离散时间任意尺度因子小波变换的一种计算方法

传统的小波变换的母小波是连续时间信号，而尺度因子往往选取某一数的整幂次方的形式。本文介绍了一种计算离散信号在任意尺度因子下的离散时间小波变换的方法，并给出了使用这种方法的条件和计算实例。     

基于小波分析的结构损伤检测

损伤结构的动力特性具有局部时变的特征，小波变换在时域和频域都具有表征信号局部特征的能力，小波包分析利用可以伸缩和平移的可变视窗能够聚焦到信号的任意细节，因此可以对损伤结构的非线性动力特性能进行有效的分析。提出运用小波分析提取结构损伤特征向量的方法和基本原理，并进一步用神经网络进行损伤位置和程度的检测。文章通过一个两层框架的模型对小波神经网络和传统的BP网络的损伤识别精度作了对比。研究表明，小波神经网络的抗噪声能力较强，损伤识别的效果更好，运用小波神经网络进行结构损伤识别精度要优于传统的BP网络。     

小波分析在结构风工程中的应用

小波变换因其在时-频两域都具有表征信号局部特征的能力而成为非平稳信号分析的有力工具,在土木工程的各个领域得到了广泛应用.简要介绍了小波变换的基本原理,系统总结了近年来小波分析在结构风工程中的风荷载模拟、风场特性研究、风与风压的相互关系以及模态参数识别中的国内外现状,并对小波变换在结构风工程中的应用前景进行了展望.     

基于同步挤压小波变换的结构瞬时频率识别

对结构响应信号采用连续可逆的时频变换工具—同步挤压小波变换,能提高时频曲线频率精度,有效地识别出结构的瞬时频率。用Duffing弱非线性系统及两层剪切型建筑模型验证该方法的正确性。设计时变拉索试验,分别对索施加线性与正弦变化拉力,测出结构的加速度响应,用同步挤压复Morlet小波变换算法进行索的瞬时频率识别。数值模拟及试验表明, 同步挤压小波变换能有效识别时变结构及非线性结构的瞬时频率,该方法具有较好的稳定性。     

基于神经网络预测与小波变换的结构非线性振动参数识别

首先介绍利用复Morlet小波变换进行结构非线性振动模型参数识别的原理,进而分析了因小波变换过程中的边端效应以及在采样点较少情况下复Morlet小波变换对非线性模型参数识别准确性的影响。然后提出了利用BP神经网络对非线性模型参数识别的信号进行预测延拓,并基于预测后的信号进行参数识别。最后通过对两种非线性振动模型进行数值仿真,验证了该方法能很好的提高非线性模型参数识别的准确性,并且具有一定的抗噪能力。     

基于复小波变换的结构瞬时频率识别

对结构响应信号进行连续复Morlet小波变换,根据小波系数的模极大值提取小波脊线,识别结构的瞬时频率;为降低噪音的影响,采用奇异值分解(SVD)方法进行降噪处理,建立了一种基于连续复小波变换识别时变系统瞬时频率的方法.用一个具有时变刚度的弹簧质量系统的数值算例验证方法的有效性,随后设计了一个时变拉索结构试验,分别对索施加线性和正弦变化的拉力,同时测试结构的冲击响应,运用提出的方法成功地识别了索的瞬时频率.数值与试验结果表明,提出的方法能有效地识别时变结构的瞬时频率,且识别方法具有一定的抗噪性.     

