本文關鍵詞：常用通信信號和生物醫(yī)學信號特征提取與模式識別的研究與應用，由筆耕文化傳播整理發(fā)布。

【摘要】：隨著信號和信息處理在國防和生物醫(yī)學工程等領域中的應用越來越廣泛,人們對信號模式識別的研究越來越成為一個研究熱點；再加上信號的種類不斷增加,原有單一的方法已經(jīng)遠遠不能滿足于實際工程的需要,這就需要研究人員根據(jù)不同的需要提出不同的研究的方法。 本文主要針對環(huán)境監(jiān)測對典型信號分類識別的需求,提出了一種混合信號特征提取和識別的方法,該方法主要基于高階譜、循環(huán)譜和時頻特征,將a平面特征、二次方譜特征與信號頻譜特征相結合,提取了頻域平滑后α平面深度歸一化后的包絡均值CSDavareage、遞歸歸一化單頻特征檢測值Rec和二次方譜歸一化單頻特征檢測值Hsk三個特征,具有識別參數(shù)少、對噪聲不敏感、計算量小、識別率高、識別種類多等優(yōu)點。仿真實驗和測試結果表明,這種方法比傳統(tǒng)識別算法在識別種類和識別率方面均有明顯的改善,信號種類囊括了AM、PM、MSK、 ASK、PSK、QAM和DSSS等八大類(本文選取了其中的11種信號進行驗證),識別率在不低于5dB時,識別率提高到94.5%以上,在不低于6dB時,識別率達到98%以上。 此外,本文采用頻域平滑的方法對譜相關方法進行了改進,并使直接序列擴頻信號(DSSS)的識別率提高到95%以上。 最后,本文應用循環(huán)譜、經(jīng)驗模式分解和特征熵的方法對生物醫(yī)學信號進行了特征提取和分類識別,并使用三種心電信號(正常人心電信號、房顫病人心電信號和呼吸暫停病人心電信號)對算法進行了驗證。
【關鍵詞】：單頻 循環(huán)譜 特征提取 模式識別 經(jīng)驗模態(tài)分解
【學位授予單位】：北京郵電大學
【學位級別】：碩士
【學位授予年份】：2015
【分類號】：R318.04;TN911.7
【目錄】：

• 摘要4-5
• ABSTRACT5-8
• 第一章 緒論8-13
• 1.1 引言8
• 1.2 研究目的和意義8-9
• 1.3 研究背景、現(xiàn)狀和趨勢9-10
• 1.4 本文主要的研究內(nèi)容和主要創(chuàng)新點10-12
• 1.4.1 主要研究內(nèi)容10-11
• 1.4.2 主要創(chuàng)新點11-12
• 1.5 結構安排12-13
• 第二章 常用信號的模式識別方法和不確定度分析13-19
• 2.1 常用信號的調(diào)制原理和分類13-14
• 2.1.1 常用信號的調(diào)制原理13-14
• 2.1.2 常用信號的分類14
• 2.2 常用信號識別方法及優(yōu)缺點比較14-15
• 2.3 不確定度分析15-18
• 2.3.1 不確定度的來源分析與計算標準15-17
• 2.3.2 不確定度的計算17-18
• 2.4 本章小結18-19
• 第三章 常用擴頻信號的模式識別方法研究19-33
• 3.1 相關背景技術和識別方法介紹19-22
• 3.1.1 背景技術19
• 3.1.2 現(xiàn)有實現(xiàn)方案比較19-22
• 3.2 識別方案設計22-32
• 3.2.1 本文要解決的主要技術問題22
• 3.2.2 具體方案設計和驗證22-31
• 3.2.3 本文技術方案帶來的有益效果31-32
• 3.3 本章小結32-33
• 第四章 基于決策論和SVM識別算法的研究33-48
• 4.1 相關識別原理和識別特征介紹33-36
• 4.1.1 高階累積量原理33-34
• 4.1.2 支持向量機(SVM)原理34
• 4.1.3 識別特征介紹34-36
• 4.2 基于決策論方法的驗證36-43
• 4.2.1 esmdwire環(huán)境驗證36-38
• 4.2.2 esmdwireless環(huán)境驗證38-40
• 4.2.3 示波器環(huán)境驗證40-43
• 4.3 基于SVM方法的驗證43-47
• 4.3.1 SVM算法研究43
• 4.3.2 SVM算法在識別系統(tǒng)中的應用43-47
• 4.4 本章小結47-48
• 第五章 基于高階譜的混合信號模式識別算法研究48-56
• 5.1 特征提取與識別算法48-51
• 5.2 識別流程及步驟51
• 5.3 仿真與結果分析51-53
• 5.4 識別系統(tǒng)GUI設計53-54
• 5.4.1 輸入項53
• 5.4.2 輸出項53-54
• 5.4.3 系統(tǒng)功能和性能描述54
• 5.5 識別不確定度54-55
• 5.6 本章小結55-56
• 第六章 生物醫(yī)學信號中的模式識別研究56-66
• 6.1 相關知識準備56-58
• 6.1.1 生物醫(yī)學信號的特點56-57
• 6.1.2 生物醫(yī)學信號的分類57
• 6.1.3 生物醫(yī)學信號的模式識別方法57
• 6.1.4 生物醫(yī)學信號的處理技術57-58
• 6.1.5 生物醫(yī)學信號主要特征提取方法58
• 6.2 識別算法設計58-60
• 6.2.1 經(jīng)驗模態(tài)分解的過程58-59
• 6.2.2 特征熵的定義59
• 6.2.3 新識別算法的提出59-60
• 6.3 算法的實現(xiàn)和驗證60-65
• 6.3.1 算法的識別流程圖60-61
• 6.3.2 仿真驗證61-65
• 6.4 本章小結65-66
• 第七章 總結與展望66-68
• 參考文獻68-70
• 致謝70-71
• 攻讀學位期間發(fā)表的學術論文目錄71

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前9條

1 張達敏;王旭;;對基于決策論的數(shù)字信號調(diào)制識別方法的改進[J];計算機應用;2009年12期

2 郭小薈;馬小平;;基于Matlab的支持向量機工具箱[J];計算機應用與軟件;2007年12期

3 夏齡;;基于循環(huán)特征的調(diào)制模式識別算法[J];科學技術與工程;2012年31期

4 徐峰;;衛(wèi)星通信常用調(diào)制方式的自動識別[J];信息通信;2011年05期

5 張文紅,韓剛,李建東;基于支撐矢量機的通信信號調(diào)制識別方法研究[J];通信技術;2003年02期

6 范海波,楊志俊,曹志剛;衛(wèi)星通信常用調(diào)制方式的自動識別[J];通信學報;2004年01期

7 張建立;直擴信號的檢測[J];無線電工程;1994年02期

8 王玉靜;宋立新;康守強;;基于EMD和奇異值分解的心律失常分類方法[J];信號處理;2010年09期

9 包錫銳;吳瑛;周欣;;基于高階累積量的數(shù)字調(diào)制信號識別算法[J];信息工程大學學報;2007年04期

  本文關鍵詞：常用通信信號和生物醫(yī)學信號特征提取與模式識別的研究與應用，由筆耕文化傳播整理發(fā)布。

，

本文編號：287270