基于改进随机减量法和小波变换的

基于改进随机减量法和小波变换提出了一种新的结构模态参数统计识别方法.随机减量法改进后可直接处理零均值非平稳响应信号,得到自由衰减响应,小波变换的时频域特性可解耦密频、低阻尼系统,自助分布的统计估计能力考虑和降低模态参数识别的不确定性.对提出的方法进行了完整的理论推导,并通过一个四自由度系统的数值算例验证了该方法可靠性.相比较传统的时域方法和直接小波变换方法,该方法具有更高的识别精度,尤其是阻尼比系数.随后的抗噪能力验证结果表明该方法在15dB噪声干扰下仍能够稳定、准确地识别出系统的模态参数,可适用于环境激励下模态参数识别.     

用分层抽样和复Morlet小波识别短样本模态参数

针对大型结构短样本模态参数识别,提出基于分层抽样的最优复Morlet小波短样本模态参数识别方法.先对结构响应信号进行分层抽样,用随机减量法提取每一层的自由衰减信号;再根据样本标准差确定每一层的层权,用最优复Morlet小波识别每一层的模态参数;最后用层权对模态参数进行加权得到最终的模态参数.工程应用结果表明,所提方法具有较高的识别精度,良好的低频密集模态解耦和高频虚假模态抑制能力.     

用于机械系统固有频率及阻尼比计算的改进频域方法

针对传统的机械系统固有频率及阻尼比计算方法中,时域方法易造成主观误差,频域方法存在一定精度限制的问题,提出了一种利用指数衰减正弦信号频谱校正算法计算系统阻尼比和固有频率的新方法。该方法首先利用基于汉宁窗的插值频谱校正方法获得频率偏移量和衰减因子,再结合有阻尼自由振动响应与指数衰减正弦信号的相似性关系求取固有频率,进而获得系统阻尼比和有阻尼固有频率,最终计算出无阻尼固有频率。分别使用传统时域方法和本文提出的频域方法对压电悬臂梁的固有频率及阻尼比进行计算,结果表明新方法拥有更高的计算精度和更好的信噪比适应性。与传统的频率拟合方法相比,本文所提方法也更简单,计算效率更高。     

基于Morlet小波滤波的改进方法及仿真研究

基于Morlet小波的滤波方法是新近发展起来信号分析方法,对于提高结构动态测试信号分析精度具有重要作用.本文对该方法的原理与算法进行了分析,指出该方法分析效率较低,尤其是滤波过程对信号阻尼特性有不利影响等问题.在此基础上,提出了基于Morlet小波滤波的改进方法.采用欧洲航空界广泛应用的GARTEUR飞机模型进行数值仿真研究,利用改进前后两种方法对仿真的扫频信号进行滤波,并基于滤波数据进行阻尼参数的识别.结果表明,改进方法计算量小,且较好地保持了信号的阻尼信息,验证了改进方法的有效性.     

基于Morlet小波变换的振动特性参数识别

传统的振动系统特性参数识别方法对于非线性、非平稳信号的处理能力差,尤其对于阻尼比的识别精度较低.将Morlet小波变换和随机减量技术相结合识别振动系统的特性参数,首先利用随机减量技术提取振动的自由衰减响应信号,进而由Morlet小波变换对信号进行连续的小波变换处理得到小波能量谱,结合参数识别的基本理论及对时间-幅值坐标面曲线的半对数拟合结果得到振动系统的频率及阻尼比,数值仿真结果表明,提出的方法能有效识别系统的固有频率和阻尼比.将该方法应用于罐车模型流固耦合冲击试验研究,较好地识别出充液工况下振动系统的固有频率和阻尼比.     

