矿用电动机振动信号早期故障特征提取方法

针对现有矿用电动机振动信号故障特征提取方法存在依赖参数设置、频率混叠、信号失真等问题,提出了一种基于双树复小波变换的矿用电动机振动信号早期故障特征提取方法。利用双树复小波变换对采集的矿用电动机振动信号进行分解,得到各层双树复小波系数,并采用软阈值滤波对各层双树复小波系数进行滤波处理,滤波处理后的双树复小波系数经双树复小波变换重构获得去噪信号。应用结果表明,该方法能有效去除电动机振动信号中噪声,提取的早期故障特征能很好地反映电动机实际运行工况,为电动机早期故障诊断提供了有效依据。     

钢丝绳内外部断丝损伤识别

针对钢丝绳断丝损伤检测以外部断丝损伤检测为主,对内部断丝损伤检测的研究较少且内外部断丝识别精度不高的问题,提出了一种钢丝绳内外部断丝损伤识别方法。通过钢丝绳损伤径向漏磁检测器采集钢丝绳断丝损伤产生的漏磁信号;采用双密度双树复小波变换对漏磁信号进行降噪处理;通过设置自适应阈值提取降噪信号的时域特征,同时提取原始漏磁信号的频域特征;采用基于类间距离和互信息的方法进行特征选择,即先对所有特征进行归一化处理,剔除标准差较大及类间距离较小的特征,然后计算特征之间的互信息,排除包含损伤信息较为相似的特征,最后计算特征中区分度最差的2种损伤类型,并从剔除的特征中收回这2种类型类间距离最大的特征;将保留的特征融合作为最优特征子集并输入BP神经网络进行分类识别。测试结果表明,该方法能识别钢丝绳内外部断丝损伤且识别准确率达97.8%。     

基于小波包变换的脑电波信号降噪及特征提取

针对原始脑电波信号存在非平稳性且非常容易受到各种信号干扰等特点,对基于小波变换和小波包变换的脑电波信号的滤波降噪方法,和基于小波包变换的脑电波信号特征提取方法进行了研究。首先利用MindSet采集到原始脑电波数据,然后分别应用小波变换和小波包变换对其进行降噪处理,比较了两种方法的性能,验证了基于小波包变换的降噪方法的优越性和特征提取方法的有效性。     

基于双树复小波的色谱重叠峰分解方法研究

针对色谱分析中重叠峰的分解问题,提出一种基于双树复小波变换的色谱重叠峰分解方法。首先深入研究了双树复小波变换相较于离散小波变换的优越性;然后利用双树复小波变换分解与重构模拟色谱信号,计算分离度、峰位和峰面积,与离散小波变换的结果对比,并对噪声信号进行测试;最后利用双树复小波变换分解与重构实验所测得的色谱信号。实验结果表明,双树复小波分解色谱重叠峰比一般的实数小波准确,能够有效地分离重叠峰,分解后峰形平滑对称未发生畸变,峰位相对误差与峰面积相对误差较小,适合定性定量分析。     

基于双树复小波变换的图像融合方法

为获得更好的融合效果,提出基于双树复小波变换的图像融合方法。双树复小波变换具有平移不变性、方向选择性等特点,适合进行图像融合,优于传统离散小波变换方法。给出多策略的融合规则,源图像小波变换后低频采用区域清晰度,高频采用区域标准差。灰度多聚焦图像和彩色多聚焦图像的融合实验测试以及评价指标的统计结果,表明了双树复小波变换方法的优势和所用融合规则的有效性。     

双树复小波特征在运动想象脑电识别中的应用

提出了一种基于双树复小波变换的运动想象脑电信号特征提取方法。针对传统离散小波抗混叠性差的缺陷,采用双树复小波变换对脑电信号进行分解与重构,得到各子带信号能量并进行归一化处理,选取α、β节律信号的归一化能量作为想象运动的特征进行SVM分类。通过对仿真信号的分析,证实双树复小波变换具有良好的混叠抑制能力和抗噪性。最后选用国际脑机接口竞赛和实验室实测的运动想象数据进行分类识别。实验结果表明,双树复小波变换是一种有效的特征提取方法,其运动想象特征的识别率要优于常用的特征分析方法。     

