一种基于自适应提升小波变换的GNSS多径抑制方法

在卫星导航定位系统中,多径干扰是影响定位精度的重要误差源之一。在分析研究现有多径抗干扰方法和小波理论的基础上,提出了一种基于自适应提升小波变换(Adaptive Lift Wavelet Transform,ALWT)的多径抑制方法。该方法利用小波分析在时频域将待处理信号局部放大的特性,将待分析信号通过提升小波变换进行自适应多级分解,通过最小方差准则(Least Mean Square,LMS)自适应确定分解级数,在一定的阈值条件下将多径信号排除过滤掉,从而达到多径抑制的目的。Matlab7.0仿真实验中,与窄相关技术和传统小波变换方法(Traditional Wavelet Transform,TWT)相比,该方法通过多级小波级数分解,将多径信号进行局部时频域放大,选取合适阈值判别条件过滤多径信号,再通过小波逆变换还原直接信号,实验证明使用ALWT方法多径抑制效果显著提高。     

基于小波变换和灰度-梯度共生矩阵的局部放电特征提取及识别

为了能够充分利用局部放电(Partial Discharge, PD)信号中包含的特征信息,提高变压器内部局部放电类型的识别率,文中提出了一种基于小波变换(Wavelet Transform)和灰度-梯度共生矩阵(Gray-GradientCo-occurrence Matrix,GGCM)算法的局部放电类型识别方法。结合变压器内部结构特点,设计四种局部放电缺陷类型,在实验室搭建变压器局部放电实验检测平台,通过脉冲电流法采集局部放电高频电流信号。运用小波变换对非平稳信号处理时的灵活性对局部放电信号脉冲构建时频谱图;然后结合GGCM算法提取时频谱图的15维纹理特征组成特征向量;将特征向量输入到支持向量机(Support Vector Machine,SVM)分类器进行模式识别。结果表明,小波变换和GGCM算法结合的识别方法能够有效地对不同局部放电缺陷类型进行识别。     

基于小波能谱熵和神经网络的输电线故障识别

在暂态电流信号小波变换结果的基础上,采用小波能谱熵定义,对小波分解系数进行处理,提出了一种基于小波能谱熵和神经网络的输电线路故障类型识别方法。该方法通过计算故障前后三相电流信号小波变换系数沿尺度分布的小波能谱熵,经过适当处理,输入神经网络,利用神经网络在模式识别方面的优势,输出结果即为故障类型识别的结果。仿真结果表明,该故障类型识别方法不受故障类型、故障电阻及故障位置等因素的影响,识别结果准确可靠。     

采用复连续小波变换的桩基损伤位置识别方法

提出基于复连续小波变换(CCWT)的桩基损伤位置识别方法.首先,对响应信号进行复连续小波变换,得到小波系数矩阵;然后,分析不同频段的相位角,确定桩身损伤位置;最后,通过桩基三维有限元模型数值算例和桥梁桩基实例,对基于复连续小波变换的桩基损伤位置识别方法进行验证.结果表明:复连续小波变换不但能够准确估计桩长,而且能够捕捉相位图上的交叉点,实现桩身损伤位置识别;与传统损伤检测方法相比,复连续小波变换可凸显响应信号的相位信息,成功识别桩身微小损伤的位置;但该方法在识别过程中出现较多的干扰点,需要借助其他桩身损伤检测方法进行判定和排除.     

基于应变模态小波神经网络的结构损伤识别方法

以框架结构为研究对象,利用小波分析和神经网络理论,结合二者的优点,运用小波分析来确定框架结构的损伤位置,运用神经网络算法来识别损伤程度,给出了基于应变模态参数识别框架结构损伤的原理,建立了一种识别结构损伤的小波神经网络方法.通过建立基于振型模态和应变模态的损伤识别方法,分别对9种不同工况下框架的裂缝位置进行识别,并对比了这2种模态下损伤位置的识别效果.然后,分别对框架的振型模态和应变模态进行连续小波变换,获得2种模态参数下的小波系数模极大值.利用神经网络去模拟小波系数模极大值与损伤程度之间的非线性关系来识别结构的损伤程度,并对比了这2种模态下损伤程度的识别效果.数值分析结果表明,小波神经网络可以有效地识别出结构的损伤位置和损伤程度,基于应变模态的损伤识别方法具有更好的准确性.     

小波变换及其在图像处理中的应用

小波变换(Wavelet Transform)是近几年发展起来较新的数学分支,应用十分广泛.本文介绍了小波变换的基本原理,并论述了它在图像处理中的应用.     

