基于连续小波和多类球支持向量机的颤振预报

研究了一种应用连续小波特征和多类球支持向量机进行铣削系统颤振预报的方法,该方法基于连续小波变换提取铣削振动信号的特征,利用多类球支持向量机对正常铣削状态、颤振孕育状态和颤振爆发状态的振动信号进行三分类识别,通过识别颤振孕育状态预测颤振爆发。试验结果表明,在铣削颤振识别与预测中,铣削振动信号的连续小波特征与多类球支持向量机相结合具有良好的识别颤振孕育状态和颤振爆发状态的能力,颤振孕育状态的识别正确率达95.0%,颤振爆发状态的识别正确率达97.5%。     

小波支持向量机在结构损伤识别中的应用研究

基于小波框架理论和支持向量核函数的条件,引入非线性小波基函数构造支持向量机（SVM）的核函数．得到一种具有较强泛化能力的紧致型小波支持向量机。对结构在环境脉动下的反应信号进行小波包分解,利用“能量一损伤状态”的特征提取方法得到特征向量,并作为紧致型小波支持向量机的输人进行训练和分类检验,提出了一种基于完全小波支持向量机的结构损伤识别方法。以一空间单层网壳结构为检测和诊断对象,用该方法对结构的损伤位置和程度进行识另口和分类具有较高的精度,同时该方法具有面向工程实际应用、成本低和分析简便等特点。     

基于小波去噪和支持向量机的苹果品种识别法

本文提出了一种用电子鼻来区分富士、花牛、姬娜3种不同品种苹果气味的方法。首先利用多尺度小波分析对气体传感器的数据进行去噪处理,再用支持向量机建立识别模型,最后通过优化2个支持向量机模型的核函数及其参数,将重叠的苹果气味数据进行高维空间变换用SVM回归模型识别。实验结果表明,第一个支持向量机模型对花牛苹果的识别正确率达到100％,第二个支持向量机模型对姬娜和富士的识别率大于90％。     

基于FSVM的起重机臂筒焊接变形测量研究

为解决获取起重机臂筒固有焊接变形的不便利及复杂性问题,应用支持向量机模糊理论融合技术对起重机臂筒焊接变形测量方法进行研究,并采用遗传算法对支持向量机的核参数及惩罚因子进行寻优,以误差函数为评价指标,最终确定了核参数σ=1.8和惩罚因子c=26。将该测量模型应用于焊接变形的预测,同时采用智能图像检测法对相同预测点进行测量对比,结果显示所建立的融合模型对起重机臂筒焊接变形的测量和智能图像检测法的误差在5%以内,验证了该测量方法的准确性。     

基于多小波包和邻域粗糙集的故障诊断模型

为了解决机械设备复合故障难以正确识别的问题,提出一种基于多小波包和邻域粗糙集的机械故障诊断模型.首先,采用多小波包对原始振动信号进行分解,分别提取原始信号和各分解频带信号的时域特征组成原始特征;然后,采用邻域粗糙集方法筛选出敏感特征作为多分类支持向量机的输入,实现机械设备不同状态的自动识别.模型应用结果表明相比于传统小波包,多小波包分解够提取到更丰富的故障信息和获得较高的识别精度;邻域粗糙集能够从大量的原始特征中选择出敏感特征,减小分类算法的复杂性,进一步提高分类准确率.该模型在复合故障的诊断方面具有显著优势.     

基于小波变换和LDA/FKT及SVM的人耳识别

人耳识别技术是生物特征识别和人工智能领域的一个重要分支.针对人耳图像自身的特点并通过对现有方法的研究,本文提出了一种新的人耳识别方法,即先对人耳图像进行二维的离散小波分解,然后使用LDA/FKT算法对小波分解后得到的低频信息进行降维,进而获得图像的特征向量,最后采用支持向量机作为分类器对样本向量进行判别.实验证明,本文提出的方法不仅较好地解决了人耳识别中的小样本问题,而且还取得了比传统的PCA+LDA方法更高的识别率,是一种有效的人耳识别方法.     

