基于小波神经网络的开关电源的故障诊断

以非线性小波Morlet基作为激励函数,形成神经元,结合小波变换与神经网络各自的优点,建立集小波分析与神经网络于一体的紧致型小波神经网络;采用能量分布特征提取方法和改进的BP算法,设计了一种基于小波神经网络的故障诊断系统,并应用于开关电源故障诊断中;对实例电路仿真结果表明,该方法能正确识别各种故障状态,准确率高,系统诊断结果与实际相符,验证了该小波神经网络故障诊断系统的有效性。     

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Finite Ridgelet变换的图像线性特征提取

线性特征是图像的一种重要局部特征,它常常决定图像中目标的形状。线性特征的提取在图像匹配、目标描述与识别以及运动估计、目标跟踪等领域具有十分重要的意义。常用的线性特征检测方法有Radon变换和Hough变换,但检测曲线复杂度会很高。本文提出一种多尺度几何分析的线性特征检测方法,该方法以finite ridgelet理论为基础,结合正交小波变换对线性特征进行提取。Finite ridgelet变换对于含有直线奇异的多变量函数具有良好的逼近特性,能够获得连续空间函数的稀疏表达,同时具有区域平滑性、很好的可逆性和去冗余性。实验结果表明,本方法即使在背景复杂的环境下也具有良好的检测效果。     

基于粗糙集的故障诊断特征提取

故障的特征提取对于进行准确可靠的诊断非常重要。而实际的故障诊断数据样本的分类边界常常是不确定的,并且故障与征兆之间的关系往往也是不确定的。粗糙集理论是处理模糊和不确定性问题的新的数学工具。论文将粗糙集理论引入到故障诊断特征提取,提出了一种基于粗糙集的故障诊断特征提取方法。并通过两个故障诊断实例对该方法进行了验证。结果表明:在有效地保持故障诊断分类结果的情况下,该方法可以提取出最能反映故障的特征,从而为粗糙集在故障诊断中的深入应用打下了基础。     

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。     

基于小波变换的图像纹理特征提取技术

纹理是一种区域特征,是对于图像各像元之间的空间分布的一种描述.由于纹理能充分利用图像信息,无论从理论上或常识上出发它都显然应该成为描述与识别图像的重要依据,同时与其它图像特征相比,它似乎能更好地兼顾图像宏观性质与细微结构两个方面,因此纹理分析成为图像分析的重要手段.它被广泛的应用于气象云图分析、卫星遥感图像分析、机器人视觉、工业监控、场景分析、辅助医疗、生物组织和细胞的显微镜照片分析和军事目标分析等诸多领域.     

基于遗传算法的小波神经网络的图像特征提取的探讨

该文利用单层有限神经元的遗传算法和小波神经网络相结合,以小波网络的速度得到提高;同时注意到K-L的降维、压缩等先进性,遗传算法的鲁棒性,进而将遗传算法、小波神经网络、图像特征提取三者有机结合,促使实时系统能够更快速提取图像特征,同时对图像进行小波压缩和K-L压缩,使压缩率更高。     

基于改进ResNet-50的图像特征提取网络

为了提高图像的特征质量,保证最后提取到的特征高度精炼,提出了一种新的方法;该方法首先将低分辨率图像经过小波变换分解成高频分量和低频分量,并结合插值法进行插值,最后通过小波逆变换得到高分辨率图像来为后续的特征提取提供高质量的图片输入;接着,选取ResNet-50网络作为基础网络,将Efficient Channel Attention(ECA)模块与ResNet残差结构结合形成一个全新的ECA-ResNet50模块,ECA模块具有的通道级的注意力机制,可以让整个网络更加专注于提取显著特征;经实验测试,该方法对于图像特征提取的质量有着明显的提升,均方误差下降可达6.65;结果表明,该方法可行有效,具有良好的工程应用前景;     