复小波域层内层间相关性图像去噪方法

提出了双树复小波变换域尺度内和尺度间复系数相关性图像去噪新方法。该方法利用双树复小波变换的多方向性和平移不变性对图像进行多尺度分解,采用邻域复系数微分窗对其高频方向子图进行尺度内复系数相关性建模,并按最小错误率贝叶斯决策规则进行分类和状态标识;再把复系数尺度内状态标识与复小波域隐马尔可夫树相结合,从而实现降噪功能。实验结果表明,该方法在峰值信噪比指标上优于传统的滤波方法,能有效地抑制噪声的同时,对图像边缘具有较好的保护能力。     

双树复小波包变换语音增强新算法

实小波包变换是语音增强中效果较好的一种算法,利用阈值的方法对小波包系数进行压缩进而重构语音信号.分析了实小波包变换的平移敏感性,以及其对语音进行增强时的缺陷.提出采用双树复小波包变换方法进行语音增强,当低通滤波器和高通滤波器对应的小波基近似为希尔伯特变换对时,该变换能大大减小实小波包变换中的平移敏感性.同时考虑小波包系数之间的相互关系,提出了重叠块复阈值算法.结果表明,算法优于传统实小波包变换及点阈值算法,尤其对含周期噪声的语音信号,双树复小波包变换算法的优势更为明显.     

采用双树小波变换的医学图像融合方法及实现

双树小波变换具有平移不变性及良好的方向性,将其引入到医学图像融合能够较好地提取原始图像的特征,为融合图像提供更多的信息.提出基于双树小波变换的医学图像融合算法,该算法对图像进行多尺度和多方向的分解,在相应尺度上利用融合算法融合,最后进行重构得到融合结果.通过实验仿真及客观的图像融合评估准则,实验结果表明了双树小波分解能够得到比树状小波分解更好的融合效果,信噪比提高了很多,均方差明显减少,充分保留了图像中的细节信息,减少了融合的复杂度.     

强噪声背景下钢丝绳损伤信号降噪方法

钢丝绳损伤信号是一种非平稳无周期性的冲击信号,其特征信号的降噪处理和特征提取成为亟待解决的难题。小波变换方法若小波基或者分解层数不适合,会在信号降噪的同时引入其他噪声干扰,影响信号处理与特征提取的效果。相较于小波变换方法,移位平均法只需要选择一定的移位窗宽即可实现对信号的有效降噪,但移位窗宽需要人为选择,盲目性大。针对上述问题,提出一种强噪声背景下钢丝绳损伤信号降噪方法。利用钢丝绳漏磁检测传感器采集不同类型的断丝数据,向信号中加入强高斯白噪声,以模拟强噪声背景;采用自适应移位平均法对钢丝绳损伤信号进行降噪,利用量子粒子群优化(QPSO)算法优化移位平均法的窗宽;将损伤信号的信噪比(SNR)作为适应度函数,通过QPSO算法使得损伤特征信号SNR最大化,从而实现最优信号降噪效果。实验结果表明,对于强噪声背景下的钢丝绳平稳和波动信号,相较于小波变换,自适应移位平均法的降噪效果更明显,信噪比更高,信号更为平滑。实测结果表明,对于现场采集的噪声相对弱一些的钢丝绳损伤信号,自适应移位平均法的降噪效果也比小波变换好,验证了自适应移位平均法具有较好的通用性。     

自适应对偶树复小波－Curvelet变换的遥感图像融合

Curvelet变换克服了小波变换在处理高维信号时的不足,比小波变换具有更好的方向性、较高的逼近精度和更好的稀疏表达性能。因此将Curvelet变换应用于图像融合领域,能更好地提取图像边缘特征,为融合提取更多的特征信息。利用对偶树复小波-Curvelett变换的多尺度和多方向性特征以及自适应融合规则在选取融合系数上的优势,提出了一种基于对偶树复小波-Curvelet变换的自适应遥感图像融合新算法。算法是将全色图像和多光谱图像进行对偶树复小波-Curvelet变换分解后,针对不同的频率域特点选择不同的融合规则,对低频系数选取区域能量的加权系数自适应融合规则,对高频系数特性选用了区域特征自适应的融合规则,最后通过重构得到融合图像。将其他的融合算法和所提算法进行主观和客观的对比,结果表明,基于对偶树复小波-Curvelet变换区域特征自适应的图像融合算法是一种有效可行的图像融合算法。     

