基于频带能量分析的发动机转子早期故障识别

从检测信号中提取出发动机转子早期故障特征并进行快速识别是故障诊断的一个难点。将小波包分析与能量监测相结合,提出了根据频带能量对早期故障进行特征提取和识别方法。对频带能量分析原理,早期故障特征提取与识别方法进行了分析和研究,并将其应用于飞机发动机转子的早期故障识别。结果表明,频带能量分析方法能够有效地提取发动机转子早期故障特征并进行快速识别,特别是对于非平稳微弱早期故障信号,更具有明显优势。     

基于格型矢量量化的小波零树图像编码方法

把格矢量量化与小波零树编码相结合,提出了一种小波矢量零树图像编码新方法,其性能优于已报道的格型矢量量化小波图像编码方法和最成功的小波零树图像编码方法,而且其复杂度远低于已报道的格型矢量量化小波图像编码方法。实验结果证实了方法的有效性。     

二代小波消噪在数字信号处理器中的实时实现

以数字信号处理器(DSP)为开发平台，提出了基于二代小波的一种新的信号消噪算法．它只需把信号分解一层，然后把分解后的高频系数和低频系数同时进行软阈值量化处理，再进行小波重构，就可以有效地消除信号中的噪声．相对于传统的一代小波，该算法计算简单，可有效节约内存，因此非常适合于DSP的实时实现．同时，为了提高计算效率，对程序的处理流程进行了并行优化，用仿真信号对该算法进行了验证，并应用于对实测信号的消噪中．研究结果表明，该算法可以有效地提高信噪比，降低原始信号中所含有的噪声．     

Wavelet numerical detection for singularly perturbed elliptic boundary value problems

This paper is concerned with the numerical solution, and with the detection of singularity for a singularly perturbed elliptic boundary value problems in two space dimensions. Specifically, a wavelet-collocation method is presented for a 2-D linear reaction-diffusion model. By using two-dimensional B-splinewavelet, we test the efficiency of the method. Foundation item: Supported by the National Natural Science Foundation of China (19602014) Biography: Zhang Ai-qing (1974-), female, Master candidate, research interest: wavelet analysis & application.     

基于MPEG-x与H.26x标准方案的H.264新技术的实现分析

研究基于MPEG-4与H．263视频图像压缩编码标准方案，分析讨论了H．264的多参考帧块运动估算、小波变换、小波系数的量化和编码、亚像素快速搜索算法等新技术的实现演变发展。以适应现有复杂多变的网络条件，解决网络带宽瓶颈，提高视频图像编码算法的压缩效率。     

Schwarz空间中小波级数的收敛性

通过引入Schwarz空间,利用逼近论的思想和放缩的方法研究Schwarz空间中小波级数的收敛性,建立小波级数依范数收敛的定理,进而得到小波级数一致收敛的结论和一致收敛速度的精确估计.     

小波变换在高维频谱数据分类中的应用

小波变换是近些年来广泛应用于时频域信号分析的理论,根据小波变换的特点,在高维频谱数据分类中,对数据进行特征提取,将Ｐ维矢量映射成Ｐ＇维矢量（Ｐ＇〈〈Ｐ）,以减少分类模型参数,同时尽可能保留各频谱数据之间的差别信息。利用ｍ带离散小波变换产生的小波系数进行分类,并给出了一组算法,结果令人满意。     

路面不平度的时频小波分析

本文在路面不平度数值模拟基础上利用离散二进小波变换对路面不平度进行了多层小波时域分析、统计分析和频域分析,得到了路面不平度较为深入的结果。本文为车辆动力响应分析、零部件疲劳试验及整车可靠性试验提供参考。     

电能质量扰动分类的贝叶斯方法

随着非线性负荷的大量使用,电能质量问题已日益受到关注．对各种电能质量扰动进行分类,是采取适当措施降低扰动带来影响的前提．小波包是在小波变换的基础上发展起来的,能够提供更为丰富的时频信息．为此,对电能质量扰动信号进行小波包分解,分别以小波包分解终结点的能量和熵作为特征向量。用贝叶斯分类器进行分类识别,对扰动分类做出了仿真分析,仿真结果验证了该方法的有效性．通过与Fisher分段线性分类器进行比较,表明以熵为特征向量的贝叶斯分类方法有较高的识别正确率．     

低信噪比神经元锋电位信号的分类方法

基于离散序列小波变换和主元分析，对低信噪比的神经元锋电位信号提出了新的分类方法。通过对原始信号进行尖峰检测，获得尖峰信号样本，对每个样本进行离散序列小波变换之后，再对小波变换系数进行主元分析，选取主元进行聚类，实现对原始信号的分类。将该方法应用于多电极细胞外记录的小鸡视网膜神经节细胞电活动信号分析，并据此推断出某电极附近的神经节细胞的个数。仿真结果表明，在低信噪比情况下，该方法比单纯通过小波变换进行分类的方法更有效。