小波包变换

摘要： 表面肌电(surface electromyogram,s EMG)信号的去噪处理和特征提取的效果好坏直接关系到识别的准确率。以获得较高的识别准确率为目标,对肌电信号的去噪处理和特征提取展开研究。先对表面肌电信号进行小波阈值去噪;再分别运用时域、频域和时频分析对去噪后的信号进行特征提取;最后利用BP神经网络对肌电信号进行分类。实验结果较好地实现了对肌电信号的分类,分类识别率为97%±2%。

摘要： 针对传统阈值函数在阈值处不连续和阈值变换存在恒定偏差等不足,以及现有阈值方法忽略小波包分解后各频段能量分布的问题,根据现有双阈值函数的不足,在其基础上进行改进,得到一种新的小波包阈值函数。该阈值函数连续且没有恒定偏差。另外,改进后的函数通过引入双阈值和调节参数,能够根据实际信号在小波包分解后有用信息与噪声的能量分布,更灵活地调整函数的降噪幅度。为了验证改进后阈值函数的优越性,利用仿真和实验信号,对比不同阈值方法降噪后信号的信噪比和均方误差。结果表明,改进后的阈值函数降噪效果更好。

摘要： 为避免液压油缸泄露给液压系统带来的速度放缓和压力不足等问题,研究基于深度学习的液压油缸泄露故障自动诊断方法。深入分析液压油缸泄露故障机理,依据液压油缸泄露量,将泄露故障划分为正常、轻微、中度以及严重泄露四种状态,使用压力传感器采集各状态下的压力信号,利用小波包变换提取压力信号的小波包能谱熵特征,将其作为输入量,运用深度置信网络实现液压油缸泄露故障高精度自动诊断。实验结果表明:该方法能清晰呈现不同液压油缸泄露状态下的压力信号特点,且所得信号质量较高;利用压力信号的小波包能量谱自动诊断液压油缸泄露故障具有较高的可行性;该方法在准确诊断液压油缸泄露故障状态的同时,还能判断液压油缸泄露故障的形式。

摘要： 文中提出一种基于深度网络迁移学习的配电网故障区段定位方法。利用小波包变换(WPT)分解配电网各区段的电量信号,将各节点小波包系数按照低频到高频的顺序重新排列获得时频矩阵,通过颜色编码将时频矩阵转成具有图像性质的像素矩阵,像素矩阵囊括了当前系统的工作状况信息,利用迁移学习AlexNet网络,调整网络结构使其适应于配电网故障区段辨识,通过微调的AlexNet网络自主挖掘像素矩阵的故障特征作为预测变量,利用门控循环单元(GRU)、学习向量量化(LVQ)、朴素贝叶斯分类器(NBC)、极限学习机(ELM)、支持向量机(SVM)等模式识别算法进行故障特征分类,从而实现配电网故障区段定位。针对多分支的线缆混合线路进行实验分析,比较5种模式识别算法的分类效果,得到GRU算法准确率可以达到99.92%,证明了该方法不受故障时刻、故障类型和过渡电阻等因素的影响,可满足配电网对故障区段定位准确度和可靠性的需求。

摘要： 针对强起伏背景下红外弱小目标检测问题,提出了一种基于形态学和小波包变换相结合的红外弱小目标检测算法。该算法首先利用形态学Top-hat算子,实现红外小目标图像初步背景抑制,其次采用小波包变换对图像进行多尺度分解得到高低频节点系数,然后采用高频频带中能量分布居中的频带节点系数对图像进行重构完成背景抑制,最后对目标进行分割得到目标检测结果。实验仿真结果表明:该算法背景抑制效果优于Top-hat变换和小波变换的检测方法,可以很好地提升目标和背景的对比度,准确检测出目标信号。

摘要： 为了能够提高电力系统运行过程中的可靠性,基于振动信号研究了电力系统变压器中出现的机械故障诊断方法。分析了BIM定位不同测点下的振动信号,利用时域频谱图对比分析了相同相、不同位置和不同相、相同位置的振动信号基频幅值。提出了基于小波包变换的振动信号故障特征提取方法,将信号特征转化为数值特征,为变压器机械故障的智能诊断提供了工具方法。最后,在传统PSO算法中引入了惯性权值,将改进后的IPSO算法与BPNN进行结合,得到了优化后的IPSO-BPNN算法模型。通过分析得知,IPSO-BPNN算法模型的收敛速度更快,具有更少的时间成本、更低的计算资源消耗、更高的准确性。