一种改进的Morlet小波变换及其工程应用

分析了小波变换的特点，提出改进Ｍｏｒｌｅｔ小波变换方法，可进一步提高Ｍｏｒｌｅｔ小波变换的“聚焦”特性。给出了计算验证实例，并应用于冷冻机振动信号分析，解决了一般信号处理技术无法识别的难题。     

基于模态应变能和小波变换的结构损伤识别研究

针对单一方法对结构同时发生多处不同程度损伤识别的不敏感性缺陷,本文结合小波变换在时域、频域内表征信号局部特性且能够聚焦到信号或函数的任意细节进行处理的能力,提出了一种基于单元模态应变能和小波变换的结构损伤识别方法。在单元模态应变能基础上,利用小波变换系数的变化和分布情况构建单元模态应变能小波变换结构损伤指标,通过对简支梁的数值模拟和斜拉桥模型试验研究的结果与单元模态应变能平均变化率作为损伤识别指标的计算结果进行对比,结果表明该方法能有效确定结构同时发生多处不同程度损伤的位置和估计损伤程度,为实际工程应用奠定了基础。     

基于Morlet小波变换的模态参数识别研究

从卷积和Parseval定理的角度推导了小波变换系数的实用算法。以系统的自由响应数据为识别对象,给出了频率、阻尼比的参数识别方法,并重点给出了基于最小二乘法的振型识别技术。提出了基于改进Morlet小波的模态参数识别方法,对识别密集模态具有良好的效果。三自由度仿真算例表明,基于Morlet小波变换的模态参数识别技术能够以较高的精度识别出系统的频率、阻尼比和振型等模态参数。     

利用加速度响应连续小波变换的时变系统物理参数识别

基于小波理论,推导了函数积分运算的连续小波变换计算方法,应用此方法仅用线性时变结构的振动加速度响应信号,就可计算出速度和位移响应信号的连续小波变换值,并将振动微分方程组转换成用小波表示的线性方程组,求解不同时刻的线性代数方程组识别出时变结构的物理参数(质量、刚度和阻尼)。以5自由度时变结构为仿真算例,利用添加噪声的采集信号,识别了突变、线性变化和周期变化3种不同类型的时变物理参数,算例验证了识别方法的正确性、有效性和抗噪声能力。最后还研究了多尺度分析对参数识别的影响,给出了尺度参数区间选取和离散的依据。     

基于小波变换的结构模态参数识别

及时、准确地识别出结构的模态参数是结构健康监测与损伤识别的重要前提。小波分析是众多识别方法中较优越的一种，因其在时一频两域都具有表征信号局部特征的能力，近年来这一方法在线性及非线性系统的参数识别中开始应用。探讨了基于小波脊（Ridge）与小波骨架（Skeleton）的模态参数识别方法，针对小波变换中遇到的边端效应问题，提出了基于自回归滑动平均模型（ARMA）的“预测延拓”方法，并以美国土木工程师学会（ASCE）提供的Benchmark模型为例进行了数值模拟。结果表明，本文提出的方法可以有效地抑制小波边端效应，通过小渡变换可以准确地识别出结构的模态参数。     

用于时变系统参数识别的状态空间小波方法

该文利用系统的激励和受迫响应数据,基于状态空间和小波变换理论,提出了一种识别时变系统参数的新方法.该方法首先将线性时变系统的二阶振动微分方程转换为一阶状态方程,然后对系统的激励和响应信号进行小波尺度函数空间投影,利用小波尺度函数的正交性,把一阶状态空间方程解耦为线性代数方程组.其次求解方程组,识别出不同时刻的等效系统转...     

基于提升小波变换的MFCC在目标识别中的应用

水下环境噪声对被动声呐目标的分类识别影响显著,为了提高水声信号识别系统对环境噪声的鲁棒性,采用提升小波变换方法提取MFCC特征,对水下被动声呐目标进行分类和识别。仿真实验表明,与传统MFCC和小波变换的MFCC相比,在信噪比相近的情况下,提升小波变换方法提取MFCC具有识别率较高、对噪声鲁棒性较好的显著优点。     

基于Daubechies小波的图像边缘检测技术

利用Daubechies正交小波变换的性质,通过Mallat多尺度分析方法对图像进行小波变换,把图像分解成低频轮廓,水平高频、垂直高频和斜线高频四个部分。针对图像边缘主要集中在高频部分,该文先保持小波变换后的高频小波系数,同时对低频小波系数进行再次小波变换,提取出次高频信号的边缘信息。最后对保留下来的高频小波系数和次高频小波系数进行逆变换获取最大边缘信息。     

