基于DeepLabV3+网络的滚动轴承故障特征识别

滚动轴承的故障信号一般具有非平稳、非线性的特点,通过时频分析可以得到信号中频率随时间的变化关系,有利于识别故障特征。提出了使用DeepLabV3+网络识别时频分布中故障特征的方法,对采集到的滚动轴承振动信号使用短时傅里叶变换得到时频分布,对时频分布中故障区域使用labelme进行标注;将振动信号数据集划分为训练集、验证集和测试集,训练集和验证集用来训练DeepLabV3+网络模型并调整其中的超参数,测试集用来测试网络的泛化能力。使用滚动轴承模拟信号与试验信号对提出的方法进行验证,结果表明该方法可以成功识别滚动轴承的故障特征。

雷达目标微动分辨

研究了基于微多普勒的目标微动分辨,以Wigner-Ville分布为工具,给出了提取微多普勒的方法,然后由微多普勒和微多普勒率的傅里叶变换实现目标的微转动和微平动分辨,提出了基于微多普勒滤波的目标微动分辨技术,使用仿真数据和蒙特.卡洛实验演示了目标微动分辨技术的性能,仿真结果证明了基于微多普勒滤波的目标微动分辨技术的有效性。

V-BLAST的并行译码

移动通信系统研究的热点之一是提高系统容量 .因此 ,空时码技术因其可在衰落环境下提供高质量的信号 ,进而提高系统容量而在无线通信中得到了广泛的研究 .最近几年 ,对空时码中的一个重要分支———垂直 贝尔实验室分层空时码 (V BLAST)的研究已经有很多 .然而 ,传统的V BLAST算法由于需要进行大量的线性迫零和串行符号删除等运算 ,时延很大 .而且发射天线数越多 ,时延也就越大 .针对上述问题 ,本文提出了一种新的基于线性迫零和并行符号删除的检测算法 .其优点是时延小且结构简单 .对于新的译码方案我们在COSSAP中平坦瑞利信道下进行了仿真 ,仿真结果显示了基于并行符号删除的新方案的误码率 (BER)

基于时频图像处理提取瞬时频率的雷达信号识别

时频图像可以刻画雷达信号的脉内调制方式,但是直接利用时频图像识别信号存在特征维数高,受噪声影响大等缺点。针对雷达信号识别问题,提出了一种利用Choi-Williams时频图像处理提取信号瞬时频率特征的识别方法。该方法从信号的时频分布出发,将信号的时频分布看成灰度图像,利用一系列形态学图像处理方法对图像进行降噪,提取时频图像中行索引信息作为信号的瞬时频率特征用于信号识别。仿真结果表明,通过图像处理方法提取的特征在低信噪比下具有很好的稳定性,在信噪比大于0dB时对7种典型的雷达信号识别率均超过90%,与现有方法相比,在低信噪比下就有更好的识别效果。

遥感图像的实时云判技术

通过提取多种特征,采用最小距离分类方法,对卫星遥感图像中的基本图像单元进行云图和地物的区分,算法复杂度小,正确识别率达到90%.以分幅为单位设计剔除规则,将大块云图数据进行剔除.使用高速信号处理手段,将算法移植到数字信号处理器(DSP)板卡中,使其能够充分有效地利用通用DSP系统丰富的计算资源,实时完成云判算法和剔除功能.系统在某地面站接收系统中获得应用,性能指标达到要求,提高了地面站系统的信息处理能力和自动化程度.

DS-CDMA通信系统中使用阵列天线的码捕获和波束形成权值捕获

提出了空时相关器 (STC)方法实现使用自适应阵列的DS CDMA系统的码捕获和自适应波束形成权值捕获 .空时相关器利用导频符号 ,把空域维纳滤波和相关器相结合 ,同时利用信号的时域和空域特性 ,从而提高了检测性能 .提出在空域合并时使用次优合并和最优合并方式 ,对空时白色噪声环境下空域次优合并方式的检测性能进行了理论分析 ,仿真结果与理论预测一致 。

基于改进TESP算法的边防车辆类型声音识别

将声音识别技术应用于边防车辆类型的自动识别,提出了一种改进的基于实时编码信号处理(TESP)算法的特征提取方法。具体方法是:根据车辆声音信号的特点提出一个包含40字符的扩展符号表,根据符号表编码后产生的符号流构造1维S矩阵,同时,以符号流中相同的连续2个符号出现的概率为参数构造2维A矩阵,得到更加精确的特征向量。然后,设计了支持向量机(SVM)分类器和K-邻近分类器(KNN)对不同的车辆类型进行分类识别。仿真实验结果表明:与基于传统TESP算法的识别率(51%)相比,基于40字符符号表的1维S矩阵和2维A矩阵特征提取方法的平均识别率分别达到84%和87%。与传统的基于频域和时频域提取特征方法相比,该算法需要较少的运算能量和内存资源,识别速率快,识别准确率高。

