基于改进小波阈值法的MEMS陀螺仪信号降噪研究

在具备可测量角度功能的扭矩扳手的设计过程中,选用基于微机电系统（MEMS）陀螺仪来完成角度测算功能。随机噪声是影响MEMS陀螺仪精度的重要因素之一,为提高MEMS陀螺仪的测量精度,论文提出了一种改进小波阈值去噪法。该算法兼顾传统小波阈值去噪法中硬、软阈值函数的优点,引入可调节参数增强阈值函数的自适应性,选取了合适的小波基函数,确定最优分解层数。通过Matlab进行仿真,对比改进前后信号的信噪比（SNR）和均方根误差（RMSE）数据。实验结果验证了该方法可以削弱传统小波阈值函数带来的信号失真程度和信号振荡程度,提高MEMS陀螺仪输出数据的精度。     

基于改进极限学习机的MEMS陀螺随机误差补偿方法研究

针对微机械(Micro Electro Mechanical System,MEMS)陀螺随机误差较大、精度不高的问题,提出了一种基于改进激活函数的极限学习机MEMS陀螺建模的方法.首先采集转台和MEMS陀螺数据作为训练集数据,随后利用粒子群优化算法确定隐含层神经元数目、陡度因子、位置参数、映射区间因子等参数,最后采用改进激活函数的极限学习机进行建模.在MEMS陀螺单体转台试验结果表明,该方法较原极限学习机、卡尔曼滤波、小波滤波等三种方法的均方误差和平均绝对误差指标更优,其中均方误差可提高一个数量级.在导引头稳定平台闭环测试结果表明,该模型补偿后Allan方差指标均得到明显改善,能满足系统使用要求.     

改进的小波阈值法在测井曲线去噪中的应用

介绍了基于小波阈值法的测井曲线滤波原理,分析了现有小波阈值函数和阈值特点,提出了一种改进的小波阈值去噪法.通过Heavisine信号的仿真实验以及测井曲线实例表明,改进的小波阈值法在有效滤除测井信号中的噪声的同时又可以保留曲线的细节信息,在测井曲线去噪处理中得到很好的应用.     

小波阈值去噪和FAR建模结合的MEMS陀螺数据处理方法

为解决MEMS陀螺输出信号中噪声大、随机漂移严重的问题,提出了一种小波阈值去噪和函数系数自回归FAR建模结合的MEMS陀螺数据处理方法。采用小波阈值去噪法对MEMS陀螺输出信号去噪,提高其信噪比;为克服常用的自回归AR模型无法解决MEMS陀螺随机漂移存在的非线性问题,引入FAR模型对MEMS陀螺的随机漂移进行建模。实验结果表明,此数据处理方法可有效抑制MEMS陀螺输出噪声,且与AR模型相比,FAR模型能更精确地对MEMS陀螺随机漂移进行建模及预测。     

基于低成本MEMS陀螺的小波阈值去噪应用研究

通过有效抑制微机电系统(MEMS)陀螺的随机漂移误差,实现了提高低成本MEMS陀螺的测量精度.研究了小波阈值去噪算法的基本原理,分析了影响小波阈值去噪质量的主要因素;确定了小波函数类型、小波分解的层数、去噪阈值以及去噪阈值函数;利用小波阈值去噪算法对实际陀螺信号进行了去噪处理,结果表明:陀螺随机漂移得到了明显的抑制,取得了良好的去噪效果.     

阈值去噪与RBF神经网络在MEMS陀螺仪误差补偿中的应用

针对现有MEMS陀螺仪中随机误差较大,导致器件输出信噪比低进而影响其应用范围的现状,提出一种基于小波阈值去噪与梯度径向基( RBF)神经网络结合的MEMS陀螺漂移非平稳时间序列建模预测方法。首先采用Allan方差法分析了MEMS陀螺仪的主要随机误差,随后利用小波阈值去噪分离出MEMS陀螺误差模型中的白噪声及漂移误差,最后采用RBF神经网络对漂移数据进行建模。通过实验对文中所述的误差补偿方法进行验证,表明了方法的有效性,对于基于MEMS陀螺仪的惯导系统精度提高具有重要意义。     

