基于小波变换的脉象信号特征提取方法

为了较好地区分正常人与心脏病人的脉象信号，利用小波变换奇异性检测功能与多尺度分辨特性，提出了两种提取脉象信号特征的方法：连续小波变换法和二进小波变换法。在此基础上，构造了两种特征向量：小波变换系数的尺度——主波峰值和小波变换的尺度——能量值。经过对临床采集的235例脉象信号的处理与分析统计，所得数据具有较好的重复性与稳定性，可以作为用于脉象信号识别的特征向量。     

基于神经网络和小波分析的血细胞识别算法

结合小波变换时频局部化特性和神经网络的优势,提出了一种基于神经网络和小波分析的血细胞识别算法.首先对血细胞信号进行小波分解,然后利用小波分解系数重构信号的能量,结合时域特征参数构造特征向量作为神经网络的输入,最后建立神经网络模型进行训练.通过实验分析了不同条件下的信号识别情况,并与传统的识别算法作了比较,结果表明算法具有较强的血细胞识别能力,与传统的识别算法相比,识别准确度更高.     

基于小波包神经网络的传感器故障诊断方法

讨论了小波包神经网络在传感器故障诊断中的应用问题.文中提出了将小波包分解提取各个节点特征能量与RBF神经网络进行模式分类的传感器故障诊断方法.通过三层小波包分解得到各个节点的分解系数,通过一定的削减算法使得故障的瞬态信号的特征得到加强,再根据重构的时域信号计算各个节点对应的能量,作为特征向量训练RBF神经网络.通过各种故障模式特征数据的训练,RBF网络具有了传感器故障诊断的功能.最后,通过工业锅炉流量传感器数据对训练之后的RBF神经网络进行检验,验证了这种方法的实用性和有效性.     

多分辨率分析在HRV信号分析中的应用

根据HRV信号的随机特性,采用小波变换中的多分辨率分析算法对其进行分析,旨在提取海洛因吸毒者HRV信号的异常信息.基于小波变换的HRV信号的尺度谱携带有人体健康状况的重要特征信息,应用多分辨率分析法,对22例海洛因成瘾者和22例正常人的HRV信号进行6尺度分解,计算尺度系数和各小波系数的能量,除Cd3(0.5～1Hz)和Cd4(0.25～0.5Hz)频段外,成瘾者能量的均值要大于正常人对应的值.研究结果表明,小波包变换是提取海洛因吸毒者HRV信号中异常信息的有效工具.     

基于小波包和PNN的电能质量扰动定位与分类

根据暂态电能质量扰动现象的本质特征,提出一种基于小波包和PNN的电能质量扰动定位与分类新方法。该方法利用小波包对扰动信号进行采样和分解,提取小波包重构系数并定位信号突变点,然后计算各频段的能量并进行归一化处理,构造能量特征向量作为PNN的输入样本,进行PNN网络训练和测试,最终实现不同扰动信号的分类。Matlab仿真结果表明,该方法能够快速、准确地定位和区分扰动信号。     

基于小波包分析和BP神经网络的中医脉象识别方法*

利用小波变换具有揭示信号时频两域细节和局部特征的能力,提出了将脉象信号的小波包分析和BP神经网络相结合以达到识别中医脉象的新方法。首先对脉象信号作三层小波包分解,利用小波包分解系数重构信号。然后计算第三层从低频至高频八个频带的信号能量,以此能量构造出脉象信号的特征向量送入改进的BP神经网络进行训练。大量样本的实验证实该方法具有识别正确率高、速度快的优点。     

电机故障诊断的仿真研究

研究电机故障诊断问题.针对电机信号具有非平稳和随机性特点,为保证电机运行的安全性,准确进行故障诊断,传统方法不能有效识别故障信号特征,导致故障识别准确率低,现提出一种基于小波分析和神经网络相结合的电机故障诊断方法.采用小波包变换技术对电机故障振动信号进行去噪处理,然后利用小波包分解系数计算各子频带能量值,根据能量值的变化构建故障特征向量,利用将特征向量作为RBF神经网络的输入进行故障识别,并在Matlab仿真平台上进行仿真.仿真结果表明方法提高电机故障诊断的准确率,有效克服了传统方法存在不足,同时缩短了电机故障诊断的时间.     

多分辨率分析在HRV信号分析中的应用

根据HRV信号的随机特性,采用小波变换中的多分辨率分析算法对其进行分析,旨在提取海洛因吸毒者HRV信号的异常信息。基于小波变换的HRV信号的尺度谱携带有人体健康状况的重要特征信息,应用多分辨率分析法,对22例海洛因成瘾者和22例正常人的HRV信号进行6尺度分解,计算尺度系数和各小波系数的能量,除Cd3（0．5～1Hz）和Cd4（0．25～0．5Hz）频段外,成瘾者能量的均值要大于正常人对应的值。研究结果表明,小波包变换是提取海洛因吸毒者HRV信号中异常信息的有效工具。     

小波变换在神经细胞传感器信号去噪中的应用

将神经元培养在半导体传感器芯片表面,构建出能够对细胞电生理特性进行长时程无损测量的神经细胞传感器,具有广阔的生物医学应用前景.由于生物信号非常微弱,采集到的信号往往难以满足实际检测的需要.本研究针对培养在光寻址电位传感器(LAPS)芯片表面的PC12细胞的胞外电生理信号,采用小波变换方法对其进行去噪处理.通过小波变换将信号分解为不同层次的小波系数,得到每一层的阈值.并根据每一层系数特点,按阈值进行分别处理,得到新的小波系数,最后根据该系数,重构了信号.对去噪后的信号进行频谱分析,发现有效信号频率集中在小于2 kHz的范围内,信噪比得到提高,表明小波变换是神经细胞传感器信号去噪的有效方法.     

基于小波包能量特征及LVQ的目标检测方法研究

基于常规雷达的目标检测方法不能很好地适应冲击雷达目标的检测,提出了一种基于小波包能量特征与LVQ神经网络相结合的新颖目标检测方法;首先利用小波包对目标回波信号进行分解,以得到目标的能量特征量,该特征量能明显区分目标和噪声;然后将能量特征量送入学习向量量化(LVQ)神经网络进行训练与仿真,以实现对超宽带目标信号的检测;仿真结果表明,该方法能获得较高的检测概率,较低的虚警概率.