基于小波变换的雷达辐射源信号特征提取
复杂体制雷达辐射源信号特征的FAHP评价
１８２０１２，４８（２０）ＣｏｍｐｕｔｅｒＥｎｇｉｎｅｅｒｉｎｇａｎｄＡｐｐｌｉｃａｔｉｏｎｓ计算机工程与应用 复杂体制雷达辐射源信号特征的ＦＡＨＰ评价 朱斌１一，金炜东。，余志斌１ ＺＨＵＢｉｎｌｐ．ＪＩＮＷｅｉｄｏｎ９１．ＹＵＺｈｉｂｉｎｌ １．西南交通大学电气工程学院，成都６１００３１ ２．长江师范学院物理学与电子工程学院，重庆４０８１００ １．ＳｃｈｏｏｌｏｆＥｌｅｃｔｒｉｃａｌＥｎｇｉｎｅｅｒｉｎｇ，ＳｏｕｔｈｗｅｓｔＪｉａｏｔｏｎｇＵｎｉｖｅｒｓｉｔｙ，Ｃｈｅｎｇｄｕ６１００３１，Ｃｈｉｎａ ２．ＳｃｈｏｏｌｏｆＰｈｙｓｉｃｓａｎｄＥｌｅｃｔｒｏｎＥｎｇｉｎｅｅｒｉｎｇ，ＹａｎｇｔｚｅＮｏｒｍａｌＵｎｉｖｅｒｓｉｔｙ，Ｃｈｏｎｇｑｉｎｇ４０８１００，Ｃｈｉｎａ ＺＨＵＢｉｎ，ＪＩＮＷｅｉｄｏｎｇ，ＹＵＺｈｉｂｉｎ．ＦＡＨＰ－ｂａｓｅｄｆｅａｔｕｒｅｅｖａｌｕａｔｉｏｎｆｏｒａｄｖａｎｃｅｄｒａｄａｒｅｍｉｔｔｅｒｓｉｇｎａｌｓ．Ｃｏｒｎ－ｐｕｔｅｒＥｎｇｉｎｅｅｒｉｎｇａｎｄＡｐｐｌｉｃａｔｉｏｎｓ，２０１２，４８（２０）：１８—２２． Ａｂｓｔｒａｃｔ：ＥｆｆｅｃｔｉｖｅｆｅａｔｕｒｅｅｘｔｒａｃｔｉｏｎｏｆＲａｄａｒＥｍｉｔｔｅｒＳｉｇｎａｌｓ（ＲＥＳ）ｉＳａｎｉｍｐｏｒｔａｎｔｂａｓｉｓｆｏｒｔｈｅｒｅｃｏｇｎｉ—ｔｉｏｎｏｆａｄｖａｎｃｅｄｒａｄａｒｅｍｉｔｔｅｒｓｉｇｎａｌｓ．Ｔｏａｃｈｉｅｖｅｔｈｅｃｈａｒａｃｔｅｒｉｓｔｉｃｓｅｖａｌｕａｔｉｏｎｏｆｔｈｅａｄｖａｎｃｅｄｒａｄａｒｅｍｉｔ．ｔｅｒｓｉｇｎａｌ，ｔｈｅｅｖａｌｕａｔｉｏｎｍｏｄｅｌｂａｓｅｄｏｎＦｕｚｚｙＡｎａｌｙｔｉｃＨｉｅｒａｒｃｈｙＰｒｏｃｅｓｓ（ＦＡＨＰ）ｍｅｔｈｏｄｉｓｐｒｏｐｏｓｅｄ．ＴｈｉｓｍｏｄｅｌｉＳｅｓｔａｂｌｉｓｈｅｄｏｎｔｈｅｆｅａｔｕｒｅｅｖａｌｕａｔｉｏｎｉｎｄｅｘｓｙｓｔｅｍｏｆａｄｖａｎｃｅｄｒａｄａｒｅｍｉｔｔｅｒｓｉｇｎａｌ．ＩｔａｉｍｓａｔｔｈｅｄｅｆｉｃｉｅｎｃｉｅｓｏｆＡｎａｌｙｔｉｃａｌＨｉｅｒａｒｃｈｙＰｒｏｃｅｓｓ（ＡＨＰ）ｉｎｗｅｉｇｈｔｄｅｔｅｒｍｉｎａｔｉｏｎ．ａｎｄｄｅｓｃｒｉｂｅｓｔｈｅａｍｂｉ—ｇｕｉｔｙｏｆｅｘｐｅｌｓ’ｊｕｄｇｍｅｎｔｔｈｒｏｕｇｈｔｈｅｉｎｔｒｏｄｕｃｔｉｏｎｏｆｔｒｉａｎｇｕｌａｒｆｕｚｚｙｎｕｍｂｅｒｓ．ＴｈｅｍｏｄｅｌｉｓａｐｐｌｉｅｄｔｏＲＥＳｆｅａｔｕｒｅｅｖａｌｕａｔｉｏｎｃａｓｅａｎａｌｙｓｉｓ．ａｎｄｉｔｓｃａｌｃｕｌａｔｅｄｒｅｓｕｌｔｓａｒｅｃｏｍｐａｒｅｄｗｉｔｈｔｈｅｒｅｓｕｌｔｓｏｆＡＨＲＥｘ．ｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅｃａｌｃｕｌａｔｉｎｇｒｅｓｕｌｔｓｏｆｔｈｉｓｍｏｄｅｌａｒｅｃｏｎｓｉｓｔｅｎｔｗｉｔｈｔｈａｔｏｆｓｔａｎｄａｒｄｈｉｅｒａｒ．ｃｈｙａｎａｌｙｓｉｓ，ｗｈｉｃｈｐｒｏｖｅｓｔｈａｔｔｈｅｍｏｄｅｌｉｓｆｅａｓｉｂｌｅａｎｄｅｆｆｅｃｔｉｖｅ． Ｋｅｙｗｏｒｄｓ：ｒａｄａｒｅｍｉｔｔｅｒｓｉｇｎａｌ；ｆｕｚｚｙａｎａｌｙｔｉｃｈｉｅｒａｒｃｈｙｐｒｏｃｅｓｓ；ｆｅａｔｕｒｅｅｖａｌｕａｔｉｏｎ；ｉｎｄｅｘｓｙｓｔｅｍ 摘要：提取有效的雷达辐射源信号特征是复杂体制下雷达辐射源信号识别的重要基础。为实现对复杂体制雷达辐射源信号特征的评价，提出了复杂体制雷达辐射源信号特征的模糊层次分析评价模型。