摘要： 近年来,基于ECG/PPG信号的血压测量方法已经在某些可穿戴设备上实现。但此类方法的检测精度尚未达到相关国际标准。本研究利用深度神经网络模型,对基于ECG/PPG信号的血压测量方法进行了深入研究,提高了该类方法的检测精度。首先,采用基于小波包的模态分解技术,从PPG信号中提取出心脏信号和呼吸信号,并将其与ECG信号同步。然后,采用卷积神经网络(convolutional neural network,CNN)基于上述信号建立血压检测模型。通过选用从MIMIC-Ⅲ数据集中筛选出的5776条数据作为实验数据,结果显示,当使用ECG/呼吸/心脏信号测量血压时,CNN模型的收缩压检测精度为(4.6852±6.0730)mmHg,舒张压的检测精度为(2.5340±3.9860)mmHg,均达到美国医疗器械促进协会(AAMI)标准和英国高血压协会(BHS)标准的最高级。当使用呼吸/心脏信号测量血压时,CNN模型的舒张压检测精度达到AAMI标准和BHS标准的最高级,收缩压检测精度未达到AAMI标准。结果表明,模态分解技术与ECG信号结合后,可以有效提高对血压的检测精度。

摘要： 非计划性孤岛会对电网造成严重的冲击以及人身伤害,实现孤岛检测必须准确快速。针对目前的基于信号处理的孤岛检测技术,提出了小波包能量熵和BP神经网络的孤岛检测法。通过小波包变换分解重构公共点电压与逆变器输出电流,得到重构序列,对其进行熵运算,得到更稳定,且更具有代表性的特征向量,可以更有效地区分孤岛发生前后的能量分布。通过BP神经网络对孤岛进行判断,实现了孤岛检测。通过MATLAB/Simulink仿真,表明了此方法的有效性,并且响应速度非常快,未引入扰动,故不会产生电能质量的问题,其稳定性高,检测盲区小。

摘要： 为了将声发射技术实际应用到监测油气平台管道裂纹中,需要解决管道振动干扰以及疲劳裂纹声发射信号有效特征提取的问题,本文提出了概率神经网络结合基于小波包为特征提取的疲劳裂纹识别方法。通过小波时频分析确定钢结构疲劳裂纹声发射信号特征频率范围,并只对包含特征频率的重构声发射信号进行特征提取,再通过概率神经网络进行疲劳裂纹识别。试验结果表明:上述方法能够识别出油气平台管道裂纹,并且具有一定的抗干扰能力,为后续海上油气平台管道测试与实际应用提供了试验依据。

摘要： 针对滚动轴承故障诊断存在的故障程度难以区分、早期故障不易发现、故障诊断精度低等问题,这里提出了一种基于小波包变换(Wavelet Packet Transform,WPT)、主成分分析(Principal Component Analysis,PCA)与支持向量机(Support Vector Machine,SVM)相结合的滚动轴承故障程度诊断方法。该方法首先对原始信号进行小波包分解,然后对分解后的信号进行重构,计算重构信号能量作为特征值;随后,运用主成分分析对特征向量进行降维,将降维后的特征输入支持向量机,完成故障模型的训练与测试。这里主要分析了累计贡献率、小波包分解层数、母小波类型对故障诊断成功率的影响。实验结果表明此方法可以有效地识别不同故障位置的故障程度。

摘要： 随着对海洋资源的开发和水下通信用户的增多,如何有效地利用水下有限的频谱资源已成为水声通信的重要环节.在陆上无线电通信中,频谱感知技术可有效地对频谱进行检测,提高了陆上频谱资源的利用率.本文针对水下噪声不确定、可用通信带宽有限等特性,通过对浅海水声信道进行建模,将基于小波包变换的能量感知算法应用于水下频谱检测中,并通过MATLAB仿真,与传统能量检测算法进行性能对比.仿真结果表明,在浅海水声信道中,此算法能在噪声不确定的前提下,具有较好的检测性能.

摘要： 利用超声技术辨识金属材料是种新的尝试.本文研究了一种运用小波包变换提取超声散射信号特征值的方法.以三种金属材料作为试样,提取10MHz的高频超声波脉冲在材料内部一定深度处传播时所产生的散射信号,进而对三种散射信号运用本文所述方法进行特征提取.在特征评估方面,应用了基于类内类间距离的可分性测度分析,结果显示具有良好的可分性,对超声散射信号的特征提取是有效的.

