Informacja

Drogi użytkowniku, aplikacja do prawidłowego działania wymaga obsługi JavaScript. Proszę włącz obsługę JavaScript w Twojej przeglądarce.

English (EN)·Polski (PL)·Yкраїнський (UK)
Przejdź do strony domowej biblioteki Centralna Biblioteka Wojskowa Link otwiera się w nowym oknie Logo biblioteki Prolib Integro - strona głównaCentralna Biblioteka Wojskowa

Wyszukujesz frazę "signal feature" wg kryterium: Temat

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-11 z 11
    Tytuł:
    Contemporary challenges in tool condition monitoring
    Autorzy:
    Jemielniak, Krzysztof
    Powiązania:
    https://bibliotekanauki.pl/articles/99861.pdf
    Data publikacji:
    2019
    Wydawca:
    Wrocławska Rada Federacji Stowarzyszeń Naukowo-Technicznych
    Tematy:
    tool wear monitoring
    metal cutting
    signal processing
    signal feature
    Opis:
    Implementation of robust, reliable tool condition monitoring (TCM) systems in one of the preconditions of introducing of Industry 4.0. While there are a huge number of publications on the subject, most of them concern new, sophisticated methods of signal feature extraction and AI based methods of signal feature integration into tool condition information. Some aspects of TCM algorithms, namely signal segmentation, selection of useful signal features, laboratory measured tool wear as reference value of tool condition – are nowadays main obstacles in the broad applicationof TCM systems in the industry. These aspects are discussed in the paper, and some solutions of the problems are proposed.
    Źródło:
    Journal of Machine Engineering; 2019, 19, 1; 48-61
    1895-7595
    2391-8071
    Pojawia się w:
    Journal of Machine Engineering
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Specyficzna identyfikacja emiterów radarowych bazująca na analizie składowych głównych
    Specific radar emitter identification based on principal component analysis
    Autorzy:
    Kawalec, A.
    Owczarek, R.
    Rapacki, T.
    Wnuczek, S.
    Powiązania:
    https://bibliotekanauki.pl/articles/210693.pdf
    Data publikacji:
    2006
    Wydawca:
    Wojskowa Akademia Techniczna im. Jarosława Dąbrowskiego
    Tematy:
    walka elektroniczna
    klasyfikacja cech sygnałów radarowych
    specyficzna identyfikacja emiterów
    przekształcenie Karhunena-Loeve'a
    warfare electronic
    radar signal feature classification
    specific emitter identification
    Karhunen-Loeve expansion
    Opis:
    W artykule została przedstawiona problematyka związana z identyfikacją emiterów radarowych należących do tego samego typu i klasy. Jest to specyficzny rodzaj identyfikacji (SEI, ang. Specific Emitter Identification), polegający na rozróżnianiu poszczególnych egzemplarzy tego samego typu radaru. Klasyczna identyfikacja sygnałów bazująca na analizie statystycznej podstawowych parametrów mierzalnych sygnału nie spełnia wymagań stawianych przed SEI. Przedstawiona w artykule metoda identyfikacji opiera się na przekształceniu Karhunena-Loeve'a (KL), która należy do metod analizy składowych głównych (PCA, ang. Principal Component Analysis).
    One of the most difficult tasks in the radar signal processing is optimal features extraction and classification. The multifunction radar systems cannot be classified and precisely recognized by most of new and modern Electronic Support Measure and Electronic Intelligence Devices in the real time. In most cases, the modern ESM/ELINT systems cannot recognize the different devices of the same type or class. New method of the radar identification with a high quality of recognizing is the Specific Emitter Identification (SEI). The main task is to find non-intentional modulations in the receiving signals. This paper provides an overview of the new methods of measurement emitter signal features parameters and their transformation. This paper presents some aspects of radar signal features processing using Karhunen-Loeve's expansion as a feature selection and classification transform.
