基于改进小波包分析的导航设备故障诊断的特征提取

针对故障诊断信号特征提取问题,提出了小波包分析的改进算法,该算法通过对小波包分解系数的重新排序,解决了小波包分析的频带混叠问题,给出了应用改进小波包分析进行故障诊断特征提取的算法,并在此基础上提出了基于改进小波包分析预处理的神经网络故障字典法．通过仿真比较,该方法剔除了样本信号的冗余成分,大幅度地减少了神经网络的规模,加快了网络的收敛速度,为导航设备故障诊断的特征提取提供了行之有效的手段。     

基于小波包分解和残差网络的雷达干扰识别

干扰样式识别是雷达抗干扰技术研究中的重要环节,为提高干扰信号分类识别精度,提出了一种基于小波包分解和残差网络相结合的干扰信号分类识别方法。采用小波包变换对干扰信号进行分解与重构,将干扰信号分解成不同频段的小波包系数,融合各频段小波包系数构成系数矩阵得到残差网络的输入,利用多层残差网络自适应提取小波包系数矩阵深度特征,实现干扰信号分类识别。搭建了雷达干扰信号识别试验平台,采集不同调制参数下的6类雷达干扰数据进行试验分析,结果表明,相对于直接利用干扰信号原始时域IQ数据进行卷积神经网络(Convolutional Neural Network, CNN)识别,所提方法能够有效提高网络输入数据维度和特征提取深度,识别准确率和训练效率有明显提升。     

用小波包变换产生音频数据索引的方法

针对音频多媒体数据库中基于例子和基于内容的查询,本文提出一种产生音频数据索引的方法.这里,我们首先讨论了小波包分解的过程和最好基及代价函数的选择方法.其次,对现有的用小波变换产生音频数据索引的二个方法进行比较,并提出基于小波包最好基变换产生音频数据索引的方法.再次,我们提出用音频数据的小波包最好基变换系数的部分最高值的能量作为音频数据索引.最后,我们把这种方法与直接采用小波变换产生索引的方法相比较.实验结果表明这种新方法具有较高和较稳定的检索精度.     

加筋复合材料板分布式光纤冲击判位

针对加筋复合材料板结构冲击损伤监测需求,提出一种基于分布式光纤光栅传感网络的冲击载荷快速判位方法。通过优化分布式光纤冲击监测网络布局,采用小波包分解方法得到冲击响应信号特征,构建了基于特定阶数能量谱幅值比的样本响应矩阵。借助BP神经网络实现对加筋类航空板结构的快速冲击判位。     

加筋复合材料板分布式光纤冲击判位

针对加筋复合材料板结构冲击损伤监测需求,提出一种基于分布式光纤光栅传感网络的冲击载荷快速判位方法。通过优化分布式光纤冲击监测网络布局,采用小波包分解方法得到冲击响应信号特征,构建了基于特定阶数能量谱幅值比的样本响应矩阵。借助BP神经网络实现对加筋类航空板结构的快速冲击判位。     

VBR视频流量的小波包分解及其长时预测

长时预测是VBR视频流量预测领域中的难点问题.针对其时变、非线性以及长相关性等特点,提出一种多尺度分解的VBR视频业务的特征提取方法.选择具有任意多分辨分解特性的小波包,对其进行空间划分并求解适合视频信号特征提取的最优分解基.基于最优基对视频信号进行快速多尺度分解,得到了各级节点的小波系数矩阵,建立了基于最小二乘支持向量机与最小均方的小波系数预测方法.最后,根据预测小波系数,进一步提出了基于小波系数逆变换的视频流量长时预测方法.仿真结果验证了此算法的有效性.     

