基于小波包分解和近似熵的脑电信号分类

为提高脑电信号分类准确率,提出基于小波包分解和近似熵相结合的特征提取方法。该方法利用小波包对信号的低频和高频进行分解,用近似熵对得到的叶子结点进行计算得到特征值,然后将其输入支持向量机进行分类。实验结果表明,该方法在两种思维结合识别中正确率最高达到了97.37%,取得了较好的分类效果。     

基于提升小波包的往复压缩机活塞-缸套磨损故障诊断

针对往复压缩机活塞-缸套磨损故障微弱信号特征识别问题,提出一种识别该类信号微弱特征的自适应非抽样提升小波包方法(AULSP)。该方法以分解层信号所有样本的预测差值平方和最小为目标函数,算出与信号特征自适应匹配的初始算子,并构造非抽样算子算出下一层各频带信号。对各层细节信号进行阈值处理并重构,对降噪后的信号再进行小波包分解。各分解频带信号长度与原始信号的长度相同,无须重构即可识别时域故障微弱信号特征。用这种方法成功提取了某往复压缩机活塞与缸壁发生碰磨故障时产生的弱周期性冲击信号。     

基于谐波小波包变换的高速列车走行部故障特征提取与识别

文章针对高速列车行走部故障识别难的问题,提出了一种基于谐波小波包分解和相像系数的故障特征提取与分类识别方法,用谐波小波包分解法对各类故障信号进行多层分解,从中提取能反映各类故障特征的频带能量信息组成特征向量,通过计算和比较信号特征向量与不同故障特征向量的相像系数,实现对故障的识别与分类。实验结果表明,该方法能有效地识别列车正常、空气弹簧失气、抗蛇形减震器全拆及横向减震器全拆4种情况,同时在不同速度下均取得了满意的识别率,验证了该方法的有效性。     

融合频带能量特征和双向门控循环单元的运动想象意图识别

针对脑电信号分类正确率低的问题,结合频带能量、小波包变换和双向门控循环网络,提出了一种基于频带能量特征序列和深度学习算法的运动想象意图识别方法。首先,利用小波包变换对脑电信号进行分解、重构,获得运动想象相关频带信号;其次,对所得频带信号进行加窗,并滑动截取,通过计算所截每段信号能量,实现能量特征的时序化分解;最后利用双向门控循环网络对脑电信号进行识别并输出分类结果。实验结果表明:所提算法取得了92.1%的分类正确率,表明所提方法是切实可行的,能够有效改善分类识别率。     

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。     

基于小波包能量熵和GWO-SVM的滚动轴承故障诊断

针对滚动轴承不同故障类型和不同损伤程度识别准确率较低的问题,提出了将小波包能量熵、灰狼优化算法和支持向量机相结合的故障诊断方法.首先,将滚动轴承振动信号进行3层小波包分解,对第3层各频段小波包分解系数进行重构,提取各频段成分的能量熵构成故障特征向量;其次,利用灰狼优化算法实现支持向量机参数优化;最后,基于优化后的支持向量机分类模型完成对测试集滚动轴承不同故障类型和不同损伤程度特征向量的识别诊断.实验结果表明,相比实验和文献中其他方法,该方法对滚动轴承不同故障类型和不同损伤程度具有更加突出的故障辨识能力.     

基于小波包无量纲免疫检测器的故障诊断模型

为可靠地检出并识别旋转机械设备轴承故障,提出了一种基于小波包分解和无量纲免疫检测器的轴承故障模式识别方法.该方法采用小波包对原始时域信号进行预处理,分别提取原始时域信号和各频带范围内时域信号的无量纲指标,并计算其敏感因子,根据敏感因子选取敏感特征,结合人工免疫阴性选择算法,生成多个敏感特征无量纲免疫检测器,实现对故障进行识别和分类.仿真实验结果表明,所提方法能有效地识别各种轴承故障.     

基于非线性特征提取的EEG信号支持向量分类器

为提高癫痫脑电(EEG)信号的正确识别率,设计了一种基于非线性特征提取的EEG信号支持向量分类器.分类器首先将EEG信号通过四层小波包变换分解到不同频段,然后计算各频段小波系数的近似熵(ApEn)值,作为特征向量,最后使用支持向量机(SVM)进行分类.实验结果显示该分类器能有效提高正确识别率.     

基于近似熵快速算法的静息态脑磁信号分析

为了探究静息态精神分裂症患者脑磁信号的非线性动力学特性,提出了一种将小波变换和近似熵相结合的特征提取方法.该方法首先通过小波变换,将10个正常人和10个精神分裂症患者的脑磁信号进行6层小波分解,提取对应于脑磁信号θ波段和α波段的小波系数,继而计算和比较两类人近似熵的分布情况.实验结果表明,相同情况下精神分裂症患者MEG信号的各脑区和各通道间的近似熵都普遍高于正常人,α波段的额叶和中央区域尤为突出.该结果为进一步研究患者MEG信号特征进而建立相应的分类诊断模型提供了思路.     

基于小波变换的语音信号的特征提取

本文将小波变换用于语音信号目标特征的提取,利用小波变换对语音目标进行小波包分解后提取各频带内的能量特征作为特征向量。实验表明,小波变换使信号的频率特征得到增强,且压缩了特征空间的维数,具有很好的语音信号分类效果。     

基于小波包熵的船舶轴频电场信号检测

为了有效地从海洋环境电场背景中检测微弱的船舶轴频电场信号,提出了一种基于小波包熵的船舶轴频电场信号检测算法.首先使用小波包变换对测量信号进行多层分解并计算最后一层各结点的重构信号;然后计算各结点重构信号的小波包熵;最后选取小波包熵最小的重构信号作为检测信号进行滑动功率谱检测.通过实测数据和仿真数据对该算法和滑动功率谱算...     