基于小波阈值改进算法的动调陀螺信号去噪

针对传统阈值函数对动调陀螺输出信号去除噪声存在阈值函数不连续或恒定偏差问题,在D.L.Donoho和I.M.John-stone提出的多分辨分析小波阈值去噪方法的基础上,提出了一种新的阈值函数;新阈值函数表达式简单易于计算,在对动调陀螺漂移信号去除噪声时,它既克服了硬阈值函数不连续的缺点,同时又克服了软阈值函数中估计小波系数与分解小波系数之间存在着恒定偏差的缺陷,具有硬、软阈值函数不可比拟的灵活性;通过动调陀螺实测信号的实验表明,新阈值函数可以有效地去除白噪声干扰,无论在视觉效果上还是在信噪比和均方误差定量指标上,均优于传统的去噪方法,具有较高的实用价值。     

小波分析法在光纤陀螺随机误差补偿中的应用

光纤陀螺随机漂移是惯性导航系统产生误差的重要因素。尽量降低陀螺仪的漂移率是进一步提高惯性导航系统精度的重要途径,也是保证光纤陀螺静态误差补偿精度的前提。从抑制光纤陀螺随机噪声的角度出发,利用小波分析法对光纤陀螺的静态输出进行滤波处理,通过对比滤波前后陀螺的输出曲线、标准差以及各项随机误差系数,能够看出:该方法有效地补偿了光纤陀螺的随机误差。     

新小波阈值函数在医学图像去噪中的应用

为了提高小波阈值去噪算法中的软阈值和硬阈值以及已有改进阈值函数存在的不足,提出了新的分层阈值函数的方法。该算法首先对噪声图像进行分解,从而得出小波系数。然后用改进的阈值函数对高频部分系数进行分层阈值处理。最后根据所得估计的小波系数在小波基的条件下,对图像进行重构,得到去噪后图像。该阈值函数具有优良的数学特性,通过对医学图像仿真实验结果表明,该算法去噪的效果无论是在视觉效果上,还是在均方差和信噪比性能分析上均优于常用的阈值函数,所以该算法在解决实际去噪问题中值得推广与应用。     

小波阈值去噪在图像去噪中的应用

小波阈值去噪分为硬阈值去噪和软阈值去噪,它们的去噪思想都是在小波分解后的各层系数中,对模大于和小于某个阈值的系数分别进行处理.本文主要针对图像去噪,将一幅图像分别进行软和硬阈值去噪的方法进行比较,得出无论阈值门限设为何值,软阈值的去噪效果总是比硬阈值的去噪效果好这个结论.     

基于改进极限学习机算法的行为识别

重点研究了极限学习机ELM对行为识别检测的效果。针对在线学习和行为分类上存在计算复杂性和时间消耗大的问题,提出了一种新的行为识别学习算法(ELM-Cholesky)。该算法首先引入了基于Cholesky分解求ELM的方法,接着依据在线学习期间核函数矩阵的更新特点,将分块矩阵Cholesky分解算法用于ELM的在线求解,使三角因子矩阵实现在线更新,从而得出一种新的ELM-Cholesky在线学习算法。新算法充分利用了历史训练数据,降低了计算的复杂性,提高了行为识别的准确率。最后,在基准数据库上采用该算法进行了大量实验,实验结果表明了这种在线学习算法的有效性。     

A newly-designed fault diagnostic method for transformers via improved empirical wavelet transform and kernel extreme learning machine