    Źródło:
    Biuletyn Wojskowej Akademii Technicznej; 2006, 55, 1; 41-54
    1234-5865
    Pojawia się w:
    Biuletyn Wojskowej Akademii Technicznej
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    A new low SNR underwater acoustic signal classification method based on intrinsic modal features maintaining dimensionality reduction
    Autorzy:
    Ju, Yang
    Wei, Zhengxian
    Li, Huangfu
    Feng, Xiao
    Powiązania:
    https://bibliotekanauki.pl/articles/259300.pdf
    Data publikacji:
    2020
    Wydawca:
    Politechnika Gdańska. Wydział Inżynierii Mechanicznej i Okrętownictwa
    Tematy:
    acoustic
    low SNR
    signal classification
    feature maintain
    dimension reduction
    Opis:
    The classification of low signal-to-noise ratio (SNR) underwater acoustic signals in complex acoustic environments and increasingly small target radiation noise is a hot research topic. . This paper proposes a new method for signal processing—low SNR underwater acoustic signal classification method (LSUASC)—based on intrinsic modal features maintaining dimensionality reduction. Using the LSUASC method, the underwater acoustic signal was first transformed with the Hilbert-Huang Transform (HHT) and the intrinsic mode was extracted. the intrinsic mode was then transformed into a corresponding Mel-frequency cepstrum coefficient (MFCC) to form a multidimensional feature vector of the low SNR acoustic signal. Next, a semi-supervised fuzzy rough Laplacian Eigenmap (SSFRLE) method was proposed to perform manifold dimension reduction (local sparse and discrete features of underwater acoustic signals can be maintained in the dimension reduction process) and principal component analysis (PCA) was adopted in the proces of dimension reduction to define the reduced dimension adaptively. Finally, Fuzzy C-Means (FCMs), which are able to classify data with weak features was adopted to cluster the signal features after dimensionality reduction. The experimental results presented here show that the LSUASC method is able to classify low SNR underwater acoustic signals with high accuracy.
    Źródło:
    Polish Maritime Research; 2020, 2; 187-198
    1233-2585
    Pojawia się w:
    Polish Maritime Research
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Critical exponent analysis applied to surface EMG signals for multifunction myoelectric control
    Autorzy:
    Phinyomark, A.
    Phothisonothai, M.
    Phukpattaranont, P.
    Limsakul, C.
    Powiązania:
    https://bibliotekanauki.pl/articles/220544.pdf
    Data publikacji:
    2011
    Wydawca:
    Polska Akademia Nauk. Czytelnia Czasopism PAN
    Tematy:
    biomedical signal processing
    electromyography signal
    feature extraction
    fractal analysis
    human machine interface
    pattern classification
    Opis:
    Based on recent advances in non-linear analysis, the surface electromyography (sEMG) signal has been studied from the viewpoints of self-affinity and complexity. In this study, we examine usage of critical exponent analysis (CE) method, a fractal dimension (FD) estimator, to study properties of the sEMG signal and to deploy these properties to characterize different movements for gesture recognition. SEMG signals were recorded from thirty subjects with seven hand movements and eight muscle channels. Mean values and coefficient of variations of the CE from all experiments show that there are larger variations between hand movement types but there is small variation within the same type. It also shows that the CE feature related to the self-affine property for the sEMG signal extracted from different activities is in the range of 1.855∼2.754. These results have also been evaluated by analysis-of-variance (p-value). Results show that the CE feature is more suitable to use as a learning parameter for a classifier compared with other representative features including root mean square, median frequency and Higuchi's method. Most p-values of the CE feature were less than 0.0001. Thus the FD that is computed by the CE method can be applied to be used as a feature for a wide variety of sEMG applications.
    Źródło:
    Metrology and Measurement Systems; 2011, 18, 4; 645-658
    0860-8229
    Pojawia się w:
    Metrology and Measurement Systems
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Hybrid methodology of degradation feature extraction for bearing prognostics
    Metodyka hybrydowa ekstrakcji cech degradacji do zastosowań w prognozowaniu czasu życia łożysk
    Autorzy:
    Gu, H.
    Zhao, J.
    Zhang, X.
    Powiązania:
    https://bibliotekanauki.pl/articles/302055.pdf
    Data publikacji:
    2013
    Wydawca:
    Polska Akademia Nauk. Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne PAN
    Tematy:
    ekstrakcja cech
    degradacja
    sygnał
    łożysko
    feature extraction
    degradation
    signal
    bearing
    Opis:
    Hybrid methodology of degradation feature extraction was presented which may enable prediction of remaining useful life of a product. In this methodology, firstly, the signal was de-noised by wavelet analysis. Then the autoregressive model was used to remove the discrete frequencies from de-noised signal. Further, the residual signal which mainly contained impulsive fault signal was enhanced by minimum entropy deconvolution filter. The kurtosis was extracted which was taken as the feature for prognostics. At last, the empirical mode decomposition was used to reduce fluctuation of feature value and to extract the trend content. A case study was presented to verify the effectiveness of the proposed method.
    Przedstawiono hybrydową metodę ekstrakcji cech degradacji, która umożliwia przewidywanie pozostałego okresu użytkowania produktu. W tej metodyce, sygnał został najpierw odfiltrowany z wykorzystaniem analizy falkowej. Następnie, za pomocą modelu autoregresyjnego usunięto z pozbawionego szumów sygnału częstotliwości dyskretne. W dalszej kolejności, sygnał resztkowy, który zawierał głównie impulsowy sygnał uszkodzenia został wzmocniony z zastosowaniem filtru dekonwolucji minimum entropii. Obliczono kurtozę, którą przyjęto jako cechę w procesie prognozowania. Na koniec, zastosowano empiryczną dekompozycję sygnału (EMD) w celu zmniejszenia wahań wartości cechy oraz w celu ekstrakcji trendu. Studium przypadku demonstruje efektywność proponowanej metody.
