基于会聚双目成像系统对圆锥类零件锥度测量的研究

针对锥类零件锥度的测量，提出了基于计算机视觉技术的新的测量方法，阐述了视觉测量系统设计技术与实现方法，并就图像采集、摄像机标定、特征提取、问题求解以及会聚双目成像系统测量结果精度等问题进行了分析．     

基于瞬时频率二次特征提取的辐射源信号分类

提出了基于瞬时频率二次特征提取的雷达辐射源信号分类方法．首先利用改进的瞬时自相关算法提取信号的瞬时频率特征．在此基础上，对所获得的瞬时频率进行级联归一化处理，提取分类特征向量．最后，采用层次决策方法实现自动分类．仿真结果表明，该方法提取的特征向量具有较好的类间分离性，整体信号分类方案在信噪比不低于6dB时，可获得90％以上的分类准确率．     

基于语音处理的雷达目标特征提取算法研究

特征提取是目标识别过程中的关键步骤，针对连续波多普勒体制雷达， 将语音信号处理的方法应用于雷达目标识别，设计了一种新的特征提取的算法，同时论述了特征提取的全过程，并给出了部分代码。     

水中目标水压场信号特征提取与检测研究

利用目标信号功率主要集中在低频部分的特点，用功率谱估计方法提取低频信号的能量作为特征，提出了所谓的浮动阈值方法，对信号滑动地进行目标检测．通过对实验船模水压场信号进行检测验证。讨论了在各种不同情况下，目标信号的特征提取及目标检测方法的效果，验证了该方法的有效性．     

改进的亚像素级快速角点检测算法

针对采用手工选择特征点能够保证特征点的均匀分布,但是自动化程度低而且耗时的问题,提出一种自动获取亚像素角点的新算法.该方法采用一种由粗到精的多层次检测策略,先采用SUSAN算法对角点粗定位,在此基础上用Forstner算子对角点精确定位.实验证明：文中的算法不仅保证SUSAN算法的灵活性和Forstner算子的亚像素级精度,而且速度快,并且对噪声具有鲁棒性.特征点的选择过程无须人工干预,完全自动化.算法克服了手工选择特征点耗时及自动化程度低的问题,而且能提取某些特殊性质的角点,具有自动自适应检测性能和较强的实用性.     

基于ANFIS的特高压输电线路故障分类识别方法

提出了一种基于自适应神经模糊推理系统(ANFIS)的特高压输电线路故障分类识别方法,以分类识别10种常见的输电线路故障.该方法以故障后1个工频周期内故障电流分量的标准差和四分位距作为故障分类识别的特征量.分析了噪声和谐波对这2个特征量的影响;建立了基于ANFIS的故障分类识别模型.大量仿真试验表明:提出的故障分类识别方法能快速、准确地识别各类故障,并且不易受故障初始角、故障位置和过渡电阻的影响,对噪声、谐波、电流互感器传变特性及采样频率有良好的适应性,分类识别正确率能达到99.5%.     

基于小波包的舵机故障特征提取方法研究

舵机是船舶控制的核心部件之一,舵机一旦发生故障,轻则延误航期造成经济损失,重则严重威胁船舶航行安全。设备运行时受外界环境和本身故障等因素的影响,其振动信号中蕴含了丰富的故障信息和非平稳随机信号,故障特征提取是当前智能故障诊断中的重点和难点,它直接关系到诊断结果的准确性与可靠性。提出一种小波包分解的故障特征提取方法,仿真结果表明,该检测方法稳定有效,具有较好的推广性。     

船舶电力系统故障特征提取的小波变换方法

船舶电力系统故障时暂态号中包含丰富的特征息,对故障工况暂态号特征息的有效提取是船舶电力系统故障诊断的核内容之一。基于小波变换理论,利用小波分析和小波包能量熵方法,在Matlab仿真环境下,对船舶电力系统电故障暂态号进行了分析和特征息提取。结果表明两种方法都有效地提取了故障特征息,其中小波分析方法有特征向量与故障之间的映射关系简单明了的特点,小波包能量熵方法提取的特征向量与故障之间是一种非性的映射关系,适用于与其他智能故障诊断方法结合。说明特征提取可以为故障的识别与诊断提供基础。     

基于舰船噪声小波包重构子带权重系数的确定方法

文章采用了一种基于小波包分解与能量特征提取的时频域综合分析方法。使用小波包来对舰船噪声进行分解,求取小波包子带系数能量百分比构建子带能量的特征向量,以此作为权重系数,对分解的舰船噪声的各个子带进行加权重构,并将重构信号与原始信号进行时频域比较分析。通过对大量的舰船的实录噪声进行分解重构实验表明,使用此方法重构后的噪声较原始信号特征更为明显,有更强的类别可分性。     

无人驾驶汽车行车环境下鲁棒性声学特征提取算法（双语出版）

无人驾驶汽车在行车过程中，需要通过视觉感知和听觉感知来构建当前周围环境模型，声学事件检测是听觉感知系统构建模型的核心所在。行车环境下声学事件检测系统面临着复杂而强烈的噪声挑战，尤其是行车过程中的风噪。声学事件检测中，常用的声学特征梅尔频率倒谱系数（MFCC）对噪声干扰十分敏感，为了解决这一问题，提出一种谐波梅尔频率倒谱系数（HMFCC）的鲁棒性声学特征提取算法，用于声学事件的目标分类。该算法通过声学信号的谐波模型与MFCC算法相结合，提取目标声学信号中的共振峰频率，改进传统Mel滤波器组，从而增强HMFCC中目标声学信号的中高频分量。研究结果表明：在不同的风噪环境下，基于HMFCC声学特征的检测结果具有较高的精准率和召回率，且在低噪和强噪环境下HMFCC和MFCC之间分类效果差异明显；低噪环境下，几种声学事件的HMFCC特征分类的平均精准率和召回率分别达到82.66%、84.15%，而基于MFCC特征分类检测的平均精准率和召回率只有73.93%、74.61%；随着风噪增强，MFCC特征分类精度严重下降，平均精准率和召回率仅为54.15%、44.95%，HMFCC特征在强噪环境下的平均精准率和召回率为72.16%、69.87%。行车环境下，HMFCC特征不仅可以提高分类的准确率，而且表现出对噪声不敏感的特性。