基于小波分析的自动包装机快速称量系统

目的 随着袋装商品需求的增加,设计一种新型包装机自动称量系统来快速完成称量包装。方法 设计一种基于ARM最小系统的包装机控制系统,其中包括灵敏度为2 mV/V双应变片称量结构、mV级别的数模转换电路和驱动电路等多个部分,并且通过编写称量流程、AD设备驱动和小波变换提取等软件系统,最后利用质量采集和响应对比实验分析系统。结果 实验发现,小波变换提取信号在0.2 ms即可稳定识别的质量为300 g。结论 结果证明所设计的自动包装系统可以稳定实现各类袋式产品的快速称量封装。     

基于小波包变换的滚动轴承故障诊断方法的研究

目前基于小波分析的滚动轴承故障诊断方法的研究已经很多，但是这些方法对于强噪声背景下的故障信号特征提取效果并不理想。为此，提出了适用于强噪声背景的自相关及互相关小波包消噪滚动轴承故障诊断方法。该方法首次将相关分析和小波包分解结合：对被测信号进行自相关或互相关处理，之后进行小波包阈值消噪处理，对消噪最大能量系数进行自相关或互相关处理，最后对能量序列进行FFT计算。仿真结果表明，该方法极大地增强了对滚动轴承故障诊断的能力，在强噪声背景下有效地提取出滚动轴承的故障频率。     

基于自适应小波特征提取一体化神经网络的空调电机振动噪声识别

正确识别空凋电机的噪声类型是改善其噪声效果的重要前提，采用一种集特征提取与识别于一体的神经网络来解决这种识别问题。此网络利用Mexican hat小波作为母小波，同时将基于小波变换的特征提取过程融人为神经网络的一部分，网络学习时可针对输入信号对小波尺度和平移参数进行自适应调整，以实现对信号特征信息的充分获取。给出了此网络的学习算法。利用这一网络对空调电机的三种噪声信号即电磁噪声、不平衡噪声、轴承噪声信号进行了学习和识别，结果表明，学习后的网络以很高的可靠性准确地识别出了电机的不同噪声类型。     

用小波神经网络检测结构损伤

用小波和神经网络ART2相结合的方法检测结构的损伤位置。给出了小波变换和人工神经网络的基本理论及其用于损伤检测的原理与特点。通过把小波变换作为神经网络的前处理来构造小波神经网络。首先通过数值试验检验了小波消噪和小波神经网络损伤检测的能力。然后在一个框架结构模型上进行了试验。实验证明这种方法使网络抗噪声能力增强,使损伤识别的效果更好。ART2网络具有自动从环境中学习的能力,能自动的给出新的识别输出。     

Volterra小波变换最优阈值的混沌去噪方法

针对混沌信号小波去噪中难以确定最优阈值的问题,提出一种Volterra小波变换最优阈值的判定方法。利用小波变换将混沌信号分解,对不同尺度下的小波信号设定浮动因子以调节阈值大小,最后根据混沌序列Volterra自适应预测的相对误差选取最优阈值。利用该方法对不同维度的Lorenz混沌时间序列进行了去噪研究,结果表明所提方法是有效的。     

Multiscale windowed Fourier transform for phase extraction of fringe patterns

A multiscale windowed Fourier transform for phase extraction of fringe patterns is presented. A local stationary length of signal is used to control the window width of a windowed Fourier transform automatically, which is measured by an instantaneous frequency gradient. The instantaneous frequency of the fringe pattern is obtained by detecting the ridge of the wavelet transform. The numerical simulation and experiment have proved the validity of this method. The combination of the windowed Fourier transform and the wavelet transform makes the extracted phase more precise than other methods.