小波神经网络的毫米波雷达目标一维距离像识别

将小波变换和反向传播神经网络理论结合，设计一种小波神经网络结构。由于小波变换在时间和频率空间所具有良好的定位特性，使小波神经网络可对输入输出数据进行多分辨的学习训练。介绍神经网络的数学框架和该网络的学习算法。根据毫米法频率步进雷达目标一维距离像所给出的信息，将所提出的小波神经网络用于3种实际雷达目标的识别。实验结果表明，小波神经网络收敛速度快、识别率高。     

基于径向基函数神经网络的飞机目标识别法

通过将自适应小波神经网络 (AWNN)中的小波基函数直接替换为 Gauss径向基函数 ,提出了一种适于对目标一维距离像信号直接进行分类的径向基函数神经网络(RBFNN)。对用于信号分类的 RBFNN网络结构的确定、RBFNN的训练以及最终判决规则的确定等问题 ,进行了深入的讨论。对 6个目标不同信噪比下的分类结果表明 ,提出的 RBFNN对距离像信号具有很强的分类能力 ,对于开发更加实用化的目标识别算法显示了很大的潜力     

近似小波变换的一种空中多目标分选方法

通过对由空中多目标间距引起的目标间多普勒频率的差异分析，基于Morlet小波变换，提出了一种空中多目标分选识别的新方法——小波变换谱分析法。此方法选用不同中心频率的Morlet小波，对信号进行小波变换，求取信号的功率谱，获得雷达目标的一维距离像，从而分选识别目标。     

多波段雷达融合一维超分辨成像技术研究

研究对多个不同频带雷达测得的目标频率响应进行融合，以获取更宽频带的目标频率响应，提高目标距离像的分辨率.各雷达测得的目标频率响应之间互不相干是制约对不同频带雷达实现有效融合的主要难点.分析了用不同雷达测得的目标频率响应互不相干的原因，并推演了其信号之间的具体数学关系，得出由于各雷达硬件延时及相移不同等原因使得各雷达测得的目标频率响应之间存在一个固定相移和一个线性相移.提出了通过对各个雷达测得的目标频率响应分别建模，利用所得模型估计对应各雷达的目标一维距离像，然后将各雷达的目标一维距离像进行相关直接求取线性相移的方法.定义了一个新的相干函数用于求取固定相移.仿真实验结果表明该方法的有效性.     

高超声速平台随机跳频雷达目标一维距离成像

针对随机跳频合成宽带雷达体制以及高超声速应用背景,分析了大尺度多卜勒展宽效应、随机/非线性距离-多卜勒耦合效应及其对目标一维距离成像的影响,提出了基于多卜勒前置处理的实时递归记忆成像方法.该方法利用当前帧以及过去若干帧的回波数据得到当前帧的多速度通道一维距离像,在目标所处的速度通道附近进行前置的多卜勒波束锐化处理,抑制高动态/随机跳频合成宽带情况下的上述特殊效应所造成的目标一维距离像的发散;采用递归方式,每一帧的距离像都可以在前一帧距离像的基础上通过增加少量运算得到;引入记忆因子,进一步降低了存储及计算开销.理论分析及仿真结果表明:提出的成像方法可以有效改善成像质量,并且更容易满足高超声速应用情况下的高数据率实时成像需求.     

用于脑电数据压缩的改进的BP小波神经网络

用一种改进的BP小波神经网络对脑电图(EEG)数据信号进行压缩．对小波神经网络采用最速梯度下降法优化网络参数，并对学习率采用自适应学习速率方法自动调节．利用小波神经网络的函数逼近特性，对脑电随机信号进行逼近，最终压缩比可达15以上．实验结果显示，小波神经网络在大量压缩数据的同时，能较好地恢复原有信号。     

Legendre小波神经网络

在BP神经网络的基础上，结合Legendre小波构造了Legendre小波神经网络。由于Legenure小波在区间[0，1)上具有分段表达式并且为多项式的特点，因而构造的Legendre小波神经网络有结构简单、收敛速度快等优点。以神经网络的BP算法作为Lengendre小波神经网络的学习算法，用有6个Legenqdre小波基函数的Legendre小波神经网络对一个函数进行逼近分析，得到了较好的逼近效果。     

Gabor原子网络法在雷达目标高分辨距离像识别中的应用

针对飞机目标的分类问题 ,介绍了一种称为 Gabor原子网络的高分辨雷达目标距离像识别算法。 Gabor原子网络的输入层采用 Gabor原子变换作为预处理单元 ,完成对特征的提取。Gabor原子网络的隐层和输出层组成一个多层前馈网络 ,采用改进的反向传播算法对权值进行调整。文中同时给出了网络在训练过程中自动调整 Gabor原子节点的特征参数的算法。对 3种缩比模型飞机的微波暗室转台数据进行了分类 ,结果表明三维空间内的 Gabor原子网络方法比一维空间内的原始距离像或 Fourier幅度方法和二维空间内的 Gabor变换或小波变换方法更适合高分辨雷达目标距离像的识别     

一维小波变换在地震数据噪声抑制方面的应用

本文针对实验数据体的特征和各去噪方法的适用条件,有针对性的选取一维小波变换方法去除地震数据噪声,通过对四种阈值量化方法和六种小波函数进行实验计算和效果分析,得到了合适的小波函数和阈值量化方法。研究结果表明:一维小波变换对地震数据具有一定的去噪效果,可有效抑制噪声,保护和补偿有效信号。     

高分辨雷达目标的RELAX与MRELAX参数特征

用RELAX算法和改进的MRELAX算法对实测雷达数据分别进行处理,从高分辨雷达回波距离像中提取目标特征参数并进行比较分析.仿真实验证明,用MRELAX算法对高分辨雷达目标数据进行处理与用RELAX算法处理的结果比较,MRELAX算法得到了更加清晰的目标特征.     