该模型在构建复杂体制雷达辐射源信号特征评价指标体系的基础上，针对层次分析法在权重确定方面存在的不足，通过引入三角模糊数来刻画专家评判的模糊性，将该模型应用于雷达辐射源信号特征评价的算例分析，并将计算结果与标准层次分析法的分析计算结果进行了对比，结果表明该模型的计算结果与标准层次分析法的计算结果是一致的，从而证明了该模型的可行性和有效性。 关键词：雷达辐射源信号；模糊层次分析法；特征评价；指标体系 文章编号：１００２—８３３１（２０１２）２０—００１８．０５文献标识码：Ａ中图分类号：ＴＰ３０１．６ ｌ引言 在电子情报侦察、电子支援侦察和威胁告警系统中，雷达辐射源信号的识别是其中的关键环节，是决定雷达对抗装备技术水平的重要因素。随着电子对抗的日益激烈，各种隐身和抗干扰能力较强的新型复杂体制雷达逐渐占据主导地位ｕ，，传统的基于五参数（载频、脉冲到达时间、脉冲幅度、脉冲宽度、脉冲到达方向）的雷达辐射源信号分选识别方法已很难取得比较满意的效果，这己成为共识。为此，国内外学者对发掘新的雷达辐射源信号特征参数进行了大量深入的研究，如张葛祥博士提出的相像系数、熵、复杂度特征ｎ“，余志斌博士提出的小波脊频级联 基金项目：国家自然科学基金（Ｎｏ．６０９７１１０３）。 作者简介：朱斌（１９７３一），男，博士研究生，讲师，主要研究方向为雷达信号处理；金炜东（１９５９＿一），男，教授，博士生导师，主要研究方向为智能信息处理、满意优化等；余志斌（１９７７一），男，博士，主要研究方向为雷达信号处理。Ｅ－ｍａｉｌ：ｂｉｎｚ２０１５＠１６３．ｔｏｍ收稿日期：２０１１－１２．１６修回日期：２０１２—０３．２９ＣＮＫＩ出版日期：２０１２．０４．０５’ ＤＯＩ：１０。３７７８／ｊ．ｉｓｓｎ．１００２—８３３１．２０１２，２０．００４ｈｔｔｐ：／／ｗｗｗ．ｃｎｋｉ．ｎｅｔ／ｋｃｍｓ／ｄｅｔａｉｌ／１１．２１２７．ＴＲ２０１２０４０５．１７４２．０１２．ｈｔｍｌ 万方数据
浅谈雷达辐射信号分类识别与特征提取
龙源期刊网 https://www.360docs.net/doc/bb14934200.html, 浅谈雷达辐射信号分类识别与特征提取 作者：李梓瑞 来源：《科技传播》2017年第03期 摘要为了研究雷达信号提取和分类识别问题，军事自动化控制和指挥系统的强烈需求是雷达辐射源的有效分类识别。在现代雷达体制下，针对复杂信号的低截获特性，提出了一种新的分类识别方法，以提高雷达辐射源信号的个体识别率。信号脉冲无意调制特征的信号各频带能量可以由小波包变换提取反应，通过泛化能力和学习能力都很强的混合核函数支持向量机进行分类识别并进行仿真。仿真结果证明，这样做有利于提高识别效率，证明其方法的有效性和可行性，且性能优于传统方法。 关键词雷达辐射信号；小波包；混合核函数；雷达辐射源；分类识别 中图分类号 TN95 文献标识码 A 文章编号 1674-6708（2017）180-0028-02 雷达最初是军事侦察的一种遥测系统，用于目标的检测、定位与测距。随着雷达技术的发展，它已广泛应用于生产生活的各个方面，尽管如此，如何从雷达提供的数据中识别所检测的目标一直没有解决。 在复杂多变的现代电子战对抗环境下，雷达辐射源信号识别不仅可以用于电子侦察，还可以作为判断敌方武器威胁的依据，在雷达对抗过程乃至整个电子战中都做出了巨大贡献。随着时代的发展，现代社会对于信号识别方法的要求越来越高，顺应时代发展与社会需求，研究并探讨脉内无意调制UMOP的特征，探索理恰当的信号识别方法。 现代战争中，雷达是取得军事优势的重要装备。雷达侦察作为雷达对抗的主要内容之一，在掌握敌方雷达类型、功能，甚至获知敌方兵种和武器部署中已成为各级指挥员的“眼睛”和“耳朵”。