    Źródło:
    Eksploatacja i Niezawodność; 2013, 15, 2; 195-201
    1507-2711
    Pojawia się w:
    Eksploatacja i Niezawodność
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    A Multistage Procedure of Mobile Vehicle Acoustic Identification for Single-Sensor Embedded Device
    Autorzy:
    Astapov, S.
    Riid, A.
    Powiązania:
    https://bibliotekanauki.pl/articles/227146.pdf
    Data publikacji:
    2013
    Wydawca:
    Polska Akademia Nauk. Czytelnia Czasopism PAN
    Tematy:
    vehicle identification
    acoustic signal analysis
    feature extraction
    classification
    fuzzy logic
    Opis:
    Mobile vehicle identification has a wide application field for both civilian and military uses. Vehicle identification may be achieved by incorporating single or multiple sensor solutions and through data fusion. This paper considers a single-sensor multistage hierarchical algorithm of acoustic signal analysis and pattern recognition for the identification of mobile vehicles in an open environment. The algorithm applies several standalone techniques to enable complex decision-making during event identification. Computationally inexpensive procedures are specifically chosen in order to provide real-time operation capability. The algorithm is tested on pre-recorded audio signals of civilian vehicles passing the measurement point and shows promising classification accuracy. Implementation on a specific embedded device is also presented and the capability of real-time operation on this device is demonstrated.
    Źródło:
    International Journal of Electronics and Telecommunications; 2013, 59, 2; 151-160
    2300-1933
    Pojawia się w:
    International Journal of Electronics and Telecommunications
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Feature selection for EEG-based discrimination between imagination of left and right hand movements
    Autorzy:
    Binias, B.
    Palus, H.
    Powiązania:
    https://bibliotekanauki.pl/articles/114144.pdf
    Data publikacji:
    2015
    Wydawca:
    Stowarzyszenie Inżynierów i Techników Mechaników Polskich
    Tematy:
    EEG signal
    brain-computer interfaces
    feature extraction
    classification
    lateralized brain activity
    Opis:
    : In this article was analyzed an influence of selected features on the accuracy of discrimination between imagination of right and left hand movements based on recorded EEG waveforms. The study showed a significant advantage that individual selection of features and a classification algorithm for analyzed data holds over the more general approach. The results were compared with the results obtained by the participants of the "BCI competition IV" and placed in the top three.
    Źródło:
    Measurement Automation Monitoring; 2015, 61, 4; 94-97
    2450-2855
    Pojawia się w:
    Measurement Automation Monitoring
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Identification of emitter sources in the aspect of their fractal features
    Autorzy:
    Dudczyk, J.
    Kawalec, A.
    Powiązania:
    https://bibliotekanauki.pl/articles/200415.pdf
    Data publikacji:
    2013
    Wydawca:
    Polska Akademia Nauk. Czytelnia Czasopism PAN
    Tematy:
    fractal feature
    pattern of radar
    signal processing
    Specific Emitter Identification (SEI)
    Opis:
    This article presents the procedure of identification radar emitter sources with the trace distinctive features of original signal with the use of fractal features. It is a specific kind of identification called Specific Emitter Identification, where as a result of using transformations, which change measure points, a transformation attractor was received. The use of linear regression and the Lagrange polynomial interpolation resulted in the estimation of the measurement function. The method analysing properties of the measurement function which has been suggested by the authors caused the extraction of two additional distinctive features. These features extended the vector of basic radar signals’ parameters. The extended vector of radar signals’ features made it possible to identify the copy of radar emitter source.
    Źródło:
    Bulletin of the Polish Academy of Sciences. Technical Sciences; 2013, 61, 3; 623-628
    0239-7528
    Pojawia się w:
    Bulletin of the Polish Academy of Sciences. Technical Sciences
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Recognition of acoustic signals of induction motor using fft, smofs-10 and ISVM
    Rozpoznawanie sygnałów akustycznich silnika indukcyjnego z zastosowaniem fft, smofs-10 i ISVM
    Autorzy:
    Głowacz, A.
    Powiązania:
    https://bibliotekanauki.pl/articles/1365918.pdf
    Data publikacji:
    2015
    Wydawca:
    Polska Akademia Nauk. Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne PAN
    Tematy:
    acoustic signal
    induction motor
    feature extraction
    classification
    sygnał akustyczny
    silnik indukcyjny
    ekstrakcja cech
    klasyfikacja
    Opis:
    A correct diagnosis of electrical circuits is very essential in industrial plants. An article deals with a recognition method of early fault detection of induction motor. The described approach is based on patterns recognition. Acoustic signals of specific induction motor are analyzed patterns. Acoustic signals include information about motor state. The analysis of the patterns was conducted for three states of induction motor using Fast Fourier Transform (FFT), shortened method of frequencies selection (SMoFS-10) and Linear Support Vector Machine (LSVM). The results of calculations suggest that the method is efficient and can be also used for diagnostic purposes.
