基于面积加权GWT-GFT的水声目标识别

由于海洋环境的复杂性,水声目标的识别具有很大的挑战性。为解决这类复杂环境下特征提取的问题,提出了一种基于面积加权的图小波变换-图傅里叶变换(GWT-GFT)的分析方法。在完成数据预处理后,为了能够凸显顶点之间的关系,提出了一种新的基于顶点三角形面积的加权方法来构建图信号;构建好的图信号通过GWT分解为多尺度图分量;然后,利用GFT将这些分量从图域变换到特征值谱域进行分析;在此基础上,提取各分量特征值谱的特征;最后,利用基于高斯核函数的支持向量机(SVM)对获取的特征向量进行分类。基于水声信号ShipsEar数据库,采用5折交叉验证方法进行验证。与现有的其它方法相比,所提的模型以36个特征在376656个样本上取得了97.22%的准确率,证明了该分析方法的有效性和鲁棒性。

结合LSTM和自注意力机制的图卷积网络短期电力负荷预测

针对现有电力负荷预测模型建模工作量大、时空联合表征不足、预测精度低等问题,提出了一种结合长短期记忆(LSTM)网络和自注意力机制的图卷积网络(GCN)的短期电力负荷预测模型GCNLS-STLF。首先,利用LSTM和自注意力机制将原始多维时间序列数据转化为包含序列间关联关系的电力负荷图;然后,通过GCN、LSTM和图傅里叶变换(GFT)对电力负荷图进行特征提取;最后,使用全连接层对特征进行重构,并利用残差进行多次预测,以增强原始电力负荷数据的表达能力。在摩洛哥与巴拿马某电站的真实历史电力负荷数据上进行的短期电力负荷预测实验结果显示,与支持向量机(SVM)、LSTM、混合模型CNN-LSTM和基于注意力的CNN-LSTM(CNN-LSTM-attention)等预测模型相比,GCNLS-STLF在摩洛哥全部电力负荷测试集上的平均绝对百分比误差(MAPE)分别降低1.94、0.90、0.49和0.37个百分点;在巴拿马电力负荷测试集上的3月份MAPE分别降低1.39、0.94、0.38和0.29个百分点,6月份MAPE分别降低1.40、0.99、0.35和0.28个百分点。实验结果表明,GCNLS-STLF能有效提取电力负荷的关键特征,预测效果较好。

稀疏分解和图拉普拉斯正则化的图像前景背景分割方法

针对现有图像前景背景分割方法的分割结果存在孤立像素点的问题,利用图信号处理理论和稀疏分解模型,提出新的图像前景背景分割方法.将图像的内在结构建模为图,通过图模型有效地刻画像素之间的内在关联性.将图像的像素强度建模为图信号,其中图像背景作为平滑分量,由一组图傅里叶变换基函数线性表示,叠加在背景上的前景为稀疏分量,前景像素间的连通性可由图拉普拉斯正则化项进行刻画.将图像前景背景分割问题归结为包含稀疏分解模型和图拉普拉斯正则化项的约束优化问题,采用交替方向乘子法对该优化问题进行求解.实验结果表明,与现有的其他方法相比,所提方法具有更好的分割效果.

基于图卷积神经网络的室内穿墙无源目标检测算法

针对室内穿墙场景下目标状态差异而导致的信道状态信息(Channel State Information,CSI)功率谱密度在时序发生相应变化规律的不同,本文提出了一种基于图卷积神经网络(Graph Convolutional Neural,GCN)的室内穿墙无源目标检测算法.不同于传统的基于CSI的统计特征实现目标检测的相关系统,该算法从CSI的图域出发,基于CSI时频图特征构建得到GCN图结构后,使用可实现对复杂图中各节点进行分类的GCN作为分类器,提高了室内复杂环境下目标检测的性能.该方法在对原始CSI进行异常值去除和小波阈值去噪的基础上,利用短时傅里叶变换得到每个子载波上CSI幅值的时频图;然后根据各子载波CSI时频图特点,将存在能量的频率平均分为5个频段,再计算每个频段的平均功率谱密度,并在每个时序对其进行排序;最后基于对平均功率谱密度排序后各频段索引的变化规律构造GCN图,并将其邻接矩阵和特征矩阵输入GCN网络中进行训练,最终实现图节点特征与目标状态的一一映射.实验结果表明,在玻璃墙和砖墙场景下,本文提出的算法能够很好地刻画目标状态不同而导致的CSI功率谱密度变化规律的差异,且其平均检测准确率均高于现有的R-TTWD(Robust device-free Through-The-Wall Detection)和TWMD(The-Wall Moving Detection)目标检测算法.