基于小波变换的浮选泡沫图像纹理特征提取

随矿物浮选工况的变化,精选泡沫表面出现亮度分布不均、灰度分布差异性大的特点,表现出明显的纹理特性。为定量分析精选泡沫表面纹理特征与浮选工况间的关系,采用小波变换方法提取纹理特征均匀度,实现精选泡沫表面纹理的量化描述,并通过实验分析,获得精选泡沫的最佳纹理区间。工业现场运行结果表明,该方法可以实时监视精选泡沫表面纹理特征变化,有利于浮选生产指标的优化 控制。     

用于图像拼接的特征提取算法研究

图像拼接是计算机视觉领域的一个重要分支,也是现在的研究热点.研究了用于图像拼接的特征提取算法,该算法提取的特征能对旋转、尺度缩放、仿射变换、视角变化、光照变化、噪声等图像变化因素保持一定的不变性,并在处理速度上与传统的SIFT算法相比有大幅提高,具有较强的实时性和鲁棒性,是一种较好的特征匹配算法.     

大功率可控整流电路的故障诊断技术研究

利用现代电力电子变换技术和控制系统仿真软件研究了一种大功率可控整流电路的故障诊断技术;在详细分析了大功率可控整流电路可能发生的各种故障模式的基础上,提出基于小波神经网络的故障诊断方法;针对故障模拟信号,采用小波变换多分辨率分析和模极大值方法提取故障特征向量,利用神经网络的非线性映射与学习推理特性,对所提取的故障特征进行了模式识别,并通过仿真试验证明了该方法的可行性和有效性。     

基于Curvelet的边缘纹理特征提取及表情识别

针对小波变换在提取图像边缘特征上的局限性,提出一种使用Curvelet变换进行边缘纹理特征提取的表情识别方法。Curvelet变换在表达图像的边缘曲线上的奇异性时比小波变换更能得到稀疏的图像表示。在表情识别中,对表情图像使用Curvelet变换得到Curvelet系数作为边缘纹理特征能更好地反映表情的变化,使用K最邻近结点算法进行了识别。结果表明在表情识别中该方法比小波变换更有效。     

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。     

基于小波神经网络的电机声频故障诊断系统

采用能量分布特征提取方法和改进的BP算法，设计了一种基于小波神经网络的故障诊断系统，并应用于电机声频诊断技术。实验表明，此系统诊断结果与实际相符，验证了该小波神经网络故障诊断系统的有效性。     

基于AGA-RS的故障特征参数提取方法研究

在故障诊断中,将高维特征空间压缩到低维特征空间可以简化故障分类器设计,提高运算效率。研究了自适应遗传算法（AGA）和粗糙集（RS）理论在特征选择和特征约简中的应用,并针对柴油机燃油喷射系统故障提取了简化特征,建立了神经网络模型。试验结果表明,基于AGA-RS的故障特征参数提取方法可使故障分类器输入参数同时具有有效性和简约性,提高了神经网络的运算效率。     

基于小波变换的优化LDA人脸特征提取

运用小波进行图像分解提取低频子带图,并利用优化的线性判别分析(LDA)算法寻找最优投影子空间,从而映射提取人脸特征,实现人脸的分类识别。该方法避免了传统LDA算法中类内离散度矩阵非奇异的要求,解决了边缘类重叠问题,具有更广泛的应用空间。实验表明:该方法优于传统的LDA方法和主分量分析(PCA)方法。     

基于特征提取的SAR图像滤波算法

针对SAR图像所包含的地物目标比较复杂的特点,提出一种新的SAR图像滤波算法.该算法利用Contourlet变换能保持边界.结合特征提取可以获得区域目标点特征的特点,利用自适应阈值的方法对SAR图像进行滤波.与传统Lee滤波和保持边缘特征滤波算法进行比较,实验表明新的算法不仅提高了图像的质量.其量化指标也得到了提高.作为该算法的应用.利用变换域内低频图像和子带图像的融合规则对L和C两个波段的SAR图像进行去噪融合,可以看出该算法的去噪效果.