意目标位置的定位技术。理论和仿真结果证明了所提出的信号检测与定位技术的正确性,实地测试结果表明该方法具有较高的可行性和实用潜质。     

基于高斯chirplet时频原子参数自适应时频分布图的不变矩特征提取方法研究

根据时频分布性质,针对雷达目标的特征提取与分类识别问题,提出了一种基于高斯c hirplet时频原子参数自适应时频分布图的不变矩特征提取方法。首先分析了各种不变矩, 总结了它们各自的应用特点;接着把雷达信号和其时频分布图的不变矩特征结合起来分析了 目标的各种行为对时频分布图不变矩的影响,然后对提取时频分布图不变矩的算法进行了详 细的研究,识别仿真结果表明,利用信号参数自适应时频分布图像的不变矩特征进行雷达目 标识别是一个卓有成效的方法,该方法充分利用了雷达目标的散射信息,具有较高的识别率 。     

基于全脉冲的周期信号样本提取技术

现代电子战中,传统的辐射源分选识别方法无法在密集的信号环境中快速有效地对复杂体制雷达进行分选识别,造成系统漏警。基于上述情况,提出了一种基于脉冲样本序列自提取的分选算法。这种算法利用雷达信号脉冲序列的周期性和相关性,实现对模板序列的自动提取,从而可实现全脉冲序列中小样本数或脉间规律复杂的雷达信号的分选。仿真实验表明,在全脉冲数据量级适中的情况下,该算法可以有效提取目标模板序列。     

空间自旋目标平动补偿与微动特征提取方法

针对空间自旋目标平动补偿与微动(m-D)特征提取问题，提出一种基于延时共轭相乘和微动分解的平动补偿与特征提取方法。该方法通过延时共轭相乘处理实现目标加速度估计，然后构建冗余的微动原子集，对加速度补偿后信号进行微动分解补偿，通过搜索补偿信号的最大谱峰获取目标的微动特征与速度信息。仿真试验表明,所提方法能够有效估计空间自旋目标的运动参数，并快速提取其微动特征。     

一种用于目标特征提取的改进RELAX算法

传统RELAX算法是基于sinc核函数进行处理的，该算法在正弦信号参数估计上具有良好的鲁棒性和有效性。在远场成像条件下，逆合成孔径雷达（ISAR）目标回波可近似为复正弦模型，因而可以采用RELAX算法进行目标特征提取。当对ISAR实测数据进行处理时，复杂目标中强散射中心的高旁瓣电平和噪声的共同影响，造成特征提取中对散射中心的个数估计不准确，影响了特征提取精度。针对这一问题对RELAX算法进行了改进，提出采用加窗处理技术，对RELAX处理的核函数进行修正。数值仿真和对ISAR实测数据的处理结果表明，改进的RELAX算法改善了旁瓣性能，提高了散射中心提取精度。     

基于谱相关函数-Wigner-Ville谱的轴承分布故障信号分析

针对包络解调技术不能有效提取滚动轴承中分布故障特征的问题,利用轴承分布故障振动信号的二阶循环平稳特性,研究了基于谱相关函数的Wigner-Ville谱的时频特征提取方法。与直接Wigner-Ville分布方法和匹配追踪时频分布方法不具备降噪功能不同,对含噪声的循环平稳信号,先用长数据序列计算得到谱相关函数,可通过计算中的多次平均显著削弱信号中噪声成分,再对谱相关函数作关于循环频率的逆傅里叶变换,得到的Wigner-Ville时频分布计算结果可有效降低噪声的干扰。对有轴承分布故障的振动信号,用滤波器去除一阶循环平稳成分,用获得的基于谱相关函数的Wigner-Ville时频谱消除平稳随机噪声的影响,能有效提取轴承分布故障的二阶循环平稳特征。仿真分析表明:所提方法能有效直观提取轴承分布故障,而普通Winger-Ville时频分布易受噪声影响,包络谱分析结果无法明确轴承分布故障特征。实验结果验证了所提时频算法提取齿轮箱轴承分布故障特征的有效性,而信号包络谱、平滑伪Wigner-Ville时频分布均无法有效提取该特征。     

基于流形学习的多光谱优化波段选择算法研究

为从多光谱图像特征提取的角度进行优化波段选择,在充分描述数据结构特征的同时使提取选择的特征有明确的物理意义,对基于流形学习算法的优化波段选择算法进行了研究。用判别局部排列(DLA)算法对多光谱数据进行预处理,选取正负样本,利用样本信息,以目标分类为目的进行特征提取。利用特征提取的结果,从特征提取的角度分析当前各谱段对所提取的主特征贡献的总信息量和贡献率,给出了基于权值和基于贡献率的两种优化波段选择算法,分别基于权值和贡献率进行特征选择。用正负样本的可分性可快速高效降维,同时又能保留多光谱图像原物理特性。实测数据验证了优化降维后的5个谱段能保留原数据的物理特性,目标识别概率提高约2%,计算复杂度降低约50%。优化选择的谱段有助于新一代多光谱探测器的研制和应用。     

