基于小波包及小波神经网络的光纤熔接缺陷模式识别

介绍光纤熔接缺陷的识别在光纤通信中的重要意义。应用超声波探伤仪系统对光纤熔接点进行检测,针对缺陷信号特点提出利用小波包分析提取缺陷特征值和应用小波神经网络进行模式识别的方法,实现了从检测到的超声信号中提取出反映缺陷性质的相关信息,并通过这些信息对其进行分析,建立网络模型以实现缺陷定性识别。实验结果表明,小波包分析充分利用了缺陷回波信号的时域、频域信息,将频带进行多层次划分,对多分辨分析没有细分的高频部分进一步分解,并能够根据被分析信号的特征,自适应地选择相应频带,使之与信号频谱相匹配,从而提高了时一频分辨率,而小波神经网络良好的局部放大特性和多分辨率学习特性使缺陷的定性分类获得了较高的准确率。     

基于正交小波分解的光纤熔接缺陷检测

针对当前光纤熔接过程中熔接缺陷图像判读精度不高的问题,提出了一种基于正交小波算法的熔接缺陷分割与检测方法.与传统方法不同,该方法设计了一种基于小波变换的光纤熔接图像预处理,大量实验结果证明了该算法的有效性.     

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.     

降低光纤接头熔接损耗的方法

在光缆工程中，使用自动专用熔接器进行光纤接头熔接已经得到广泛应用。光纤接续后，光传输到接头处产生的熔接损耗，直接影响光传输质量。目前，测量熔接损耗有远端监测法、近端监测法、远瑞环回双向监测法等。为了降低或消除熔接损耗可以采取多种措施，例如，在接续施工中设法在光纤断开处进行熔接，以使光纤模场直径对熔接损耗的影响最小；避免光纤的扭转、弯折，尽可能降低光纤受损伤的几率，等等。     

基于小波包—反向传播神经网络的局部放电信号模式识别方法

为了检验基于小波包-反向传播神经网络的局部放电信号模式识别方法的有效性,设计了 4种典型的绝缘缺陷模型,并采用局部放电传感器测量了局部放电信号.采用小波包分解提取了局部放电信号在多尺度上的小波包系数,将计算得到的多尺度小波包系数的能量参数作为特征参数,结合反向传播神经网络对不同类型的放电进行模式识别.研究结果表明,基于...     

木材缺陷声发射信号的小波包分析处理

在简要介绍小波包分析的分解和重构算法基础上,通过木材声发射实验采集声发射信号;利用小波包分析技术对三种不同缺陷类型的木材试件的原始数据进行消噪预处理,然后对信号进行分解,并对分解的信号进行小波包重构;运用“小波包-能量”法提取木材声发射信号特征值,实现了木材缺陷状态和声发射信号特征向量之间的映射关系。结果表明：用小波包分析确定木材缺陷程度是一种有效的方法。     

基于小波-神经网络技术的电机故障模式识别与诊断

针对电机震动信号的频谱特点,提出基于小波-神经网络技术的电机故障模式识别与诊断的新方法.利用小波包可进行多维多分辨率的特性,对电机振动信号进行分解与重构,获得震动信号的突变信息,实现电机状态的特征提取.对提取出的特征,用ART2神经网络进行状态分类,进而诊断故障类型,并利用这种方法进行仿真试验,通过对仿真结果的分析证实这种诊断的可行性.     

基于小波包和神经网络的瓦斯传感器故障诊断

针对瓦斯传感器常见的故障,提出了基于小波包和神经网络的故障诊断方法.通过对瓦斯传感器的输出信号进行三层小波包分解,得到8个不同频段的分解信号,再对其进行特征提取得到一个八维的特征向量,作为故障样本对三层神经网络进行训练,建立故障类型分类器,对瓦斯传感器故障进行诊断.仿真结果表明:该方法可以准确地诊断出故障类型.     

最高质量的光纤熔接和最精确的熔接损耗在线测试

测量技术 轴角度探测 正如上面介绍到的一样，一种精确的测量轴向角度的方法对于定义参考值是非常重要的。     

光纤熔接技术的研究

本文介绍了光纤熔接技术中应注意的几个问题，和作者在工作中所遇到的实例。说明，熔接技术的好坏，对于整个光纤传输系统有着十分重要的影响。光缆线路的故障表现为线路损耗增加，为了减小损耗首先要把好光纤塔接关，其次是做好光缆的维护工作，只有减小光纤接头损耗，才能提高传输质量，增强传输的可靠性。     

基于小波包神经网络的模拟电路故障诊断

提出了基于小波多分辨分析和小波包预处理的模拟电路故障诊断方法。该方法用小波作为信号预处理工具,经小波多分辨分析得到N层分解后的低频和高频信号,再利用小波包分析对多分辨分析没有细分的高频信号进一步分解,以达到提高频率分解率的目的。经PCA分析和归一化后的能量作为训练样本送入BP神经网络进行训练。仿真实验表明此方法能够快速有效的对模拟电路的故障进行诊断和定位。     

基于RBF神经网络和小波包的电动机故障诊断研究

针对传统的电动机故障诊断存在很难准确提取故障时的特征信号及对故障作出准确预测的问题,提出了一种基于RBF神经网络和小波包的电动机故障诊断的方法。该方法采用小波包分析技术提取电动机典型轴承故障、转子故障和绝缘故障振动信号的特征频段能量并组成向量作为RBF神经网络的输入,用于诊断电动机的故障。实验和仿真结果表明,使用RBF神经网络对电动机故障诊断是非常有效的,对电动机早期故障的发现及维修有积极意义。     