雷达辐射源信号的识别在雷达侦察信号处理系统中是最重要、最关键的环节。因此，现阶段衡量雷达对抗设备主要技术水平的重要标志就是识别雷达辐射源信号水平的高低。随着雷达的广泛应用和雷达电子对抗激烈程度的不断加剧，在高密度、高复杂波形、宽频谱捷变的雷达信号环境中，传统的雷达辐射源信号识别方法已无法满足现代社会的需要。因此，国内外各大学者就这一研究领域做了一系列系统深入的研究，其中绝大部分是对雷达辐射源的信号特征的研究，都在尝试探寻新的特征提取方法，期待着能发现新特征参数，从而弥补传统五参数（脉冲宽度、脉冲幅度、载频、脉冲到达时问、脉冲到达方向）的缺陷，目前提出的新特征已有数十种。但面对数量如此众多的雷达辐射源信号新特征，其效能如何，如何甑选是目前重要又迫切需要解决的一个难题。 雷达辐射源信号分选既是现代高技术战争以及未来信息化战争极为重要的环节，也是电子对抗、网络中心战中感知和多模复合制导当中被动雷达寻找器的关键技术，还是电子情报侦查系统以及电子支援系统当中的重要技术。现如今，雷达的低截获概率技术、多参数捷变以及脉
小波变换详解
基于小波变换的人脸识别 近年来，小波变换在科技界备受重视，不仅形成了一个新的数学分支，而且被广泛地应用于模式识别、信号处理、语音识别与合成、图像处理、计算机视觉等工程技术领域。小波变换具有良好的时频域局部化特性，且其可通过对高频成分采取逐步精细的时域取样步长，从而达到聚焦对象任意细节的目的，这一特性被称为小波变换的“变聚焦”特性，小波变换也因此被人们冠以“数学显微镜”的美誉。 具体到人脸识别方面，小波变换能够将人脸图像分解成具有不同分辨率、频率特征以及不同方向特性的一系列子带信号，从而更好地实现不同分辨率的人脸图像特征提取。 4.1 小波变换的研究背景 法国数学家傅立叶于1807年提出了著名的傅立叶变换，第一次引入“频率”的概念。傅立叶变换用信号的频谱特性来研究和表示信号的时频特性，通过将复杂的时间信号转换到频率域中，使很多在时域中模糊不清的问题，在频域中一目了然。在早期的信号处理领域，傅立叶变换具有重要的影响和地位。定义信号(t)f 为在(-∞，+∞)内绝对可积的一个连续函数，则(t)f 的傅立叶变换定义如下： ()()dt e t f F t j ωω-? ∞ -∞ += (4-1) 傅立叶变换的逆变换为： ()()ωωπ ωd e F t f t j ? +∞ ∞ -= 21 (4-2) 从上面两个式子可以看出，式（4-1）通过无限的时间量来实现对单个频率
的频谱计算，该式表明()F ω这一频域过程的任一频率的值都是由整个时间域上的量所决定的。可见，式（4-1）和（4-2）只是同一能量信号的两种不同表现形式。 尽管傅立叶变换可以关联信号的时频特征，从而分别从时域和频域对信号进行分析，但却无法将两者有效地结合起来，因此傅立叶变换在信号的局部化分析方面存在严重不足。但在许多实际应用中，如地震信号分析、核医学图像信号分析等，研究者们往往需要了解某个局部时段上出现了哪个频率，或是某个频率出现在哪个时段上，即信号的时频局部化特征，傅立叶变换对于此类分析无能为力。 因此需要一种如下的数学工具：可以将信号的时域和频域结合起来构成信号的时频谱，描述和分析其时频联合特征，这就是所谓的时频局部化分析方法，即时频分析法。1964年，Gabor 等人在傅立叶变换的基础上引入了一个时间局部化“窗函数”g(t)，改进了傅立叶变换的不足，形成窗口化傅立叶变换，又称“Gabor 变换”。 定义“窗函数”(t)g 在有限的区间外恒等于零或很快地趋于零，用函数(t )g -τ乘以(t)f ，其效果等同于在t =τ附近打开一个窗口，即： ()()()dt e t g t f G t j f ωττω-+∞ ∞--=?, (4-3) 式（4-3）即为函数f(t)关于g(t)的Gabor 变换。