摘要： 为适应工程爆破精细化、数字化要求,建立了具有完善信号采集功能的工程爆破远程测振系统.为提升该系统对爆破振动实测数据的信号分析能力引入了提升小波包变换技术.在算法基本原理的基础上,通过算法复杂度分析表明其相对传统小波算法运算速度提高约100％,运算速度快.通过提升小波包算法在爆破振动实测信号能量、时频特征提取中的应用研究表明,基于插值细分的提升小波SGW(6,6)占用资源少、分析精度高,能够满足数字爆破测振及高精度信号分析的需求.

摘要： 利用传统的小波分解和单一样本熵对癫痫脑电信号进行处理,无法有效地将特征信号完全提取出来.针对这种情况,文中提出一种基于小波包变换和多尺度熵的癫痫脑电信号分析方法.以临床采集的癫痫患者正常状态下和发病期间的2组3 500个EEG数据为样本,首先应用小波包变换对原始EEG信号进行多分辨率分解,并提取4种小波包系数下对应的EEG信号作为原始EEG数据;然后对EEG信号进行多尺度熵分析.试验结果表明,该方法能够有效地提取癫痫EEG信号的特征.

摘要： 根据内燃机供油量异常时振动信号特点,提出了一种基于小波包变换和支持向量机相结合的供油量异常故障诊断方法.对内燃机缸盖振动信号进行小波包分解,得到各分解节点对应频率段的重构信号和节点的能量,并将各节点能量归一化后组成的特征向量作为诊断模型的特征向量,输入到SVM多类分类器中进行故障识别.诊断结果表明:该方法能够精准地识别内燃机供油量异常故障.

摘要： 由于滚动轴承在较早时段会表现出弱故障信号、低信噪的特点,所以很难准确判断出故障.本文主要通过对相同的滚动轴承的故障信号分别用变分模态分解(VMD)、小波包变换、EMD分解、CEEMD(完整式集合经验模式分解)、以及以小波去噪分析为基础的经验模态分解(EMD)等不同方法,进行比较滚动轴承故障诊断的研究分析.研究结果表明:VMD方法可以简单的看出故障频率所在的范围,但是不易辨别出故障类型;小波包变换:根据不同层次对频带进行区划,进而增加对时频的辨识度,但不能较好去除噪声影响;经验模态分解会存在模态混叠现象;在去噪效果上更明显于经验模态分解方法是结合了小波降噪的特点与经验模态分解方法的双重降噪方法,其效果近似于总体经验模态分解方法;而CEEMD避免了出现模态混叠的现象,对于故障特征信号的提取,可以比较轻易诊断滚动轴承的内圈的微弱故障,并且对于故障类型的判断更加准确;通过多种诊断方法比较发现,单一的故障诊断方法并不适用于早期微弱信号的故障诊断研究.

摘要： 为了在无诊断专家的情况下,仍然可以准确地对故障类别进行区分,提出了一种基于快速搜索密度峰值聚类(Clustering by fast search and find of density peaks)的智能故障诊断模型.该模型分别采用小波包变换(WPT)和变分模态分解(VMD)方法对原始振动信号进行分解,提取各分解信号的时域指标和频域指标组成联合特征,然后利用距离评估技术对联合特征进行评估,并选取敏感特征作为密度峰值聚类算法的输入,从而实现对机器不同状态的自动识别.实验结果表明,小波包分解、变分模态分解、距离评估技术能够精细地获取故障信息,从大量的故障特征中筛选出敏感特征.同时,快速搜索密度峰值聚类算法自动识别了不同的故障类别,在一定程度上增加了该模型的智能化程度.

摘要： 针对目前智能诊断方法缺少故障样本的问题,提出一种基于数值模拟的个性化故障诊断框架体系及其方法.具体运用转轴不平衡、不对中及碰摩等故障信号数值模拟技术与结合支持向量机分类方法的小波包变换技术.首先,建立转子系统的有限元模型,利用数值模拟软件为工具,综合考虑转子运行状态下转速、支撑轴承刚度、阻尼及环境噪声等影响,获得不同类型故障样本信号;其次,利用小波包对振动信号进行分解获得不同的信号分量,将信号分量单支重构后再经过特定的时域参数计算,并将结果作为特征向量.最后,利用实测信号的小波包分解后参数计算的特征向量作为测试样本来训练支持向量机,从而完成模式识别.数值模拟和实验研究结果表明其可行性.