基于改进小波神经网络的极谱法多金属离子浓度检测信号的在线解析

针对极谱法实现锌湿法冶炼过程多金属离子浓度同时检测时所得信号存在重叠峰的问题,提出一种基于改进小波神经网络的多金属离子浓度极谱检测信号在线解析方法。首先,采用离散小波变换求取极谱检测信号的一阶导数,从而提取出极谱信号的特征点作为小波神经网络的输入;然后,提出一种改进的状态转移算法优化小波神经网络参数,实现基于小波神经网络的多金属离子浓度同时测定信号的离线建模和在线解析,提高多金属离子浓度同时测定的检测精度。以实际锌、钴极谱重叠信号为例进行验证。研究结果表明:所提出的方法针对锌质量浓度和钴质量浓度的测定结果优于传统的曲线拟合和基于BP神经网络的方法所得结果。     

基于曲率模态差和小波变换的网架损伤识别

采用一种基于曲率模态差和小波变换的损伤位置识别方法,对网架结构中常见的正放四角锥网架、两向正交正放网架、两向正交斜放网架、三向网架和蜂窝型三角锥网架进行了损伤识别,以结构损伤前后的曲率模态差作为小波变换的分析信号,对其进行db3连续和离散小波变换,确定杆件损伤位置。数值分析结果表明,在仅测得一阶模态的情况下,应用曲率模态差和小波变换相结合的方法可以对网架的单个损伤位置和多个损伤位置进行有效识别。     

遗传小波神经网络在模拟电路故障诊断中的应用

提出一种基于遗传算法(Genetic Algorithm, GA)、小波变换及神经网络(NN)的模拟电路故障诊断方法.该方法将小波基作为神经网络的传递函数,利用遗传算法优化神经网络的结构和权值,从而避免了BP神经网络结构设计的盲目性和局部最优等问题,大大减少了网络训练时间.利用该方法对模拟电路进行故障诊断有利于提高诊断的智能性及识别故障类别的能力,提高诊断的精度与速度.实例诊断结果表明文中所提方法是可行的.     

基于MATLAB的连续小波变换图象分析

Wavelet是基于MATLAB的一个重要应用软件包。但在利用Wavelet对于一些典型信号 ,如正弦信号、δ 信号进行连续小波变换 (CWT)时 ,却出现一些与常识不相符的“异常”图象。针对这个问题 ,利用Morlet小波基 ,从连续小波变换基本公式出发 ,通过数学上的严格推证 ,指出了这些特殊图象的形成原因 ,分析了小波变换所体现的“数学显微镜”的特点 ,并得到一个有趣的结论 :只有当小波Morlet小波基的振荡频率略微小于正弦信号的振荡频率时 ,才会达到小波变换的最大值     

用于稳态视觉诱发电位目标识别的多尺度特征融合卷积神经网络方法

针对传统稳态视觉诱发电位(SSVEP)脑电信号目标识别方法分类精度低、提取特征不充分、方法复杂且耗时等问题,提出一种基于多尺度特征融合卷积神经网络的SSVEP信号分类识别方法(SSVEP-MF)。利用小波变换将多通道SSVEP信号整合转化为二维图像作为输入样本集;建立多尺度特征融合卷积神经网络模型(MFCNN),该模型利用三层二维卷积核实现图像样本不同尺度特征的充分提取,构建多尺度特征融合单元对不同层级特征进行融合,并通过全连接等操作完成模型的训练;将样本集输入到MFCNN模型中实现脑电信号特征自适应提取及端到端分类。所提SSVEP-MF方法能够充分提取信号各层级特征,实现短时间视觉刺激下SSVEP信号的有效识别,并具有较高的目标识别效率。实验结果表明,在1 s刺激时长时,相比传统功率谱密度分析方法、典型相关分析方法以及普通卷积结构方法,所提方法的识别准确率分别提升了18.57%、20.08%及7.03%,有效提高了基于稳态视觉诱发电位范式下脑机接口的信号识别性能。     

基于HHT的结构损伤特征量与异常诊断

Hilbert-Huang Transform(HHT)是一种新的适用于非线性、非平稳信号且具有自适应性的数据处理方法.提出了一种基于HHT的结构损伤识别方法,该方法利用结构动态响应信号的HHT边际谱构造出损伤特征量--模态成分向量,进而定义结构异常指数.通过比较结构同一位置不同状态下模态成分向量的匹配度来识别结构特性变化,实现损伤辨识.数值模拟分析表明,该方法具有有效性和实用性.     

基于小波包与CNN的滚动轴承故障诊断

滚动轴承的振动信号具有较强的非平稳性,小波包(Wavelet Packet,WP)时频分析方法能有效提取非平稳信号的时频特征,具有精细的时频分辨率。而卷积神经网络(Convolutional Neural Network,CNN)强大的特征学习能力使其具有优于浅层网络的故障识别率。为了更准确地诊断出滚动轴承的运行状态,提出一种基于小波包与CNN相结合的滚动轴承故障诊断方法:对采集的轴承振动信号进行小波包时频分析,得到各类信号的时频特征图,采用fine-tuning技术在CNN模型caffe Net上进行微调,解决少量样本训练CNN模型的问题,最终得到了可用于滚动轴承故障诊断的CNN模型。采用小波包与CNN相结合进行故障诊断,故障识别率达到了99.1%,高于连续小波变换(CWT)和短时傅里叶变换(STFT)与CNN相结合的故障识别率。而采用主成分分析(PCA)与支持向量机(SVM)相结合的故障识别率最低,且对复合故障的识别效果明显不足。     

