共查询到20条相似文献,搜索用时 31 毫秒
1.
奇异信号的奇异点经常携带比较重要的信息,它是信号的重要特征之一。证明了小波变换能用来检测信号的奇异性,利用小波变换模的极大值和信号奇异点的关系,可以分析信号局部奇异性。信号局部奇异性用李氏指数来描述。研究了奇异性检测小波基的选择条件。给出了实例分析,结果表明,小波变换在信号奇异性检测和局部化分析方面具有优异特性。 相似文献
2.
3.
4.
针对射线检测焊接图像内缺陷的提取,本文给出了一种利用小波分析对焊接图像中列灰度曲线奇异点检测进行缺陷提取的方法。把每一列灰度值曲线的微分曲线作为被分析函数f(x),根据Lipschitz指数与小波变换模极大值的关系,利用小波模极大值处检测出曲线f(x)上的所有奇异点,并利用Lipschitz指数来估算边缘点奇异程度,由此实现焊缝和缺陷边缘的精确检测。仿真结果表明,利用小波分析方法可取得较好的焊缝、缺陷边缘提取效果。 相似文献
5.
小波奇异性检测理论在齿轮故障诊断中的应用 总被引:2,自引:1,他引:1
在故障诊断中,故障通常表现为输出信号发生突变,因而对信号突变点的检测有非常重要的意义。小波分析是近年发展起来的一门新的数学理论和方法,它以其具备的时域和频域的局部特性,成为信号奇异性检测的重要工具。阐述了基于小波变换模极大值的信号奇异性检测原理,分析了信号奇异点的定位方法及奇异性程度的计算方法。仿真实验结果表明该方法是行之有效的。 相似文献
6.
7.
介绍了小波变换的基本概念,利用小波变换的变焦特性和局部化性质对漏磁法钢丝绳检测信号进行了多分辨率分析。结果表明,该方法在奇异信号检测和局部化分析方面具有优异特性,小波变换可以聚焦到信号的细节,适合突变信号的时频分析处理。 相似文献
8.
针对电力故障信号为突变、非平稳信号的特点,利用消噪阈值法对故障信号进行预处理,通过小波变换对故障信号进行特征提取,然后将小波变换和信息熵相结合,并应用到故障检测与定位中,为奇异信号的检测提供了新思路和新手段。通过仿真分析,得到以下结论:小波能量熵WEE可以很好地检测故障突变点,小波能量熵随时间的变化规律,反映了电流或电压在时域的能量分布特征并表征信号的频率变化,可以用作分类所需的特征。 相似文献
9.
10.
11.
将小波包去噪的理论应用在煤厚探测信号的奇异性检测中。对实测信号奇异点进行定位,计算出煤层的厚度,为奇异性信号的分析提供了一种新颖的方法。 相似文献
12.
小波奇异性分析在齿轮早期故障检测中的应用 总被引:1,自引:0,他引:1
齿轮早期故障,如齿顶擦伤、点蚀、裂纹等由于故障信号往往淹没在各种噪声成分中,因此很难利用功率谱等传统信号分析方法进行检测。利用小波奇异性分析方法,提取由这些故障所导致的齿轮正常振动信号中的奇异点,可以较好实现齿轮早期故障的识别。 相似文献
13.
为有效提取矿用钢丝绳损伤信号的特征值,采取小波分析对损伤信号去噪。针对损伤信号中存在小奇异点的特性,对小波分析中的阈值获取和阈值函数选取两方面改进。首先利用粒子群算法优化经验值,并基于Birge-Massart策略获取阈值。提出一种改进的小波阈值函数算法。该函数加入了可调变量,改善了已有软、硬阈值函数去噪中的不足点,通过仿真实验的信号结果和信噪比(SNR)对比几种阈值函数去噪算法,最终得出,采用优化经验值并改进小波域值函数的去噪算法相比于其他方法,更能完整保留原始信号,去噪效果好。 相似文献
14.
15.
对在役钢绳芯胶带中钢绳芯进行早期故障监测,利用小波分析对钢绳芯的磁记忆信号异常集中区信号进行消噪处理和奇异性监测,消除了干扰信号,提高了信噪比,使奇异点更加明显,能够准确检测出胶带内部钢绳芯发生抽动和断头的位置.实验表明此种方法的可行性和有效性. 相似文献
16.
17.
小波分析技术在地震信号噪声处理中的应用 总被引:9,自引:0,他引:9
小波分析是20世纪80年代中后期逐渐发展起来的一个新的数学分支,它具有多分辨率分析的优良特性,在许多方面获得了广泛应用。信号中混入噪声之后,会引起信号的奇异性变化。随机噪声和有效信号本身在奇异点的奇异指数大小不同,从而它们的小波变换的模极大值在不同尺度下的传播行为也不一样。依据此区别,对于一个含噪地震道记录信号进行小波分解(即多分辨率分解)之后,在模极大值图上去除那些幅度随尺度增加而减小的极值点(对应噪声的极值点),而保留幅度随尺度增加而增大的点(对应信号突变点位置),这样就可以在模极大值图上达到去除噪声的目的。小波分析技术在地震信号噪声处理中,去噪效果明显优于传统的傅立叶变换方法。 相似文献
18.
19.
20.
为解决综采工作面无人开采和采煤机滚筒自动调高的实际工程问题,提出了基于小波包奇异值(WPSV)和BP神经网络(BPNN)的煤岩界面识别新方法。利用WPSV构建特征向量,再与BPNN结合进行煤岩界面自动识别。首先使用传感器采集采煤机滚筒截割煤岩的扭矩信号,对扭矩信号进行小波包变换(WPT),获取信号的小波包分解系数,得到小波包分解系数重构信号矩阵;然后并对该矩阵进行奇异值分解(SVD),获取主要WPSV,构建奇异值特征向量;最后将该特征向量输入BPNN中进行煤岩界面自动识别,并与传统方法进行了对比,结果表明:该方法具有更高的准确率,能有效地判断采煤机滚筒的工作状态。 相似文献