共查询到15条相似文献,搜索用时 187 毫秒
1.
2.
3.
4.
5.
一种基于小波包变换的反辐射导弹检测技术 总被引:5,自引:0,他引:5
针对雷达回波中的载机为单频信号且占主导地位,而导弹为宽带调频信号,应用正交小波包变换可以分离不同频带的回波信号的特点,提出了一种应用小波包变换检测反辐射导弹(ARM)的方法。其中小波包系数反映信号在相应频段的能量分布,依据小波包能量进行自适应阈值处理,小波包重构后即可有效抑制回波中的强载机分量。仿真显示,这种方法能够将微弱的ARM信号有效地检测出来。 相似文献
6.
针对当前准确地预测机床切削颤振状态趋势存在的困难,提出了基于支持向量机回归算法(SVR)的切削颤振状态趋势的预测方法,给出了运用支持向量机进行回归分析时的参数选择原则。研究了基于小波包分解的切削信号特征提取方法,首先将切削信号进行小波包分解,计算信号分解到各频带区间内的能量并对其进行归一化,并将其作为切削信号的特征向量输入到支持向量机回归分析模型。在CA6140车床上进行了数据采集和仿真,结果表明,通过这种方法得到的信号在各频带区间内的能量变化曲线能准确地反映切削颤振的过渡过程,并且通过SVR对其进行趋势预测也取得了比较满意的结果。 相似文献
7.
针对复杂背景下单帧红外图像中的弱小目标检测问题,提出了一种新的基于小波包变换和偏斜度的检测方法.该方法利用小波包对图像进行多尺度分解,解决了高频段分辨率低的问题;并提出了一个基于偏斜度的高斯判别准则,用于对小波包分解系数进行高斯性检验,最终得到了小目标的精确检测.对实测数据进行仿真实验,结果表明该方法能有效检测红外弱小目标. 相似文献
8.
一种基于小波变换的机动目标跟踪算法研究 总被引:5,自引:0,他引:5
小波变换是去噪的有力工具 ,它可以将由各种不同频率成分组成的信号分解到不同的频率区间上 ,有效地用于滤波。研究了一种基于多尺度分解的机动目标跟踪算法 ,该算法利用小波中的经典算法———Mallat算法对单一分辨率的测量数据进行多尺度分解 ,将分解得到的多分辨率测量数据用于目标状态更新。该算法是一种准实时最佳滤波算法。仿真结果表明 ,该算法具有良好的跟踪性能 ,且运算量不大。 相似文献
9.
10.
11.
将小波包理论与M元扩频技术相结合,提出基于小波包的M元多载波扩频系统可以在有限带宽内取得更高的信息传输速率。同时,由于小波包函数的优良性质,该系统可以很好地克服多径信道对性能的影响。仿真结果表明,与基于DFT的M元多载波扩频系统相比,在多径信道下,该系统有较大的性能优势。 相似文献
12.
提出了一种在变换域中抑制窄带干扰 (NBJ: Narrowband Jamming) 的方法.该方法首先对所接收的直接序列扩频 (DSSS: Direct Sequence Spread Spectrum) 信号进行小波包变换 (WPT: Wavelet Packet Transform) ,然后利用DSSS信号的功率谱密度 (PSD: Power Spectrum Density) 分布特点和能量聚集度 (ECM: Energy Compaction Measure) 准则,有效、快速地跟踪输入信号频谱的变化,从而对DSSS信号中的干扰进行快速定位.对强、弱NBJ的分别抑制是通过自适应改变权系数的方法来实现的.多径莱斯 (Ricean) 衰落信道中的仿真结果表明,这种变换域中的自适应干扰抑制法既可以有效地清除快速时变的强NBJ,又可在处理其它类型干扰时,避免或减小有用信息的损失,从而大大提高DSSS系统在复杂干扰情况下的抗干扰性能. 相似文献
13.
针对煤矿井下配电网馈线发生单相接地等故障时难以解决故障类型辨识的问题,为了保障煤矿安全生产,给出一种基于小波包能量熵结合粒子群优化BP神经网络算法的矿下电缆故障诊断方法.通过Matlab对电缆故障进行了仿真,对采集到的故障电压暂态波形进行3层小波包分解,将故障特征信号按照频率分成8段,按照信息熵理论计算特征熵能量谱,构造子粒子群优化神经网络模型,以信号的能谱熵作为特征输入向量,实现特征熵向量的分类.实验结果表明,该方法用于煤矿井下的电缆故障诊断分析是可行的,能够快速有效的检测出电缆故障. 相似文献
14.
采用完全树式结构小波包分解方法提取了声纳图像的纹理特征。通过计算小波包系数的统计特征和共生矩阵,构造了一个基于小波包变换的统计—共生矩阵特征集。由于统计—共生矩阵作为图像纹理特征表示时,在保留图像统计特征的同时,引入了空间信息,所以识别性能明显优于单纯的统计量识别方法。最后设计了一种模糊纹理分类器,由于模糊判决分类器通过引入隶属度函数对特征进行模糊化,反映了各类纹理样本间由于随机噪声等畸变因素造成的抽取特征值存在的不确定性,从而提高了纹理分类器的鲁棒性。 相似文献
15.
为了解决结构损伤诊断中缺乏损伤样本的问题,提出了一种基于支持向量数据描述(SVDD)的结构损伤诊断新方法.该方法只需正常状态的数据样本,而不需要任何损伤数据.首先采用小波包分解对数据预处理,以频带能量序列为特征,然后把多测量点的能量序列融合后作为特征向量,输入到SVDD分类器进行训练,实现损伤的诊断.实验表明,采用频带能量降低了数据维数,有效地浓缩了损伤信息;多测量点数据融合不仅能够使不同传感器的信息相互补充,而且减小了检测信息的不确定性;SVDD分类器较好地区分了结构正常与非正常状态,达到损伤自动诊断的目的. 相似文献