基于小波和奇异值分解的图像边缘检测

针对传统图像边缘检测抑制噪声能力弱的问题,给出了一种小波变换和局部梯度场内奇异值分解相结合的边缘检测方法.首先在图像预处理阶段,为了提取准确的边缘特征,文中利用小波变换的时频局部化特性,对图像进行小波变换.该文对用小波求取的梯度场使用局部梯度奇异值分解的方法;利用奇异值的特性和良好的稳定性,使提取的边缘特征更加突出并且能够达到抑制噪声的目的.实验证明该文方法既能在无噪声影响的图像中提取出清晰完整的单边缘,又能在有噪声干扰的情况下提取出理想的边缘.     

基于切削声发射信号测量的刀具磨损状态判别

针对刀具磨损状态判别方法在变化的加工条件下判别正确率低的问题,通过实时采集刀具的切削声发射信号,提出了一种自适应获取声发射信号中刀具磨损状态特征的方法和基于磨损状态特征数据序列之间灰色关联分析结果的刀具磨损状态判别方法。以4把WNMG080408-TM T9125型号车刀在ZCK20数控车床上进行了车刀的切削磨损实验和磨损状态判别,实验结果表明:该方法能够自适应获取车刀的磨损状态特征,车刀的磨损状态判别结果与实际相符,具有较高的判别正确率。     

基于重分配配算法和奇异值分解的多小波脊线提取

小波脊线能较好地揭示信号瞬时频率变化情况。针对目前多小波脊线提取方法存在的问题,提出了一种多小波脊线提取的新方法。该法通过连续小波变换得到小波尺度谱后,利用重分配算法对其进行处理,再通过奇异值分解降噪,然后通过求小波系数的模极大值点来提取各分量的小波脊线。与其它方法相比,该法更加适合于某些分量具有较大载波频率的低信噪比多分量AM-FM信号的小波脊线提取。在齿轮故障特征提取中的应用结果也验证了所提方法的有效性和实用性。     

基于奇异值分解的Contourlet域水印算法

目的提高数字水印算法抗信号处理攻击能力,提升水印鲁棒性。方法提出一种基于Contourlet变换和奇异值分解(SVD)相结合的水印算法。对水印图像进行多次Arnold置乱处理,实现置乱加密;选择Contourlet域变换系数的方向子带作为水印嵌入区域;在Contourlet系数构建矩阵中进行SVD分解,并结合人类视觉系统进行嵌入强度的自适应选择。结果实验结果得出图像的峰值信噪比为54.1279 d B,表明所述算法具有很好的透明性、隐蔽性。结论所述图像数字水印算法具有很好的鲁棒性、不可见性以及抵抗各种攻击的能力,对数字产品的版权保护具有促进作用。     

环境激励下基于小波变换和奇异值分解的结构模态参数识别

采用小波变换和奇异值分解相结合的方法对环境激励下结构的模态参数进行识别.首先对环境激励下的时不变结构的加速度响应进行协方差分析得到时域协方差响应,利用小波变换将协方差响应转换到时/频域中,沿每一个尺度点提取协方差响应的小波系数阵,然后对提取的小波系数阵进行奇异值分解得到奇异值和奇异向量,最后从重构的奇异值和奇异向量中识别出结构的模态参数.文章通过3自由度系统数值算例分析了该方法的抗噪性能,结果表明该方法具有很好的抗噪能力,在15 dB噪声干扰下能够稳定和准确地识别出结构的模态参数,且比直接用小波变换方法识别的结果更准确;并通过东海大桥主航道斜拉桥模态参数识别的例子进一步验证该方法的实际应用可行性.     

基于小波包变换和奇异值分解的柴油机振动信号特征提取研究

为通过振动信号识别柴油机的工作状态,提出利用小波包变换和奇异值分解提取振动信号特征的新方法。给出了小波包变换算法及奇异值分解算法,依据矩阵奇异值特征向量,定义了振动信号特征参数,并探讨了特征参数与柴油机运行状态之间的内在联系。结果表明：特征参数能够敏感地反映柴油机工作性能的变化。随着柴油机工作性能的恶化,振动强度的增加,特征参数变大。特征参数可作为柴油机状态监测和故障诊断的特征量。     