由定义可知，信号(t)f 的Gabor 变换可以反映该信号在t =τ附近的频谱特性。其逆变换公式为： ()()()ττωτωπ ωd G t g e d t f f t j ,21 ? ?+∞ ∞ --- = (4-4) 可见()τω,f G 的确包含了信号(t)f 的全部信息，且Gabor 窗口位置可以随着 τ的变化而平移，符合信号时频局部化分析的要求。 虽然Gabor 变换一定程度上克服了傅立叶变换缺乏时频局部分析能力的不
基于Gabor小波变换的人脸表情特征提取
—172 — 基于Gabor 小波变换的人脸表情特征提取 叶敬福，詹永照 (江苏大学计算机科学与通信工程学院，镇江 212013) 摘 要：提出了一种基于Gabor 小波变换的人脸表情特征提取算法。针对包含表情信息的静态灰度图像，首先对其预处理，然后对表情子区域执行Gabor 小波变换，提取表情特征矢量，进而构建表情弹性图。最后分析比较了在不同光照条件下不同测试者做出6种基本表情时所提取的表情特征，结果表明Gabor 小波变换能够有效地提取与表情变化有关的特征，并能有效地屏蔽光照变化及个人特征差异的影响。关键词：模式识别；表情特征提取；Gabor 小波变换 Facial Expression Features Extraction Based on Gabor Wavelet Transformation YE Jingfu, ZHAN Yongzhao (School of Computer Science and Communications Engineering, Jiangsu University, Zhenjiang 212013) 【Abstract 】This paper introduces a facial expression features extraction algorithm. Given a still image containing facial expression information,preprocessors are executed firstly. Secondly, expression feature vectors of the expression sub-regions are extracted by Gabor wavelet transformation to form expression elastic graph. Different expression features are extracted and compared while different subjects display six basic expressions with illumination variety. Experiment shows that expression features can be extracted effectively based on Gabor wavelet transformation, which is insensitive to illumination variety and individual difference. 