采用小波包树能量矩阵奇异值分解的局部放电模式识别

为了从局部放电信号电磁波大量冗余的频率信息中提取有效的局部放电特征参量,提出了采用小波包和奇异值分解相结合的能量特征提取方法。该方法从大量小波包树节点的能量信息中提取了一组能量特征参量用于局部放电类型识别,首先对4种放电类型的电磁波信号进行小波包分解,计算每个小波包节点系数的能量,接着采用奇异值分解法从小波包树所有节点的能量信息中提取奇异值较大的一组参量,利用这组参量建立识别模型,最后使用支持向量机对4种变压器典型放电类型进行识别。结果表明,小波包树能量矩阵奇异值分解可以从包含有大量无效和冗余频率信息的电磁波信号中提取能量特征参量,从而进行局部放电识别。研究内容可为局部放电类型识别提供一种有效的特征提取方法。     

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BP神经网络的癫痫脑电信号识别研究

为了有效识别癫痫脑电信号,建立了基于误差反向传播（BP）神经网络的癫痫脑电信号识别模型,并提出了一种适合于非平稳脑电信号的特征提取方法。本文以临床采集的包含癫痫发作期的五组500个EEG公共数据为样本,选择了具有任意多分辨分解特性的小波包．对信号进行多尺度分解,提取了各级节点的小波包系数。将小波包系数能量作为特征值,构建了特征向量并输入到BP神经网络分类器中进行自动识别。实验结果表明,该算法的识别率达到了92．5％。     

基于小波变换和灰度-梯度共生矩阵的局部放电特征提取及识别

为了能够充分利用局部放电(Partial Discharge, PD)信号中包含的特征信息,提高变压器内部局部放电类型的识别率,文中提出了一种基于小波变换(Wavelet Transform)和灰度-梯度共生矩阵(Gray-GradientCo-occurrence Matrix,GGCM)算法的局部放电类型识别方法。结合变压器内部结构特点,设计四种局部放电缺陷类型,在实验室搭建变压器局部放电实验检测平台,通过脉冲电流法采集局部放电高频电流信号。运用小波变换对非平稳信号处理时的灵活性对局部放电信号脉冲构建时频谱图;然后结合GGCM算法提取时频谱图的15维纹理特征组成特征向量;将特征向量输入到支持向量机(Support Vector Machine,SVM)分类器进行模式识别。结果表明,小波变换和GGCM算法结合的识别方法能够有效地对不同局部放电缺陷类型进行识别。     

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.     

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IMF奇异值分解和SVM的虹膜识别方法

提出了基于固有模态函数奇异值分解和支持向量机的虹膜识别方法．用一维经验模式分解对按行展开的虹膜数据进行分解,将得到的若于个IMF形成初始矩阵,然后对该矩阵进行奇异值分解,提取其奇异值作为虹膜特征向量输入支持向量机进行分类识别．与传统的Gabor小波特征提取方法比较,本文方法解决了滤波器参数繁杂同题且在编码长度和时间方面有明显的改进．试验结果表明,本文方法能有效地应用于身份鉴别系统中．     

基于小波去噪的开关柜局部放电声检测方法

准确识别开关柜的局部放电有益于电网的安全运行.在利用声检测方法实现的开关柜局部放电在线监测中,周围噪声会降低局部放电信号的识别效果.针对噪声干扰问题,提出了一种基于小波去噪的开关柜局部放电声检测方法.对包含噪声的放电声音信号进行小波降噪,再进行特征提取,最后运用粒子群-支持向量机(PSO-SVM)分类器完成放电状态识别.在某电力公司的局部放电测试平台进行模拟仿真,试验结果显示,利用PSO-SVM对开关柜局部放电信号的识别效果要优于传统SVM方法,且经小波去噪改进后的分类准确率能够达到95%,比去噪前提高8%.     

基于脑机接口的自动驾驶意图研究

为了得到驾驶员在驾驶过程中的驾驶意图,通过采用理论分析与实验、仿真相结合的方法对大脑不同区域的脑电信号进行研究分析;设计模拟驾驶实验,建立脑电信号采集系统,采集驾驶人在左转、右转、直行前指定时间窗内的脑电信号;对采集的脑电信号运用小波包变换等方法进行信号分析处理、提取特征参数;建立粒子群算法的支持向量机模型和神经网络的驾驶意图识别模型;并对更高识别率的驾驶意图信号转换为相应的指令控制车辆实现自动驾驶。结果表明：粒子群优化算法的支持向量机的识别率最高达到73.53%,粒子群算法的神经网络识别模型具有更高的识别率最高可以达到92.9%。     

电力电子装置周期性故障波形小波矩阵分类法

提出一种基于平稳小波变换和奇异值分解的电力电子装置周期性故障波形的分类方法.该方法利用平稳小波变换的冗余性和奇异值的稳健性.其步骤为:对周期性故障波形进行平稳小波变换,将信号分解到多个小波子空间;将平稳小波变换后的小波系数矩阵奇异值进行分解,即采用K-L变换对子信号进行特征压缩,并以奇异值向量作为特征向量;按照向量的空间距离对故障波形进行分类实现故障的分类诊断.以精确的半导体器件模型建立的PSPICE逆变器故障波形为例,分别用该方法和小波子带能量法对逆变器的IGBT开关故障进行分类.研究结果表明,与采用小波子带能量法相比,采用所提方法能够精确地对22种逆变器断路故障进行诊断,且受小波分解层数的影响较小,分类边界较清晰,其类间距与类内距之比是小波子带能量法的2.5倍,抗噪性能好,正确识别率高5%.     