摘要： 高光谱遥感可以实现水稻土排水期有机碳含量的快速预测,但土壤反射率受到土表散射光、土壤水分和各种噪声的影响,恰当的光谱去噪方法是良好预测精度的保障.以原状新鲜水稻土为研究对象,首先采用Grünwald～Letnikov微分理论对光谱数据进行0～2阶微分变换(以0.2阶为间隔)挑选出最佳微分阶次,随后对其进行1～7层小波包变换(Discrete wavelet packet transform,DWPT)并通过相关分析确定最大分解层;其次采用局部最相关算法(Local correlation maximization,LCM)构建土壤有机碳最优光谱;最后基于最优光谱建立有机碳含量偏最小二乘预测模型.结果显示:1)0.6阶微分光谱与土壤有机碳的相关性最高,其小波包各分解层光谱与有机碳含量的相关性先增后减,最大分解为第6层;2)局部最相关波段个数基本随着小波包分解层数的增加而增加,基于LCM构造的最优光谱比未去噪光谱平滑,比小波包去噪光谱保留了更多光谱细节;3)基于原始反射率的有机碳含量预测模型R2=0.663,RMSE=2.045g/kg,精度较低;经过LCM处理后预测效果最佳,R2val达到0.789,RMSEV为1.671g/kg,RPD为2.17.局部最相关算法在去噪同时有效突出了土壤有机碳光谱信号,可提高水稻土有机碳含量高光谱预测精度.

摘要： 离心压缩机故障诊断是机械故障检测中的一个重要方面.为了提取机械故障发出微弱的非平稳的振动信号,本文采用的小波包分析法充分体现小波包分析能够对非平稳信号进行细分细化，可以更加明显地展现出非线性信号的非平稳性，能够更加有效地提取出微弱的信号。小波包分析法为诊断离心压缩机故障提供了一种比较有效的方法。对实际生产具有很好的现实意义。

摘要： 本发明涉及光谱分析技术领域，具体公开了一种基于小波或小波包变换对苯丙氨酸FTIR/ATR光谱进行去噪的方法。该方法首先对小波或小波包变换的参数进行优化，然后分别对原始光谱(OS)、9点平滑光谱(9S)或一阶微分9点平滑光谱(1D9S)进行去噪处理；所述对小波或小波包变换的参数进行优化，包括小波或小波包母函数的确定、分解层数的确定、阈值选取方法和重调规则的确定。所述方法为滤纸干血片FTIR/ATR光谱提供了一种有效的去噪方法；有利于进一步提高苯丙氨酸校正模型的精度，使得该模型可以对苯丙氨酸实现快速、准确和绿色的检测。

摘要： 本发明涉及一种机械故障定量提取的标准化多小波与多小波包变换方法，均是通过对待测故障信号分别实施多小波变换、标准基变换、能量误差标定和标准化处理这四个步骤，实现对机械故障的定量提取与识别。本发明不仅继承了传统的多小波变换优点，兼具正交性、紧支性、对称性和高阶消失矩等多种优良性质，并拥有多个时频特性有所差异的基函数；同时能克服多小波分解失真的问题，提高计算效率与准确性，有效揭示机械故障，特别是早期损伤和复合故障的部位、种类和程度，为机械故障特征定量提取与识别提供实用手段，保障机械设备运行安全。

摘要： 本发明公开了一种基于VMD和最大重叠离散小波包变换的齿轮信号去噪方法，将变分模态分解VMD和最大重叠离散小波包变换MODWPT相结合来对齿轮故障信号进行去噪，通过实测数据的实验结果表明，本发明的方法可有效滤除信号中的噪声干扰和迭代误差成分，实现信号特征的精确提取。

摘要： 本发明公开了基于子带重排与集合双树复小波包变换的重加权谱峭度方法，涉及信号处理和机械故障诊断技术领域，包括以下步骤：S1，使用指定分解层数的DTCWPT分解输入信号，将输入信号分解为指定分解层数的多层信号，每层信号包括多个小波分支；S2，重构最后一层的每个小波分支，得到与小波分支数量相等并与原始信号长度相同的重构子带；S3，对重构子带进行重新排序，得到重排后的重构子带对重排后的重构子带进行集合来得到更多节点ERSs；S4，将节点和的重加权峭度表示在(f,Δf)平面上得到重加权谱峭度图；S5，从重加权谱峭度图中选择最大重加权峭度对应的节点，然后对所选节点进行包络分析，最后根据包络分析结果对轴承故障进行准确诊断。

