航空构件超声检测信号小波分析及小波包分析应用研究

基于小波函数的特点，从小波分解的效果，小波函数执行速度，小波降噪信噪比以及小波重构等方面，系统地分析小波及小波包在航空构件超声信号中的应用。实际应用效果分析表明，航空构件超声信号经小波及小波包处理后，提高了超声检测的灵敏度，增强了超声波检测检出缺陷的能力。从而验证了小波及小波包分析在航空构件超声检测信号处理中应用的有效性。而且小波包方法比小波方法的处理效果更为理想。     

基于距离分类准则的雷达目标识别方法

雷达目标信号是非平稳信号，对于这样的非平稳信号，用于分类的特征往往包含在局部的时一频信息中，用一般的变换提取有效的特征比较困难。利用小波包基的性质，提出了一种雷达目标识别方法。首先，对雷达回波信号进行小波分解，利用距离准则，选择最优小波包基，从被识别的信号中提取具有最大可分性的特征，得到目标识别的特征向量，由此进行目标识别。仿真实验结果表明，该方法具有高的识别率。     

基于小波包能量及高阶谱的特征提取方法

针对广泛存在的油气管道周边安全问题,研究了管道周围地面活动目标产生的震动信号的特性,提出了一种基于小波包能量谱和信号高阶谱分析相结合的特征提取方法来区分不同的活动目标.根据目标产生的地面震动信号是非平稳的特点,采用基于小波包分解能量的方法对信号的各频带进行分解,得到信号在不同频带内的能量分布特性.仅根据能量谱并不能完全区分不同类型信号,通过对信号高阶统计特性的分析,提取出高阶谱特征频率,结合这两种方法提取出的特征作为神经网络的输入向量进行模式识别.通过对实验数据进行分析,单独采用小波包能量特征其平均识别率为88.5%,而采用本文提出的方法平均识别率可以提高到94.6%,验证了文中提出方法的有效性.     

小波包变换及其在低信噪比雷达信号检测中的应用

雷达对目标进行检测之时，常常遇到目标回波信号被噪声污染的问题。为了把弱目标信号从强噪声背景中检测出来，对小波包变换良好的时频分析特性进行了分析，根据信号与噪声具有不同的Lipschitz指数，通过引入子频带∞-范数，对信号和噪声进行频谱分析，将最佳子空间的熵值及最佳子空间在完整二叉树中的位置参数作为特征量，应用浮动阈值去噪方法，解决了低信噪比情况下的雷达信号检测。最后，通过计算机的数值计算，模拟了小波包变换和小波变换在低信噪比雷达信号检测中的具体应用，得出了在低信噪比信号检测方面小波包变换优于小波变换的结论。     

应用连续小波变换提取机械故障的特征

针对机械信号的特征和小小变换的特点,论证了机械信号的连续小波可分解特性,提出了信号的时间－小波能量谱和尺度－小波能量谱的概念,同时,利用信号经连续Ｍｏｒｌｅｔ小波变换后在时间－尺度域内的不同能量分布特性,依据信号的尺度－小波能量谱分布特性,对螺杆泵减速器和滚动轴承这两类不同机械的信号进行了特征提取,结果表明,应用机械信号的尺度－小波能量谱进行特征提取,更好地利用了小波变换的恒Ｑ带通滤波器性质,可以     

基于VMD与改进DAE人车地震动包络信号识别算法

摘　要解决对野外环境中低信噪比的人车地震动信号进行分类时传统模式识别方法应用不便，以及识别率较低的问题，通过基于包络检波、变分模态分解（VMD）和改进的深度自编码器（DAE）的特征提取算法研究了针对该类信号的处理方法和特征提取方法。首先对目标的地震动信号进行希尔伯特变换，获取信号的平滑包络线，然后对包络线进行变分模态分解，并用相关系数对分解得到的IMF信号进行筛选，并将相关度较高的分量加权合成为高信噪比的中间信号，再对其使用改进的深度自编码器中进行特征提取。最后使用泛化性能好的随机森林算法对信号进行分类，从而实现对人车目标的识别和分类。结果表明：该算法对两类目标综合识别正确率较其他传统算法有较大提高。可见该算法针对该类目标有应用价值。     

