基于WPT-PRI的未知雷达辐射源分选

对未知雷达辐射源信号进行准确分选是当前电子对抗领域亟待解决的一个难题。基于小波包变换(WPT)可实现多种不同调制信号的分类,且对噪声不敏感,但对于相同调制样式不同调制参数的信号则无效。该文提出一种基于WPT-PRI的新方法,首先利用WPT实现不同调制样式信号的分类,对于具有相同调制样式、不同调制参数的信号基于脉冲重复间隔(PRI)进一步细分。仿真结果验证新方法准确有效。

基于深度卷积神经网络与WPT-PWVD的轴承故障智能诊断

针对轴承故障诊断中人工提取特征依赖经验,且泛化性和自适应能力弱等问题,提出一种基于深度卷积神经网络(DCNN)与WPT-PWVD的智能故障诊断新方法。①利用小波包变换(WPT)将轴承故障信号进行自适应分解以提取有效高频成分并进行重构;②利用希尔伯特算法对重构信号做包络解调并进行伪魏格纳分布(PWVD)以得到能揭示轴承主要故障信息的时频图;③构建DCNN网络对轴承故障时频图自动学习提取故障特征,并通过在DCNN特征输出层后添加的Softmax多分类器进行网络参数微调,将特征自动学习提取与故障分类融为一体,实现轴承故障智能诊断。使用所提方法对不同工况、不同故障程度及不同故障类型的轴承进行诊断,结果证明了所提方法诊断精度高,且泛化能力强。

基于多参数的雷达辐射源分选新方法

针对现有方法分选准确率不高和对参数变换敏感的问题,提出一种新的雷达辐射源分选算法。将常规参数到达角、载频、脉宽和脉内特征参数Wpt6,Wpt7构成特征向量,用Kohonen神经网络实现自动分选。仿真结果表明,新方法的分选准确率较常规方法可以提高7%左右,更加适应于现代电子战环境。

一种改进的心电信号预处理方法研究

心电信号是典型的强噪声下的非平稳微弱信号,减小噪声的干扰对心电信号的分析有着十分重要的意义,因此,有效的滤波方法一直是该领域学者关注的热点问题。本文在基于小波变换心电信号分析研究基础上,针对小波去噪时分解只作用于低频部分,从而忽略了高频区域中一部分有用信号的问题,提出了一种采用改进小波包理论实现心电信号去噪的方法,利用小波包在消除信号噪声方面具有更为精确的局部分析能力的特点,采用了‘db4’小波和"最优基"选择的方法,对心电信号进行消噪。以MIT-BIH心电数据库中心律失常数据仿真实验,得到了较理想的去噪效果。对比该方法与小波滤波去噪,发现基于小波包的心电信号去噪具有更优良的去噪性能。

心电信号中R波的小波包检测算法研究

心电信号(ECG)特征参数的提取和检测是心电图分析和诊断的基础,而在ECG分析中,快速准确地检测出QRS波群非常重要,它是计算相关参数和诊断的前提。本文针对心电信号QRS波群中R波的检测算法进行了研究与分析,对传统的小波R波检测算法中存在的检测准确率较低和实时性较差的问题加以改进,并提出了具有更加优良分析效果的小波包R波检测方法。并利用美国麻省理工学院的MIT/BIH心电数据库对上述方法进行仿真验证,同时与传统的小波R波检测算法进行实验对比,结果表明,该方法简单有效、准确率高,适于实际应用。

基于D-S证据理论的感应电动机故障诊断分析

采用D-S证据理论对感应电动机进行转子断条和定子匝间短路的故障诊断。基于小波包变换的频率划分特性,对定子三相电流信号进行小波包分解,利用节点系数的均方根值构建电动机转子故障的特征矢量(证据体);求取证据体对转子故障所赋予的基本概率分配函数值,然后根据D-S证据理论融合规则进行数据融合处理,实现对电动机转子断条故障的准确识别。用相似的方法也准确诊断了定子匝间短路故障。