利用SVM优化算法实现变压器局部放电信号prpd模式识别及其特征提取

经验模态分解（EMD）是用来处理非平稳时变信号的一种信号分析方法，该方法对所分析信号的局部特征信号进行不同时间尺度的分解，从而得到这些局部特征信号的各阶本征模函数（IMF）。提出了一种基于IMF能量谱的水声信号特征提取与选择方法，通过对水声信号进行经验模态分解，提取信号的本征模式分量并转换为能量谱特征向量，从而观测不同信号子频带能量谱的特征变化。分类实验采用支持向量机（SVM）分类器进行。实验结果表明，相对于小波能量谱特征提取法而言，利用IMF能量谱作为特征向量的分类实验具有更佳的分类效果，平均正确率达88%以上。

matlab仿真代码

一、脑电信号特点及一般处理流程 脑电信号特点： 随机性及非平稳性相当强。人脑是一个庞大而复杂的系统，按生理功能可分为许多基本环节，这些基本环节的生理活动相互影响、相互渗透地交织在一起，而其中存在的联系、制约关系及活动规律还没有被我们清楚地认识。因而，脑电信号表现出明显的随机性，一般不能用数学函数来准确表达，它们的规律主要从大量的统计结果中反映出来。 脑电信号具有非线性。脑电信号是大脑中各种神经元之间相互作用的信号的复杂组合，组合的非线性导致脑电信号具有非线性的特点。 信噪比低。在维持正常生理活动的条件下，生物体的各个基本系统之间存在着有机的联系，因而在脑电信号中存在着严重的背景噪声，而且噪声常常超过信号，导致信噪比很低。 信号微弱。人体脑电信号的强度很微弱，一般在微、毫伏级。

心音信号特征提取小波包算法研究.pdf

人工智能-多节人工神经网络在IR-BCI信号特征提取中的应用.pdf

小波变换原理： 小波变换的含义是把某一被称为基本小波（mother wavelet）的函数作位移τ再 在不同尺度α下，与待分析信号X(t)左内积，即 式中，α>0，称为尺度因子，其作用是对基本小波Φ（t）函数作伸缩，τ反映 位移，其值可正可负，α和τ都是连续变量，故又称为连续小波变换（continue wavelet transform， 简称CWT）。在不同尺度下小波的持续时间随值的加大而增 宽，幅度则与反比减少，但波的形式保持不变。 傅里叶分析是将信号分解成一系列不同频率的正弦波的叠加，同样小波分析 是将信号分解为一系列小波函数的叠加，而这些小波函数都是由一个母小波函数 经过平移和尺度伸缩得来的。 二、小波变换

于小波变换的脑电信号特征提取 于小波变换的脑电信号特征提取 于小波变换的脑电信号特征提取 于小波变换的脑电信号特征提取

【特征提取】心音信号特征提取Matlab系统

为了能够进一步准确地估计出雷达信号的瞬时频率，在原有的Morlet小波基函数的基础上，提出了一种改进的Morlet小波基函数，并将其用于小波脊线的提取。用改进后的Morlet小波基函数来提取雷达信号的小波脊线特征，从而估计出雷达信号的瞬时频率。仿真结果表明，用改进后的Morlet小波基函数提取出来的雷达特征比利用原有的Morlet小波基函数提取出来的雷达特征性能更优，具有更好的时频综合特性及良好的抑制噪声能力，其方法是可行的。