小波变换时频特性的信号识别

研究了小波变换时频特性的信号识别及其在复合材料损伤检测中的应用．根据小波变换的框架重构理论及时频相空间理论,提取信号的时频域特征,通过比较原信号的时频空间和小波变换相空间的相同部分,得到能反映同样时频特征的小波级数展开项和的个数,并用误差函数的最小化提取能反映时频性质的小波系数．以此作为小波神经网络的学习参数,经过学习后,使之能对信号进行识别．应用此方法对复合材料试验过程中的复杂曲线进行了实验识别,效果很好．从小波时频特性提取的信号特征,在时间和频率方面都能体现原信号所包括的本质信息,供助Ｂ样条小波神经网络的识别结果,达到了预期目的．     

基于分数阶Fourier变换的雷达目标识别

为了利用雷达信号的时频信息以提高雷达目标识别性能,提出了一种基于分数阶Fourier变换(FrFT)的雷达目标识别方法。利用FrFT提取目标高分辨距离像的时频特征。从类可分性角度,求取多个最优变换,利用主分量分析方法对距离像的FrFT进行特征降维,并使用神经网络进行分类识别。最后,采用D-S证据理论,对多个最优变换的识别结果进行决策融合。仿真结果证明了该方法的合理性和可行性。     

无线信号自动识别算法的仿真实现

首先对比Hilbert变换(Transform)构建的解析(Analysis)信号进行时频分析(Time-Frequency analysis)的方法,探讨了基于决策理论(rational budgeting theory)的模拟调制(A modulation)方式识别方法。然后在分析该方法缺陷的基础上,提出了基于神经网络(NN)的识别方法。神经网络(NN)在进行信号识别时,主要是依据谱峰(peak)位置的不同,小波变换(Wavelet Transform)在这里则相当于一个数学显微镜,反映信号类别与谱峰(peak)位置间的必然联系。利用小波变换(Wavelet Transform)并结合简单的三层BP神经网络(NN),即可提取更加精确的待识别信号的时频特征。     

基于Radon—Wigner变换的多分量LFM信号的检测

Radon-Wigner变换是一咱直线积分的投影变换,它对多分量LFM信号提供了较好的时频局域性,从而有利于多分量LFM领带的解释和分析,通过时域解线调和频域解线调处理可以完整地在时频平面计算出Radon变换,对于多分量LFM信号的分析好于Winger-Ville变换等常用的时频变换。     

基于神经网络计算的子波变换实现

本文首先阐明了子波变换理论利用可变时域和频域分辨特性表达信号、获取信号特征的原理，提出了利用神经网络计算方法计算子波变换系数的新方法，并讨论了与人视觉系统密切相关的子波变换神经元的特性，提供了计算机仿真子波变换信号的结果。理论分析和实验结果表明，子波变换不仅具有对信号多分辨表达的特性，而且可以有效地压缩被处理信号。     

小波变换技术概述

小波变换具有良好的时频局部化特性,通过小波变换可以将一个时域信号进行多分辨分解,因此小波变换技术就常被应用到数字水印中来。文章对小波变换理论及其相关知识进行了研究,论述了离散小波变换、多分辨率分析等理论。     

基于Morlet小波尺度参数寻优的匹配追踪时频分析

与短时傅里叶变换、连续小波变换、广义S变换等时频分析方法相比,匹配追踪方法具有更高的时频分辨率,但传统的贪婪迭代算法计算效率较低。以Morlet小波作为时频原子进行匹配追踪,通过分析尺度因子不同时Morlet小波时频原子在时间域的形态,比较信号向频率、相位和延时相同,仅尺度因子不同的不同时频原子投影的投影值,认为尺度因子对时频原子的形态具有较强的控制作用,因而对时频原子和信号局部特征的匹配性能具有较强的控制作用。基于以上分析,在利用复地震道计算信号的瞬时信息作为时频原子频率、相位和时延等参数的基础上,对Morlet小波时频原子的尺度参数首先进行一维寻优,在得到最佳尺度因子基础上对时频原子参数进行微调,提高了计算效率。针对模型测试了算法的有效性及在去除噪声和薄层厚度求取等方面的应用前景。     

基于小波能谱熵和神经网络的输电线故障识别

在暂态电流信号小波变换结果的基础上,采用小波能谱熵定义,对小波分解系数进行处理,提出了一种基于小波能谱熵和神经网络的输电线路故障类型识别方法。该方法通过计算故障前后三相电流信号小波变换系数沿尺度分布的小波能谱熵,经过适当处理,输入神经网络,利用神经网络在模式识别方面的优势,输出结果即为故障类型识别的结果。仿真结果表明,该故障类型识别方法不受故障类型、故障电阻及故障位置等因素的影响,识别结果准确可靠。     

基于时频分析的雷达侦察信号处理技术

现代雷达系统越来越多地采用复杂的非平稳信号波形,给电子侦察系统的信号处理提出了越来越高的要求,不仅需要检测出信号包络,还要对雷达信号分选和识别的关键脉内特征参数进行分析提取．为此,将广泛应用于分析和处理非平稳信号的时频分析技术引入雷达侦察信号处理中,介绍了短时Fourier变换、小波变换和WVD等线性和非线性时频分析方法,并应用这些方法对雷达常用的线性调频信号进行了时频分析和计算机仿真,仿真结果证实了方法的有效性．     

