基于小波与GBDT的无人机传感器故障诊断

相对于有人飞行器,确保无人机传感器的正常工作更为重要.针对无人机传感器的故障诊断,提出了一种将小波特征提取与梯度提升决策树(GBDT)算法相结合的故障诊断方法.采用基于多层小波包分解的特征提取方法,将小波包分解系数与频带能量熵组合构成特征向量,相比单一的能量特征提取方法,有效提升了故障的可分性.采用梯度提升的策略对弱分类器进行迭代优化和线性组合,构成强分类器,使故障分类精度得到显著提高.仿真结果表明,该方法能有效进行特征提取和故障类型识别,且有较高的诊断精度和较强的泛化能力.     

基于小波变换的低信噪比雷达回波快速检测法

根据二进小波变换对信号分解的形式与特性,给出了信号在小波域中广义子波能量的定义,并利用子波变换的多尺度分解特性构造出广义小波能量积累器。在此基础上设计出一种直接利用广义小波能量积累对低信噪比雷达回波信号进行检测的快速算法。仿真实验结果表明,该检测算法对强白噪声及强声背景下的低信噪比信号检测比较有效,对背景噪声具有较好的自适应性,且该检测算法设计简单,执行速度快,可靠性高。     

基于多尺度小波包分析的肺音特征提取与分类

提出了一种适于非平稳肺音信号的特征提取方法.以4种肺音信号（正常、气管炎、肺炎和哮喘）为样本数据,通过分析肺音信号的时频分布特点,选择了具有任意多分辨分解特性的小波包.对小波包进行空间划分后找到了适合肺音特征提取的最优基,并基于最优基对肺音信号进行快速多尺度的分解,得到了各级节点的高维小波系数矩阵,建立了小波系数与信号能量在时域上的等价关系,并将能量作为特征值,构造了低维的作为分类神经网络的输入特征矢量,大大降低了输入特征的维数.研究表明该算法的识别性能是高效的.     

基于模糊综合和最优小波包分解的信号多类分类

为了对音频信号进行有效地分类，提出了基于模糊综合和最优小波包分解的信号多类分类算法。首先，对音频信号进行窗化处理；其次，基于模糊集对信号进行最优小波包分解，并用最优小波包和信号感知特性来提取音频信号特征，在每一个小波子空间用支持向量机对信号进行多类分类；最后，用模糊积分将分类结果进行综合，得出最终类。试验采用不同的核函数和算法参数验证了本文算法的效果，结果表明本算法速度较快、精确度高。     

基于最大能量匹配与样本熵的小波降噪方法

为提高自适应小波阈值降噪方法的效果,提出一种结合最大能量匹配的小波包分解和快速样本熵的小波阈值降噪方法。根据各层小波系数特点并以最大能量匹配准则自适应选择小波包基对含噪信号进行分解,对最大尺度下的小波系数阈值化后重构得到噪声信号,采用快速样本熵算法计算噪声信号样本熵,动态调整阈值使噪声信号样本熵最大而获得最佳的降噪效果。应用实例表明：该方法相比传统的小波阈值降噪方法具有更好的降噪效果。     

基于局域判别基的音频信号特征提取方法

音频特征提取在音频信号分析和处理中起着非常重要的作用。考虑到音频信号的非平稳性,对音频信号进行小波包分解,为了获取健壮的特征,采用改进的局域判别基（LDB）技术对小波包树进行裁剪,提取局域判别基各子空间能量的统计特征组成特征矢量,并利用Fisher准则函数进行特征选择,根据特征矢量设计支持向量机分类器,对三类音频进行分类识别。实验结果表明,该方法提取的特征矢量在音频信号分类中是非常有效的。     

基于小波变换的血压信号特征提取方法研究

该文针对传统的人体血压信号特征提取方法的不足，提出了一种了基于小波变换的人体血压信号特征量提取方法。人体的血压信号是一种非平稳的低频信号，使用Marr小波对人体血压信号进行小波变换的时间一尺度分解，可以得到人体血压信号的模极大值曲线；通过选择合适的分解尺度，可以有效地滤除噪声，对人体血压数据进行消噪处理；进一步滤除奇异性极大值点，可以提取出动脉波动位置和动脉波动幅度信息。文中给出了算法的完整实现，并利用实际采集的人体血压数据验证了该算法，得到了波峰模极大值点和心脏跳动所发生的精确时刻，为人体血压信号的参数识别奠定了基础。     

