基于小波包熵的船舶轴频电场信号消噪研究

在海洋环境下,为有效地将微弱的轴频电场信号提取出来,本文在对小波包熵理论分析的基础上,提出了基于小波包熵的船舶轴频电场信号消噪方法.首先使用小波包变换对测量信号进行多子带分解,并将各子带分成几个子区间;然后计算各子带不同子区间的小波包熵,利用最大小波包熵自适应地选择各子带的阈值;最后对各子带的小波包系数进行阈值处理,并利用处理后的小波包系数对信号进行重构.通过实测数据和仿真数据对该消噪方法进行验证,结果表明此方法在低信噪比情况下能较好地将微弱的轴频电场信号从环境背景噪声中分离出来.     

基于EEMD和改进功率谱熵的船舶轴频电场检测

为了提高强海洋背景噪声中对微弱的船舶轴频电场信号的检测性能,提出了一种基于集合经验模态分解(EEMD)和窄带功率谱能量峰值熵比(EPER)特征的检测算法.首先,利用EEMD方法从含噪信号中分解出一组有效固有模态函数(IMF),并对其功率谱进行子区间划分;其次,定义并计算了各子区间的一种改进功率谱熵特征——EPER;最后,通过分析轴频信号和环境噪声物理特征上的差异,结合K-均值聚类方法进行线谱子区间的提取,继而进行滑动检测.选用实测数据,与小波包熵滤波算法、小波阈值去噪算法、特征频段功率谱算法进行对比,处理结果表明所提算法具有更好的自适应性和检测性能.     

一种基于小波包熵的频谱检测算法

为了解决能量检测算法在低信噪比条件下频谱检测性能差的问题,提出了一种基于小波包熵的频谱检测算法.首先采用小波包变换对接收信号进行多层分解,并计算最后一层各节点的重构信号;然后计算各个节点重构信号的小波包熵值;最后选取熵值最小的重构信号作为检测信号进行能量检测.理论分析及仿真结果表明,在低信噪比情况下,该算法可以有效地抑制噪声影响,提高频谱检测性能.     

基于小波空域相关的船舶轴频电场检测方法

为了提高对船舶水下轴频电场的远程探测能力,在充分分析实验室轴频电场信号的基础上,提出了一种基于小波空域相关的船舶轴频电场检测方法.首先使用小波空域相关对噪声和信号进行分离,并给出一种针对轴频电场的噪声阈值估计方法;然后,提取信号特征频率范围内的能量作为特征值,对信号进行滑动功率谱检测.对比分析结果表明,该算法在低信噪比情况下具有更高的稳定性和更好的检测效果.

     

基于径向基神经网络回归预测的船舶轴频电场实时检测方法

针对交变电磁信号在海洋环境中衰减较快的特点,在分析船舶轴频电场以及海洋环境电场噪声与测量电路自噪声的基础上,提出了一种能够在低信噪比下检测船舶轴频电场的方法.对信号进行小波分解并在轴频段进行重构,以噪声数据作为训练集训练RBF神经网络建立预测模型,以预测的误差作为检验统计量,达到提高信噪比的目的.再对该统计量做滑动功率谱检测,与得到的浮动阈值做比较来判断目标是否存在.将该方法用于实测船舶轴频电场的检测,取得了较好的效果,与其它目标检测算法比较,该方法在计算时间和检测能力方面具有明显优势.     

基于小波尺度相关的船舶轴频电场检测方法

为了提高低信噪比下对海水中被衰减的轴频电场信号的检测能力,提出一种基于小波尺度相关的船舶轴频电场检测算法.首先,使用小波变换对信号进行分解,并对噪声能量进行估计;然后,利用小波尺度相关对噪声和信号进行分离,并采用均值滤波降低小波系数平移的干扰;最后,提取最大尺度的相关系数作为特征值,对信号进行滑动检测.通过该算法和小波熵算法对实测数据和仿真数据进行处理和对比分析,结果表明:此算法在低信噪比情况下具有更高的稳定性和更好的检测效果.     

基于小波包能量谱及SVM算法的轴承故障检测

针对小波分析在故障诊断时的局限性,将小波分析和支持向量机算法相结合,提出基于小波包能量谱及支持向量机算法(SVM)的故障检测方法.该方法以振动信号小波包分解后各子频带的能量作为故障检测特征,利用SVM算法对轴承故障进行检测实验.结果表明:小波包能量谱能有效地反映轴承信号特征,并对故障进行检测.该方法同基于Lipschitz指数熵、单奇异点检测,以及小波包能量谱与神经网络相结合的故障检测方法进行比较,检测率均优于其他三种常用方法.     

基于小波包能量熵和GWO-SVM的滚动轴承故障诊断

针对滚动轴承不同故障类型和不同损伤程度识别准确率较低的问题,提出了将小波包能量熵、灰狼优化算法和支持向量机相结合的故障诊断方法.首先,将滚动轴承振动信号进行3层小波包分解,对第3层各频段小波包分解系数进行重构,提取各频段成分的能量熵构成故障特征向量;其次,利用灰狼优化算法实现支持向量机参数优化;最后,基于优化后的支持向量机分类模型完成对测试集滚动轴承不同故障类型和不同损伤程度特征向量的识别诊断.实验结果表明,相比实验和文献中其他方法,该方法对滚动轴承不同故障类型和不同损伤程度具有更加突出的故障辨识能力.     