一种基于小波变换和FIR神经网络的广域网网络流量预测模型

该文提出了一种基于小波变换和FIR神经网络的广域网网络流量预测模型,首先采用小波分解把网络流量数据分解成小波系数和尺度系数,即高频系数和低频系数,将这些不同频率成分的系数单支重构为高频流量分量和低频流量分量,利用FIR神经网络对这些分量分别进行预测,将合成之后的结果作为原始网络流量的预测。实验结果表明:采用该模型对实际的广域网网络流量数据进行预测,不仅可以得到较快的收敛效果,而且预测性能比现有的小波神经网络和FIR神经网络要好得多。     

近红外光谱结合小波变换-径向基神经网络用于奶粉蛋白质与脂肪含量的测定

应用近红外光谱分析技术结合化学计量学方法,建立了奶粉脂肪和蛋白质含量测定的化学计量学建模新方法.首先采用Kernard-Stone法对校正集样本和预测集样本进行分类,然后利用小波变换滤波技术对样品的近红外光谱进行压缩去噪处理,结合滤波后重构光谱信号建立脂肪和蛋白质的径向基神经网络回归模型,并分别对径向基网络的扩散常数spread值及小波变换中的小波基与压缩尺度三个参数进行了详细的讨论.脂肪模型在小波基为db2及小波尺度为4、spread值为3.5时的预测模型精度最好;蛋白质模型在小波基为db8及小波尺度为4、spread值为6时,预测模型精度最好.所建立的脂肪和蛋白质校正模型的预测集相关系数(Rp)分别为0.990和0.994,预测均方根误差分别为0.007与0.004.预测结果表明,RBF网络结合小波变换进行建模预测,模型简单、稳健且精度较好,该方法适合奶粉脂肪和蛋白质含量的快速、无损测定.     

一种改进的小波包变换多尺度滤波

提出一种基于小波包变换的多尺度传感器数据融合算法,并针对方法中存在的小波分解的尺度系数的幅值随分解层数增大而增大现象对滤波器作修改,改进后的算法既明显提高滤波性能,又能保持原算法的优点。     

基于最优小波基函数的语音增强研究

小波分析具有时频局部化和多分辨率特性,而小波包分析是在小波分析的基础上对信号高频部分的更精细地分解,选取合适的小波基一直是小波包去噪分析中的关键问题。将熵函数作为选取最优小波基的评价标准,通过计算语音信号小波包分解系数的熵值来确定合适的分解方式,同时采用小波包阈值去噪算法对三种小波基进行小波包去噪仿真实验,并进行对比分析。仿真实验表明,两种熵函数选取的最优小波基都能较好地消除强噪声背景下的噪声,得到信噪比较高的语音信号。     

基于小波包变换和判决反馈RBF网络的组合均衡器

本文提出了一种基于小波包变换和判决反馈RBF网络的组合非线性均衡器的结构和算法.首先将信号进行小波包分解,再将分解后的信号分量送入带有判决反馈结构的RBF神经网络进行均衡.一方面,小波包具有很强的去相关能力,可以提高均衡器的收敛速度;另一方面,RBF神经网络具有较强的非线性模式分类能力,可降低均衡器的均方误差.在仿真实验中,针对无线通信数字信号传输过程中由于多径效应和信道衰落而产生的码间干扰(ISI)问题,比较了最小均方(LMS)算法和组合均衡器算法的均衡效果,结果表明,组合均衡算法具有更快的收敛速度,更低的误码率.     

基于小波分析与神经网络的人脸检测方法

本文设计了一种结合小波分析与神经网络优点的人脸检测方法.该方法主要包括两个阶段.在训练阶段首先借鉴图形学中的背景生成方法对AR人脸数据库中的人脸样本进行背景叠加;然后对经过预处理的训练样本进行小波分解,并将得到的小波系数输入精心设计的神经网络进行训练.在人脸检测阶段,通过将缩放后的图像的各个区域输入神经网络,由神经网络判断输入区域中是否包含人脸:在得到检测结果后,本文通过基于规则的方法以及基于SUSAN的方法进行人脸区域验证取舍与合并;最后通过实验结果的分析比较可以发现本文的方法不仅可以实现人脸区域的快速检测,而且不受光照变化以及噪声的影响.     

基于小波分解的某些非平稳时间序列预测方法

提出一种时间序列预测方法,称为小波预测方法.通过小波分解可以将某些非平稳时间序列分解成多层近似意义上的平稳时间序列,然后采用自回归模型对分解后的时间序列进行预测,从而得到原始时间序列的预测值.对年平均太阳黑子数的预测结果表明,该方法比传统的时间序列预测方法和神经网络预测方法的预测精度高,可以很好地应用于某些非平稳时间序列的预测中.     