基于Costas编码脉冲串的低截获声呐波形设计方法

针对声呐低截获波形设计,提出了一种基于有限域理论的Costas编码脉冲串跳频信号构建方法。该方法根据整数集合生成有限域的充分性定理和有限域中本原元的存在性定理,在给定素数p的条件下,构造了包含p个元素的有限域,给出了该有限域中本原元的求解方法以及递推公式,该方法可以通过大数值模除运算来构造高阶次Costas阵列。实验结果表明,基于有限域理论的Costas编码脉冲串跳频信号具有较小的非循环互相关系数和"图钉"状的模糊度函数,具有好的多普勒频率分辨率和时延分辨率,对于低截获声呐设计具有重要的实用价值。

低信噪比图象中运动目标的实时检测

在低信噪比条件下，要从图象中以视频速率检测出运动目标存在不少困难。提出一种用帧间邻域高位比较法检测当前帧的运动目标的方法。这种方法包括选择处理窗口对当前象素及其邻域象素编码、存储和比较。建立了该算法的硬件实现的实时系统，分析了工作时序，较好地解决了运动检测算法中出现的抗噪度与灵敏度之间的矛盾、抗噪度与实时性之间的矛盾。这种检测以视频速率实时工作，可以用于电视侦察和监视系统中，也可用于光电成象的图象去噪以及扫描速率变换中。

基于时间编码信号处理与识别的滚动轴承性能退化程度评估

滚动轴承是最常见的机械设备之一,对其进行性能退化评估是实现视情维修的基础。近年来滚动轴承监测技术已经取得了一定的成果,但找到一个能够对轴承故障进行早期预警且具有可信度高、高效率的监测系统是一大挑战。提出了一种基于时间编码信号处理与识别(TESPAR)的设备性能退化评估方法,并将其运用于滚动轴承不同故障程度实验与全寿命实验。结果表明:TESPAR分析不仅能准确分辨不同故障程度,且对轴承故障的变化具有敏感性。

经验模式分解模糊特征提取的支持向量机混合诊断模型

为解决机械故障小样本模式识别问题,有效地提高分类的准确率,提出了一种基于经验模式分解模糊特征提取的支持向量机混合诊断模型.该模型通过对信号进行经验模式分解,提取信号的本征模式分量并转化为模糊特征向量,对机器故障进行诊断,然后将模糊特征向量输入到多分类的支持向量机中,实现了对机器不同故障类型的识别.将该模型应用于汽轮发电机组的 3 种工作状态的识别中,测试结果表明,同原有的未经过任何特征提取以及经过小波包模糊特征提取的 2 种多分类支持向量机方法相比,该模型将分类准确率从原有的53 33%和86 67%提高到100%,有效地改善了分类的准确性.同时,该模型还为汽轮发电机组的故障确诊提供了有力依据.

WCDMA系统发送分集技术的性能分析

本文针对WCDMA系统中的开环和闭环两类发送分集技术 ,给出了相干接收的算法模型、性能分析及仿真结果 ,进而揭示了这两类发送分集技术之间的关系 .理论分析及仿真结果表明 ,在总发送比特能量相同的条件下 ,闭环发送分集模式在步行环境下能提供比开环分集模式更好的接收性能 ;开环分集模式的接收性能则在车载环境下比闭环模式有更好的稳定性 .

基于FOLP的STBC-OFDM信号盲识别方法

针对STBC-OFDM信号盲识别中存在着识别所需样本数多、对频偏敏感和不适用于单接收天线等问题,提出一种基于FOLP(Fourth Order Lag Product)的识别方法.根据不同空时分组码元素的相关性,推导了接收信号的FOLP,构造了基于FOLP的峰值检测算法.推导和仿真结果表明,该算法能够在单接收天线下运行,且不需要知道信道信息、噪声信息、调制信息以及OFDM块的起始位置;且该算法不受调制方式的影响,对时延、相位噪声和频率偏移鲁棒性能好,能够应用于认知无线电、频谱监控等工程领域中.

基于机器视觉的火车驾驶员动态手势识别方法

为快速准确识别火车驾驶员动态手势,提出一种基于机器视觉的动态时间规整算法。采用Kinect视觉传感器提取手势深度信息,结合人体骨骼节点信息,通过选取合适的深度距离阈值将手势图像信息从背景中分离出来。基于支持向量机(SVM)算法对分割后的手势图像进行识别并对手势规范性进行评价。利用图像深度数据以及驾驶员骨骼数据得到手臂骨骼节点的运动序列,结合动态时间规整(DTW)算法进行动态手势最优匹配,得到动态手势识别和评价结果。模拟场景数据测试实验表明:在可靠性和稳定性方面,所提出的方法优于传统的方法。此外,该方法能够实时实现和准确得分。