基于PSO-VMD算法的生命探测方法研究

生命探测雷达在航空航天领域有着重要的应用,通过探测飞行员的呼吸、心跳、肢体动作等微弱信号,实现对飞行员的生命监测。针对实际场景中生命体微弱信号检测困难的问题,提出一种将包络熵作为粒子群算法适应度函数的变分模态分解（variational mode decomposition,VMD）参数优化算法。首先,利用粒子群算法对适应度函数进行选择,确定VMD算法中固有模态分量的分解层数以及惩罚因子个数的组合;其次,通过频谱分析选择特定层数的固有模态分量并重构雷达回波信号;最终达到去除噪声,提取生命体弱信号的目的。对比实验表明,所提出的方法相比经验模态分解算法能够更加准确地提取生命体信息,仿真结果验证了算法的有效性。     

一种新的强干扰条件下微弱信号DOA估计算法

提出了一种基于扩展噪声子空间的强干扰条件下微弱信号DOA估计算法。该算法在已知强干扰源个数条件下,通过构造扩展的噪声子空间,在此基础上利用MUSIC方法有效地抑制干扰,并且准确估计出微弱信号的DOA参数。此算法的优势在于无需已知强干扰信号方向,且运算量与MUSIC方法相当。仿真实验验证了该算法是有效性和可行性。     

基于优化多尺度排列熵和卷积神经网络的滚动轴承故障诊断方法

针对滚动轴承故障分类中特征信号微弱、信号非线性和多尺度特征难提取的问题，提出基于优化多尺度排列熵（MPE）和卷积神经网络（CNN）的滚动轴承故障诊断方法:通过改进自适应噪声完备集合经验模式分解（ICEEMDAN）对轴承信号进行分解和重构，实现信号降噪；通过粒子群算法（PSO）对MPE进行优化，提出PSO-MPE特征提取方法，参数优化后的MPE能够提取更为关键的特征信息；将所得的排列熵输入到CNN中进行故障分类以及降维可视化分析。以凯斯西储大学开放轴承数据库样本为测试对象，将文章所提出的ICEEMDAN-PSO-MPE-CNN方法与ICEEMDAN-PSO-MPE-RNN、CEEMDAN-SVM、ICEEMDAN-PSO-MPE-SVM等方法进行纵向和横向对比分析，结果表明改进方法的分类准确率和效率更高，在T-SNE可视化下的分类效果更明显，能够实现滚动轴承故障的高精度和高效率检测。     

基于循环平稳约束的盲信号提取算法

 特定信号提取是通信信号处理中的重要问题。在约束独立分量分析方法的基础上提出了基于循环平稳约束的盲信号提取算法。该算法利用通信信号固有的循环平稳特性作为约束条件,结合独立分量分析的学习过程,同时完成特定目标信号的分离和选取,避免了经典独立分量分析方法提取“无关”源信号的过程。仿真结果表明,相比传统ICA算法,本文算法能有效提取目标源信号且提高了目标源信号的估计精度。     

基于目标特征模型配置的面向对象检测方法研究

针对目前遥感图像目标检测过程中过度提取特征容易导致样本特征维数过高,造成维数灾难的问题,提出一种基于目标特征模型配置的面向对象检测方法,该方法以特征的可分性为原则判断特征的真实有效性,针对不同的侦查目标,将真正有用的特征配置于该待检测的目标,达到快速、准确自动检测的目的.试验结果表明,该方法能在降低算法复杂度的同时提高目标检测的正确率,能节省样本训练所需的时间.     

基于时频原子方法的雷达辐射源个体识别

针对雷达辐射源个体识别问题,提出一种时频原子分解的特征提取方法.该方法针对主振放大式发射机,首先根据锁相环频率合成器相位噪声的功率谱,模拟含有特定相位噪声的辐射源信号.然后基于时频原子分解原理并采用膜算法将带有相位噪声的辐射源信号在正弦原子库中进行一次分解.最后利用分解后的原子提取出正弦原子能量特征和原子频率偏差特征,...     

一种低信噪比下雷达脉内特征提取方法

高密度复杂环境下的雷达脉内特征提取是现代雷达的信号分选、识别的一个重要研究内容。利用时频分析中的WVD分布分析信号时零频处仍保持原信号所有特征这一特性 ,提出了一种低信噪比下的小波提取信号脉内调制特征的方法。仿真结果证明了该算法的有效性。