基于小波低频子带的奇异值分解的图像识别

提出一种基于小波低频子带的统一特征空间奇异值分解的人脸识别方法.首先利用小波变换提取人脸图像的低频子带,然后作傅立叶变换,获得低频子带的频谱;将低频子带的频谱投影到标准脸奇异值分解的统一特征空间,投影系数作为人脸识别特征;采用L_1距离进行最小距离分类,实验结果表明,该方法比统一特征空间奇异值分解方法可获得更高的识别率.     

基于Morlet小波变换与SVD的故障特征提取

针对Morlet小波变换结果中的特征提取问题,对连续小波变换得到的小波系数矩阵进行奇异值分解(SVD),分析了所获得的奇异值与Morlet小波变换结果中的特征信号以及噪声的对应关系.基于这种关系,通过选择合适的奇异值进行重构,清晰地提取到Morlet小波分解结果中的有效特征信息;进一步计算得到频率-能量谱,根据峰值位置能够提取冲击特征.将该方法应用于轴承振动信号的故障特征提取,并与其他方法进行了比较.结果表明,文中方法所获得的故障波形非常清晰,在低信噪比时具有较好的故障特征提取效果.     

基于三分类支持向量机的船用逆变器故障诊断

针对电力推进船舶逆变器存在的开关器件开路故障诊断问题,提出一种基于三分类支持向量机的故障诊断方法。利用对称分量分析方法获得逆变器输出正序瞬时值分量,通过对信号进行小波包分解,得到不同开关元件故障下的小波能量,规范化后作为对应开关器件故障特征。根据开关器件位置和逆变器输出波形特点对开关器件进行分组,利用三分类支持向量机实现故障分类。仿真分析结果表明,该三分类支持向量机故障分类正确率94.29%,诊断方法有效。     

基于小波包和支持向量机的逆变器故障诊断

针对逆变器功率元件经常出现的开路故障,提出一种基于小波包分解和支持向量机的故障诊断方法。利用小波包对逆变器输入电流进行分解,获得电流信号的各层细节系数、能量以及偏移量。对分解得来的参数进行相应的归一化处理,得到逆变器功率开关元件不同故障状态下的故障特征。将其各自作为多分类支持向量机的输入量来训练多分类支持向量机。通过模拟实验证明,该方法在诊断和定位故障上具有较高精度和效率。     

基于奇异值分解的连续小波消噪方法

针对小波软阈值消噪的缺点,提出了一种基于奇异值分解的连续小波消噪方法.通过对小波变换的系数矩阵进行奇异值分解,将其中的信号特征成分和噪声分解到不同的正交子空间中,在子空间中选取集成信号特征成分的奇异值矢量进行重构,从而提取出淹没在噪声中的信号成分.通过仿真数据的对比分析和工程测试信号的应用,表明该方法适用于冲击成分信号的提取,与软阈值消噪法相比,它提取出的信号特征成分更完整,信噪比更高.     

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.     

基于奇异向量频谱的工频干扰消除方法

针对旋转机械振动信号中的工频干扰问题,提出了基于奇异向量频谱的消除方法.振动信号经奇异值分解后,信号中的有用成分和工频分量被分解到不同的正交子空间.因奇异值谱表征信号中各个成分的能量分布,故先由奇异值谱估计与工频相应的奇异向量所在的子空间范围,然后在该范围的子空间内根据奇异向量的频谱特征确定与工频成分对应的奇异向量,进而确定工频成分对应的奇异值,将这些奇异值置0,用其余的奇异值和奇异向量重构为时域信号,从而达到消除工频干扰的目的.仿真和试验结果表明,所提出的工频干扰消除方法是有效的,在消除信号中工频干扰成分的同时不会影响信号的其他成分.     

混合DWT和SVD的数字水印算法

文中提出了一种基于离散小波变换和奇异值分解的新的数字水印方法. 首先宿主图像被均匀分割成四块,对每一块进行一层小波分解,得到每一块的低频子带,再对每一低频子带进行奇异值分解,得到各低频子带的奇异值. 水印图像经过Arnold变换预处理后也进行奇异值分解,将得到的奇异值分别以一定的强度嵌入到宿主图像每一块低频子带的奇异值中,再进行反变换、拼接操作即可得到嵌入水印后的图像,实验结果表明,本文提出的方法,对噪声、剪切、滤波、JPEG压缩等常见的信号处理和攻击均具有较强的鲁棒性.     

基于小波变换和奇异值分解的模态参数识别方法

提出了一种新的基于小波变换和奇异值分解相结合的结构模态参数识别方法.该方法首先对环境激励下的结构加速度响应信号进行互协方差分析,得到时域互协方差响应,通过小波变换将互协方差响应转换到时频域中得到信号的时频系数并沿每一个尺度点提取协方差响应的小波系数阵,然后对提取的小波系数阵进行奇异值分解得到奇异值和奇异向量,最后从重组的奇异值和奇异向量中识别出结构的模态参数.文章对提出的方法进行了理论证明,通过三自由度系统的数值算例验证了该方法的可行性,表明与直接小波变换方法相比,其识别结果精度更高.     

奇异值分解在电缆局部放电信号模式识别中的应用

针对局部放电在线检测中的局部放电信号模式识别,在对局部放电信号进行去噪预处理的基础上,对去噪后的局部放电信号进行小波包分解,利用小波包系数构建小波包系数矩阵;然后,对小波包系数矩阵进行奇异值分解,定义奇异值能量百分比作为局部放电信号的特征向量,并利用M-ary算法将支持向量机二分类扩展到多分类,使用粒子群算法对支持向量机参数进行优化;最后,将特征向量作为输入,使用支持向量机对4种放电信号进行识别,并与BP神经网络的识别效果进行对比.结果表明:利用奇异值能量百分比构建的放电信号特征向量能够很好反映原始信号的特征;基于支持向量机能够有效对放电信号进行识别,平均识别率达到95%,随着分解尺度增大,4种放电信号的平均识别率增大,但增大的幅度减小;支持向量机和BP神经网络均能够很好识别4种放电信号,且支持向量机相比BP神经网络,具有更好的识别效果.