常用通信信号和生物医学信号特征提取与模式识别的研究与应用

发布时间：2017-04-05 16:05

  本文关键词：常用通信信号和生物医学信号特征提取与模式识别的研究与应用，由笔耕文化传播整理发布。

【摘要】：随着信号和信息处理在国防和生物医学工程等领域中的应用越来越广泛,人们对信号模式识别的研究越来越成为一个研究热点；再加上信号的种类不断增加,原有单一的方法已经远远不能满足于实际工程的需要,这就需要研究人员根据不同的需要提出不同的研究的方法。 本文主要针对环境监测对典型信号分类识别的需求,提出了一种混合信号特征提取和识别的方法,该方法主要基于高阶谱、循环谱和时频特征,将a平面特征、二次方谱特征与信号频谱特征相结合,提取了频域平滑后α平面深度归一化后的包络均值CSDavareage、递归归一化单频特征检测值Rec和二次方谱归一化单频特征检测值Hsk三个特征,具有识别参数少、对噪声不敏感、计算量小、识别率高、识别种类多等优点。仿真实验和测试结果表明,这种方法比传统识别算法在识别种类和识别率方面均有明显的改善,信号种类囊括了AM、PM、MSK、 ASK、PSK、QAM和DSSS等八大类(本文选取了其中的11种信号进行验证),识别率在不低于5dB时,识别率提高到94.5%以上,在不低于6dB时,识别率达到98%以上。 此外,本文采用频域平滑的方法对谱相关方法进行了改进,并使直接序列扩频信号(DSSS)的识别率提高到95%以上。 最后,本文应用循环谱、经验模式分解和特征熵的方法对生物医学信号进行了特征提取和分类识别,并使用三种心电信号(正常人心电信号、房颤病人心电信号和呼吸暂停病人心电信号)对算法进行了验证。
【关键词】：单频 循环谱 特征提取 模式识别 经验模态分解
【学位授予单位】：北京邮电大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：R318.04;TN911.7
【目录】：

• 摘要4-5
• ABSTRACT5-8
• 第一章 绪论8-13
• 1.1 引言8
• 1.2 研究目的和意义8-9
• 1.3 研究背景、现状和趋势9-10
• 1.4 本文主要的研究内容和主要创新点10-12
• 1.4.1 主要研究内容10-11
• 1.4.2 主要创新点11-12
• 1.5 结构安排12-13
• 第二章 常用信号的模式识别方法和不确定度分析13-19
• 2.1 常用信号的调制原理和分类13-14
• 2.1.1 常用信号的调制原理13-14
• 2.1.2 常用信号的分类14
• 2.2 常用信号识别方法及优缺点比较14-15
• 2.3 不确定度分析15-18
• 2.3.1 不确定度的来源分析与计算标准15-17
• 2.3.2 不确定度的计算17-18
• 2.4 本章小结18-19
• 第三章 常用扩频信号的模式识别方法研究19-33
• 3.1 相关背景技术和识别方法介绍19-22
• 3.1.1 背景技术19
• 3.1.2 现有实现方案比较19-22
• 3.2 识别方案设计22-32
• 3.2.1 本文要解决的主要技术问题22
• 3.2.2 具体方案设计和验证22-31
• 3.2.3 本文技术方案带来的有益效果31-32
• 3.3 本章小结32-33
• 第四章 基于决策论和SVM识别算法的研究33-48
• 4.1 相关识别原理和识别特征介绍33-36
• 4.1.1 高阶累积量原理33-34
• 4.1.2 支持向量机(SVM)原理34
• 4.1.3 识别特征介绍34-36
• 4.2 基于决策论方法的验证36-43
• 4.2.1 esmdwire环境验证36-38
• 4.2.2 esmdwireless环境验证38-40
• 4.2.3 示波器环境验证40-43
• 4.3 基于SVM方法的验证43-47
• 4.3.1 SVM算法研究43
• 4.3.2 SVM算法在识别系统中的应用43-47
• 4.4 本章小结47-48
• 第五章 基于高阶谱的混合信号模式识别算法研究48-56
• 5.1 特征提取与识别算法48-51
• 5.2 识别流程及步骤51
• 5.3 仿真与结果分析51-53
• 5.4 识别系统GUI设计53-54
• 5.4.1 输入项53
• 5.4.2 输出项53-54
• 5.4.3 系统功能和性能描述54
• 5.5 识别不确定度54-55
• 5.6 本章小结55-56
• 第六章 生物医学信号中的模式识别研究56-66
• 6.1 相关知识准备56-58
• 6.1.1 生物医学信号的特点56-57
• 6.1.2 生物医学信号的分类57
• 6.1.3 生物医学信号的模式识别方法57
• 6.1.4 生物医学信号的处理技术57-58
• 6.1.5 生物医学信号主要特征提取方法58
• 6.2 识别算法设计58-60
• 6.2.1 经验模态分解的过程58-59
• 6.2.2 特征熵的定义59
• 6.2.3 新识别算法的提出59-60
• 6.3 算法的实现和验证60-65
• 6.3.1 算法的识别流程图60-61
• 6.3.2 仿真验证61-65
• 6.4 本章小结65-66
• 第七章 总结与展望66-68
• 参考文献68-70
• 致谢70-71
• 攻读学位期间发表的学术论文目录71

【参考文献】

中国期刊全文数据库 前9条

1 张达敏;王旭;;对基于决策论的数字信号调制识别方法的改进[J];计算机应用;2009年12期

2 郭小荟;马小平;;基于Matlab的支持向量机工具箱[J];计算机应用与软件;2007年12期

3 夏龄;;基于循环特征的调制模式识别算法[J];科学技术与工程;2012年31期

4 徐峰;;卫星通信常用调制方式的自动识别[J];信息通信;2011年05期

5 张文红,韩刚,李建东;基于支撑矢量机的通信信号调制识别方法研究[J];通信技术;2003年02期

6 范海波,杨志俊,曹志刚;卫星通信常用调制方式的自动识别[J];通信学报;2004年01期

7 张建立;直扩信号的检测[J];无线电工程;1994年02期

8 王玉静;宋立新;康守强;;基于EMD和奇异值分解的心律失常分类方法[J];信号处理;2010年09期

9 包锡锐;吴瑛;周欣;;基于高阶累积量的数字调制信号识别算法[J];信息工程大学学报;2007年04期

  本文关键词：常用通信信号和生物医学信号特征提取与模式识别的研究与应用，由笔耕文化传播整理发布。

，

本文编号：287270