基于RBF神经网络的时间序列交叉供热负荷预报研究

针对供热过程的特点及节能控制的需要,提出基于RBF神经网络的时间序列交叉供热负荷预报法.首先对现场实测的供热负荷数据进行预处理,取得建立预报模型所需的负荷样本阵列;随后,应用自相关法求取RBF神经网络的输入维数,并分别建立时间序列的横向及纵向预报模型;最后用最小二乘法求出横向与纵向负荷预报的交叉权系数,得到RBF神经网络的时间序列交叉预报模型.仿真结果表明,RBF神经网络交叉负荷预报的精度高于横向负荷预报及纵向负荷预报,其实时性要优于BP神经网络交叉负荷预报.     

非线性阈值自调整小波图像去噪方法研究

为解决小波变换阙值去噪方法中阙值的合理选取,提出一种基于非线性阙值自调整小波变换的图像去噪方法。在传统小波阈值去噪方法的基础上,结合神经网络的非线性双曲线正切函数和BP训练方法,首先对含噪图像进行二进小波分解,然后对分解系数进行小波重建,并将重建系数在BP神经网络中采用最速梯度下降法进行优化处理,得到最优阈值,最后对阈值处理的重建系数进行叠加,得到原始图像信号的估计值,即去噪后的图像信号。仿真实验表明,该方法具有较好的重建图像视觉效果,信噪比（SNR）和峰值信噪比（PSNR）均比传统小波阈值方法提高了1～2dB。     

紧致型小波网络在模拟电路故障诊断中的应用

提出了一种新的基于紧致型小波神经网络的模拟电路故障诊断方法。该法首先利用小波包变换对故障信号进行预处理,减少了紧致型小波神经网络的输入数目,简化了紧致型小波神经网络结构,然后对紧致型小波神经网络进行训练和测试。仿真试验表明,该方法比普通BP神经网络方法训练速度更快,诊断准确率更高,容错能力强,非常适用于模拟电路故障诊断。     

基于ARIMA-TARCH-BP神经网络模型的中长期负荷预测方法

中长期负荷预测是电力系统规划运行的重要基础。针对经济转型阶段多样化负荷呈现的强波动性致其预测精度难以保障的问题,利用电力负荷历史统计数据建立ARIMA-TARCH模型,对负荷时间序列的非平稳性、自相关性和非对称波动特性进行分析,并结合BP神经网络理论对负荷拟合残差值进行修正,进而对目标规划年的负荷进行预测。最后,以我国某地区的实际电网负荷为算例,预测未来五年的负荷变化趋势,验证所提预测方法的可行性和有效性。     

一种适用于机械非平稳故障信号的分析方法

该文提出了一种适用于机械非平稳故障信号的特征提取方法,鉴于该类信号时域特征明显,首先利用小波包进行分解,对分解后的不同频带内的分解系数进行时域重构,分别对重构的时间序列用时域分析的方法提取对故障敏感的特征参数,通过简化特征参数,确定判别阈值,使该方法更便于现场工作人员对机器故障的识别.同时也为具有同类特征的非平稳信号提供了一种行之有效的分析方法.文中最后用某油田往复泵实测数据验证了该方法的有效性.     

在线脑机接口中脑电信号的特征提取与分类方法

在脑机接口研究中,针对运动想象脑电信号的特征抽取,提出了一种基于离散小波变换和AR模型的方法.利用Daubechies类小波函数对脑电信号进行3层分解,抽取小波变换系数的统计特征;利用Burg算法提取脑电信号6阶AR模型系数.将这两类特征进行组合后使用神经网络、支持向量机、马氏距离线性判别进行分类并比较分析.采用BCI...     

小波变换和BP神经网络在电力负荷预测中的应用

介绍了小波变换和BP神经网络理论,根据分析所用负荷数据的特点,采用两种理论结合的方法,对电力系统中长期负荷进行预测.通过仿真验证了该方法的有效性.