脑电信号的小波变换和样本熵特征提取方法

针对现有的采用单一的特征提取算法对运动想象脑电信号识别率不高的问题,提出一种结合小波变换和样本熵的特征提取方法.通过小波变换,把脑电信号进行3层分解,抽取出对应于脑电β节律频带的小波系数的能量均值和能量均值差,并结合脑电信号的样本熵组成特征向量,使用支持向量机分类器对左右手运动想象脑电信号进行分类.结果表明,结合小波变换和样本熵的特征提取方法明显优于仅采用小波变换、样本熵以及其他传统的特征提取方法,得到的最高正确识别率为91.43%.     

多级小波分解与LBP融合的纹理提取算法

为提高不同光照、不同角度条件下的纹理识别精度,提出了一种利用多级小波分解和多尺度旋转不变LBP融合的纹理提取算法。算法在传统的LBP特征提取基础上,采用多尺度的旋转不变LBP算子分别对多级小波逼近图像提取直方图序列特征向量,与各级小波能量进行加权融合,获取更多的纹理信息,对光照和角度的变化有更高的鲁棒性。仿真结果表明,相对传统的LBP特征提取算法,改进的算法具有更高的纹理识别率。     

基于Dopplerlet变换的舰船辐射噪声特征提取方法

在对信号进行线性变换的过程中，最好将基函数取成与待分析信号的性态相类似的信号。基于此，提出了一种基于Dopplerlet变换的舰船辐射噪声特征提取方法，给出了基于进化规划算法的Dopplerlet变换分解流程。理论上该方法提取出的特征不包含其他噪声的信息，因此由此提取出的舰船噪声特征更加可靠。使用本文方法与基于小波变换、波形结构、自然尺度等的特征提取方法对收集到的舰船辐射噪声进行了对比识别试验，结果证明基于Dopplerlet变换的舰船辐射噪声特征提取方法更加可靠和有效。     

基于小波与小波包的变速器故障特征提取

本文结合自适应小波变换滤波去噪方法与小渡阈值去噪方法,提出了一种可用于变速器故障振动信号去噪的双层滤波去噪算法.该算法的滤波过程分为两层,第一层滤波采用自适应小波变换滤波算法;第二层滤波采用经典的小波阈值去噪算法对信号进行二次去噪.最后,将去噪后的故障信号采用小波包进行了分解,并提取了小波包频带能量作为故障特征向量.     

基于听觉感知模型的自适应音频数字水印算法

提出了一种基于听觉感知模型的自适应音频数字水印算法。该算法采用了适合于时变信号分析的小波包来分解音频信号。小波包分解满足心理声学模型所需的频率分辨率,可直接在小波域中计算掩蔽阈值,而不需像MEGP等算法那样进行FFT运算,从而大大降低了计算的复杂程度。实验结果表明,水印系统对MP3压缩、噪声干扰、重量化、低通滤波攻击有一定的鲁棒性。     

基于奇异值分解和小波包分析的液压泵振动信号特征提取方法

针对液压泵故障特征提取问题,提出了一种基于奇异值分解和小波包变换的液压泵振动信号特征提取方法.通过奇异值分解将噪声非均匀分布的液压泵振动信号正交分解为噪声分布相对均匀的分量,对各分量进行小波包阈值去噪,重构去噪后分量,对去噪后信号进行小波包分解,提取各频带能量特征.以齿轮泵为例,将该方法对齿轮泵的气穴故障、齿轮磨损和侧板磨损3种常见故障和正常状态的振动信号进行特征提取分析,结果表明,该方法可有效提取齿轮泵故障特征.     