基于聚类动态LS-SVM的L-赖氨酸发酵过程软测量方法

针对生化反应过程中软测量模型存在的模型失效问题,提出了一种基于模糊C均值聚类(FCM)和动态LS-SVM的混合建模方法.首先,采用FCM算法将训练集分成具有不同聚类中心的子集,然后对每一类分别采用LS-SVM进行训练并建立子模型.对于带有新信息的样本数据首先计算其对每一类的模糊隶属度函数,然后用隶属度最大的一类所对应的子模型进行动态学习,并更新子模型.将所提出的软测量建模方法用于对L-赖氨酸发酵过程关键生物量参数的预测,实验结果表明所提出的建模方法可以有效地增强软测量模型适应工况变化的能力,提高其预测精度.     

基于支持向量机的雷达一维距离像识别

本文利用三类常用的核构造的支持向量机来对雷达目标一维距离像识别,得到了较高的识别率,通过改进支持向量机的核能较大程度减少训练时间,也能使支持向量的个数显著减少,同时具有较高的识别率.     

采用小波分析与支持向量机的车轮踏面擦伤识别方法

采用小波分析与支持向量机(SVM)相结合对列车车轮擦伤进行自动识别。运用变尺度多分辨小波分析方法对车轮擦伤信号进行特征处理，SVM能够对小样本数据进行模式识别并且具有很好的分类推广能力。在小波分析特征提取的基础上，利用分布式多SVM分类器识别车轮擦伤，实验表明，该方法能有效地对车轮擦伤等级进行准确识别和诊断。     

基于小波和灰度共生矩阵的带钢表面缺陷识别

提出了一种基于小波变换和灰度共生矩阵的带钢表面缺陷识别方法。采用小波变换分解缺陷图像并提取其低频子带信息。通过在低频子带上构造0°、45°、90°和135°四个方向的灰度共生矩阵,分别计算角二阶矩、熵、对比度和逆差矩4个特征值,共获得16个特征值,并将其输入支持向量机,完成对6类共1800张带钢表面缺陷图像的识别,总体识别精度大于96%。实验结果表明,小波变换与灰度共生矩阵结合能有效描述带钢表面缺陷纹理特征,具有较好的识别效果。     

基于模糊函数等高线与栈式降噪自编码器的雷达辐射源信号识别

针对当前复杂体制雷达辐射源信号识别方法抗噪性能差、识别率低等问题,提出一种基于模糊函数等高线与栈式降噪自编码器的新识别方法。首先对辐射源信号的模糊函数进行高斯滤波并根据线性插值计算等高线,然后采用主成分分析方法降低其特征维度,保留主要模糊能量信息,最后构建深度学习栈式降噪自编码器,学习并提取等高线深层、泛在的特征,并通过Softmax分类器进行分类识别。实验结果表明,该方法在信噪比为0 dB时对6类典型雷达信号的整体平均识别率均保持在99.83%以上,即便是在-6 dB环境中,识别率也可达到83.67%,验证了所提方法在极低信噪比条件下良好的性能和可行性。     

基于二维小波变换及图像模式识别的焊缝坡口识别

采用二维小波变换及二值化方法处理初始条件下管道焊缝坡口图像,获取焊缝坡口纹理信息,作为模板。 对后续坡口图像进行同样的小波变换及二值化处理,利用模式识别方法获取后续图像焊缝坡口及其中心线的基本 位置信息,研究的焊缝坡口识别算法为实现自然光下焊缝坡口实时跟踪提供了理论依据。     

基于脊波变换的Sar复数图像压缩方法

脊波(Ridgelet)是应用现代调和分析的概念和方法在小波分析理论上发展起来的新的分析工具.与小波分析和Fourier分析相比,脊波能对多维函数有更好的逼近速率.脊波综合了神经网络、统计学、调和分析等多个学科,克服了多维函数逼近的“维数灾”问题.本文主要探讨脊波变换的Sar图像压缩方法,对脊波首先进行了论述,在此基础上,重点分析了脊波变换算法,最后即是脊波变换的Sar图像压缩方法的阐述.     

