基于小波变换和分形理论的输电线路故障检测

提出了一种基于小波变换和分形理论的架空输电线路故障识别新方法.该方法对电流采样信号分别进行了小波变换和分形计算,尔后采用神经网络进行识别.经实例分析计算,取得了良好的检测结果,从而验证了该方法的正确性和有效性.     

基于一种新型分形理论的语音端点检测

为提高语音端点检测在较低信噪比下的准确率,当语音信号与随机噪声在不同尺度上进行小波变换时,针对其传递特性不同的特征表现及其特点,提出了一种新的基于分形维数的语音信号端点检测方法,即对带噪语音信号进行小波重构,去噪后,利用分形维数方法计算信号的维数,实现语音的端点检测.并给出其原理和具体算法.仿真实验结果表明,该方法简单可靠,有效可行,与已有方法相比,更具有广泛的实用性.     

基于WL-MF海面弱目标检测算法

为有效检测海杂波背景下的弱目标,研究一种基于小波领袖多重分形(WL-MF)分析的目标检测方法.该方法采用小波领袖法分析海杂波的多重分形特性,利用海杂波与目标的多重分形参数差异实现目标检测.采用IPIX雷达实测海杂波数据对该方法进行验证,结果表明:尺度函数与多重分形谱在不同海情下对海杂波和目标均具有良好的区分能力,且与传统的多重分形去势波动分析法相比,WL-MF计算量小,更便于检测.     

基于小波和分形理论的多径衰落信号分析

首次将小波理论和分形理论相结合来分析多径衰落信号，从多径衰落信号产生的动力学机制出发，指出了多径衰落信号具有分形的特征，进一步研究多径衰落信道的多重分形特性，分析并指出了多重分形维数是描述无线信道传播特性的重要参数，根据多径衰落信道参数突变，首次指出了多径衰落信号具有局部奇异性，其局部奇异性对信道参数估计和信号重构有着重要的作用，中提出了短时网格分形维数的定义和给出了其计算的详细算法，用Lipschitz指数来表征局部奇异性，利用小波检测多径衰落信号奇异性和信号重构。仿真实验结果表明：小波重构后信号具有很好去噪性能；多径衰落信号不同尺度下小波变换系数具有自相似性，论证了多径衰落信号的分形特性，不同移动速度时多径衰落信号的多重分形特性仿真实验表明：随着移动速度增大，其短时网格分形维数也变大。     

一种基于信号相关性检测的自适应小波变换及应用

为了克服传统小波变换的不足,提出了一种用样本相关性检测信号特征的自适应小波变换降噪方法.该方法以第二代小波变换为基础,在小波变换时提供多组备选的预测器和更新器,用变换样本与相邻样本之间的相关性来检测信号的局部特征,并根据相关系数的大小来确定每一尺度上的每个样本的最佳预测器和更新器,使小波能够较好地适应信号的局部特征.模拟实验和工程应用的结果表明,该方法克服了传统小波降噪方法丢失原始信号局部信息的缺陷,不仅可以有效地去除原始信号中的噪声,而且能够保留原始信号的局部特征.     

多重分形去趋势波动分析的振动信号故障诊断

针对基于配分函数的多重分形分析不利于局部标度特性突显的问题,把多重分形去趋势波动分析(MF-DFA)方法引入到振动诊断领域,提出对振动信号进行多重分形谱参数(|B|,α0,Δα和Δf)故障特征分析,并将α0用于故障诊断.首先分析了振动信号的多重分形特性;然后提取振动信号的4种多重分形谱参数特征,并进行了比较;最后用支持向量机算法实现振动故障诊断.研究表明:去除趋势后,振动信号的波动呈现显著多重分形特征,正常状态振动信号的α0明显大于故障状态,而振动信号的|B|,Δα和Δf特征变化规律则不明显;α0作为故障特征量,能有效地区分正常状态与故障状态,有效实现了振动故障诊断.     

经验模式分解后海杂波的分形特性

针对实测海杂波数据信号进行分析,判定海杂波信号具有多重分形的特性.鉴于海杂波是一种非线性非平稳性的雷达回波信号,充分发挥经验模式分解(EMD)的优势,并结合多重分形的特性,提出一种新的海杂波背景下的目标检测方法.首先,使用EMD方法将海杂波信号分解为若干个固有模态函数分量(IMF);然后,利用多重分形趋势起伏分析法(MF-DFA)求主IMF分量的广义Hurst指数;最后,通过实测的海杂波数据进行训练和测试.研究结果表明,该方法可有效实现海杂波下的目标探测,且性能优于经典时域和分数阶傅里叶变换(FRFT)域下的广义Hurst指数的目标检测方法.     

基于小波变换的脑电噪声消除方法

分析了基于传统陷波器的脑电消噪方法,根据脑电噪声所处频带及陷波器原理,设计了一种陷波器.并提出了基于小波变换的脑电信号分析方法并利用它来消除脑电信号中的噪声干扰.小波变换是一种多分辨率的时间-尺度分析方法,它能够将信号划分为不同频段的子带信号.根据小波变换的这一特性,对采样获得的脑电信号进行各尺度分解及消噪分析,并给出了各尺度分解结果及消噪结果.最后对这两种方法的消噪结果进行比较.分析表明:利用小波变换能更有效、灵活地检测并去除脑电信号中的噪声干扰.     

基于小波变换的高压开关柜监测信号消噪方法

为消除智能化高压开关柜监测装置采集信号中的“毛刺”,并克服传统低通滤波方法去除“毛刺”的同时也去掉了有用的高频成分的问题 ,该文提出了一种具有时域选择性的消除“毛刺”的方法。该方法通过利用小波变换具有时频局部化的特点 ,可以准确地检测“毛刺”出现的位置并加以消除 ,从而在消除“毛刺”的同时保留了有用的高频成分。通过对线圈电流的处理结果 ,可看出小波变换对传统低通滤波方法的优势。利用小波检测信号突变点的优势 ,还设计了检测信号起止点的算法     

分形信号的多小波基表示

多小波具有单小波不能同时具备的正交性、紧支撑、对称性和高逼近阶的优点.在研究自相似信号多小波变换性质的基础上,利用离散多小波变换重构公式给出了产生分形信号的多小波模型,指出Wornell模型是该模型的特例(多小波重数γ=1时),并推导了由该模型产生的近似分形信号的时间平均功率谱计算公式.给出了该模型与已有模型比较的数值试验,结果表明该模型构造的信号能较好地近似分形信号.