专利交易市场

本发明公开了一种基于分数阶小波变换的无人机图传信号与遥控信号识别方法，其特征在于，包括如下步骤：1）接收信号、并分离信号后功率归一化；2）分数阶小波变换；3）中值滤波得到信号求包络方差；4）门限选择；5）信号识别。这种方法在复杂电磁环境下能及时发现并识别通信干扰源，以维护无线通信秩序、保障公众活动及公众安全，并提供理论支持和技术指导。

本发明公开了基于稳态视觉诱发电位脑电信号识别的个体模板重构方法。本发明首先采集大脑皮层枕区上对应电极通道的稳态视觉诱发电位脑电信号数据并预处理；构建人工正‑余弦参考信号，分别选择两种信号质量评价指标，和两种计算方式，计算各训练数据的权重系数，重构包含受试者个体信息的模板信号；分别对脑电信号、人工正‑余弦参考信号和个体模板信号两两之间进行典型相关分析，计算得到的空间滤波器映射到信号上可以得到多种特征；针对本数据集重新选择系数特征组合，与标准扩展典型相关分析相比，重构后的个体模板信号包含了更多的SSVEP响应，提升了算法的识别性能，降低了算法的计算消耗时间。

本发明公开了提取声学信号识别与盲解卷积算法的齿轮箱故障的方法，S1：利用传声器接收机械系统观测通道；S2：对观测通道输出的结果进行分帧，求取平均功率，并与噪声功率相减；S3：将经过S2处理后信号进行奇偶截取，得到截取拓展信号；S4：对截取拓展信号进行预处理，使用盲源分离算法对截取拓展信号进行分离；S5：对分离的结果密度峰值聚类，将同类分离结果归为一类；S6：计算各类中信号与聚类中心的距离，分别筛选出距离各聚类中心最近的多个分离结果，可在不适合测量振动信号与采样长度较短的情况下使用，对机械声信号进行故障特征提取和诊断。

本发明公开了一种基于SCNN的分布式光纤振动及声波传感信号识别方法，包括数据准备：构建不同类型的分布式光纤振动及声波传感事件信号数据集；信号预处理：对事件信号分割后做信号预处理，包括时频变换、裁剪、高斯差分滤波，构建时频特征数据集，每个事件信号时频特征包含高斯差分滤波后的一对正反时频特征图；基于时频特征数据集构建并训练无监督的脉冲卷积神经网络SCNN作为特征提取网络；识别分类：将SCNN提取的信号特征转换为特征向量，输入SVM分类器中进行监督训练并分类。本发明在实际应用中有效提升主流监督识别模型CNN的抗过拟合和泛化能力，并有效提高无监督识别模型SNN在分布式光纤传感信号识别中的实时性。

本发明公开基于隐马尔可夫模型的调频广播信号报时特征识别方法，本发明涉及无线电监测领域，解决根据频谱特征如何识别广播整点报时的新技术问题。本发明能够仅仅采集多帧整点时段的频谱数据用以训练模型，然后仅需要对整点时刻进行监测即能完成报时特征识别，显著并实质地，降低了数据处理量，加快了“黑广播”自动发现速度；本发明不受地区和时间的限制，节省人力，有助于提高查找黑广播效率；由于整点报时是区分合法广播与“黑广播”的重要指标之一，因此本发明可用于减少“黑广播”的频点的查找数量，增加对“黑广播”识别的准确率。

本发明公开了5G新型多载波信号识别方法，针对OFDM、FOFDM、FBMC、UFMC四种多载波信号，提出一种基于极值理论及小波变换方法的新的多载波信号识别方法。本发明先通过对多载波信号的模值平方序列进行极值分布拟合检验实现对OFDM类信号与非OFDM类信号的类间识别，而后对多载波信号模值平方序列作DFT并结合Haar小波变换，分别提取小波变换边缘频谱特征及小波变换的峰值特征以实现对OFDM类内与非OFDM类内信号的识别。相对已有基于机器学习的方法而言，本方法的计算复杂度低，对信号的先验信息依赖较少且不需要训练样本，在低信噪比时识别正确率较高，在非协作条件下具有更好的应用前景。