智能光纤传感器网络地面目标识别若干理由探讨

论文片段—(UMF)的地面特征提取方法59-653.4.1外场数据采集实验与数据集61-633.4.2多特征联合方法63-643.4.3特征的选择、评价与优化方法64-653.5小结65-67章基于统计学习理论的地面识别算法研究67-834.1地面识别与模式识别方法概述67-724.1.1地面分类方法发展67-684.1.2贝叶斯（Bayes）判别高斯混合模型（GMM）方法68-704.1.3神经光纤传感器网络论文,无人值守地面传感器论文,目标识别论文,地震动信号论文,特征提取论文,支持向量机论文,独立分量分析论文,
摘要：无人值守地面传感器网络(UGS)最早是在战争中发展的,对地面探测、分类、跟踪和定位的智能侦察系统毕业设计论文格式。光纤传感器网络灵敏度高,不受电磁干扰,与光纤通信网络兼容,易于大规模组网等诸多优势,所以无人值守地面传感器系统的有力补充。地震动传感器是地面传感器网络的组成,光纤地震动传感器网络战场环境监测的手段。在战场环境下,当地面运动时,所激发的地面振动信号沿地球表面向四面传播,到达传感器端,对信号的分析、处理,就可以实现对地面的识别、定位和跟踪等论文格式排版。讨论了战场环境下,光纤地震动传感器网络对地面的探测和识别问题。研究了地面运动的地震动信号的发生和传播机理本科生毕业论文。对地面人员和车辆信号的特性了分析,分析了地面人员的探测方法,建立了地面车辆的信号发生的模型。然后,着重讨论地震波的传播、衰减、频散等各的影响,波动方程定性的分析了传播对信号本身特性及其识别带来的影响毕业论文理工。然后,分析实际外场环境下可能的背景噪声,了基于自适应阈值的恒虚警率探测方法,在保证探测率的同时,极大的降低了系统虚警率。在此基础上,对地面信号了特征的提取和优化。分别从信号的时频、频域和时频域分析了信号的基本特性本科论文。讨论了地面人员特征量的提取,运用自适应阈值小波去噪方法对地面人员信号了去噪处理,极大的提高了信号的信噪比文学论文。地面车辆信号在时频域具有的特征,与频域相,了多特征联合的特征提取方法护理论文。外场实际采集的样本,建立了大规模的特征库本科毕业论文。为了应对外界复杂情况,提高识别率,了基于统计学习理论和支持向量机的识别方法,与其它模式识别方法的对比实验,支持向量机的分类方法具有更好分类能力和泛化性,在识别领域有广阔的应用前景本科毕业论文。在光纤传感器网络中,多传感器协同处理是提高系统整体性能的基本方法,基于DS证据理论的判决融合方法,提高了系统的分类正确率。在实际外场应用中,多混叠的探测与识别问题是亟待研究和解决的问题经济论文。首次独立分量分析的方法对多混叠的地震动信号了分析,将混叠信号分离,然后再分别识别。建立了多混叠信号的基本模型,运用FastICA算法了仿真实验,独立成分分析是解决多问题的算法论文发表网。关键词：光纤传感器网络论文无人值守地面传感器论文识别论文地震动信号论文特征提取论文支持向量机论文独立分量分析论文
摘要3-5
Abstract5-13
章 绪论13-25

1.1 引言13-15

1.1 国内外发展14-15

1.2 课题研究背景15

1.2 光纤地震动传感器网络概述15-17

1.2.1 技术优势15-16

1.2.2 系统原理与基本组成16-17

1.3 智能地面概述17-22

1.3.1 问题分析17-18

1.3.2 地面识别基本工作流程18-22

1.4 论文的主要研究内容及其创新点22-25

章 地面震动信号发生与传播机理及探测方法研究25-39

2.1 引言25-26

2.2 战场环境地震动信号发生机理26-29

2.1 人员脚步信号模型26-27

2.2 车辆运动信号模型27-28

2.3 实测外界车辆信号28-29

2.3 地震动传播模型分析29-34

2.3.1 地震波传播理论概述29-31

2.3.2 瑞雷波的形成及其传播模型31-33

2.3.3 瑞雷波衰减特性分析33-34

2.3.4 瑞雷波频散特性分析34

2.4 环境自适应地面探测方法34-38

2.4.1 自适应恒虚警率探测方法34-38

2.5 小结38-39

章 地面识别震动信号特征提取与选择39-67

3.1 概述39-40

3.2 地震动信号特征分析40-58

3.

2.1 时域特征分析41-44

3.

2.2 频域特征分析44-53

3.

2.3 时频域特征分析53-56

3.

2.4 地面小波特征分析56-58

3.3 基于自适应阈值小波去噪方法的人员脚步信号分析58-59

3.1 小波去噪方法58-59

3.4 多特征联合(UMF)的地面特征提取方法59-65

3.4.1 外场数据采集实验与数据集61-63

3.4.2 多特征联合方法63-64

3.4.3 特征的选择、评价与优化方法64-65

3.5 小结65-67

章 基于统计学习理论的地面识别算法研究67-83

4.1 地面识别与模式识别方法概述67-72

4.

1.1 地面分类方法发展67-68

4.

1.2 贝叶斯（Bayes）判别高斯混合模型（GMM）方法68-70

4.

1.3 神经网络方法70-72

4.2 统计学习理论与SVM方法概述72-78
4.

2.1 统计学习理论72-74

4.

2.2 支持向量机74-78

4.

2.3 支持向量机的实现方法及模式识别应用78

4.3 基于SVM的地面识别78-81
4.

3.1 SensIT数据集分析78-80

4.

3.2 内蒙外场数据实验80-81

4.4 小结81-83
第五章 地面多传感器和多混叠问题研究83-97

5.1 地面多传感器、多问题概述83-84

5.2 地面识别多传感器信息融合问题研究84-87

5.

2.1 信息融合基本84-85

5.

2.2 Dempster-Shafer证据理论85

5.

2.3 地面识别多传感识别算法85-87

5.3 基于多混叠地震动信号的地面识别87-96
5.

3.1 盲源分离问题概述87-89

5.

3.2 独立分量分析（ICA）89-91

5.

3.3 FastICA算法91-92

5.

3.4 独立分量分析的预处理92-93

5.

3.5 基于ICA多地面识别93-94

5.

3.6 信号分离仿真实验94-96

5.4 小结96-97
第六章 总结与工作展望97-99

6.1 的主要工作内容97-98

6.2 下一步的工作展望98-99

参考文献99-110
发表文章及申请专利目录110-111
简历111-112
致谢112