基于有理双树复小波和SVM的滚动轴承故诊断方法

滚动轴承故障类型被支持向量机(SVM)智能识别的关键是故障特征的提取。为了提取最优的故障特征,提高SVM的分类识别精度,提出了基于有理双树复小波和SVM的滚动轴承故障诊断方法。首先通过双树复小波包变换将非平稳的振动信号分解得到不同频带的分量,然后对每个分量求能量并作归一化处理,最后将从各个频带分量中提取的能量特征参数作为支持向量机的输入来识别滚动轴承的故障类型。研究结果表明该方法可以有效、准确地识别轴承的故障模式。     

一种基于双树复小波变换的图像融合方法

提出了一种基于双树复小波变换的图像融合方法。采用双树复小波变换对源图像进行分解后,该方法首先对各频域分别定义一种活性测度和匹配测度,再通过相应的匹配测度来计算各频域的融合因子,然后采用加权与选择相结合的规则融合高频系数和低频系数,得到融合图像的各频域系数。最后,采用双树复小波逆变换重构得到融合图像。实验表明,该融合方法具有良好的客观评价性能和主观视觉效果。     

基于小波变换和数据融合技术的图像降噪方法

提出了一种基于小波变换和数据融合技术的图像降噪的方法．此方法对同一原始图像信号不同噪声的多源图像分别进行小波分解，在图像分解的高频域内，对小波系数进行阈值处理后，再进行数据融合处理，根据“多数原则”选择重要小波系数．在低频域内，新的逼近系数则通过对多幅图像的逼近系数直接进行加权平均得到．然后利用重要小波系数和逼近系数进行小波反变换，即可得到融合后的图像．实验结果表明：此方法既可以有效地降低噪声，又可以较好地保持图像细节．     

一种能保留图像边缘信息的去噪新方法

图像处理的目标是消除噪声的同时能保留图像所固有的信息.针对保留边缘信息有效去噪问题,提出了双密度双树复数小波变换的图像去噪方法,该方法综合了双密度小波、双树小波和复数小波的优点,具有更好的方向性,将双树复数小波的6个方向,提高到12个方向,并采用了自适应软阈值对小波变换的系数进行处理,消除图像干扰噪声.本文对加噪图像进行去噪仿真试验,并进一步进行边缘检测,仿真试验结果表明,该方法能有效消除图像噪声并保留图像原有边缘信息,与双密度双树小波相比,去噪效果明显改善,均方误差减小了2.4%.     

基于双树复小波变换的图像增强方法

在图像增强处理中,传统的图像增强方法例如直方图均衡、小波系数增强等等,虽然取得了较好的图像增强效果,但在增强图像的同时也将噪声放大了.本文针对这一问题,提出了一种基于二维双树复小波变换的图像增强方法,因其具有良好的多方向性信息捕捉能力,克服了传统二维小波变换缺乏方向性的缺点.增强算法将系数分为强边缘、弱边缘和噪声点三类...     

双密度双树复小波域多聚焦图像融合

将双密度双树复小波变换引入多分辨率图像融合中,利用双密度双树复小波变换的多尺度、多方向性和平移不变性特征分解多聚焦图像,对分解后高、低频图像系数采用不同融合策略进行融合,应用双密度双树复小波逆变换重构图像。采用多组多焦距源图像进行融合实验,并对融合结果进行了客观评价。实验结果表明双密度双树复小波域融合方法对多聚焦图像具有更好的融合效果,图像的细节描述更加精确。     

基于双树复小波分解的Boosting集成学习土地覆被分类研究

近年来,集成学习（Ensemble Learning,EL）分类方法成为土地覆被分类的研究热点,尤其是Boosting集成分类方法具有分类精度高、泛化能力强,在土地覆被分类中得到了显著的应用。但是,Boosting集成分类方法对噪声很敏感,如果训练样本含有噪声时,Boosting算法可能会失效,这是该方法的局限性。为了解决Boosting集成方法在土地覆被分类中存在的问题,有效克服噪声的影响,减少分类结果中的“椒盐”现象和提高分类精度,提出了基于双树复小波分解的Boosting集成学习分类方法。该方法对影像的光谱波段进行一层双树复小波分解,降低图像的噪声,将分解后的各波段作为Boosting集成学习的输入,得到最终的分类结果。实验先后比较了GBDT、XGBoost、LightGBM 3种Boosting集成学习算法在SPOT 6和Sentinel-2A影像上的分类效果。结果表明：(1)在SPOT 6影像上,3种Boosting集成算法总体分类精度均高于90%;DTCWTLightGBM分类总体精度最高,达到94.73%,Kappa系数为0.93,比LightGBM总体精度提高了1.1%...