基于Choi-Williams时频图像特征的雷达辐射源识别

针对复杂体制雷达辐射源识别,提出一种基于Choi-Williams时频图像的雷达辐射源信号特征提取和识别方法,将信号识别转化为图像识别问题。首先对雷达辐射源信号进行Choi-Williams时频变换,将得到的时频图转化为灰度图像;然后采用一系列图像处理方法对时频图像进行增强和去噪,之后将灰度图像转化为二值图像,并剪切掉不含信号的图像区域;最后分别提取二值图像的中心矩和伪Zernike矩作为识别特征,并采用支持向量机分类器实现信号的分类识别。文中针对8种常见雷达信号识别进行了仿真实验,结果表明在较大的信噪比范围内,该方法能获得较为满意的识别率,其中当信噪比为-3dB时,采用伪Zernike矩特征平均识别率仍能达到92%,验证了所提出方法的有效性。

基于Choi-Williams分布的侵彻层数识别方法

针对侵彻多层硬目标过程中实测加速度信号的振荡叠加,以及可能引起的层数误判问题,采用时频分析法研究弹体主轴方向加速度信号的Choi-Williams能量分布特征,提出了以侵彻过程加速度信号的能量分布为依据的层数识别方法。侵彻8层等间距混凝土靶板的实测数据处理结果表明,该方法可快速准确实现层数识别,解决了低通滤波方法无法获取准确层数信息的问题,为实时控制起爆位置提供依据。

Choi-Williams分布参数优化及其应用

提出时频分布信息熵的定义和求法 ,先对时频分布取绝对值 ,进而计算该分布的信息熵 .根据信息熵最小的原则对Choi Williams分布的参数进行优化 ,然后用优化的参数计算信号的Choi Williams分布 ,得到的Choi Williams分布能较好地反映信号的时频结构 .

Choi-Williams时频分布在CO_2焊接电信号检测中的应用

利用二次型时频分析Wigner-Vill分布的改进算法——Choi-Williams(CWD)时频分布研究CO2焊接过程所采集的电弧电压信号,把信号置于时频空间内进行分析,获得相关信号的时频分布图。对于CWD分布的核函数中平滑因子确定前提下的其它四个重要参数,即时窗类型、时窗长度、频窗类型和频窗长度对时频谱图分析效果的影响进行了讨论。进而引入信息熵的概念,并分析了时频分析基于信息熵的参数优化。最后分析了采用最小信息熵的CWD分布参数优化后的一组电弧电压信号时频分布图。结果表明,利用Choi-Williams分布及信息熵最小原则可以描述弧焊电信号的时频分布,并有效抑制交叉项干扰,同时保持较高的时频分辨率。

基于Choi-Williams时频分布的阵列声波测井信号时频分析

对多极子阵列声波测井信号,提出了一种基于信号时、频局域相关能量的新的时-频信号分析方法,Choi-Williams能量分布,它有着较明确的物理意义.该分析方法对于不同岩性的构造的响应具有很好的区分和识别能力,其声波全波列的Choi-Williams能量分布对由不同岩性组成的构造破碎带具有明显不同的表现特征.利用相应的模式识别方法,可以对这些岩性构造进行有效的区分和识别.

基于Choi-Williams时频分布的裂缝性地层时频特征

为验证Choi-Williams能量分布时频分析方法的有效性,将其引入阵列声波测井信号处理之中。结果表明,它对于裂缝性地层具有较好的区分和识别能力,并且可以有效地抑制多频率成分信号的交叉性干扰,清晰地得到声波测井信号的时频分布性能及其特征。对于致密性地层来说,声波测井信号的各组分波均无明显的衰减。对于裂缝性地层来说,斯通利波能量会有较大幅度的衰减;破碎度更好,渗透性越好的裂缝对斯通利波的衰减影响更大;横波的衰减在渗透性更好的裂缝中更加明显。

半监督条件下基于朴素贝叶斯和Choi-Williams时频分布能量积累的雷达信号识别

针对非合作电子侦察雷达信号识别中先验信息残缺的问题,该文提出一种基于Choi-Williams时频分布(CWD)的改进半监督朴素贝叶斯的识别算法(ISNB)。首先对CWD进行降噪预处理,然后通过计算降噪后CWD不同时间下各频率采样值的积累量,从而得到CWD的能量积累量这一新特征;针对传统的半监督朴素贝叶斯(SNB)在更新训练样本集过程中会产生迭代错误的不足,通过在无标签样本集生成的置信度列表中选取置信度高的样本添加到有标签样本集中,再利用预测后的分类结果对分类器参数进行改进,进而构建改进的SNB分类器,有效解决了传统SNB算法分类精度低且分类性能不稳定的缺点。理论分析和仿真结果表明,所提方法相比于传统SNB算法均提高了3%左右;在相同信噪比下,相比于传统的主成分分析加支持向量机法,该算法具有更高的分类识别率和更好的分类性能。