【Key words 】Pattern recognition; Expression feature extraction; Gabor wavelet transformation 计 算 机 工 程Computer Engineering 第31卷 第15期 Vol.31 № 15 2005年8月 August 2005 ·人工智能及识别技术·文章编号：1000—3428(2005)15—0172—03 文献标识码：A 中图分类号：TP37 人脸表情识别是指从给定的表情图像或者视频序列中分析检测出特定的表情状态，进而确定被识别对象的心理情绪。人脸表情识别技术在许多领域有着潜在的应用价值，这些领域包括心理学研究、图像理解、合成脸部动画、视频检索、机器人技术、虚拟现实技术以及新型人机交互环境等[1]。 典型的人脸表情识别系统包括人脸检测、表情特征提取、表情特征分类识别3个阶段。人脸检测要能够从复杂的背景中检测出人脸的存在并确定其位置，对于图像序列，还要能精确跟踪人脸区域，国内外在人脸检测方面已做了大量的研究，且已有相关的有效方法及成果报道。而对于表情特征的提取和分类识别算法的研究目前还处于探索之中，国外学者已做了一定的研究工作，国内关于这方面的研究则相对较少。 针对处理图像的性质，可将表情特征提取方法分为两类：基于静态图像的表情特征提取和基于视频序列的动态表情特征提取。前者处理的是单帧静态表情图像，一般要求该图像反映的表情处于夸张或极大状态，使得提取的表情特征更为典型，这类方法主要包括主成份分析、奇异值分解以及基于小波变换的方法等。后者处理的是表情图像序列，目标是提取表情特征的变化过程。光流模型(Optical Flow Models)是提取动态表情特征的典型方法。比较而言，静态方法处理的数据量少，方法简单可靠，且提取的特征较为典型，能获得较高的识别率，但待处理的图像所包含的表情信息需处于夸张状态。而动态方法处理视频序列中的每一帧图像，因此计算量较大，难以满足实时性要求。 1表情图像的预处理 表情图像的预处理包括表情图像子区域的分割以及表情图像的归一化处理。前者指从表情图像中分割出与表情最相关的子区域，而后者包括图像的灰度均衡和尺度归一。图像预处理的好坏直接影响表情特征提取的效果和计算量。 (a) (b) 图1 分割人脸表情图像以提取特征区域 人脸表情特征可分为两类：持久性表情特征和瞬态表情特征，前者包括嘴巴、眼睛和眉毛，决定了基本表情状态，后者包括脸颊和额角皱纹的瞬间变化，能在一定程度上揭示表情状态。实验表明[3]，嘴角形状对表情的影响最大，其次是眼睛和眉毛，而皱纹变化属于动态特征，且受年龄等因素影响较大，对表情的贡献不大，甚至会对表情识别产生不利影响。因此表情识别应重点提取嘴巴、眼睛和眉毛等局部表情特征，并忽略皱纹的变化。图像分割算法的目标就是要精确定位和分离出持久表情特征子区域。对于样本图像，可以人工框出这些区域，也可以根据眼睛的灰度特征并结合先验知识采用特定的定位算法实现特征区域的自动分割。分割结 基金项目：国家自然科学基金资助项目（60273040）；江苏省高校自然科学基金资助项目（02KJB520003） 作者简介：叶敬福(1980—)，男，硕士生，研究方向：多媒体技术，CSCW ；詹永照，教授、博导 定稿日期：2004-06-26 E-mail ：yejingfu@https://www.360docs.net/doc/bb14934200.html,
基于小波变换的语音特征参数提取