一种基于子波特征的模糊神经网络目标识别方法

针对雷达目标识别中相对不变特征量提取这一问题，提出了一种基于子波变换的特征提取方法．通过对三类飞机一维距离像的分类和识别，验证了这种方法的有效性，同时在将模糊神经网络作为模式分类器方面做出初步尝试。     

基于小波神经网络免疫PID控制器的研究

针对PID控制器,本文介绍了一种基于小波神经网络的免疫PID控制器。由于小波变换具有较好的时频局部性．神经网络拥有较强大的非线性映射的能力、自适应、自学习等优势,将规范正交的小波函数与神经网络的基函数相结合构成小波神经网络．该网络同时具有小波和神经网络的优点,本文用小波神经网络来逼近免疫PID的函数,试验以及仿真结果表明,本文介绍的控制器性能优于其它类型免疫PID控制器。     

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.     

小波神经网络在海底石油管道漏磁缺陷检测中的应用

海底管道漏磁检测信号处理的主要任务是根据霍尔传感器检测到的缺陷的漏磁信号识别缺陷的形态参数,噪声消除和缺陷识别是其中的关键问题。利用噪声信号和测试信号在各个尺度上波谱的不同特征,基于小波变换来消除管道漏磁检测中的噪声信号,并根据正交小波多尺度多分辨率特点,把信号分解成各相互独立的频带,构建一个小波神经网络系统,通过输入漏磁信号的特征量识别缺陷的参数。漏磁检测数据处理实验表明该小波变换能较好地去除检测信号中的主要噪声,所建立的缺陷识别小波神经网络系统具有收敛速度快、逼近精度高等特点。     

基于数据融合的无人机影像碎屑岩岩性识别

不同类型岩性影像纹理相似性高,基于单一的二维影像进行岩性识别精度较低。本文针对这一问题,开展了顾及影像深度信息的岩性智能识别方法研究。利用无人机影像具有多模态的特性,采用通道叠加、IHS变换、小波变换以及多模态融合四种影像融合方式,将深度信息融入到影像数据中,运用深度卷积神经网络DeepLabv3+进行碎屑岩岩性识别。经人工解译结果对比分析,结果表明,实验区内基于多模态融合影像的岩性识别精度最高,Kappa系数可达76.17%,总体识别精度可提升到91.05%;分析认为,顾及影像深度信息的岩性智能识别方法针对岩层表面不平整,高差落差大的砾岩识别效果有明显提升,但表面平整、高差表现不明显的泥岩和砂岩地层识别效果有待提升,总体为野外碎屑岩露头岩性快速识别提供了新思路。     

一种基于自适应小波变换的矢量量化方法

运用小波变换进行图像压缩的算法其核心都是小波变换的多分辨率分析以及对不同尺度的小波系数的量化和编码.本文提出了一种基于能量的自适应双正交小波变换和矢量量化相结合的算法.即在一定的能量准则下,根据子图像的能量大小决定是否进行小波分解,然后给出恰当的小波系数量化.该方法充分利用了不同尺度间小波系数的相关性并采用自组织特征映射神经网络进行矢量量化.实验表明,该方法获得较高的编码效率和重构图像质量.     

用二元树复小波变换法实现离焦图像的半盲复原

提出了一种基于二元树复小波变换和神经网络的半盲离焦图像复原算法，首先利用二元树复小波变换和特征值分解提取图像的特征矢量，将该矢量用来训练小波神经网络，利用训练好的网络估计离焦模糊参数.由此获得点扩展函数，用Wiener滤波完成图像的复原.实验结果表明，该方法能有效地估计离焦模糊参数和复原模糊图像.     

基于小波神经网络的振动信号消噪

论文在介绍小波神经网络结构和算法的基础上,给出对振动信号消噪的实例。文中采用正交的Shannon小波函数作为小波元,进行数字仿真信号消噪实验和实测信号消噪实验,实验结果表明用小波神经网络对振动信号进行消噪是一种有效的方法。     

基于小波的神经网络在齿轮箱故障诊断中的应用研究(英文)

研究基于小波分析的神经网络故障诊断方法根据齿轮驱动装置在工作时通常可能出现的故障类型,人为地在该装置上制造了类似的故障供诊断．并对实验结果进行了分析和讨论．实验表明,利用小波进行诊断信号的预处理,并将其形成向量供给神经网络进行故障诊断具有较好的效果．