摘要： 本发明提供一种二维量子Haar小波包变换实现量子线路设计的方法，属于量子信息处理领域，本发明是对现有的量子小波包变换实现技术的完善与改进，利用扩展的张量积和基本的量子比特门，分别构建了多层量子Haar小波包变换、多层量子Haar小波包逆变换、二维多层量子Haar小波包变换和二维多层量子Haar小波包逆变换的量子线路。从量子Haar小波包变换和量子Haar小波包逆变换的实现线路复杂度分析可知，对于一个2

摘要： 本发明涉及一种机械故障定量提取的标准化多小波与多小波包变换方法，均是通过对待测故障信号分别实施多小波变换、标准基变换、能量误差标定和标准化处理这四个步骤，实现对机械故障的定量提取与识别。本发明不仅继承了传统的多小波变换优点，兼具正交性、紧支性、对称性和高阶消失矩等多种优良性质，并拥有多个时频特性有所差异的基函数；同时能克服多小波分解失真的问题，提高计算效率与准确性，有效揭示机械故障，特别是早期损伤和复合故障的部位、种类和程度，为机械故障特征定量提取与识别提供实用手段，保障机械设备运行安全。

摘要： 本发明涉及光谱分析技术领域，具体公开了一种基于小波或小波包变换对苯丙氨酸FTIR/ATR光谱进行去噪的方法。该方法首先对小波或小波包变换的参数进行优化，然后分别对原始光谱(OS)、9点平滑光谱(9S)或一阶微分9点平滑光谱(1D9S)进行去噪处理；所述对小波或小波包变换的参数进行优化，包括小波或小波包母函数的确定、分解层数的确定、阈值选取方法和重调规则的确定。所述方法为滤纸干血片FTIR/ATR光谱提供了一种有效的去噪方法；有利于进一步提高苯丙氨酸校正模型的精度，使得该模型可以对苯丙氨酸实现快速、准确和绿色的检测。

摘要： 本发明公开了一种基于小波包变换的精确制导弹药姿态滤波方法，包括：采集得到弹药姿态信息和弹药运动信息；根据弹药运动信息，确定弹药姿态信息所表征的弹药运动状态；使用小波包变换对弹药姿态信息进行小波包分解，得到分解后的弹药姿态信息；根据弹药姿态信息所表征的弹药运动状态，将分解后的弹药姿态信息使用小波包重构，得到重构的弹药姿态信息；将重构的弹药姿态信息按照设计要求的单位和周期输出给控制系统，并更新姿态滤波窗口内的弹药姿态信息。本发明既能对精确制导弹药姿态中的低频信息进行分解滤波，又能对精确制导弹药姿态中的高频信息进行分解滤波，克服了现有的精确制导弹药姿态滤波技术的不足。

摘要： 本发明提供一种基于小波包变换与CEEMDAN的滚动轴承故障诊断方法，首先将采集的振动信号通过分解算法并通过峭度值‑相关系数筛选准则筛选信号分量并进行初步重构，可以划分出含有噪声成分不同的高噪信号和低噪信号；通过小波包变换的方式对含有较多噪声成分的高噪信号进行分解，依据信号分量的峭度值进一步重构达到滤除背景环境噪声的效果并与经筛选准则划分的低噪信号进行最终重构产生去噪信号；通过包络解调的方式对产生的去噪信号进行特征提取并将实际故障特征频率与理论故障特征频率进行比对进行故障诊断；经过试验证明，经过该方法去噪得到的信号有效的滤除了背景环境噪声成分，并提高传统故障诊断方法的诊断分辨率且具有较高的准确率，具有实际工程应用价值。

摘要： 本发明属于结构健康监测中结构损伤识别技术领域，提出基于振动模态特征融合小波包变换的结构损伤模糊识别方法。该方法基于结构振动信号提取出结构模态特征参数融合小波包变换，进而对不同损伤条件下结构响应信号进行模糊聚类，从而实现对结构损伤的识别。本发明根据振动信号模态频带能量分布进行模糊聚类，在保留结构刚度特征的同时实现了对振动数据的降维，从而提高了模糊聚类处理的计算效率和计算精度。本发明无需依赖于损伤情境预设或结构模态参数变化幅度，仅根据结构实际响应可以识别划分出结构不同损伤层级，对于结构健康监测领域中的结构损伤评估具有极大的工程实践价值。