小波包分析在雷达信号处理中的应用

1前言 传统的傅里叶变换无论是在利用宽带模糊函数进行发射信号的波形设计,还是在对宽带回波信号的检测以及目标识别方面都具有很大的局限性,尤其是对非平稳信号和奇异信号的处理,常规的傅里叶技术则几乎无法使用,而小波分析在这方面却能发挥巨大作用.在SAR（Synthetic Aperture Radar）图像降噪、数据压缩和分类上,小波分析也取得了显著效果。小波包分析是小波分析的延伸,具有十分广泛的应用价值。     

小波分析技术在数据预处理中的应用

在工程实际中,从被测对象上检测到的信号,往往混有不同程度的噪声。利用小波分析可以过滤掉弱信号或无用信号,得到用户真正需要的信息。介绍了小波变换、小波包分解,以及运用小波包分解进行数据预处理的方法,并最终选择应用小波包分解进行消噪和小波多尺度分解,完成数据预处理,提取了故障特征。     

小波变换在信号滤波中的应用

概要地叙述了小波，小波包理论，提出了一种用小波包分解和信号重构进行信号滤波的方法，先用小波包分解把信号分解到相邻的不同频率段上，然后用信号重构方法各个频率段上的信号进行重构，以电机的振动信号为例，说明这种方法可以有效地用于信号的滤波。     

小波包信包提取算法及其在故障诊断中的应用

提出了提取强噪声背景下多通带窄带信号的一种新方法－小波包信号提取算法。这是利用小波包络信号按任意时频分辨率（满足测不准原理）分解到不同频段的特点而提出的。介绍了小波包理论；给出了小波包信号提取算法，并以仿真结果说明了该算法的有效性；以滚动轴承的故障诊断为例，说明该方法可以用于故障诊断和预知维修。     

损伤识别系统中小波包信号特征量的提取

基于结构损伤识别系统,构建了耦合神经网络模型,阐述了小波包分析技术的原理和方法,对小波基的选取原则进行了分析和探讨,确定了小波基函数DbN中的N以及小波包分解尺度j;从模式识别的观点对结构损伤识别进行了分析,分析了小波包信号能量特征提取的方法。利用小波包多分辨率的特点,提出了以小波包信号成分能量特征向量为结构损伤识别的损伤特征指标,并在实验中得到了良好的识别效果。     

电能质量扰动分类的贝叶斯方法

随着非线性负荷的大量使用,电能质量问题已日益受到关注．对各种电能质量扰动进行分类,是采取适当措施降低扰动带来影响的前提．小波包是在小波变换的基础上发展起来的,能够提供更为丰富的时频信息．为此,对电能质量扰动信号进行小波包分解,分别以小波包分解终结点的能量和熵作为特征向量。用贝叶斯分类器进行分类识别,对扰动分类做出了仿真分析,仿真结果验证了该方法的有效性．通过与Fisher分段线性分类器进行比较,表明以熵为特征向量的贝叶斯分类方法有较高的识别正确率．     

支持向量机在表面肌电信号模式分类中的应用

采用小波变换的方法对实验采集的原始四通道表面肌电信号(sEMG)进行了分析,并提取小波分解系数的奇异值构建特征矢量,利用“一对一”分类策略和二叉树设计的多类支持向量机(SVM)分类器,很好地实现了对前臂8种运动表面肌电信号的模式分类,8种运动模式的平均识别率为98.75%.研究表明SVM分类准确率明显优于传统的BP神经网络、Elman神经网络和RBF神经网络分类器,且识别精度高,鲁棒性好,对肌电信号及其他非平稳生理电信号的模式识别,提供了一种具有良好应用前景的新方法.     