基于支持向量机的气液两相流流型识别新方法

为准确识别两相流型，提出了基于小波包多尺度信息熵和支持向量机的流型识别方法．利用小波包变换对采集到的水平管空气-水两相流压差波动信号进行3层小波包分解，得到8个不同频带的信号，提取各频带信号的小波包多尺度信息熵作为流型的特征向量，运用支持向量机进行训练并识别流型．结果表明：与BP神经网络相比，采用支持向量机进行流型识别可以获得更高的识别率，表明该方法是有效、可行的．     

基于图卷积神经网络的电力变压器故障诊断

针对电力变压器故障多、诊断精确度低等问题,提出了一种基于图卷积神经网络(Graph Convolutional Network, GCN)电力变压器故障诊断的方法,该算法可以准确地识别电力变压器的故障类别,且实现了将数据结构转化成图结构.以电力变压器为实验对象,利用小波包变换(Wavelet Packet Transform, WPT)提取变压器油中特征气体数据特征,构建特征向量;接着利用马氏距离(Mahalanobis Distance, MD)来表示各个向量之间的相似度,以数据特征为顶点、相似度为边构建图结构;最后利用图卷积神经网络实现变压器的故障类别分类,准确识别出变压器故障类别,能够针对变压器故障部分进行检修.仿真实验表明:与深度信念网络(Deep Belief Network, DBN)和卷积神经网络(Convolutional Neural Networks, CNN)相比,本文提出的方法做出的诊断结果更加精确,综合诊断效果最好.     

一种新的心电信号R峰自动检测方法

R波是心电(ECG)信号中最重要的组成部分,蕴含着重要的生理病理信息。在长时ECG信号上实现R峰自动检测是进行心率变异性分析、心血管疾病诊断、生物识别和ECG编码的关键步骤。文中提出了一种新的基于小波变换的R峰自动检测方法。首先,设计了一种改进的小波阈值法,并结合小波包分解对原始心电信号进行去噪处理;其次,将去噪后的心电信号进行小波变换,采用自适应阈值法在恰当的频率子带上检测出候选R峰,并将其位置逆变换于心电信号;最后,根据RR间期的局部变化趋势进行R峰的精细筛选,以最终完成R峰检测。文中选用MIT-BIH心律失常数据库中的2个心电记录对所提算法进行性能评估,采用错误检测率(DER)、真阳性率(+P)、敏感度(Se)和准确率(Acc)作为评价指标,平均检测结果分别可达0.395%,99.67%,99.95%,99.62%。     

基于小波变换的调制自动识别新方法研究

在小波分析的理论基础上,提出使用高斯(Gaussian)小波进行连续小波变换,进而提取信号的小波变换后的幅度,获取其瞬时特征,达到识别MPSK(M-ary Phase Shift Keying)与MFSK(Multi-Frequency Shift Keying)信号的目的,从而在不需要先验知识的情况下识别接收信号的调制方式的目的.验证该方法较现有文献利用Haar小波变换识别信号方法具有更好的性能,而且克服了现有文献采用Haar小波变换识别调制信号的漏检问题,提高了运算速度和性能,并有效增加了小波变换识别调制信号方法的适用性.通过理论分析和计算机仿真证实了新方法的有效性和优越性.     

基于分数阶傅里叶变换和循环谱的雷达信号调制方式识别

针对低信噪比条件下雷达信号脉内调制方式识别算法识别率低的问题,提出了一种基于分数阶傅里叶变换(FRFT)和循环谱的雷达信号识别方法。通过分数阶傅里叶变换搜索出最大峰值对应的分数阶,把信号粗分为非调频信号和调频信号2大类。对于非调频信号,利用信号的谱峰特征和频谱复杂度以及循环谱特征,对二频编码信号、常规雷达信号、二相编码信号和四相编码信号进行分类识别;对于调频信号,利用自相关得到功率谱特征实现线性调频信号与非线性调频信号的细分类。经实验验证,本文提出的方法在信噪比大于2 dB时,总体识别率达到90%以上。     

认知无线电Underlay模式下MQAM信号的调制识别

针对传统的认知无线电Underlay中时频重叠MQAM信号调制识别方法性能低的问题,提出了一种采用时频分析图像纹理特征的时频重叠信号调制识别方法。首先对接收到的时频重叠MQAM信号做频率切片小波变换得到时频分析图像,并选取纹理差异明显的切片部分进行灰度化处理,然后通过提取时频分析图像的灰度-梯度共生矩阵特征,最后利用径向基函数神经网络分类器有效地实现了时频重叠MQAM信号调制方式的识别。仿真结果表明:在信噪比为4dB下,所提出的方法的平均识别率可达到95%以上;在信噪比大于0dB时,所提方法的识别性能优于基于高阶累积量的识别方法。     

基于小波变换和分形理论的输电线路故障检测

提出了一种基于小波变换和分形理论的架空输电线路故障识别新方法.该方法对电流采样信号分别进行了小波变换和分形计算,尔后采用神经网络进行识别.经实例分析计算,取得了良好的检测结果,从而验证了该方法的正确性和有效性.