基于骨骼点动态时域滤波的人体动作识别

人体动作识别是计算机视觉的重要研究方向,广泛应用于智能监控、人机交互等领域。现有基于骨骼点的动作识别方法多采用图卷积网络(GCN)和时间卷积网络(TCN)级联的方式实现,而后者卷积核的尺寸限制了模型的全局时间建模能力。此外,仅使用卷积处理骨骼点数据缺乏对于不同骨骼点的区分能力,并且TCN提取特征时往往会重复计算,使得TCN的参数量随着网络层数的加深而增大。借助信号处理的方法提出了一种适用于骨骼点的动态时域滤波模块(SDTF),用于代替TCN对时间特征进行全局建模,并在此基础上对AGCN进行轻量化改进,提出的AGCN-SDTF动作识别模型降低了模型复杂度。SDTF通过傅里叶变换对时间特征进行建模,将傅里叶变换得到的频域特征与滤波得到的频域输出相乘再经过傅里叶逆变换,从而实现对全局时间特征的提取。在NTU-RGBD和Kinetics-Skeleton大型数据集上的实验结果表明,该模型在达到与原模型相同的识别效果时,降低了模型所需的参数量和计算量。

快速Fourier变换的信号流图自动生成

快速 Fourier 变换信号流图对于快速 Fourier 变换的研究是很有意义的。本文系统地提出了快速 Fourier 变换信号流图自动生成的算法,包括一般快速 Fourier 变换和广义滑动快速 Fourier 变换的信号流图的自动生成算法。根据算法提出了面向对象的实现方法并开发了相应的应用程序。

基于时频图学习的北斗卫星导航系统干扰类型识别

针对当前干扰识别算法依赖特征工程提取特征存在提取繁琐、识别准确率受干信比取值影响较大的问题,本文提出在不同干信比情况下基于时频图学习的北斗卫星导航系统(BDS,Beidou navigation satellite system)干扰类型识别方法。以航空机载北斗卫星导航系统B1I信号为对象,对原始B1I信号、包含干扰的B1I信号进行短时傅里叶变换,将变换后获取的时频图作为支持向量机和卷积神经网络模型的输入向量,完成干扰类型的检测与识别。仿真结果表明,两种机器学习识别算法的平均识别率均达到了99%以上,识别结果比传统决策树识别算法提升了30%以上,解决了现有干扰识别算法需要严重依赖人工设计的特征工程手动提取干扰信号特征以及识别率较低的问题。该研究结果可为后续的干扰抑制工作提供先验信息,提高航空领域中北斗卫星导航系统的安全性。

一种基于图信号处理的BP神经网络语音识别方案

文中研究图信号处理技术在语音信号处理领域的实现和应用。基于语音信号基本特征,提出一种语音图信号拓扑结构和图邻接矩阵新方案,即语音采样点为图顶点,全连接语音拓扑结构和语音样值差递减幂函数作为边权重。分析了新方案下浊音、清音和静音的图傅里叶变换。基于新方案下语音图傅里叶变换系数集中于低频的特性,设计图低通滤波器,并将该低通滤波器滤波后的语音信号进行基于BP神经网络的数字语音识别实验,正确识别率获得明显提高。

基于图信号处理的频控阵雷达目标定位方法

针对现代雷达应用对目标高精度测角和测距的需求,该文将图信号处理(GSP)应用于频控阵(FDA)雷达目标定位中,提出一种基于图信号处理的频控阵雷达目标定位新方法。首先,基于频控阵雷达几何模型及回波数据间的信号关联性构建回波数据的图信号模型,进而利用图傅里叶变换对上述图信号作图谱分解,构建2维谱峰搜索优化函数,最终有效获得目标的方位角-距离联合估计。仿真实验结果表明,该算法能够正确估计出目标的方位角和距离信息;在相同仿真条件下,算法的估计精度优于同类算法且提升了对弱目标的定位性能。