基于流形学习和支持向量机的焊缝偏差识别方法

首先对基于旋转电弧传感的焊接电流信号进行小波滤波,预处理后构建样本数据集。然后建立基于支持向量回归机的Laplace特征映射外延算法,并对样本数据集和新样本进行维数约简,利用维数约简后的样本数据集训练支持向量回归机,并对新样本进行偏差识别。与不进行维数约简而是直接利用支持向量回归机进行偏差识别的方法进行对比实验,表明利用Laplace特征映射进行维数约简能提高焊缝偏差识别的精度。     

基于改进随机减量法和小波变换的结构模态参数识别

基于改进随机减量法和小波变换提出了一种新的结构模态参数统计识别方法.随机减量法改进后可直接处理零均值非平稳响应信号,得到自由衰减响应,小波变换的时频域特性可解耦密频、低阻尼系统,自助分布的统计估计能力考虑和降低模态参数识别的不确定性.对提出的方法进行了完整的理论推导,并通过一个四自由度系统的数值算例验证了该方法可靠性.相比较传统的时域方法和直接小波变换方法,该方法具有更高的识别精度,尤其是阻尼比系数.随后的抗噪能力验证结果表明该方法在15dB噪声干扰下仍能够稳定、准确地识别出系统的模态参数,可适用于环境激励下模态参数识别.     

基于复小波变换的拉索结构阻尼比识别

采用复小波变换对结构自由响应信号进行分析,推导出信号小波变换的脊线包含结构频率与阻尼比信息;采用动态规划的方法提取小波脊线,用最小二乘拟合方法识别结构固有频率和阻尼比.并对一数值算例信号添加不同噪音进行分析,与对数衰减率法识别结果进行对比,验证了方法的有效性和抗噪性.数值算例结果表明：提出的方法能有效识别结构频率与阻尼比;与对数衰减率法相比,小波方法具有更高的稳定性和抗噪性.将提出的方法用于安装减震器拉索的试验研究,较好地识别出了结构模态频率和阻尼比.     

基于小波阈值降噪的既有砌体承重墙基本频率识别

识别既有砌体承重墙的基本频率对结构安全性评估有重要意义.为了降低噪声对动力测试信号和基本频率识别结果的不利影响,首先通过人工带噪信号分析获得小波阈值降噪方法的优化参数,再通过拟静力试验在墙体模型中实现不同的损伤,通过环境激励获取加速度信号.分别基于原始加速度信号和小波阈值降噪处理后的加速度信号,获得功率谱密度函数,再运用峰值点法识别基本频率.结果表明,采用优化参数进行小波阈值降噪后,基本频率识别结果的变异性更小.所采用的方法可通过降低噪声影响来提高带损伤砌体承重墙的基本频率识别效率,为既有砌体结构安全性评定提供基础数据.     

基于FFT和神经网络的复模态参数识别

为了精确识别结构复模态参数,提出了一种基于快速傅里叶变换(FFT)和人工神经网络的模态识别方法.该方法首先对自由振动信号进行FFT预处理,得到粗略的各阶模态频率和相位.然后,根据模态的阶数设定神经元的个数,根据预处理后得到的频率和相位设定神经网络权值和基函数参数迭代的初始值.最后,通过对人工神经网络进行训练,达到利用自由振动信号进行时域模态识别的目的.仿真结果表明,该算法可消除频率法识别中因频谱泄露与噪声等产生的误差,提高模态识别的精度,因而是一种有效的时域识别方法.     

基于小波神经网络的抽油杆缺陷识别

为了正确识别深井泵抽油系统中抽油杆杆体的缺陷以减少油杆井下断裂等事故的发生,讨论了应用小波变换和神经网络技术进行缺陷识别的方法.使用小波与神经网络松散型结合的方法,基于小波包原理,将抽油杆的时域检测信号分解到独立的频带内,应用自适应学习速率梯度下降动量法的BP网络,将提取的频带能量作为神经网络输入,抽油杆的裂纹、腐蚀坑、偏磨、损伤及无缺陷作为神经网络待识别输出.经过实验室大量的实验数据训练和验证,结果表明,此种方法既可以正确识别抽油杆的单一缺陷,也可以识别混合缺陷.     

