EMD和LS-SVM相结合的高压水射流靶物材质识别方法研究

为了利用靶物反射声有效识别靶物材质,提出了一种新的基于经验模态分解(EMD)和最小二乘支持向量机(LSSVM)相结合的靶物材质识别方法。首先应用模极大值算法识别靶物边界点,提取边界点内的反射声信号进行小波降噪预处理,对预处理后的信号进行EMD分解,并计算获得各个本证模态(IMF)分量的短时能量比,作为对应不同靶物材质的特征值输入到利用LS-SVM建立的多分类模型。介绍了上述方法的基本原理,设计了试验装置和靶物材质识别影响因素分析试验方案。实验结果表明:靶物的内部结构和外形大小因素对靶物材质识别率影响小,利用上述方法进行的四种靶物材质探测,平均识别率达到85.83%,比BP神经网络提高了18.83%,且运算速度也得以提高,因此该方法可以用于靶物材质的识别。

高压水射流靶物反射声信号的特征提取方法

为了提高利用高压水射流靶物反射声信号识别靶物材质的效率,针对地雷探测过程常见的地雷、石块、砖块和木块4种靶物,采用不同的特征提取方法来识别靶物材质。在分析Mel频率倒谱系数及小波包变换倒谱系数基本原理的基础上,结合靶物反射声信号的特点,提出了一种基于Mel频率倒谱和小波包变换倒谱特征融合的特征提取方法:利用小波包变换将原始靶物反射声信号划分为若干子频段,选取其中一个子频段作为低频和高频的划分层;低频部分提取Mel频率倒谱系数作为特征值,高频部分则提取小波包变换倒谱系数作为特征值,将2组特征值线性合并为一组新的特征向量,用于靶物材质的识别。采用最小二乘支持向量机建立多分类模型,验证基于单一特征和基于特征融合的特征提取方法的识别率。实验结果表明,在取得低频与高频的最佳划分层时,基于特征融合的特征提取方法的平均识别率达到82.812 5%,较单一的利用Mel频率倒谱系数或小波包变换倒谱系数作为特征向量时的平均识别率分别提高了10.312 5%和7.812 5%。