基于多尺度分解的瞬态信号检测

瞬态信号的检测在信号处理研究中占有重要地位。本文在多尺度分解的基础上对含噪声信号进行尺度上和尺度间作两维自适应滤波,并采用逐级消除平均误差的方法对自适应滤波算法进行了改进,从而有效地滤去噪声,达到提取信号的目的。基于瞬态信号的特点,在滤波的方法上提出了反向滤波的方法。实践结果表明,该方法在信噪比较小时仍能取得较好的结果。     

基于小波变换的脑电瞬态信号检测

在脑电（ＥＥＧ）信号分析与处理过程中,瞬态信号的检测和定位具有非常重要的实际意义,传统的瞬态脉冲检测方法是匹配滤波,但匹配波滤需要有关瞬态信号的先验知识,因而在实际应用中受一定的限制,本文用小波变换对含有瞬态干扰的脑电信号进行多尺度分解,在某些尺度下,瞬态信号特征得以明显增强,用简单的阈值比较就可以有效地检测并消除瞬态干扰,实验结果表是有,在缺乏先验知识的条件下,小波变换能有效检测出脑电信号中短时,低能量的瞬态脉冲。     

基于尺度相关性的小波变换边缘检测

图象边缘检测的任务进就是检测和定位图象平面亮度的不连续,但夹杂在图象信号中的噪声,因其奇异性使得边缘检测成为一个既要保留边缘又要去除噪声的病态问题。本文利用多尺度小波变换对图象边缘及噪声的奇异性行了探讨。并根据小波变换的尺度相关性提出了一种新的边缘检测算法,通过试验验证本方法对保留边缘去除噪声有很好的效果。     

基于小波变换的多尺度边缘检测

基于Ｍａｒｒ边缘检测算子，以高斯函数的一险峰 ２阶导数作为小波，提出具有２个可变参数的多尺度图象边缘检测方法。本文所提出的多尺度边缘检测方法适应于计算机视觉分级识别中边缘检测的需求。     

基于小波调制尺度的语音特征参数提取方法

时频分析的理论基础上,提出了一种基于小波调制尺度特征的参数提取方法。根据人对调制谱信息的感知特性及干扰在调制谱中的特点,采用小波分析技术及归一化处理求得归一化的小波调制尺度特征参数,并以此作为语音的动态特征应用于语音识别系统。通过与MFCC一阶、二阶系数对比的汉语音节识别实验表明,该方法在抗噪声干扰和说话速率变化等方面比MFCC的一阶、二阶系数的性能优越,为提高语音识别鲁棒性提供了一种新途径。     

多尺度特征图融合的目标检测

目的 自然场景图像中,特征提取的质量好坏是决定目标检测性能高低的关键因素。大多数检测算法都是利用卷积神经网络（CNN）强大的学习能力来获得目标的先验知识,并根据这些知识进行目标检测。卷积神经网络的低层次特征缺乏特征的代表性,而高层次的特征则对小尺度目标的监测能力弱。方法 利用原始SSD（single shot multiBox detector）网络提取特征图,通过1×1卷积层将提取的特征图统一为256维;通过反卷积操作增加自顶向下特征图的空间分辨率;通过对应元素相加的操作,将两个方向的特征图进行融合。将融合后的特征图采用3×3的卷积核进行卷积操作,减小特征图融合后的混叠效应。根据以上步骤构建具有较强语义信息的特征图,同时保留原有特征图的细节信息;对预测框进行聚合,利用非极大抑制（NMS）实现最终的检测效果。结果 在PASCAL VOC 2007和PASCAL VOC 2012数据集上进行实验测试,该模型的mAP（mean average precision）为78.9%和76.7%,相对于经典的SSD算法,分别提高了1.4%和0.9%;此外,本文方法在检测小尺度目标时相较于经典SSD模型mAP提升了8.3%。结论 提出了一种多尺度特征图融合的目标检测算法,以自顶向下的方式扩展了语义信息,构造了高强度语义特征图用于实现精确目标检测。     

基于多尺度小波纹理分析的边缘检测

本文研究了第二代小波在边缘检测中的方法。基于多尺度小波纹理分析的边缘检测,有效地弥补了传统边缘检测算法的不足,在有效地抑制噪声影响的同时,提高了其边缘定位精度,并通过实例得以证明。     

基于多尺度小波纹理分析的边缘检测

本文研究了第二代小波在边缘检测中的方法。基于多尺度小波纹理分析的边缘检测,有效地弥补了传统边缘检测算法的不足,在有效地抑制噪声影响的同时,提高了其边缘定位精度,并通过实例得以证明。     

基于二进小波变换的多尺度图切割方法

针对传统多尺度图切割方法进行图像边缘轮廓提取时仅采用高斯低通滤波和一阶微分求导,而忽略轮廓精度的缺陷,提出利用二进小波变换的方法进行多尺度边缘检测。在建立多尺度相似矩阵的过程中,根据每层小波的特性直接对各个尺度的相似矩阵进行构造,有效地减少了求解相似矩阵的运算复杂度,降低了内存消耗。实验结果表明,该方法与传统多尺度图切割方法相比具有更好的分割效果。     

基于小波和统计检验的瞬态成分检测的方法及应用

将连续小波变换技术和统计检验结合用于检测信号中具有一定时频分布的瞬态成分,指出连续小波变换具有分离信号中瞬态成分和噪声的作用。提出一种基于连续小波变换和统计检验的瞬态成分检测的“逐步去除法”。将“逐步去除法”用于齿轮箱振动中的瞬态成分的检测与提取,能比较有效地检测出瞬态成分;基于连续小波变换反演的瞬态成分估计能比较有效地表示设备的状态。     