基于小波包神经网络分析的滚动轴承故障诊断

针对轴承故障识别率低、故障信号不平稳的问题,提出了改进小波包能量特征提取和神经网络的故障诊断方法.首先利用改进小波包算法将轴承内圈、外圈、滚动体三个部位的采集信号进行三层分解与重构;然后通过小波包能量谱提取不同节点能量,形成故障特征集;最后依次建立BP和Elman神经网络故障分类模型,将所得的小波包节点能量作为特征向量输入到故障模型,进行轴承不同故障状态的分类识别.实验结果表明,本文算法可准确分类并预测轴承运行状况,提高了诊断准确率.     

基于离散小波变换与小波包分解的语音增强算法

提出了一种基于离散小波变换（DWT）和小波包分解（WPD）的语音增强算法.该算法首先将带噪语音进行离散小波变换,并分别对离散逼近信号和离散细节信号采用不同的基小波进行小波包分解,再按照不同的规则选取阈值进行去噪,最后对去噪后的语音信号完成重构.计算机仿真表明,在计算量相当的情况下,该算法优于离散小波变换法去噪和小波包分解法去噪.     

基于小波包和支持向量机的传感器故障诊断方法

针对自确认压力传感器的故障诊断问题,提出了一种基于小波包变换和支持向量机的传感器故障诊断方法。该方法对传感器输出信号进行三层小波包分解,提取各个节点的小波包系数,对每个节点的小波包系数通过一定的削减算法增强故障特征,然后利用重构的时域信号计算各个节点的能量以及整个信号的削减比作为特征向量,以此作为输入来建立支持向量多分类机,判断传感器的故障类型。对自确认压力传感器、温度和流量传感器的故障诊断结果表明,该方法能有效地应用于传感器的故障诊断中。     

小波包能谱熵与神经网络在断路器故障诊断中的应用

提出了一种以振动信号小波包能谱熵为特征量的断路器故障神经网络诊断方法。利用小波包分解原理将高压断路器振动信号分解到不同频段中,计算各频段的能谱熵值,以此构造小波包能谱熵向量作为神经网络的输入向量,并利用遗传算法对网络的连接权值进行了优化。引入置信度的概念,对改进神经网络输出的故障模式识别结果进行评价。通过试验分析结果表明了该方法的有效性,改进后的神经网络具有新故障模式的识别功能。     

基于小波包变换的电力系统谐波分析的研究

为了防止谐波对电力系统和用电设备的危害,分别用小波变换和小波包变换对电力系统谐波进行分析.仿真结果表明二者都能将基波从电流信号中正确地提取出来.而小波包变换比小波变换能够分解出更加丰富的谐波信号,利用小波包变换分解的各次谐波频率和幅度的误差率完全符合谐波分析的精度要求.     

基于WPD-LMD和排列熵的结构损伤识别方法

为了直接从结构响应提取损伤敏感参数,对激励未知情况下的结构损伤模式进行识别,提出了基于小波包分解-局部均值分解方法(wavelet packet decomposition-local mean decomposition,WPD-LMD)和排列熵的结构损伤检测方法.该方法首先对结构振动响应进行小波包分解,将振动信号分解为一系列窄带信号,然后对窄带信号进行局部均值分解,能有效提取低能量分量.通过计算损伤前后分量信号的排列熵,对结构损伤进行了检测,最后通过计算测试数据和样本数据之间的相对排列熵,对损伤模式进行了识别.实验分析结果表明,所提出的方法能有效地对结构损伤进行识别.     

液压系统故障信号的小波包检测方法

提出了一种利用小波包检测调速阀故障信号的方法.通过小波的小波包分析将信号按一定的尺度进行划分,不同频率的信号被划分到不同的频段中.由经过预处理的信号经过小波包分解与重构后,可以得到小波包重构图,由图中可以获得故障产生的时间点和频率,再对故障的严重程度进行了量化分析.实验结果表明用小波包理论进行故障检测是可行的.     

基于小波包变换的一种降噪算法

白噪声的方差和幅值随着小波变换尺度的增加会逐渐减小 ,而信号的方差和幅值与小波变换的尺度变化无关。因此 ,文章提出一种以小波包能量为基础 ,以降低原始信号与降噪后信号之间的均方误差 (MSE)为目标的基于小波包的降噪算法 ,并与传统的 Donoho的硬阈值降噪算法作了比较。仿真结果表明 ,该算法可以有效去除白噪声干扰 ,并且明显优于传统的 Donoho的硬阈值降噪算法。     

基于非线性特征提取的EEG信号支持向量分类器

为提高癫痫脑电(EEG)信号的正确识别率,设计了一种基于非线性特征提取的EEG信号支持向量分类器.分类器首先将EEG信号通过四层小波包变换分解到不同频段,然后计算各频段小波系数的近似熵(ApEn)值,作为特征向量,最后使用支持向量机(SVM)进行分类.实验结果显示该分类器能有效提高正确识别率.