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.     

基于经验模式分解和BP神经网络的刀具状态监测方法

为提高刀具检测识别率,采用经验模式分解法分解不同状态刀具的切削声音信号,计算各信号分量的能量百分比,形成特征向量。利用三次样条插值方法对特征向量进行插值,插值后的特征向量保留了原始信号的所有特征成分,应用BP神经网络识别刀具的状态。实验结果表明:经验模式分解方法和BP神经网络相结合可以有效识别铣刀状态,平均识别率达86%。     

基于奇异值特征和支持向量机的人脸识别

针对人脸识别中经常遇到的"小样本"和"过学习"等问题,同时为了进一步改善人脸图像的奇异值特征在人脸识别中的识别性能,提出了一种基于奇异值分解和支持向量机的人脸识别新方法.在特征提取阶段,首先对训练样本集中的每一个人脸图像矩阵进行奇异值分解,得到训练样本的奇异值特征,然后对每个样本的奇异值特征向量进行降维、归一化、奇异值向量的分量重新排列等处理.在识别阶段,运用支持向量机作为分类工具,为了提高分类能力,选取径向基函数作为支持向量机的核函数.最后在ORL人脸数据库上验证了该方法.实验结果表明,通过对奇异值特征的相关处理,提高了识别速度和正确识别率.从而证明了所提出方法的有效性,具有一定的应用价值.     

基于支持向量机的肌电信号小波特征分类解码

采用小波变换进行肌电信号预处理与多尺度分解,并采用小波系数最大值与平均能量值作为肌电信号特征,采用支持向量机进行特征分类识别的运动解码,并用此方法进行了腕部动作识别的实验.与时域特征、频域特征、AR参数特征提取方法以及神经网络识分类别方法进行对比,结果表明:基于支持向量机的小波特征提取方法可以较好地区分不同腕部动作,具有最高的分类精度,极大改善前臂假肢的操纵性能.     

基于多尺度熵和支持向量机的局部放电模式识别

为了准确、可靠地有效识别电力变压器中绝缘劣化的严重程度和局部放电的位置,本文提出一种基于多尺度熵特征提取方法,采用支持向量机对放电类型进行模式识别。首先,利用多尺度熵对放电信号从定性和定量两个角度有效提取特征放电信号特征量;其次,将获得的特征信号输入支持向量机对放电类型进行模式识别。实验结果表明,该方法可以有效提取局部放电信号特征量。     

基于门限值小波包变换抑制局部放电白噪干扰

分析了局部放电在线监测系统中局部放电信号及白噪干扰小波变换特征，局部放电信号在大部分尺度上具有较大的幅度，而白噪声信号随尺度的增加而迅速趋于零，从而对信号在各个尺度上的小波系数设定一个门限，如果某尺度上的系数大于门限，则认为它对应于局部放电信号，否则对应于噪声信号。提出了用基于门限值的小波包变换方法从白噪中提取局部放电信号的方法。实测数据分析结果表明，经此法处理后信噪比明显提高，可用于在线监测局部放电信号中白噪干扰的抑制。     

基于小波分析和支持向量机的轴承故障诊断

滚动轴承的故障诊断对于旋转机械的正常可靠运行具有重要意义。采集滚动轴承正常、内圈故障、外圈故障及滚动体故障四种工况下的振动信号,对振动信号进行三层小波包分解,将第三层的小波包系数进行重构并计算每个子频带系数的对数能量熵,得到滚动轴承在不同工况下的特征向量。基于抽取到的特征向量建立支持向量机模型,实现对滚动轴承不同故障类型的识别。支持向量机参数采用网格搜索法进行寻优,惩罚参数为2048,核函数半径为0.03125,模型在测试集上的预测准确率为100%。本文研究表明,小波包对数能量熵特征提取结合支持向量机是一种较为有效的滚动轴承故障检测方法。     

基于SVM的四类运动想象脑电信号分类方法研究

针对传统支持向量机分类方法在脑电信号处理中存在分类正确率低的问题,将聚类思想与二叉树支持向量机结合构造多类SVM分类器。实验以“BCI Competition 2005”中的Dataset IIIa为例,先对C3/C4导采集的四类运动想象脑电信号应用小波变换进行去噪;再在分析小波包频带划分特点的基础上,利用小波包进行分解与重构,获取相应的能量特征;最后应用改进后的支持向量机(SVM)分类方法对特征信号进行分类。结果表明该方法分类正确率较高,可以达到91.12%,并且有效的减少了分类器的个数,最终达到较好的识别效果。     

基于奇异值分解和深度信度网络多分类器的滚动轴承故障诊断方法

提出一种基于奇异值分解(SVD)和深度信度网络(DBN)多分类器的滚动轴承故障诊断方法.对滚动轴承的振动信号进行相空间重构,得到相应的特征矩阵;对特征矩阵进行SVD分解,并用所得整个奇异值序列构造特征向量,建立DBN多分类器模型,以实现滚动轴承的故障诊断;同时,将所提出的方法与DBN、反向传播神经网络、支持向量机等算法进行对比.结果表明,所提出的方法能够更加稳定、可靠地识别滚动轴承的故障类型和故障程度.     

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.