基于小波变换的语音特征参数提取 【摘要】将小波变换的多分辨率特性用于改进Mel频率倒谱系数MFCC的前端处理中，给出了一种新的语音特征参数——小波MFCC。其特点在于采用小波变换、分层FFT和频率合成代替原来MFCC中的FFT部分，使频谱分辨率提高了一倍。试验证明，小波MFCC特征参数在较大词汇量情况下，其识别率优于MFCC特征参数的结果。 【关键词】小波分析；语音识别；MFCC Abstract：The multi resolution characteristic of wavelet is used to improve the front end processing of MFCC.So，a new feature parameter wavelet MFCC is presented in this paper.It uses wavelet transform，multi degree FFT and frequency synthesis to replace original FFT of MFCC，and increases spectrum resolution by 2.The experiments demonstrate that robustness and recognition rate of wavelet MFCC feature are better than one of MFCCs in large vocabulary. Key words：wavelet transformation；speech recognition；MFCC 1.引言 在语音识别和说话人识别中，基于Mel频率的倒谱系数MFCC（mel frequency cepstrum cofficient）是将人耳的听觉感知特性和语音的产生机制相结合，与其他特征参数相比较，体现了较优越的性能，在无噪声情况下能得到较高的识别率，因此是目前使用最广泛的特征参数。但是，随着识别词汇量的增大，这种参数的识别性能急剧地下降。说明这种特征不适合大词汇量识别。 近年来，小波变换被广泛应用于语音处理中，主要包括：利用小波变换对听觉感知系统进行模拟，对语音信号去噪，进行清、浊音判断。因为小波变换的局部化性质，可以在很小的分帧长下对语音信号仍具有较高的频谱分辨率，本文将小波变换技术引入到MFCC特征参数中，来进行语音识别系统的特征提取，可以提高对辅音区的识别效果。因此，用WMFCC特征参数作为隐马尔可夫（HMM）识别网络的输入信号，识别效果明显提高。 2.MFCC特征参数 图1所示为MFCC特征参数的计算流程图。 图1 MFCC特征参数的提取 人类听觉系统对声音高低的感知与实际频率是一种非线性映射关系[1]，而与Mel频率成线性关系。根据人的听觉机理来进行Mel滤波器组的频带划分，模拟不同频率下人耳对语音的感知特性。实际频率和Mel频率的转换关系用公
小波在图像特征提取中的应用
小波理论课程设计论文题目小波在图像特征提取中的应用 专业 学号 学生 指导教师
摘要 在模式识别以及神经网络对图标的识别过程中，优化特征向量是首要的环节。本文通过二维小波在图像压缩以及分解的研究，提出了由图像生成特征向量的几个新思路，降低了特征向量的维数并有效保存原图像的信息。小波变换生成的特征向量在保存图像信息上显示了良好的优越性。这些方案在降低后续模式识别的计算量，提高识别率，改善识别系统性能方面，有良好的发展空间。 关键词：小波变换；图像特征提取；图标识别 一课题背景 在对图像的模式识别领域，特征提取与选择是一个很重要的问题。原始图像样本的特征空间维数很好，需要压缩维数以便进行分类，一种方式是特征提取，一种方式是特征选择。小波变换可以满足要求。 我在本科毕业设计是《BP神经网络对图标的识别》，其中很重要的特征提取部分，是提取一个图标图象的特征。当时采用的方法是把256*256的二值化图像矩阵转化成65536维的01向量，通过一族向量样本对神经网络的训练，得到一个训练过的网络，用它正确识别有破坏的图标。