应用小波包变换的图像加权广义模糊增强算法

图像边缘细节富含高频成分,鉴于小波包分析具有对高频分辨率高的特点,提出一种应用小波包变换的图像加权广义模糊增强算法。对图像进行小波包分解,分别对各分解子图像进行基于线性广义模糊算子（LGFO）的模糊增强处理,重构前对各增强子图像赋予不同的权值,通过小波包图像重构实现对原始图像的加权模糊增强处理,获得细节丰富、对比度强的高质量增强图像。在基于边缘测度与噪声标准差的增强图像质量评估标准下,算法实现了模糊参数的自适应寻优。实验表明,增强图像轮廓准确、细节丰富。     

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。     

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.     

基于小波包最优小波树在故障录波数据压缩中的应用

针对电力系统故障录波信号中蕴含丰富暂态特征信号的特点,在小波理论中多尺度多分辨率分析的基础上,提出了基于最小熵标准的最优小波树数据压缩的方法,并利用Matlab数学分析工具,从工程和实验角度出发,较为直观地探讨了小波包变换在故障录波数据压缩中的应用.     

一类矩阵伸缩框架小波包的构造

基于正交小波基的小波包在理论及应用上已经得到广泛的研究,但是对框架小波包的研究甚少.通过框架小波包,不但可以根据信号的特征选取不同的小波框架,而且还可以对信号的不同频率带进行分析和处理.Lu和Fan从Ron和Shen提出的酉延拓原理出发,构造出L~2(R~d)的一类具有2Id-伸缩的紧框架小波包.本文从Ron和Shen提出的酉延拓原理出发,利用Daubechies给出的分裂算法,将上述2Id-伸缩矩阵的结果推广到一般伸缩矩阵,给出了一类具有矩阵伸缩的框架小波包的构造方案,并利用该构造方案,构造出L~2(R~d)的一类框架小波包.     

一种新型的旋转机械滚动轴承故障诊断方法

本文基于对滚动轴承的故障特点进行分析,利用小波包变换具有任意时频局域化特性和模糊数学能够处理各种边界不明的模糊集合的数学特性,设计了基于小波包—模糊模式识别的滚动轴承故障诊断新方法,仿真实验验证了该方法对滚动轴承故障诊断效果显著,具有较高工程应用价值。     

基于小波包的开关电流电路故障诊断

为提高开关电流电路故障诊断的精度,提出了一种基于小波包优选和优化BP神经网路的开关电流电路特征抽取与识别方法.首先对开关电流电路原始响应信号进行多层次的小波包分解,接着计算N层分解后的归一化能量值,以特征偏离度作为评价选择最优小波包基,构建最优故障特征向量,最后将提取的最优故障特征通过遗传算法优化的BP神经网络进行分类.该方法以实例电路进行验证,结果表明所有的软故障均得到了有效的分类,说明了该方法在开关电流电路故障诊断中的优越性.     

基于小波包框架子带互补特征提取的纹理分割

针对多纹理图像较难准确分割的问题,提出了基于小波包框架子带互补特征提取的纹理分割方法.该方法利用小波包框架对原始纹理图像进行分解,对所得子带系数在每个像素的邻域窗口提取两类特征——平均绝对偏差及子带系数梯度方向直方图的均值与标准差,并利用改进的空间模糊c均值聚类方法对纹理像素进行聚类.由于此方法考虑了像素特征值局部标准...     

基于最佳小波包分解的语音信号特征提取

文章提出并论述了基于最佳小波包分解的语音信号特征提取的方法,介绍了小波包分解的原理及其实现过程,利用代价函数中的对数熵求取最佳小波包基,并采用类似MFCC提取的过程得到识别语音信号特征的WPTC参数,通过对语音信号特征和识别的两组实验证明文章提出特征提取方法的有效性。     

基于小波包变换的模糊神经网络小电流接地系统故障选线

根据小波包变换和模糊神经网络的特点，提出了基于小波包变换模糊神经网络的一种小电流接地系统单相接地故障选线方法，即利用经过接地后零序电流训练的小波模糊神经网络来判别接地线路。该方法适用于任何小电流接地系统，并且不受负荷谐波、暂态过程、故障点过渡电阻等因素的影响，从理论上解决了传统方法选线准确率低的问题。EMTP仿真计算结果表明，该方法是准确和可靠的，具有实用潜力。     

基于混合特征和支持向量机的抽油杆缺陷识别

为了提高抽油杆的缺陷识别率,将小波包能量特征和时域峰峰值特征组成的混合特征向量和基于小样本的支持向量机法应用于抽油杆的缺陷识别中.应用基于类距离的可分离性判据,证明了混合特征比单一小波包能量特征的可分离性强,在一定程度上可提高抽油杆缺陷识别的有效性;同时应用大量的数据和一对一分类的支持向量机进行抽油杆缺陷模式识别.其识别结果表明,混合特征具有比单一小波包能量特征更好的分离性,识别缺陷的泛化误差小,提高了抽油杆的缺陷识别率.     

基于小波包分解的细胞膜离子电流重构

提出了一种基于小波包算法重构离子电流信号的新方法,利用小波包分解对离子电流进行多分辨率分析,获得尺度能量分布特征信号.然后,进行小波包重构,再经过平滑滤波,恢复通道离子电流信号.仿真实验结果表明,采用小波包算法,在较低信噪比时,离子电流恢复精度高,算法收敛速度快,且具有较强的抗噪能力.     