基于小波包变换的多聚焦图像融合

由于可见光成像系统的聚焦范围有限,很难获得同一场景内所有物体都清晰的图像。多聚焦图像融合技术可有效地解决这一问题。在分析了小波包变换的概念和原理后,提出了一种基于区域统计融合规则的小波包变换多聚焦图像融合方法,先对不同聚焦图像分别进行小波包变换,采用低频系数取平均,高频系数根据区域统计值决定的融合规则,再进行小波包反变换得到融合结果。仿真试验表明,相比小波变换法,本文方法可有效综合多聚焦图像,获得了更好的融合效果。     

基于ARSIS概念的遥感影像小波包融合

研究了基于ARSIS概念的遥感影像的小波包融合方法。利用小波包分解高分辨率影像和多光谱影像,在融合影像的低频小波包系数重构时采用波段间交互构建模式,即包含了多光谱影像低频小波包系数,也包含了高分辨率影像低频小波包系数。融合影像的高频小波包系数以局部方差为规则进行择优选取。融合实验结果证明,新方法在对原多光谱影像信息的保持上优于IHS方法,同时在保持高分辨率影像的细节信息上有所改善。     

基于小波神经网络的结晶器漏钢预报技术研究

介绍了预报粘结性漏钢的基本方法,并对结晶器热电偶测得的大量温度数据进行预处理,再利用小波神经网络技术对经过预处理的检测数据进行训练,优化神经网络系统的结构和参数,识别出具有漏钢征兆的波形,提高了预报系统的精度和快速性;给出了用MATLAB实现的网络训练和测试的仿真结果,同时用VC开发了能识别结晶器内单偶、横向、纵向漏钢征兆温度波形的仿真系统。     

基于小波包变换的区域图像融合方法

提出了基于小波包变换的区域图像融合方法。首先对参加融合的两幅图像进行小波包多尺度分解,得到两个金字塔结构。然后,先分别提取每个金字塔最高层(分辨率最低层)的近似分量图像的边缘,把两边缘图像进行或运算以获取两幅图像的共同目标的边缘图像,并求两近似分量图像的均值产生一幅新的近似分量图像,使用文章提出的“区域聚类”的方法对新的近似分量图像进行分割产生一幅标签图像,此图中的每一个区域对应图像中的一个目标,同一区域中的所有像素都取同一个值,不同的区域取不同的值。利用标签图像,对小波包分解后最高层所有的高频细节分量图像按区域能量取大的规则进行区域对区域的融合,形成融合二值决策图。利用此二值决策图对最高层的低频近似分量图像和细节分量图像进行融合,最后重构。并采用均方根误差对该方法进行了客观评价。实验结果表明该方法有较好的融合效果,其融合性能比基于窗口能量取大的单个像素的小波包图像融合方法的融合性能好。该方法体现了真正意义上的“目标融合”。     

基于小波变换和BP神经网络的人脸识别方法

提出了将人脸图像的小波分解系数和BP神经网络相结合以达到人脸识别的新方法。针对不同的小波基,对人脸图像作小波分解,并将分解低频系数作为人脸特征送入神经网络进行训练。实验表明,选择恰当的小波基能够达到较高的识别率。     

基于遗传小波神经网络的RFID调制识别

在射频识别的调制识别方法中,神经网络常用的反向传播算法普遍存在收敛速度慢、容易陷入局部极小点、网络参数的选取只能凭实验和经验确定等缺点。针对上述问题,提出一种基于遗传算法优化小波神经网络的识别分类器。该分类器可以充分发挥遗传算法的全局寻优能力、小波分析的非线性逼近能力和神经网络的自学习特性,仿真结果表明其可以优化系统的收敛速度和识别精度。     

基于DWT和BP神经网络的人脸识别方法

提出了将人脸图像的离散小波变换DWT和BP神经网络相结合以达到人脸识别的方法。由于离散小波变换具有良好的多尺度特征表达能力,能将图像的大部分能量集中到最低分辨率子图像,高频部分则对应于图像的边缘和轮廓,能很好的表征人脸图像的特征。而BP神经网络具有很强的分类能力,并且可以运用神经网络的学习算法进行学习。实验表明:二者的结合对人脸识别具有计算量小,识别率高的优点,有很强的实用性。     

基于神经网络的零件缺陷机器视觉识别系统

零件缺陷检测是保证零件使用安全的重要手段。传统的零件缺陷检测法需要有操作人员参与其中,易受主观因素影响,检测的效率及精度得不到良好的保证。而采用机器视觉技术的检测法可实现实时在线的自动检测,无需人工参与,这就极大的提高了生产效率。本文以小轴承表面为研究对象,针对微小轴承的表面结构、尺寸、检测精度和缺陷特征,设计了基于BP神经网络的零件缺陷机器视觉在线自动检测系统,其采用机器视觉技术,构建了BP神经网络检测识别模型,采用进行图像特征提取的间接识别方法,对微小轴承缺陷进行实时检测。实验结果证明了人工神经网络模型的检测能力的可靠性。