基于复Morlet变换和改进AlexNet神经网络的柴油机气门间隙异常故障诊断方法

针对柴油机缸盖振动信号非线性、非平稳的特点,以及传统故障诊断方法需要先验知识且特征提取费时费力的缺点,提出了一种基于复Morlet变换和改进AlexNet神经网络的柴油机气门间隙异常故障诊断方法。首先通过复Morlet小波将柴油机缸盖振动信号转换为时频图,该变换包含了信号的时频域信息,比单一的时域或频域信号更适合分析柴油机缸盖振动这种非平稳信号;其次将时频图输入至AlexNet神经网络进行特征自动提取并建立故障诊断模型,解决了传统手工提取特征费时费力且需要专家经验的问题;然后通过Batch Normalization和Dropout技术改进网络结构,并优化神经网络超参数以提高模型的准确度和计算效率;最后将本文方法与传统的故障诊断方法应用于柴油机气门间隙异常故障诊断并进行对比,发现其诊断准确率最高,验证了所提方法的优越性。     

选择性激光烧结成型件密度模型研究

选择性激光烧结(SIS—selective laser sintering)加工工艺参数的变化会引起成型件密度的变化,进而影响烧结强度．本文应用神经网络方法,建立了加工工艺参数与成型件密度之间的预测模型．应用该模型分析了加工工艺参数(层厚lt,扫描间距dh,激光功率W,扫描速度v,加工环境温度Te,层与层之间的加工时间间隔Ts和扫描方式F)对成型件密度的影响．试验研究结果表明：该模型能定量地反映加工工艺参数与成型件密度之间的关系．据此可通过合理地选取工艺参数得到所需的加工件．     

一种语音信号线性预测系数的求解新方法

语音信号的线性预测分析是语音信号处理中的重要部分,线性预测系数提取的速度和精确程度直接影响后续的处理工作.现提出一种基于BP神经网络的线性预测系数的求解方法.实验表明,该方法能以较少的训练次数得到较高的计算精度.     

单层神经网络在参数估计中的应用

神经网络方法可用于动力学系统的参数估计，包括时域和频域建模。将单层神经网络用于单交量线性连续时不变系统的参数估计中，线性系统分别用状态方程及传递函数来描述。对于状态方程描述的线性系统，假设系统状态、状态的导数及系统输入已知，给出了相应的神经网络结构及学习算法用以估计系统参数；对于传递函数形式描述的线性系统，推导出了基于频域数据的单层神经网络结构，用以估计传递函数的参数。     

小波变换集遗传算法神经网络的径流预测建模

为获得更精确的径流预报结果,利用dmey小波变换对径流时间序列分解为高频信号和低频信号,再使用遗传算法优化的BP神经网络分别对其进行预测,最后利用dmey小波逆变进行重构,以此建立径流总量预测模型。通过对柳江径流总量进行实例分析,并与遗传算法优化的神经网络模型、BP神经网络模型及传统的时间序列分析方法对比,该方法获得更准确的预测结果。研究结果表明该模型能充分反映径流时间序列趋势,预报稳定性好,预报准确率高,为径流时间序列预测提供一个有效建模方法。     

改进的神经网络观测器在非线性系统中的应用

为降低非线性观测器对模型精度的依赖性, 提出一种非传统的神经网络观测器设计方法。该神经网络为三层前馈网络, 采用带修正项的误差反传算法进行训练, 以保证控制的精度和权值有界, 利用神经网络识别系统的非线性部分, 并结合传统的龙伯格观测器重构系统状态; 利用Lyapunov 直接法保证基于权值误差的非观测器的稳定性, 并将该观测器应用于机器人轨迹跟踪控制中。仿真结果表明, 该方法解决了模型不确定系统状态观测问题, 适用于模型精度较低的非线性系统。     

水泥砼路面基层刚度反演分析的EBP方法

利用人工神经网络方法，对水泥砼路面基层刚度的计算进行了研究。采用有限元模态分析技术，对弹性半无限空间体上的水泥砼路面板有、无基层刚度变化情况分别进行了模拟，得到了一系列路面板自振频率与基层平面位置的映射关系，将此作为EBP网络学习样本，为加快网络训练收敛速度，采用了学习率自适应调整策略。算例结果表明，EBP人工神经网络算法可用于确定路面板基层刚度变化与其实际位置之间的映射关系。     

多重遗传神经网络在微量特征气体临界值识别中的应用

将气敏元件阵列技术和遗传神经网络相结合，检测了电力变压器油中的4种微量故障特征气体(1×10     

基于量子LM神经网络和粗糙集的石油储层识别方法研究

提出一种量子LM（Levenberg Marquardt,LM）神经网络与粗糙集相结合的智能识别方法,以替代传统的统计识别方法和工程应用中以单一智能控制为基础的识别方法．基于LM神经网络的技术方案可以整理测井定位数据,提高预测的准确性;量子计算具有并行和类映射的优势;通过削减冗余信息和简化信息量,粗糙集可以降低量子LM神经网络的复杂性,缩短数据处理时间,削减神经网络的负担．通过在石油储层识别实践中的应用证明：该方法可以有效提高计算速度和识别精度,降低成本．     

一种基于DSP的电力系统同步采样方法的研究

为了能够检测出电力系统中的谐波信息并能实时的调整采样频率使之与电网频率的同步,提出一种通过采样数据计算电网电压实际频率的方法,能够动态的调整采样频率,实现同步采样;经过基于DSP的实验验证,能够有效地减少因非同步采样造成频谱泄露的影响。算法具有实现简单、精度较高的优点。     

基于共享联结三元组卷积神经网络的枪弹膛线痕迹快速匹配方法

针对传统通过激光检测提取膛线线形痕迹信号时枪弹痕迹检测精度不高且操作复杂的问题,提出了新型提取和处理方法.采用多尺度配准、弹性形状度量与卷积神经网络技术,基于多模式弹性驱动自适应控制方法,建立了试件末端位置和姿态参数分布模型,采用孤立森林算法检测信号进行异常处理,利用变尺度形态滤波算法去除非细小特征,引入平方速度函数优...