小波熵在植物电信号识别中的应用研究

利用小波良好的时频局部化特性以及熵能够对系统状态进行表征的特点,提出将小波熵作为植物电信号的特征向量,将该特征输入到BP神经网络分类器进行自动识别,取得了良好的识别效果。同时,利用小波能量熵对结果进行分析。结果表明,小波熵比小波系数能量作为特征对植物电信号的识别更有效。     

小波包分析在乏燃料剪切机故障诊断中的应用

针对乏燃料剪切机剪切声音信号特征提取的难题,利用小波包分析方法,对不同磨损状况刀具的剪切声音信号进行小波包变换,提取变换信号的各频段归一化能量特征向量,根据声音信号的能量特征向量可辨识不同状况的乏燃料剪切机剪切声音,从而实现乏燃料剪切机故障诊断.实验表明,该特征向量能有效识别刀具的正常磨损、一级磨损、二级磨损三种状况,有效解决了基于隐马尔可夫模型的故障模式识别中特征提取的问题.     

小波变换应用于雷达信号处理的潜力和展望

着重讨论了小波变换在雷达信号中的潜在应用，特别是在宽带或超宽带雷达中的应用，进一步讨论了小波变换用于雷达模糊函数分析，信号检测与参数估计和雷达目标识别等问题，最后，展望了小波变换应用于信号处理的前景。     

EEG Signal Denoising and Feature Extraction Using Wavelet Transform in Brain Computer Interface

Electroencephalogram (EEG) signal preprocessing is one of the most important techniques in brain computer interface (BCI). The target is to increase signal-to-noise ratio and make it more favorable for feature extraction and pattern recognition. Wavelet transform is a method of multi-resolution time-frequency analysis, it can decompose the mixed signals which consist of different frequencies into different frequency band. EEG signal is analyzed and denoised using wavelet transform. Moreover, wavelet transform can be used for EEG feature extraction. The energies of specific sub-bands and corresponding decomposition coefficients which have maximal separability according to the Fisher distance criterion are selected as features. The eigenvector for classification is obtained by combining the effective features from different channels. The performance is evaluated by separability and pattern recognition accuracy using the data set of BCI 2003 Competition, the final classification results have proved the effectiveness of this technology for EEG denoising and feature extraction.     

微弱振动信号的谐波小波频域提取

为解决设备故障检测和故障预报中某些微弱振动信号难以提取出来的问题,在介绍谐波小波变换的优良特性及其基本原理的基础上,给出了谐波小波变换的实现技术.在不减少信息点数的情况下,用谐波小波变换成功地对微弱振动信号实现了频域提取与时域重构,并且实现了强噪声下微弱周期振动信号的频域提取.通过算例和工程实例,说明谐波小波方法在微弱信号的频域提取能力和精度上明显优于基于二进分解的小波方法和傅里叶分析方法,且在混有强噪声的信号提取中消除了二进小波包仍然存在的噪声泄漏,同时也显示了谐波小波变换的频域保相特性.     

脑机接口中基于小波包最优基的特征抽取

在脑机接口研究中，针对脑电特征抽取，提出一种基于小波包最优基分解的方法．依据距离准则，从小波包库中选择一个对分类最优的小波包基；在该小波包基包含的所有分解系数中，抽取部分具有最大可分性的系数作为有效特征；不同通道脑电信号有效特征的结合，构成分类的特征矢量．通过对该特征矢量可分性和识别精度两个性能指标的评估，并与现有分类结果进行比较，表明了所提出方法的有效性．     

基于小波包和RBF神经网络的压电加速度传感器故障诊断

根据压电加速度传感器故障的特点,提出运用小波包变换和RBF神经网络的故障诊断方法。首先运用小波包分解和重构原理将传感器输出信号分解到不同频段中,提取每个频段的能量作为状态监测的特征向量,作为RBF网络的输入,然后利用最佳的RBF神经网络进行压电传感器故障分类。实验结果表明该方法具有良好的非线性跟踪能力,较高的诊断准确率。