一种基于Choi-Williams分布的心音信号检测方法

本文将Ｃｈｏｉ－Ｗｉｌｉａｍｓ分布用于心音信号的分析，研究结果表明该方法清晰地表示了心音信号的各个成分在时频平面的能量分布及动态变化过程，而且可以准确地检测出瓣膜关闭的时刻，为第一心音和第二心音的定位提供了依据。这一结果对于探讨心音产生的物理机制以及研究心脏的生理、病理状况有一定的参考价值。

基于EEMD和Choi-Williams分布的侵彻加速度信号时频分析

提出了一种基于总体经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)和Choi-Williams分布联合的时频分析算法,该算法采用EEMD算法将信号从频域上分离为若干个固有模态函数之和,再对各分量进行Choi-Williams分布,得到了信号的时频分布特征,有效地消除了信号内部各模态函数之间时频分布的交叉项,从而挖掘信号的本质及相关特征.通过对实测侵彻两层厚度不同的混凝土靶板的加速度信号,采用EEMD和Choi-Williams分布联合时频分析,得出弹体激发的振动模态和靶厚以及着靶速度有关.

基于Choi-Williams分布的心音信号时频分析

目的:通过心音信号的时频特性分析,为心血管疾病提供辅助诊断。方法:首先对心音信号进行阈值去噪,然后基于非线性时频表示Choi-Williams分布对心音信号进行时频分析,给出正常心音与心律过快心音的三维图和等高线分布。结果:基于平稳小波的Penalizd high硬阈值去噪效果最好,Choi-Williams分布三维图可清晰地看出时间-频率平面上的能量分布特性,而心音信号的各个部分在等高线分布的时频面上能够清晰地表现出来。结论:通过ChoiWilliams分布对心音信号时频分析,从一个新的视角较好地反映出了人体心音信号的一些本质性特征,有望成为心血管疾病诊断的一种重要判别依据。

基于Choi-Williams分布的煤田测井解释研究

为了改善传统煤田测井解释忽略波数的情况,达到提高测井信息利用率的目的,提出了通过研究双侧向测井、中子测井、声波测井、密度测井以及自然伽马测井的ChoiWilliams分布规律,来实现不同性质层位的识别。结果表明,对于致密性地层、泥质含量较高的干层、水层和灰分含量不同的煤层而言,上述测井等值线呈现不同的分布规律。通过利用这些规律,可以达到识别上述层位的目的,同时可以对煤层的开采价值实现初步的判断。

一种基于Choi-Williams分布的间谐波检测新方法

由于间谐波具有频域分布广、幅值较小、周期难以确定等特点,因此,其检测难度高。目前,大多数算法虽然在较短的采样时间内有很好的检测精度,但不能同时反映信号在时域与频域的特性。文章通过分析电力系统谐波与间谐波的模糊函数的特点,在模糊域,将改进的Choi-Williams分布的核函数进行运用。仿真实验表明,该方法具有较强的抑制交叉项的能力,在提高时频分辨率的同时,也减少了计算量,并且反映了信号随时间的变化。

基于改进Choi-Williams分布的多分量信号频率识别方法

通过相关域内对短时信号模糊函数的分析,针对短时信号对Choi-Williams分布(CWD)的核函数进行了改进,提出对加窗信号运用改进后的CWD提取信号时频信息的方法。仿真实验表明陔方法对多分量信号具有较强的交叉项抑制能力,在提高了信噪比特性的同时,也减少了计算量。

基于EEMD和Choi-Williams分布的齿轮故障诊断

针对齿轮箱齿轮故障特征提取过程中,经验模态分解(EMD)存在模态混叠、固有模态函数(IMF)筛分困难以及Wigner-Ville分布(WVD)存在交叉干扰项的问题,提出一种集合经验模态分解(EEMD)和Choi-Williams分布(CWD)相结合的齿轮故障诊断方法。首先,将采集到的齿轮故障信号进行EEMD分解,分解为多个单分量固有模态函数(IMF)的组合;然后,通过相关系数和香农熵准则去除虚假分量并筛选IMF;最后,将筛选出的IMF分量进行CWD表达,结合时频域表现出的频率与等时冲击特性,识别出齿轮故障特征。通过齿轮故障仿真和实验分析,验证了该方法在齿轮箱齿轮故障诊断中的适用性和有效性。