In order to solve the problems of unsatisfactory diagnosis performance and unstable model of conventional fault diagnosis methods for transformers, a new approach based on improved empirical wavelet transform (IEWT) and salp swarm algorithm (SSA) optimized kernel extreme learning machine (KELM) is proposed in this study. Firstly, IEWT is used to adaptively decompose the vibration signal to obtain a set of empirical wavelet functions (EWFs). Secondly, the first n-order components with high correlation coefficient are collected. Thirdly, the mean value, variance, kurtosis, refine composite multiscale entropy (RCMSE), and time-frequency entropy(TFE) of these n-order components are calculated to construct a fusion feature vector. Finally, a two-level diagnostic model based on SSA-KELM is established. The first-level of it is applied to identify normal and abnormal states, and the second-level is selected to identify fault categories in the abnormal states. The proposed method can effectively diagnose the existing fault categories in the training set and accurately identify the unknown categories of faults. Experimental results show that the proposed method can efficiently extract features of different vibration signals and identify the faults, with an average classification accuracy of 96.25%. It is better than other methods, such as wavelet packet energy spectrum analysis-KELM and EWT-fisher.     

一种新的混合智能极限学习机

提出一种基于差分进化(DE)和粒子群优化(PSO)的混合智能方法—–DEPSO算法,并通过对10个典型函数进行测试,表明DEPSO算法具有良好的寻优性能。针对单隐层前向神经网络(SLFNs)提出一种改进的学习算法—–DEPSO-ELM算法,即应用DEPSO算法优化SLFNs的隐层节点参数,采用极限学习算法(ELM)求取SLFNs的输出权值。将DEPSO-ELM算法应用于6个典型真实数据集的回归计算,并与DE-ELM、SaE-ELM算法相比,获得了更精确的计算结果。最后,将DEPSO-ELM算法应用于数控机床热误差的建模预测,获得了良好的预测效果。     

基于核极限学习机的标记分布学习

标记分布学习作为一种新的学习范式,利用最大熵模型构造的专用化算法能够很好地解决某些标记多样性问题,但是计算量巨大。基于此,引入运行速度快、稳定性更高的核极限学习机模型,提出基于核极限学习机的标记分布学习算法（KELM-LDL）。首先在极限学习机算法中通过RBF核函数将特征映射到高维空间,然后对原标记空间建立KELM回归模型求得输出权值,最后通过模型计算预测未知样本的标记分布。与现有算法在各领域不同规模数据集的实验表明,实验结果均优于多个对比算法,统计假设检验进一步说明KELM-LDL算法的有效性和稳定性。     

基于自适应动量优化算法的正则化极限学习机

针对极限学习机(extreme learning machine,ELM)隐节点不确定性导致的系统不稳定,以及对大型数据计算负担过重的问题,提出了基于自适应动量优化算法(adaptive and momentum method,AdaMom)的正则化极限学习机.算法主要思想是构造连续可微的目标函数,在梯度下降过程中计算自适应学习率,求自适应学习率与梯度乘积的指数加权平均值,通过迭代得到损失函数最小值对应的隐层输出权重矩阵.实验结果表明,在相同基准数据集的训练中,AdaMom-ELM算法具有非常良好的泛化性能和鲁棒性,提高了计算效率.     

基于改进极端学习机的网络流量预测

为了提高网络流量的预测精度,针对极端学习机的训练样本选择问题,提出一种改进极端学习机的网络流量预测模型（IELM）。根据最优延迟时间和嵌入维数对网络流量重构,建立网络学习样本,将学习样本输入到改进极端学习机进行训练,随新样本加入而逐步求解网络的权值,以提高学习速度,引入cholesky分解方法提高模型的泛化能力,采用具体网络流量数据进行了仿真测试。结果表明,IELM不仅可以获得较传统网络流量预测模型更高的精度,并且大幅度减少了计算时间,提高了建模效率,可以较好地满足网络流量预测要求。     

基于改进极限学习机的软测量建模方法

针对生物发酵过程中一些生物参量难以测量的问题,提出一种基于改进极限学习机（IELM）的软测量建模方法。该方法通过最小二乘方法和误差反馈原理计算出最优的网络输入到隐含层的学习参数,以提高模型的稳定性和预测精度。通过双对角化方法计算出最优的输出权值,解决输出矩阵的病态问题,进一步提高模型的稳定性。将所提方法应用于红霉素发酵过程生物量浓度的软测量。结果表明,与ELM、PL-ELM、IRLS-ELM软测量建模方法相比,IELM在线软测量建模方法具有更高的预测精度和更强的泛化能力。