基于小波子空间、支持向量机和模糊积分的信号多类分类算法

为了对音频信号进行有效的分类，提出一种在小波变换子空间中基于支持向量机和模糊积分进行信号特征提取和分类的新算法．首先，对信号进行预加重和窗化处理；其次，用小波变换把信号分解到不同的子空间并提取每个子空间的特征；再次，对每一个子空间信号特征向量进行标准化、降维和分类；最后，用模糊积分将子空间分类结果融合，得出最终类．试验表明本算法速度较快、精确度高．     

一种基于小波变换的指纹特征提取算法

提出了一种基于小波变换的指纹纹理特征提取算法。首先以指纹图像的核心点为中心分割出一片有效的矩形区域,然后对分割后的有效区域做二维小波分解,提取小波分解后各通道的能量值作为特征值来进行识别。与传统的基于指纹细节点的识别算法相比该算法一定程度上减少了计算量,对指纹图像的质量要求也不高,并且识别精度也得到了保证。     

基于小波包分解和EMD-SVM的轴承故障诊断方法

针对轴承振动信号具有的非平稳和故障诊断样本数据难以按需获取的问题,设计了一种基于小波包分解和EMD SVM的故障诊断方法;首先,采用Mallat塔式算法对信号进行降噪,实现信号的小波分解,获得重构后的故障诊断子频带信号;然后,在经典的EMD算法的基础上定义了改进的EMD算法,采用改进的EMD算法对经过小波包降噪的故障诊断子频带信号进行特征提取,从而获得故障诊断特征向量;最后,采用适合小样本分类的SVM进行故障诊断,将经过小波包降噪和EMD特征提取的样本数据用于训练SVM,得到用于故障诊断的多个二分类SVM故障诊断模型,通过投票机制来确定样本数据最终对应的故障诊断类别:在Matlab环境下对轴承故障诊断进行实验,实验结果证明了文中基于小波包和EMD-SVM的方法一种适用于小样本的故障诊断方法,且与其它方法相比,具有诊断效率高和精度高的优点.     

基于混沌扩频和能量系数差的音频盲水印算法

提出一种基于混沌扩频和能量系数差的小波域数字音频盲水印算法。采用混沌扩频序列对原始水印进行加密,小波算法对原始音频信号进行分解,引入心理声学模型选取适当的阈值,根据高频系数分量和低频系数分量的能量差值与阈值的大小关系,实现对水印信息的嵌入、提取和盲检测。在提取过程中结合线性伸缩恢复的方法消除时间轴上线性伸缩带来的影响。实验结果表明,该算法对多种音频文件的操作和攻击均具有良好的鲁棒性。     

基于小波包分解和PSO-BPNN的滚动轴承故障诊断

针对现有煤矿旋转机械滚动轴承故障诊断方法存在信号有效特征提取不完全、故障诊断精度不高及效率低等问题,提出了一种基于小波包分解和粒子群优化BP神经网络的滚动轴承故障诊断方法。该方法包括信号特征提取和故障类型识别两部分:在信号特征提取部分,对采集的滚动轴承振动信号进行小波包分解,得到各子频带能量及信号总能量,经归一化处理后获得表征滚动轴承状态的特征向量;在故障类型识别部分,通过粒子群优化算法优化BP神经网络的初始权值和阈值,以加速网络收敛速度,避免陷入局部极小值。实验结果表明,该方法提高了滚动轴承故障诊断效率和准确率。     

基于全频带小波能量相对熵的脉冲涡流感应信号辨识

脉冲涡流检测是一种新兴的无损检测技术,检测方便、成本低、安全性好,适用于对各种材料缺陷进行在线检测。然而,脉冲涡流感应信号强度微弱、识别困难,必须采用比较有效的信号处理方法对信号进行处理。为了提高脉冲涡流检测系统的精度和正确率,在详细分析了脉冲涡流感应信号特性后,提出了一种基于全频带小波能量相对熵的脉冲涡流感应信号辨识方法。对几种典型脉冲涡流感应信号的采样数据进行多尺度小波分解,并单支重构各尺度小波系数。利用小波变换对局部信号特征的放大作用以及小波相对熵对信号之间差异的辨识优势,计算各尺度小波能量占所有小波系数能量的权重系数,及原始信号在各频带下的小波能量相对熵,然后根据小波能量相对熵对脉冲涡流感应信号的类别进行信号辨识。理论分析和试验表明,该方法能够有效消除干扰,提高无损检测的精度和正确率。     

基于IMF能量谱的水声信号特征提取与分类

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。