实际应用中，对于一个1/4部分完全破坏的图标的正确识别率能达到90%。 在设计中，渐渐突出而当时没有解决的问题有两个：一，这种直观的转化方式并没有有效的提取图标的特征信息。具体来说，图标的形状信息，高频边缘信息，轮廓等都没有充分利用，而只是简单的用65536个值笼统的代表图标，并没有真正的“描述”图像。这是影响识别率的一个重要的原因。二，这种处理方式的65536个输入值对于神经网络的输入来说是很庞大的，也就是说特征提取的时候并没有有效的对特征向量进行降维压缩。 本文正是在这个背景下，通过小波变换在图像压缩，图像的分解与合成中的应用的研究，寻求得到可以实现图像分类要求的特征向量的新思路和方法。
简述信号特征提取使用小波变换的优点(1)
简述信号特征提取使用小波变换的优点 摘要：通过对小波变换所进行的理论分析和计算机模拟发现，利用小波变换具有的高低频分离的特点，可在不丢失原信号重要信息成分的前提下，将原光谱信号的边缘部分进行滤化处理，消除了噪音信息，重构出更加清晰的光谱特征图形，从而提高了信号的清晰度，为信号的预处理提供了更加方便的条件。该信号特征提取的方法，与傅氏变换相比较，具有多项明显的优点，在实际工程应用中具有重要的意义。 关键词小波变换傅氏变换；信号 一、引言 在当今科技飞速发展的信息时代，信息资源中的信号应用日益广泛，信号的结构越来越复杂，为了更加清楚地分析和研究实际工程信号的有用信息，对信号进行预处理是至关重要的。例如，对于环境的监测，其中对空气成分的检测已经成为必不可少的环节，其方法是将空气中的某一成分(例如丁烯)进行特征的提取，提取的信息中仍然会存在着由一系列高频信号构成的噪音信号。由于这些边缘部分的存在，使原信号的基本特征在光谱信号中不能完全清晰地呈现，导致某些信息的细微环节部分难以识别，致使研究目的无法实现。 本文通过对小波变换所进行的理论分析和计算机模拟发现，利用小波变换具有的高低频分离的特点，可在不丢失原信号重要信息成分的前提下，将原光谱信号的边缘部分进行滤化处理，消除了噪音信息，重构出更加清晰的光谱特征图形，从而提高了信号的清晰度，为信号的预处理提供了更加方便的条件。 二、傅氏变换与小波变换 近年来，小渡变换已经成为对信号、图像等进行分析不可或缺的实用工具之一，其实质是对原始信号的滤波过程。与傅氏变换相比较，小波变换的优势在于，对分析信号可进行任意的放大平移并对其特征进行提取。对复杂信号作小波变换，进行多分辨率分析，在信号图象分析领域已占据着相当重要的地位。 已有的科研成果表明，物质的荧光光谱取决于物质的原子分子结构，所以不同的物质具有不同的荧光光谱。非线性荧光光谱是利用大功率超短激光脉冲和气体的非线性作用得到的；对于这种非线性荧光光谱的研究，主要集中在形成原理、光谱强度等方面。①由于采用传统的光谱分析方法分析该光谱存在很大的困难，所以这方面的研究还处于刚刚起步的状态。笔者发现，由此得到的非线性荧光光谱与超短脉冲激光器的波长以及强度无关，只与气体的分子原子结构有关；对于混合气体，则与其组成成分(包括浓度的不同)有关，因而可以用来进行混合气体成分识别。含有不同成分的混合气体的非线性荧光光谱虽然不同，但不同的气体在同一波段上可能有很大成分的交叉重叠，因此很难像吸收光谱那样找出每种气体特有的非线性荧光光谱，然后利用最小二乘法进行拟合而加以识别。神经网络对于不能精确识别或用数学公式近似加以描述的模式识别具有非常好的识别能力和推广性。对此，已有不少关于气体传感器(电子鼻) 联合神经网络识别分析气体组成成分的报道，这些方法的一个共同特点，就是必须对检测的气体进行取
基于小波变换的交通图像特征提取.