基于Choi-Williams分布的瑞雷波法在采空区探测中的应用研究

现有的瑞雷波数据处理方法通常只能计算得到地震排列下方岩土体平均相速度,造成探测结果的水平分辨率较低。为了解决这一问题,利用Choi-Williams分布得到瑞雷波时间、频率和幅度之间的关系,通过相邻两道不同频率瑞雷波波形的整体时间差,计算瑞雷波频散曲线。结合各道之间瑞雷波频散曲线,得到地震排列下方岩土体瑞雷波相速度-深度剖面。此方法应用于近地表老窑探测,得到了老窑空间分布情况。

基于Choi-Williams分布和排列熵的开关柜局部放电类型识别

开关柜局部放电类型识别对了解绝缘状态并及时维护有着重要的指导意义。局部放电类型识别的关键在于提取局部放电信号的特征。提出一种Choi-Williams分布与排列熵相结合的局部放电超声信号的特征提取方法,利用Choi-Williams分布获得局部放电超声信号的时频特征,求解局部放电超声信号的排列熵,得到信号时间序列的复杂度特征量,与时域特征量组合成特征向量,使用粒子群算法优化的BP神经网络对放电信号进行分类识别。实测数据分析表明,该方法对放电类型识别的准确率达到了96.67%,相较于传统的分形和时频分析方法,分别提高了11.67%和1.67%。

基于EEMD-CWD的齿轮箱振动信号故障特征提取

为实现齿轮箱故障特征提取,提出一种基于集成经验模态分解(EEMD)和乔-威廉姆斯分布(CWD)的齿轮箱振动信号特征的提取方法。对现场采集的振动信号进行EEMD分解,再对分解得到的固有模态函数(IMF)分量依照峭度准则进行排序,选取峭度指标较大的IMF分量进行CWD分析,最终得到信号的CWD.该方法可以有效抑制由于干扰项引起的频率混叠和干扰问题,有助于将原始信号在时间历程、频率成分和幅值大小3个方面的特征信息同时进行准确提取。利用该方法对实际齿轮发生断齿、裂纹故障进行了实验分析,结果表明:该方法能够全面、有效地提取齿轮振动信号中所蕴含的齿轮箱状态信息,为后续进行齿轮箱状态识别和故障诊断奠定基础。

基于改进CWD-CNN的配电网内部过电压类型识别方法

针对配电网内部过电压类别难以辨识的问题,提出了基于改进CWD-CNN的过电压类型识别方法。采用乔威廉姆斯分布(choi-williams distribution,CWD)对电力系统中常见的7种过电压信号进行时频分解,构造可表达过电压信号时频能量特征的二维矩阵,并利用卷积神经网络(convolutional neural network,CNN)进行过电压的分类识别。改进后的CNN卷积核具有长方形尺度,能够高效、迅速地对时频图像进行特征提取。同时,分别从迭代次数、批量样本数、隐层特征图个数以及卷积核尺寸等方面分析其对寻优结果的影响,并确定最佳寻优参数,最后从样本库随机抽取数据进行交叉验证。结果表明,该方法能够有效地对7类过电压信号进行分类识别,并具有较高的识别率,避免了人工提取特征量的局限性和复杂性。

抑制Wigner-Ville分布交叉项方法的比较

由于Wigner-Ville分布对于多分量信号存在交叉项的干扰,影响了特征提取的准确性。利用Choi-Williams分布,可以有效地抑制上述存在的交叉项问题,但其时频聚集性有所下降。因此,提出了基于EMD的Wigner-Ville分布进行特征提取,并在数字仿真振动信号上加以验证。分析结果表明,该方法解决了交叉项和时频聚集性下降问题。

基于MobileNetV3-SVDD的雷达信号调制方式开集识别

针对常见雷达信号调制方式识别方法无法识别未知调制方式的问题,本文提出了一种基于MobileNetV3-SVDD的雷达信号调制方式开集识别方法。将不同调制方式的雷达信号转换成时频图像,使用轻量级深度神经网络MobileNetV3网络提取图像特征。基于一类分类器SVDD构建调制方式超球体来测试识别在训练中未出现过的未知调制方式,完成了对雷达信号调制方式的开集识别。实验结果表明:该方法在信噪比等于8 dB时,已知调制方式识别率均达到100%,未知调制方式识别率均达到95%以上,实现了对未知调制方式的有效分类识别。