一种奇异值分解数字水印算法的研究

提出了一种可用于印刷品防伪的数字水印算法。将二值条码作为水印,嵌入到原始图像的奇异值分解的S分量。结合人类视觉系统（HVS）的视觉掩蔽特性,根据图像的块均匀度决定水印嵌入的强度,使嵌入的水印强度能够自适应于原始图像。水印提取时,利用Radon变换对待检测图像进行校正,并且根据二值条码的特性对提取出的水印图像进行了修正。实验结果表明,算法对一些常见的图像处理和几何攻击具有良好的鲁棒性。     

基于奇异值分解和独立分量分析的滚动轴承故障诊断方法

针对强背景噪声下难以提取滚动轴承早期故障信号中故障特征频率的问题,提出奇异值分解和独立分量分析相结合的滚动轴承故障诊断方法。该方法首先利用相空间重构将一维时域矩阵拓展到高维矩阵,得到吸引子轨迹矩阵;然后对轨迹矩阵进行奇异值分解降噪,依据奇异值差分谱阈值原则选取相应阶次分量进行重组构造虚拟噪声通道;接着将重组信号和观测信号进行独立分量分析分离;最后利用能量算子解调方法提取出有效的故障特征分量,进而识别故障类型。滚动轴承故障诊断实验和仿真结果表明该方法有效可行。     

基于奇异值分解的水流量标准装置状态监测方法研究

提出了基于奇异值分解的流量计输出信号分离方法,对流量信号、流量波动信号和噪声进行分离,准确获得装置管路中不同频率的流量波动信号及流量波动相对幅度,实现装置状态监测。通过仿真实验准确分离出了不同频率的流量波动信号,而且即使噪声方差为1时的最大幅值误差也只有0.0681m³/h。最后通过实验分离得到:幅度分别为0.73%和0.25%的流量波动信号与管路中的水泵失稳和阀门摆动引起的流量波动频率一致。仿真与实验结果验证了所提方法的可行性。     

小波变换系数奇异值分解数字水印防伪算法

目的研究针对打印扫描盗版方式的数字水印防伪算法。方法结合矩阵奇异值分解(SVD)的抗几何畸变特性和离散小波变换(DWT)多分辨率分解特性,提出一种基于CIE1976L*a*b*颜色空间的彩色图像数字水印防伪算法,并通过仿真实验评价算法的有效性。结果含水印彩色图像与原始彩色图像的色差均值为1.2183,小于3,且提取的水印中至少有1个水印有效,其相关系数均满足R0.6。结论在保证水印不可见性的同时,该算法对打印-扫描操作及大多数常规图像处理具有很好的鲁棒性。     

基于卷积门控循环神经网络的刀具磨损状态监测

针对刀具磨损状态在线监测需求,提出一种基于卷积门控循环神经网络的刀具磨损状态在线监测方法.综合卷积神经网络和门控循环神经网络的优点,构建了卷积门控循环神经网络;以切削力为输入信号,通过小波变换滤除噪声;利用卷积神经网络提取表征刀具磨损状态关键信息的高维特征;通过门控循环神经单元使模型在时间尺度上的累积效应得到充分表达,...     

基于变分模态分解的关联维数及相关向量机的刀具磨损状态监测

针对刀具磨损过程中产生的非平稳性信号,提出了基于变分模态分解的关联维数及相关向量机的刀具磨损状态监测方法。首先,利用变分模态分解对采集的声发射信号进行分解,获得一系列分量;其中部分分量跟磨损状态相关,部分分量是干扰噪声。为此根据分解后分量与原信号的互信息值提取出敏感分量;利用刀具信号特点确定关联维数的时延参数和嵌入维数,计算敏感分量的关联维数并组成特征向量;最后,将刀具不同状态的特征向量输入相关向量机进行训练与测试,从而实现对刀具磨损状态的监测。实验结果表明,该方法能够有效地识别出刀具磨损过程中不同的工作状态,且分类准确率较经验模态分解好。     

基于区间数的多指标灰靶决策模型的研究

现实生活中遇到的许多问题都具有不确定性，使得在对系统进行决策评估时，指标值难以精确化。在此情形下，人们常常对指标值给出一个区间，到目前为止， 尚未有人研究区间数灰靶决策。首先定义了区间数、m维区间数的距离及其距离性质，并证明了当区间数为实数时，区间数距离就是实数距离的推广；提出了区间数规范化方法，在此基础上, 建立了基于区间数的灰靶决策模型，从而把灰靶决策模型由实数序列拓展到区间数序列，使灰靶决策理论得到发展，同时为扩大灰靶决策的应用领域提供了理论根据。最后以实例验证了该模型的有效性与实用性。     