基于小波变换的轴力杆裂纹识别

基于裂纹识别中的正反问题,以裂纹轴力杆为例,将有限元与断裂力学相结合,建立了裂纹轴力杆动力学模型,推导了裂纹轴力杆单元等效刚度矩阵,求解出不同裂纹位置和尺寸下系统固有频率;利用小波变换对采集的故障信号进行小波分解和谱分析,使得故障信号的频率在小波分析的细节信号中得到放大,对比该频率和各种故障下计算的故障频率理论值确定裂纹相对位置和尺寸。算例证实了该算法的有效性,为工程结构轴力杆裂纹故障诊断提供了新方法。     

基于Gabor小波的TOFD图像缺陷识别研究

针对运用超声衍射时差法（TOFD）法对焊缝进行检测时,图像缺陷人工定性主要受检验人员经验和专业知识影响缺乏可靠性的问题,提出了一种TOFD图像缺陷自动定性的方法.该方法首先提取TOFD缺陷图像的Gabor小波特征,并依据这些特征,采用主成分分析技术（PCA）对Gabor特征进行降维,然后采用Fisher线性判别分析方法对其进行了判别分析,最后完成了缺陷的自动定性分析;同时,建立了一个实际系统,并在测试样本上进行了试验验证,试验在109幅人工试块缺陷及自然缺陷训练样本及25幅测试样本中进行,采用Gabor小波特征及原始图像像素特征所构建的缺陷分类器识别率比较.研究结果表明,基于Gabor小波特征的缺陷识别方法识别率达到72％,比原始图像特征的缺陷识别方法更优.     

基于小波包分析和BP神经网络的字符识别方法

利用小波包分析具有提取图像时、频两域细节和局部特征的能力,提出了将字符图像的小波包分析和BP神经网络相结合以达到识别字符的新方法。该方法首先对字符图像进行小波包分解,然后对分解系数进行重构,求得重构图像的能量;然后提取了不同字符图像的能量构造成能量特征向量,作为神经网络的输入;然后通过选取初始权值、隐层节点数和权值学习算法,创建BP神经网络;最后通过神经网络模型进行训练。实验证实该方法具有识别正确率高、速度快等优点。     

基于Gabor小波的火灾烟气识别新方法

研究提出一种基于Gabor小波的火灾烟气模型,以提高基于视频图像的火灾烟气检测的准确性。本文采用混合高斯模型与色度方差相结合的方法定位火灾烟气目标区域,并基于Gabor小波对烟气纹理及边缘特征进行描述,从而提出烟气变化能量模型与方向角分布模型来分析纹理变化的动态性质。最后采用Gentle Boosting设计分类器对模型特征进行分类与匹配,并实现在训练的同时进行最优特征选择。与传统方法相比,基于本文方法的火灾烟气检测在降低漏报率与误报率方面拥有更好的性能。     

基于多级小波分解的人脸图像光照补偿方法

人脸在不同光照条件下所得图像的差异很大,这给人脸识别带来了巨大的挑战。为改善不同光照条件下的人脸识别,本文提出一种利用多级小波分解和样条插值进行光照补偿的方法。一般认为,光照变化会给图像中混入两种噪声：背景噪声和增益噪声。背景噪声是加性噪声,通过直接对图像进行多级小波分解和样条插值来估计并去除;增益噪声是乘性噪声,通过对去除了背景噪声的图像进行对数变换后,再利用多级小波分解和样条插值来估计并去除。在Yale B人脸识数据库上的实验结果表明经过本方法处理之后的识别结果高出其他方法2~11%,可以有效地对不同光照条件下的人脸图像进行调整,提高不同光照条件下人脸识别的精度和稳定性。     

基于小波包变换和聚类分析的脑电信号识别方法

为了实现脑-计算机接口(brain-computer interface,BCI)系统,对大脑C3,C4处采集的二路运动想象脑电信号的特征进行了提取和分类.在分析小波包频带划分特点的基础上,利用小波包能量进行特征提取并使用基于马氏距离的线性判别分析进行了左右手运动想象模式分类,结果表明该方法提取的特征向量较好的反映了运动想象脑电信号的事件相关去同步(event-related desynchronization,ERD)和事件相关同步(event-related synchronization,ERS)的变化时程.另外,该方法识别率高,适合脑-计算机接口的应用.