ReliefF算法在雷达辐射源信号识别中的应用

采用小波包变换提取雷达辐射源信号特征能够有效对信号进行识别,然而,由小波包变换提取的信号特征维数高,部分信号特征受噪声污染严重.基于此,采用ReliefF算法对信号特征的分类能力进行评价,选择出小波包中分类能力强的信号特征,再通过特征相关度算法去除分类能力相近的冗余特征,利用剩余的分类能力强的信号特征组成特征向量进行分类.仿真实验结果显示,该方法用较少的信号特征能够获得较高的正确识别率.     

厚度对含界面缺陷涂层小波包相对能量特征的影响

基于小波包相对能量特征指标,通过有限元数值模拟,分析了该信号特征对不同厚度涂层界面缺陷的敏感性.结果表明,加速度信号的小波包相对能量特征指标可以反映界面缺陷的位置及其大小,且具有涂层厚度越薄,敏感性越强的特点.     

一种基于小波的数字调制信号识别算法

小波包变换理论上可以实现信号频带的均匀划分,从而更好地提取信号的时频特征.作者首先介绍了卷积型小波包算法,然后分析了三种主要的数字调制信号的小波变换特征,提出了一种基于小波的数字调制信号识别算法,仿真结果表明该算法能够识别典型的数字调制信号,而且具有较好的抗噪声性能.     

深孔加工过程油压监测信号消噪技术研究

针对深孔加工过程油压监测信号含有大量脉冲干扰和随机非平稳噪声的特点,提出了一种基于小波包的防脉冲干扰滑动平均滤波方法,该方法首先对油压信号进行小波包消噪,再对小波包处理后的结果进行防脉冲滑动平均处理.实验结果表明,利用小波包技术和防脉冲干扰滑动平均算法相结合的滤波方法,对油压监测信号具有很好的滤波效果,从消噪油压信号中提取的变化率特征可有效实现对深孔加工过程中堵屑故障的监测.     

基于小波包分解的滚动轴承故障诊断

提出了一种基于小波包分析的滚动轴承故障诊断方法用于实现滚动轴承早期故障的检测.该方法的诊断过程如下:对轴承原始振动信号进行频谱分析,获取振动信号能量集中的频段.根据频段的范围和振动信号的采样频率确定小波包分解的层数.采用小波包分解的方法提取滚动轴承振动信号中能量集中的频段并生成相应的重构信号,对重构后的振动信号进行Hilbert变换和二次频谱分析.通过对比轴承故障的特征频率和二次频谱中的特征谱线判断轴承是否有故障及其发生位置.运用上述方法对具有外环故障的滚动轴承进行了实验研究并成功地实现了滚动轴承外环故障的检测.实验结果表明基于小波包分析的诊断方法可以有效诊断出滚动轴承的早期故障.     

基于小波包能量熵和随机森林的级联H桥多电平逆变器故障诊断

为了提升级联H桥多电平逆变器故障诊断的准确性和高效性,提出一种基于小波包能量熵和随机森林的故障诊断方法 .首先对级联H桥多电平逆变器的输出电压进行小波包分解,提取小波包能量熵构建故障特征;然后采用主成分分析法对故障特征进行维数约简,以降低诊断模型的训练时间;最后采用经参数调优后的随机森林模型对逆变器故障进行分类诊断.基于Matlab平台,将该诊断策略与传统的基于快速傅里叶变换的SVM(Support Vector Machine)方法以及基于小波变换的BP(Back Propagation)神经网络方法进行对比.仿真结果表明,针对级联H桥多电平逆变器中功率开关晶体管开路故障,基于小波包能量熵和随机森林诊断策略的故障识别率更高,可有效提升故障诊断率至97%左右.     

WAVELET PACKET AND FUZZY NEURAL NETWORK FOR TOOL CONDITION MONITORING *

在自动化制造中,线监控刀具状况以保护刀具与加工工件显得越来越重要．近年来,许多研究者在此领域进行了广泛的研究,然而由于加工过程的不确定性,现有的刀具监控系统的可靠性还有待提高．本文提出了一种基于小波包分析与模糊神经网络的自适应刀具监控系统,该系统利用小波包分析方法将加工过程振动信号分解为不同的频率段,并在此基础上,建立了自适应特征提取方法,为模糊神经网络提供最优的特征输入,然后模糊神经网络据此进行决策,分析刀具磨损状况．实验结果表明：该系统模糊神经网络能有效通过学习人类模糊知识和在线学习样本来提高刀具监控精度．     

基于小波包与模糊神经网络的刀具状况监控

在自动化制造中,线监控刀具状况以保护刀具与加工工件显得越来越重要。近年来,许多研究者在此领域进行了广泛的研究,然而由于加工过程的不确定性,现有的刀具监控系统的可靠性还有待提高。本文提出了一种基于小波包分析与模糊神经网络的自适应刀具监控系统,该系统利用小波包分析方法将加工过程振动信号分解为不同的频率段,并在此基础上,建立了正适应特征提取方法,为模型神经网络提供最优的特征输入,然后模糊神经网络据此进行