基于小波变换的交通图像特征提取 摘要：小波是一种用于多层次分解函数的数学工具。作为现代分析学开拓的一个新领域，目前小波变换已经广泛应用于信号处理、图像处理、模式识别、语音识别、量子物理、地震勘测、流体力学、电磁场、CT 成像、机器视觉、机器故障诊断与监控、分形以及数值计算等等工程领域。本文就应用小波变换理论解决交通图像特征提取的问题，做了简单的分析。 关键词：小波变换；交通图像；特征提取 Abstract: The wavelet decomposition is a multi-level functions for mathematical tools. As a modern analytics opened up a new area, the current wavelet transform has been widely used in signal processing, image processing, pattern recognition, speech recognition, quantum physics, seismic surveying, fluid mechanics, electromagnetic fields, CT imaging, machine vision, machine fault diagnosis and monitoring, and numerical calculation of the fractal, and so engineering. In this paper, wavelet transform theory to solve the traffic issue of the image feature extraction, do a simple analysis. Key words: wavelet transform ；traffic images ； Feature Extraction 一、引言 基于小波包变换的图像分析法，主要是利用小波包对图像进行多尺度分解，然后在每个尺度上独立地提取特征，即把不同分解尺度上信号的能量求解出来，将这些能量值按尺度顺序排列形成特征向量供识别使用，这就是基于小波包变换提取多尺度空间能量特征的基本原理[1]。 二、小波变换理论 小波分析方法是一种窗口大小（即窗口面积）固定但其形状可变，时间窗和频率窗都可改变的时频局部化分析方法。在低频部分具有较高的频率分辨率和较低的时间分辨率，在高频部分具有较高的时间分辨率和较低的频率分辨率。 如果)()(2R L t Ψ∈（)(2R L 表示平方可积的实数空间，即能量有限的信号空 间），其傅立叶变换为)(?ωΨ 。)(?ωΨ满足条件 ∞<=?R Ψd ωω|ωΨ|C 2)(?
基于小波变换的一维数据中的特征部位提取算法
基于小波变换的一维数据中的特征部位提取算法 摘要：介绍了基于小波变换的图像分解与重构，小波变换具有时—频局部化的特点，因此不能对图像提供较精确的时域定位，也能提供较精确的频域定位。基于小波变换的这些特性，对图像进行变换，例如图像的增强，图像的特征部位的提取。研究结果表明，基于小波变换的图像处理的特征部位的提取具有理想的效果。 关键词：小波分析，图像处理，特征部位的提取 一、小波的基本知识 1、小波的发展历史及现状 小波理论是傅里叶分析的重要发展，1807年J. Fourier 提出Fourier 级数，1946年，Gabor 提出了Gabor 变换；稍后Gabor 变换发展为窗口傅里叶变换，20世纪80年代初，一些科学家开始使用小波，1986年Y . Meyer 第一次构造出正交小波基。从数学的角度看，小波实际上是在特定的空间内按照称之为小波的基函数对数学表达式的展开与逼近。 经典的小波理论尽管在90年代初期已经显得非常完善，但在实际应用中仍然存在许多缺陷。1995年，Sweldens 提出了通过矩阵的提升格式(lifting scheme)来研究完全重构滤波器，从而建立了称之为第二代小波变换的框架体系。1999年，Kingsbury 等提出了复小波变换，1999年，Candes 与Donoho 提出了脊波(ridgelet)和曲波(curvelet)。2002年，Donoho 和M. Vetterli 提出了轮廓波(contourlet)。2005年，Le Pennec 和Mallat 提出了Bandlet 。2005年，D. Labate 等提出了shearlet 。 2．小波的特点和发展 小波变换的具有如下3个特点：1、小波变换，既有频率分析的性质，又能表现发生的时间。有利于分析确定时间发生的现象（傅里叶变换只具有频率分析的性质）。2、小波变换的多分辨度的变换，有利于各分辨度不同特征不同特征的提取（图像的压缩、边缘抽取、噪声过滤等）。3、小波变换比傅里叶变换还要快一个数量级信号长度为M 时，傅里叶变换和小波变换的计算复杂性分别为：M M O f 2log =，M O w =。“小波分析”是分析原始信号的各种变换的特性，进一步应用于数据的压缩，噪音去除，特征选择等。例如歌唱信号：是高音还是低音，发声时间长短，起伏，旋律等。从平稳的波形发现突变的尖峰。小波分析是利用多种“小波基函数”对“原始信号”进行分解。运用小波基，可以提取信号中“指定时间”和“制定频率”的变化。时间：提取信号中“指定时间”（时间A 或时间B ）的变化。顾名思义，小波在某时间发生的小的波动。频率：提取信号中时间A 的比较慢速变化，称较低频率成分；而提取信号中时间B 的变化比较快速变化，称较高频率成分。 3、小波的成就 小波是数学分析、应用数学和工程技术的完美结合。从数学来说是大半个世纪“调和分析”的结晶（包括傅里叶分析、函数空间等）。小波变换是20世纪最辉煌科学成就之一。在计算机应用、信号处理、图像分析、非线性科学、地球科学和应用技术等已有重大突破，预示着