基于小波及纹理特征的轴承防尘盖缺陷检测

针对常规阈值分割算法难以检测轴承防尘盖表面较浅缺陷问题,提出一种边缘检测算法。该算法基于小波变换对防尘盖区域随机纹理的削弱作用,对分解后得到的低频部分和高频部分分别采用不同参数的Canny算子进行边缘检测。分析防尘盖区域的纹理特征与所选参数之间的关系,设计一种以防尘盖区域直方图熵值为参考的自适应策略。实验结果表明,该算法能有效分离出阈值分割难以检测的缺陷,且不易受防尘盖本身纹理的影响,为缺陷的在线检测提供了良好的支持。     

基于小波变换的泄露故障特征提取研究

为研究液压系统管路泄漏对压力脉动信号的影响,提出利用改进的小波消噪算法和小波包对压力脉动信号进行消噪和特征提取;针对传统小波变换阈值函数在去噪处理中存在的恒定偏差、不连续等缺点,提出一种改进阈值函数和新阈值相结合的新方法,将该方法与平移不变量方法相结合,避免了传统小波变换去噪时在不连续点存在的Pseudo-Gibbs现象;通过利用改进小波消噪方法和小波包对FESTO试验系统采集的正常和故障压力脉动信号进行分析比较,研究结果表明,不同工况下压力脉动信号3个主要能量频带的分布特性,可以作为泄露检测和识别的故障特征。     

基于ICA和小波变换的轴承故障特征提取

应用独立分量分析方法和小波变换分离轴承的振动信号，提取其状态特征。并对信号进行自相关预处理，突出信号的非高斯成分，较好地满足独立分量分析的前提条件，即源信号统计独立。采用基于负熵的快速独立分量分析（ICA）算法，成功地分离出了信号的一些独立成分。对ICA处理后的分量信号进行小波变换，完成信号检测，消噪，频带分析，以获取故障信号特征，确定故障的位置和强度。研究结果表明，独立分量分析方法和小波变换能提取明显的轴承故障信号特征。     

基于小波旁瓣相消器的轴承故障特征提取

为解决强背景噪声下声信号提取的轴承故障特征不显著问题,提出一种基于小波旁瓣相消器的故障特征提取方法。该方法利用小波滤波器组将含噪故障轴承声信号变换到小波域,进行小波域阵列广义旁瓣相消自适应波束形成,再通过小波滤波器组重构增强后的故障轴承信号,最后对重构增强后的信号进行包络解调并提取故障特征频率进行故障诊断。实验结果表明,该方法能够在强背景噪声下有效提取滚动轴承故障特征,并且相较于传统的延时求和波束形成器具有更好的降噪和故障特征增强效果。     

基于信息融合的模拟电路故障的特征提取与融合方法

在模拟电路故障诊断中,故障特征的提取是一个非常重要的环节,其提取结果的好坏将直接影响最终的诊断正确率;对现有文献研究发现,每种特征提取方法单独使用时都有一定的局限性,为了能够更加充分地提取模拟电路故障特征,提出了小波包分析与主元分析并行应用的方法,并将两种方法提取的特征向量依据不同规则进行了三种类型的融合,方便对比实验;为获取最优小波特征,提出了特征偏离度,并以此为标准选择最优小波基;最后,通过设计一种改进的神经网络分类器模型,将融合后的三种特征向量送入其中进行仿真验证,得出最终诊断结果;结果表明,该方法能够有效克服单一特征提取方法提取不充分的缺点,提高故障诊断的正确率,并且融合因子μ适中时诊断正确率最高。     

基于1D-CNN联合特征提取的轴承健康监测与故障诊断

针对特定机械设备构建数据驱动的故障诊断模型缺乏泛化能力,而轴承作为各型机械的共有核心部件,对其健康状态的判定对不同机械的衍生故障分析具有普适性意义.提出了一种基于1D-CNN(one-dimensional convolution neural network)合特征提取的轴承健康监测与故障诊断算法.算法首先对轴承原始...     

基于小波分析的轴承故障诊断和分析

故障特征提取与表示关系到故障诊断的可靠性和准确性,是机械设备故障诊断中的关键问题,而且是机械设备故障诊断的瓶颈所在。应用小波分析理论,针对旋转机械体轴承这种典型部件,对于他们的故障特征进行提取、表示以及判断。     

基于db4提升小波的暂态电能质量的检测

暂态扰动是影响电能质量的重要因素之一,对电力用户和电力系统都会产生危害。针对暂态扰动信号具有非平稳性、突变性的特点,分析了db4提升小波变换的特性,提出了更新—预测—更新—预测—更新的结构,选择了合适的采样频率和分解层数,对暂态电能质量扰动信号进行检测与定位。在MATLAB仿真环境下,利用db4提升小波变换对电压暂降、暂升、中断以及暂态脉冲、振荡等几种暂态电能质量扰动信号进行检测与定位,仿真结果表明,该方法可以实现对扰动信号起止时刻更为准确的检测与定位,且计算速度快。     

基于小波包分析的滚动轴承故障特征提取

简述了小波包分析的基本原理及其用于特征提取的机理,利用小波包对滚动轴承振动加速度信号进行分解,求出各频率段的能量,并以此作为滚动轴承所发生故障的特征向量进行提取,从而识别出滚动轴承的故障,通过对于实测信号的分析证明了该方法的有效性,体现了小波包分析的优良性。