混合属性广义灰靶决策方法的模式识别功能研究

为研究混合属性广义灰靶决策方法的模式识别功能，根据其具有靶心指标可变动，决策依据（靶心距）具有开放性、可扩充的特点提出了可用于模式识别的理论框架。该理论框架首先确定标准模式的特征及待识别目标，分别作为靶心指标向量和决策方案；其次，化各类混合属性值为二元联系数，并视为指标向量；然后，基于指标向量计算各待识别目标向量与靶心向量的接近度；最后，根据各待识别目标的综合接近度确定待识别目标的相应模式。应用分析表明，投资企业y₁和y₂与模式S₃和S₂的最小综合接近度分别为0. 427 0和0. 237 5；因此，企业y₁与y₂分别选择投资模式S₃和S₂是适宜的。     

基于径向基函数网络的刀具磨损识别

提出了一种基于灰色关联度优化网络神经元数目和径向基函数网络用于刀具磨损量预测的方法.以选取合理的涵盖影响刀具磨损的有关因素,采用不同切削条件下铣削加工过程刀具后刀面磨损的多组实验数据对网络模型进行训练以及对刀具磨损量进行估计和预测,预测结果与实际基本吻合.结果表明,该方法克服了用一个多元线性公式描述由切削条件和切削带来的后刀面磨损量的变化的刀具磨损高度非线性模型方法的缺陷,对于与刀具磨损量相关因素的非线性本质较易准确表达,所建立的刀具磨损网络模型可以较满意地计算出不同切削条件下刀具后刀面的磨损量.     

BP-Neural-Network-Based Tool Wear Monitoring by Using Wavelet Decomposition of the Power Spectrum

In a drilling process, the power spectrum of the drilling force is related to the tool wear and is widely applied in the monitoring of tool wear. But the feature extraction and identification of the power spectrum have always been an unresolved difficult problem. This paper solves it through decomposition of the power spectrum in multilayers uzing wavelet transform and extraction of the low frequency decomposition coefficient as the envelope information of the power spectrum. Intelligent identification of the tool wear statuz is achieved in the drilling process through fusing the wavelet decomposition coefficient of the power spectrum by uzing a BP( Back Propagation) neural network. The experimental results show that the features of the power spectrum can be extracted efficiently through this method, and the trained neural networks show high identification precision and the ability of extension.     

基于带阈值模块一维残差网络的刀具磨损监测方法

基于带阈值模块一维残差网络和双向长短期记忆网络,设计了刀具磨损监测模型和预测模型。将传感器信号经过小波分解后输入监测模型中,阈值模块自动选择阈值对信号降噪,残差模块提取信号特征,然后输出刀具磨损监测值,再将其输入到预测模型中获得刀具磨损预测值。实验证明:该监测模型与不带阈值模块的一维残差网络模型和卷积神经网络模型进行了对比,监测准确率分别提高了0.327%和1.697%;预测模型的预测效果较好,绝对误差仅为0.023。     

基于最优Morlet小波和SVD的滤波消噪方法及故障诊断的应用

分析了传统的小波去噪方法和小波变换的滤波特性.利用小波变换技术、奇异值分解技术和Morlet小波良好的时域和频域特性,提出了基于最优Morlet小波和SVD的滤波消噪方法.首先,采用最小Shannon熵方法确定出最优Morlet小波;然后,利用奇异值分解技术确定出最佳变换尺度a;最后对信号进行滤波消噪处理,从而提取信号中的有用成分.实验结果表明,该方法具有良好的去噪性能,用于故障特征提取是有效的.     

基于切削振动相关性识别刀具磨损状态的模型与实验

本文提出基于切削振动相关性识别刀具磨损状态的研究思想,建立了车削中刀杆双向横振动系统及其单输入双输出系统的数学模型。理论和实验均表明,刀杆双向横振动之加速度响应在固有基频处的相干函数与刀具磨损状态之间有很好的规律性,它反映了两者之间的本质机理,并提供了识别刀具磨损状态的新途径。