基于路图GFT谱相似度的小电流接地系统故障选线

针对现有小电流接地系统发生单相接地故障时的选线问题,提出一种基于路图图傅里叶变换(GFT)谱相似度的故障选线方法。对各出线暂态零序电流进行路图GFT分析,发现非故障线路的路图GFT谱相似,与故障线路有明显差异。通过综合离散弗雷歇距离和综合余弦相似度2个维度综合表征故障线路和非故障线路的路图GFT谱差别,从而筛选出故障线路。仿真结果表明,所提方法实现简单,选线可靠性高,且不易受电网拓扑、过渡电阻、故障初始条件等因素的影响。

连续时间信号频谱图形的Matlab实现方法

信号与系统课程中傅里叶变换及频谱分析理论具有抽象复杂的特点,使得传统课堂模式下的教学过程难以顺畅进行。因此,探索一个借助于Matlab的绘图功能,使相关理论的教与学过程简单化,进而提高课堂教学质量的有效方法是必要的。本文依托于一个选定的操作样例信号的相关程序设计过程,探讨利用Matlab软件实现非周期连续时间信号频谱图形的多种方法,详细描述了其中的离散数值计算方法的理论及具体应用步骤。程序运行给出的频谱图形,证明了离散数值计算方法的正确性,说明了利用直观的Matlab图形作为辅助工具来改进理论教学过程的方法是可行的。

一种改进雅可比算法的频域临界采样图滤波器组

频域临界采样图滤波器组需要对拉普拉斯矩阵进行特征分解,这导致了该框架计算复杂度过高。针对该问题,采用改进雅可比算法近似求解该框架的特征矩阵,从而降低计算复杂度。改进的雅可比算法将近似求解特征矩阵的问题归结为一个带约束的优化问题,将拉普拉斯矩阵的近似误差作为目标函数,以近似特征矩阵的稀疏正交性作为约束条件,从而求解出近似特征矩阵。理论和仿真实验结果表明,近似特征矩阵用于频域临界采样图滤波器组不会改变其完全重构条件,且与现有的频域临界采样图滤波组相比,改进的雅可比算法在降低计算复杂度的同时保持了良好的去噪性能。

基于卷积神经网络+迁移的飞机目标分类方法

为提高现代战争中对飞机目标分类识别的准确度,提出了一种基于卷积神经网络与迁移学习相结合的飞机目标分类方法.首先利用建立的飞机叶片回波模型经过短时傅里叶变换后得到所需直升机、螺旋桨飞机和喷气式飞机的时频图数据集;其次通过迁移学习对源域网络模型进行迁移,并对目标域网络模型通过微调作进一步优化;最后利用所提方法对仿真生成的三类飞机时频图数据集进行预测分类.仿真结果表明,本文方法对三类飞机目标总测试样本的平均分类识别率为99.08%,表现出了良好的分类识别效果.

鲁棒音频数字水印图频域算法研究

为了解决音频水印的鲁棒性问题,本文提出一种基于图傅里叶变换和奇异值分解的音频水印算法。该算法借助Arnold对图像水印进行置乱加密,利用图傅里叶变换和奇异值分解的特性,将加密后的图像水印嵌入到音频载体上。仿真实验结果表明,音频载体在经过噪声、压缩、重采样、滤波、压缩等多种攻击后能提取出较完整的图像水印,证明该算法具有良好的不可感知性、保密性和鲁棒性。

路图傅里叶变换及其在滚动轴承故障诊断中的应用

图信号处理(Graph signal processing,GSP)是由谱图理论发展起来的新研究领域。图傅里叶变换(Graph Fourier transformation,GFT)是图信号关于图拉普拉斯矩阵特征函数的展开,也是GSP的基础。对路图的GFT进行分析,发现GFT得到的特征值谱与经典的傅里叶变换(Fourier transformation,FT)频谱有一一对应关系,同时,特征值谱的幅值与特征矢量也有对应关系。将GFT引入滚动轴承故障诊断,提出基于GFT特征提取和K-均值聚类的滚动轴承故障诊断方法。该方法先用GFT将滚动轴承的路图信号变换到特征值谱域;再计算特征值谱的统计量作为故障特征;最后运用K-均值聚类分类器识别滚动轴承的故障类型。对实际轴承振动信号的分析结果表明,基于GFT和K-均值聚类的故障诊断方法能准确有效地识别滚动轴承故障。