    Prawidłowa diagnostyka obwodów elektrycznych jest bardzo istotna w zakładach przemysłowych. Artykuł zajmuje się metodą rozpoznawania stanów przedawaryjnych silnika indukcyjnego. Opisane podejście jest oparte na rozpoznawaniu wzorców. Sygnały akustyczne określonego silnika indukcyjnego są badanymi wzorcami. Sygnały akustyczne zawierają informację o stanie silnika. Analiza wzorców została przeprowadzona dla trzech stanów silnika indukcyjnego używając FFT, skróconej metody wyboru częstotliwości (SMoFS-10) i liniowej maszyny wektorów wspierających (LSVM). Wyniki obliczeń sugerują, że metoda jest skuteczna i może być również zastosowana dla celów diagnostycznych.
    Źródło:
    Eksploatacja i Niezawodność; 2015, 17, 4; 569-574
    1507-2711
    Pojawia się w:
    Eksploatacja i Niezawodność
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    A diagnostic algorithm diagnosing the failure of railway signal equipment
    Autorzy:
    Wu, Yongcheng
    Cao, Dejin
    Powiązania:
    https://bibliotekanauki.pl/articles/1955227.pdf
    Data publikacji:
    2021
    Wydawca:
    Polska Akademia Nauk. Polskie Towarzystwo Diagnostyki Technicznej PAN
    Tematy:
    failure diagnosis
    railway signal equipment
    denoising
    feature extraction
    diagnostyka uszkodzeń
    sygnalizacja kolejowa
    odszumianie
    ekstrakcja cech
    Opis:
    Failure of railway signal equipment can cause an impact on its normal operation, and it is necessary to make a timely diagnosis of the failure. In this study, the data of a railway bureau from 2016 to 2020 were studied as an example. Firstly, denoising and feature extraction were performed on the data; then the Adaptive Comprehensive Oversampling (ADASYN) method was used to synthesize minority class samples; finally, three algorithms, back-propagation neural network (BPNN), support vector machine (SVM) and C4.5 algorithms, were used for failure diagnosis. It was found that the three algorithms performed poorly in diagnosing the original data but performed significantly better in diagnosing the synthesized samples, among which the BPNN algorithm had the best performance. The average precision, recall rate and F1 score of the BPNN algorithm were 0.94, 0.92 and 0.93, respectively. The results verify the effectiveness of the BPNN algorithm for failure diagnosis, and the algorithm can be further promoted and applied in practice.
    Źródło:
    Diagnostyka; 2021, 22, 4; 33-38
    1641-6414
    2449-5220
    Pojawia się w:
    Diagnostyka
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Classification of EEG signal by methods of machine learning
    Autorzy:
    Alyamani, Amina
    Yasniy, Oleh
    Powiązania:
    https://bibliotekanauki.pl/articles/1837774.pdf
    Data publikacji:
    2020
    Wydawca:
    Polskie Towarzystwo Promocji Wiedzy
    Tematy:
    machine learning
    EEG signal
    classification
    data balancing
    feature extraction
    uczenie maszynowe
    sygnał EEG
    klasyfikacja
    równoważenie danych
    ekstrakcja cech
    Opis:
    Electroencephalogram (EEG) signal of two healthy subjects that was available from literature, was studied using the methods of machine learning, namely, decision trees (DT), multilayer perceptron (MLP), K-nearest neighbours (kNN), and support vector machines (SVM). Since the data were imbalanced, the appropriate balancing was performed by Kmeans clustering algorithm. The original and balanced data were classified by means of the mentioned above 4 methods. It was found, that SVM showed the best result for the both datasets in terms of accuracy. MLP and kNN produce the comparable results which are almost the same. DT accuracies are the lowest for the given dataset, with 83.82% for the original data and 61.48% for the balanced data.
    Źródło:
    Applied Computer Science; 2020, 16, 4; 56-63
    1895-3735
    Pojawia się w:
    Applied Computer Science
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
      Wyświetlanie 1-11 z 11

      Ta witryna wykorzystuje pliki cookies do przechowywania informacji na Twoim komputerze. Pliki cookies stosujemy w celu świadczenia usług na najwyższym poziomie, w tym w sposób dostosowany do indywidualnych potrzeb. Korzystanie z witryny bez zmiany ustawień dotyczących cookies oznacza, że będą one zamieszczane w Twoim komputerze. W każdym momencie możesz dokonać zmiany ustawień dotyczących cookies