采用不同方法识别结构模态参数的比较

结构振动信号中混杂的噪声会影响模态参数的识别精度,并会引起虚假模态。通过一五自由度结构系统的数值仿真研究表明:直接识别法的精度低且应用范围有限,应用频域平均法可提高模态参数的识别精度,并且有利于识别出被噪声淹没的模态;修正的LSCE小波阈值滤波法有明显的去噪效果,其提高模态参数识别精度可达到或超过3次平均的效果且识别速度快。通过比较3种方法的结构模态识别结果,得到了修正的LSCE小波阈值滤波法节约试验成本,提高了识别速度和精度,具有明显的可适用性和推广性。     

一种人脸识别的新方法

针对人脸识别过程中出现的无法有效区分多姿态人脸的问题，引入了离散余弦变换（DCT）和K—L变换来减小不同姿态所造成的影响，考虑到K—L变换可以对图象进行压缩，用K—L变换来降低图象数据的维数，并利用主成分分析的思想，只取一部分特征向量来表示数据。通过径向基（RBF）函数神经网络来达到识别不同人脸的目的。RBF网络的训练采用粒子群算法（PSO）。经实验证明，此方法可以达到较高的识别精度。     

小波分析在测井裂缝识别中的应用

针对井下裂缝发育层段识别的难点,提出了用小波分析的方法分解声波时差信号,使井下的岩性与微观结构特征信号、流体性质信号、裂缝响应信号和随机干扰信号互相分离,直接重构出反映裂缝发育的声波高频信号,从而避免许多声波低频信号的影响,正确识别裂缝发育情况。用同样的方法分解双侧向电阻率信号,重构出电阻率测井各个层段的低频信号,直观地反映深、浅侧向的差异情况,有效地识别裂缝发育层位。最后结合高频声波信号和低频电阻率信号,识别出裂缝发育层段。应用表明,该方法与岩芯观察有很好的一致性。     

基于小波变换的心室晚电位特征分析

对４０ 例信号平均心电图的矢量幅值波进行了小波变换,分析了心室晚电位在时频域中的特征．研究结果表明：心室晚电位在时频空间中特征分布明显,易于识别,可有效排除噪声的影响,从而提高心室晚电位的检测准确率     

超声检测中裂纹型缺陷深度的智能识别

为了实现对裂纹型缺陷深度的定量识别,提高超声检测精度,引入小波分析和人工神经网络技术进行缺陷深度的智能识别,从超声检测的基本原理、缺陷深度表征量的确定、超声回波信号缺陷特征量的小波提取、神经网络的结构参数及训练和测试网络等方面,详细探讨了对裂纹型缺陷进行智能识别的方法,论证了运用神经网络进行缺陷智能定量识别的可行性,构造了智能识别实验系统,并利用该系统对所加工的含缺陷试样进行了定量识别试验与分析,结果表明,小波分析和人工神经网络技术的引入能够为超声检测缺陷的定量识别提供行之有效的途径。     

Surface Quality Evaluation of Fluff Fabric Based on Particle Swarm Optimization Back Propagation Neural Network

Aiming at the problem that back propagation(BP) neural network predicts the low accuracy rate of fluff fabric after fluffing process,a BP neural network model optimized by particle swarm optimization(PSO) algorithm is proposed.The sliced image is obtained by the principle of light-cutting imaging.The fluffy region of the adaptive image segmentation is extracted by the Freeman chain code principle.The upper edge coordinate information of the fabric is subjected to one-dimensional discrete wavelet decomposition to obtain high frequency information and low frequency information.After comparison and analysis,the BP neural network was trained by high frequency information,and the PSO algorithm was used to optimize the BP neural network.The optimized BP neural network has better weights and thresholds.The experimental results show that the accuracy of the optimized BP neural network after applying high-frequency information training is 97.96%,which is 3.79% higher than that of the unoptimized BP neural network,and has higher detection accuracy.     

基于肘关节表面肌电信号的负载识别

针对大多数肌电信号只进行特定肢体动作识别而没有对肢体进行外加负载识别的问题,提出一种基于表面肌电信号(surface electromyography, s EMG)的负载识别方法。首先,采用4通道表面电极采集肘关节在不同负载下的s EMG信号;然后,利用时域、频域特征提取方法对s EMG信号进行特征提取构成特征向量;最后,利用支持向量机(support vector maching, SVM)、BP神经网络和RBF神经网络对特征向量进行分类识别。结果表明以时域特征值识别,SVM的识别效果最佳,准确率为96.2%;以频域特征值识别,BP神经网络的识别效果最佳,准确率为87.5%;以时、频域组合特征值识别,RBF神经网络的识别效果最佳,准确率为90.4%。可见通过s EMG信号进行负载识别具有一定的可行性,为s EMG信号的广泛应用奠定基础。