语音图信号处理理论与技术研究

首先论述新型图信号处理(Graph Signal Processing,GSP)技术的基本概念和相关研究进展,其中包括图拓扑结构、图傅里叶变换、滤波及图学习。鉴于语音信号是一种非平稳和非线性的信号,为此,文中研究基于GSP技术的语音信号的图映射理论,即将时域语音信号映射为图域的语音图信号,通过设计语音图信号的图拓扑结构和图邻接矩阵来研究语音图信号的内在潜藏关系,进而设计优于经典DSP的语音图信号消噪算法和系统。在此研究基础上,进一步讨论相关实际应用问题,例如麦克风阵列环境下如何通过GSP技术处理麦克风阵列声源(说话人)的定位及追踪问题。期望基于GSP技术语音图信号处理理论,为语音识别、合成、编码、增强等各个领域的图信号处理奠定理论基础。

图卷积神经网络基础图结构影响研究

为进一步提高基于图卷积神经网络的半监督图节点分类的准确率,本文研究了基础图结构对图卷积神经网络的影响.通过对数据集(Cora、Citeseer及Pubmed)的图结构进行可视化,发现数据集(Cora、Citeseer)的图结构均为非连通图.通过研究非连通图中图拉普拉斯矩阵的"0"特征值和特征向量的特性,提出了通过对图拉普拉斯矩阵的"0"特征值对应的特征向量进行相关运算处理,获取非连通图最大连通分量的方法.该方法有效获取了数据集(Cora、Citeseer)图结构的最大连通分量,去除了非连通小分量.在该最大连通分量上利用3种先进的图卷积神经网络模型(GCN、GAT和GMNN)进行了实验验证,结果表明分类准确率提升了1%-4%,为其它包含小连通分量噪声的数据集更有效地利用图卷积神经网络模型训练提供了参考.

分析大数据:非规则结构与图信号

图信号处理(GraphSignalProcessing,GSP)使用和扩展信号处理的处理手段,以处理定义于不规则图结构上的数据。文中介绍图信号处理的研究背景及其研究意义,对图信号处理中图信号、图移位算子、图傅里叶变换以及图滤波器等几个重要的基本概念进行了阐释。目前图信号处理研究极其活跃,已经涵盖很多方面,文中着重对其中3个方向的研究进展进行了梳理与分析,包括图信号的采样与重建、图结构的学习以及图滤波器设计。最后,对图信号处理相关研究进行了展望,提出了若干值得进一步研究的问题。

谱图傅里叶变换与谱图小波变换基分析研究

卷积神经网络在欧氏数据上取得巨大成功之后,开始在图结构、几何流行等非欧数据上泛化。当前图卷积神经已成为研究热点。在数字图像去噪、压缩、增强、融合以及加密方面傅里叶变换与小波变换是不可或缺的处理手段,在图卷积神经中有卷积定理将傅里叶变换用于实现图上的卷积运算,谱图小波变换也只是实现了卷积的快速算法,都是围绕如何在图结构上做卷积而展开的研究,没有真正发挥其作用,大大限制了图卷积神经网络性能的发挥。该文对谱图傅里叶变换与谱图小波变换基进行分析研究,同时研究基与图结构之间的关系。实验表明通过谱图傅里叶变换和谱图小波变换可以获取图结构的特征信息,为谱图小波变换和谱图傅里叶变换更深入地与图卷积神经网络结合提供了参考。

废弃电路板环氧树脂真空热解及产物分析

在真空条件下,应用程序升温的管式炉反应器对废弃电路板中环氧树脂热解规律进行研究,考察不同的热解终温、升温速率、真空度(压力)及保温时间等各种因素对产物产率的影响。此外,利用傅里叶红外(FT-IR)和气质联用(GC/MS)技术对热解油产物进行表征分析。实验结果表明:温度对产物产率的影响最大,升温速率、真空度及保温时间对热解产物产率也有重要影响。选择适当的热解温度(400～550℃)、升温速率(15～20℃/min)、真空度(压力15kPa)及保温时间(30min)有利于提高热解液体产品的产率;热解油的主要成分是酚类物质,其总含量为84.08%,其中,含溴化合物含量为15.34%。