基于支持向量机的气液两相流流型识别新方法

为准确识别两相流型，提出了基于小波包多尺度信息熵和支持向量机的流型识别方法．利用小波包变换对采集到的水平管空气-水两相流压差波动信号进行3层小波包分解，得到8个不同频带的信号，提取各频带信号的小波包多尺度信息熵作为流型的特征向量，运用支持向量机进行训练并识别流型．结果表明：与BP神经网络相比，采用支持向量机进行流型识别可以获得更高的识别率，表明该方法是有效、可行的．     

基于小波包熵的船舶轴频电场信号消噪研究

在海洋环境下,为有效地将微弱的轴频电场信号提取出来,本文在对小波包熵理论分析的基础上,提出了基于小波包熵的船舶轴频电场信号消噪方法.首先使用小波包变换对测量信号进行多子带分解,并将各子带分成几个子区间;然后计算各子带不同子区间的小波包熵,利用最大小波包熵自适应地选择各子带的阈值;最后对各子带的小波包系数进行阈值处理,并利用处理后的小波包系数对信号进行重构.通过实测数据和仿真数据对该消噪方法进行验证,结果表明此方法在低信噪比情况下能较好地将微弱的轴频电场信号从环境背景噪声中分离出来.     

心室晚电位识别的一种方法

论文采用小波包分析和人工神经网络相结合的方法完成对心室晚电位的识别。首先利用小波包分解技术提取心电信号的特征，将不同频带子信号的能量作为心电信号的一组特征值，然后采用径向基函数网络实现对晚电位的分类。经过对28例3导信号平均心电图实验数据的处理，取得了较高的识别准确率。     

一种基于小波包熵的频谱检测算法

为了解决能量检测算法在低信噪比条件下频谱检测性能差的问题,提出了一种基于小波包熵的频谱检测算法.首先采用小波包变换对接收信号进行多层分解,并计算最后一层各节点的重构信号;然后计算各个节点重构信号的小波包熵值;最后选取熵值最小的重构信号作为检测信号进行能量检测.理论分析及仿真结果表明,在低信噪比情况下,该算法可以有效地抑制噪声影响,提高频谱检测性能.     

噪声环境下基于小波熵的声发射识别

针对声发射技术在旋转机械故障检测中的强噪声干扰问题,提出了一种基于小波熵的声发射检测算法.该算法首先给定一个合理的阈值.对声发射信号进行小波分解.然后进行分帧处理,使信号在较短的时间间隔内保持特性基本不变,从而求出每一帧信号的小波熵.通过比较每一帧信号的小波熵值与阈值的大小,判断该信号为声发射帧还是噪声帧.为了检验算法的检测效果,在转子实验台上获得碰摩声发射信号.并在测试数据上叠加不同信噪比的高斯白噪声和非平稳噪声,进行声发射识别.实验结果表明:该算法具有较高的识别正确率;在低信噪比环境下,通过调整阈值的可调参数可以有效提高识别的正确率.     

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BP网络的超声检测缺陷类型识别

针对A型反射超声波检测仪难以准确识别缺陷类型的问题,探讨了基于小波包和BP神经网络相结合的超声检测缺陷类型识别方法。对检测的多组超声缺陷信号分别进行3层小波包分解,提取小波包频谱能量特征,归一化后构造了各缺陷信号的特征向量,并分别组成训练样本集和测试样本集,用于3层BP神经网络的训练和网络识别效果检验。实验结果表明该方法能准确快速地识别出超声检测缺陷类型。     

瞬态诱发耳声发射信号近似熵的分析及应用

为研究有无对侧刺激声 (CAS)作用下 ,瞬态诱发耳声发射 (TEOAE)信号的变化特征 ,根据耳蜗的非线性特性 ,提出了将近似熵的分析方法引入到耳声发射信号的研究中 ,并将近似熵的分析方法从时间序列复杂性的度量中引入到频率序列复杂性的度量中。结果表明 :无 CAS作用下 ,TEOAE频域信号的近似熵在各频带处 ,蜗性病变耳的近似熵明显低于正常耳的近似熵 ,蜗后病变耳的近似熵与正常耳的近似熵无明显差别。在 CAS作用下 ,听力正常耳的近似熵下降 ,而感音神经性耳聋的近似熵上升 ,且近似熵上升的频带与耳蜗或蜗后神经患病处频带相关 .根据研究结果 ,提出了利用有无对侧刺激声作用下耳声发射信号近似熵的变化来诊断感音神经性耳聋的方法     

基于WPD-LMD和排列熵的结构损伤识别方法

为了直接从结构响应提取损伤敏感参数,对激励未知情况下的结构损伤模式进行识别,提出了基于小波包分解-局部均值分解方法(wavelet packet decomposition-local mean decomposition,WPD-LMD)和排列熵的结构损伤检测方法.该方法首先对结构振动响应进行小波包分解,将振动信号分解为一系列窄带信号,然后对窄带信号进行局部均值分解,能有效提取低能量分量.通过计算损伤前后分量信号的排列熵,对结构损伤进行了检测,最后通过计算测试数据和样本数据之间的相对排列熵,对损伤模式进行了识别.实验分析结果表明,所提出的方法能有效地对结构损伤进行识别.