基于SOC单片机的高集成度光电编码器电路设计

提出了减小光电编码器电路部分空间,缩小其结构尺寸的方法,并对编码器的电路处理进行了研究。介绍了光电编码器的基本原理、光电信号特点和信号处理的要求,分析了传统电路处理方案的特点,说明了基于放大器和比较器的传统方案是造成电路结构设计体积较大的原因。为改变传统方案,提出了用AD直通处理和分时驱动光电信号采集技术来代替传统硬件设置从而有效压缩电路部分空间的方法。介绍了编码器高集成度电路设计的实现原理,并设计了一种16位小型编码器,其电路板面积为415mm2,,编码器体积仅为Ф25mm×16mm。设计实验表明,基于SOC单片机的高集成度光电编码器电路设计技术使用元器件少、电路简单、集成度高,可有效压缩传感器电路部分的空间。

基于改进卷积神经网络的脑电信号焦虑情绪量化识别

精确量化检出大学生的焦虑情绪并对病理因素进行追溯分析,是临床心理治疗和心理危机干预的重要环节,而基于脑电(Electroencephalograph,EEG)信号的深度学习是当前最具发展潜力的一种诊断方法。本研究对传统卷积神经网络(Convolutional Neural Networks,CNN)进行改进,提出并构造一个基于“扩展信息输入空间”的神经网络(Neural Network Based on Extended Information Input Space,NN-EIIS)模型,取代CNN末端的分类器;并引入具有独立性的被试对象焦虑量表得分(Score of Anxiety Scale,SAS),作为焦虑情绪量化标准和训练样本集的输出。以某高校大学生为研究对象进行实验,结果表明所提出的方案不仅实现了对焦虑情感的精确量化识别,还能利用所得模型,在一定程度上对大学生焦虑障碍患者的某些重要的内在病理因素进行追溯分析。

空间时频分布中的信号分类

空间时频分布可被用于信号盲分离和来波到达角的高分辨率估计等领域,在空间时频分布矩阵中选择合适的时频点是基于空间时频分布的阵列信号处理算法的关键。分析了空间时频分布矩阵的结构特征,通过无约束最优化方法在时频平面上搜索单一信号项的时频点,然后使用改进的最邻近法对时频点按来波类型进行分类,可以区分具有不同时频特征的方向相近的多个信号。

基于流形学习与隐马尔可夫模型的刀具磨损状况识别

为了提高金属铣削过程中的刀具磨损状态识别的自动化程度与精度,提出了基于局部切空间排列(LTSA)方法与隐Markov模型(HMM)来识别刀具的不同磨损状态的方法。该方法首先利用小波分析技术对铣削过程中的切削进给方向力信号进行处理,构造了高维特征空间。然后使用基于流形学习方法实现了高维特征空间的维数约简。最终利用约简后的低维特征向量训练HMM,从而实现刀具磨损状态的识别。实验结果说明该方法能够有效地识别铣削过程的刀具磨损状态。与未经特征维数约简的识别方法相比,新方法能够提高刀具磨损状态的识别效率与准确率。

基于嵌入式技术的红外信号实时处理系统研究

为了提高红外信号的耐压值,增强实时处理系统的处理能力,提出基于嵌入式技术的红外信号实时处理系统研究。在嵌入式技术的背景下,利用红外信号转换器设计和红外信号预处理电路设计,完成了系统的硬件设计;基于红外信号的识别及实时处理红外信号,完成了系统的软件优化设计,实现了基于嵌入式技术的红外信号的实时处理。试验测试结果显示,识别频率为1000 Hz时,红外信号耐压值的上限达到了48 V,基于嵌入式技术的处理系统相比于传统处理系统,红外信号的处理能力更强。

基于多模式EEG的脑-机接口虚拟键鼠系统设计

现有的脑-机接口系统大都只基于单模式的脑电特征,系统能实现的功能非常有限,从而制约了脑-机接口系统的应用。采用基于多种模式脑电信号(electroencephalogram,EEG)的脑-机接口技术来实现虚拟键鼠系统,使得被试可以利用自身的脑电信号控制鼠标和键盘的操作。研究了脑-机接口中常用的3种脑电信号,分别是P300波、alpha波以及稳态视觉诱发电位(steady state visual evoked potential,SSVEP),通过设计实验成功的诱发出了被试相应的特征脑电信号。利用SSVEP的脑电特征设计6频率LED闪烁刺激的虚拟鼠标系统,实现控制鼠标光标移动、单击左键和单击右键的任务;利用P300波的脑电特征设计6×6的字符矩阵虚拟键盘系统,实现字符输入的任务;利用被试自主闭眼增强alpha波的脑电特征,实现鼠标和键盘应用切换的任务。研究了适宜这3种脑电特征的最佳测量电极组合及模式识别算法,使得对3种脑电信号的识别正确率均达到了85%以上。测试结果显示,文中设计的基于多模式EEG的脑-机接口虚拟键鼠系统能有效地实现鼠标控制以及键盘输入的任务。