传感器网络中基于环模型的小波数据压缩算法

无线传感器网络有限的资源,如能量、通信带宽等,难以适应网络中大量数据的传输,需要在网络内部对原始监测数据进行压缩或聚合处理.设计了一个适合小波变换的环模型.针对任意支撑长度的小波函数,给出了一种基于环模型的分布式时-空小波数据压缩算法.该算法将传感器网络中的数据抽象为一个矩阵,将时间相关性与空间相关性映射为该矩阵的小波列变换与行变换,以同时挖掘传感器网络中数据的时间和空间相关性.从能量消耗和网络延时两方面定性地分析了算法的性能.理论分析和实验结果表明,该算法能够有效地去除传感数据中存在的时间和空间相关性,     

分类区间小波网络在目标识别中的应用

介绍一种区间小波的构造方法.并将区间小波与神经网络相结合,提出一种用于信号分类的分类区间小波网络,利用它解决小波网络的基底空间与被学习信号所属空间不匹配的问题.在分类区间小波网络模型中引入模拟退火策略,并采用自适应变学习系数训练网络.实验结果表明,将分类区间小波网络应用于雷达目标识别,可以减少神经元数目,提高网络收敛速度,并能较好解决高维学习的"维数灾难"问题,获得较好的分类效果.     

基于运动补偿的三维小波视频编码

提出了一种新的基于运动补偿的三维小波视频编码方案。通过对原始图象序列沿着运动轨迹进行时间维小波分解以及空间上的二维小波分解，得到不同的时间－空间三维频率子带。然后，将这些子带中的小波系数构成三维方向等级树结构，并采用改进的ＳＰＩＨＴ零树编码算法进行压缩。实验表明，此方法不仅提高了视频编码效率，而且易于进行码率控制，以及实现时间、空间分辨率上的可伸缩编码     

基于小波分解的时序预测模型mWDLNet及其应用研究

各种类型的深度神经网络模型已被应用到时序分析中,但基于频域的神经网络与时域的线性模型融合仍然缺乏有效的模型.提出一种基于多级小波分解的深度网络和差分自回归移动平均模型相融合的方法(mWDLNet),时序信号经小波分解到频域,由卷积神经网络和长短期记忆网络提取时序信号的空间和时间维度特征,同时利用差分自回归移动平均模型(...     

无线传感器网络的数据压缩算法综述

介绍无线传感器网络的特点,分析数据压缩技术对无线传感器网络发展的重要性;综述了无线传感网络中数据压缩技术的研究现状并介绍了无线传感器网络中部分有代表性算法的研究成果:根据监测数据在时间和空间上存在某种相关性,分类出基于时空相关性的数据压缩算法;根据采用某种变换去除数据时空相关的冗余信息算法,分类出基于小波变换的数据压缩算法;在集中和分散这两种信息服务都能实现的原则基础上,分类出分布式数据压缩算法;通过对传统的压缩算法进行裁剪和优化,分类出改进的传统数据压缩算法;同时总结了各算法的适用环境及其算法中心思想;最后讨论了无线传感器网络中各种数据压缩算法在现阶段存在的不足及各种压缩方法的未来研究方向.     

基于小波网络的配电网空间数据库故障诊断方法

在进行配电网空间数据库建模中,需要对空间数据库进行优化检测和诊断,提高配电网的稳定运行能力,提出基于小波网络的配电网空间数据库故障诊断方法。构建配电网空间数据库的分布模型,采用高维特征分解方法进行配电网空间数据库的特征量化分解,结合小波网络学习方法进行配电网空间数据库故障状态特征提取,根据故障特征的聚类性进行配电网络空间数据库的结构重组和故障特性辨识,结合模糊统计分析方法,实现对配电网空间数据库的故障智能诊断。仿真结果表明,采用该方法进行配电网空间数据库故障诊断的准确性较好,分辨能力较强,提高了配电网空间数据库的稳定性。     

基于小波网络的传感器故障检测

针对常规BP网络存在的问题,在小波网络的基础之上将其结构进行改进提出复合小波网络,代替BP网络用于传感器的故障检测,为避免由于传感器输入信号突变引起的传感器输出与观测器预测值产生较大偏差而导致的误诊断,提出将检测方法加以改进。仿真实验表明,复合小波网络较BP网络和未改进的小波网络收敛速度快、预测精度高,更适用于故障检测;采用了复合小波网络的改进的检测疗法既提高了检测的快速性,义提高了可靠性。     

基于小波网络的动态系统辨识方法及应用*

本文介绍了一种多输入非线性动态系统辨识算法，基于该算法的非线性辨识系统成功用于局部地区短时暴雨的预报。在这个系统中我们采用一种小波网络来追踪非线性系统的动态性，用一种基于小波逼近的非参数估计方法用于系统的状态空间模型的辨识中。从实验结果可看出，与传统的神经网络方法相比，该系统在速度、可靠性以及精确度上都有了很大的提高。     

模块小波神经网络在工业产品质量控制中的应用

针对输入空间包含多种类型的数据时，以单一的神经网络为模型，其收敛很困难的问题，提出一种基于模块小波神经网络的建模方法。利用分而治之思想，模块神经网络通过一个门控网络进行分类和协调，可以将一个复杂任务分解成几个简单的子任务，每个子任务由一个局部专家网络学习，与传统的模块网络不同，这里的专家网络是小波网络而不是BP网络，将所提出的网络模型用于热连轧产品质量建模，并与单一的神经网络建模结果进行比较，建模结果表明，模块小波神经网络模型优于单一神经网络模型。     

小波及网络异常行为分析*

小波分析能将时间域上重叠但频率域上不重叠的信号进行分段,不同的频段(也就是不同的小波系数层次)代表了信号中处于该频段的信号分量,网络流量具有时域中频域重叠的特征.基于小波分解和重构思想,提出采用小波方法对于网络行为中的异常行为进行分析、判别的方法和模型,模型在模拟分析中取得较好的效果.     

小波阈值去噪在传感器性能试验数据处理中的应用

在传感器性能测试中,采样的信号经常受到各种噪声的干扰和污染,不能准确反映设备的运行状态,不宜直接用于数据处理与分析。为了对试验数据进行去噪预处理,根据具体传感器性能试验数据的特点,运用小波变换方法,确定了适合的小波去噪参数。引入重构因子比较几种常用的小波基,应用Matlab对仿真信号进行小波阈值去噪处理,依据平滑度确定了分解层数,为传感器性能试验数据预处理提供了的一种有效的小波阈值去噪方法。     

WSN中基于区间小波的偶合数据压缩算法

根据传感数据的偶合特征,提出一种基于区间小波的偶合数据压缩算法。根据数据的强偶合特性处理传感数据,利用最小二乘法对强偶合数据进行曲线拟合,结合区间小波良好的分频特性,减少传感器网络中传输的数据量。理论分析和仿真实验结果表明,该算法能对传感数据进行有效压缩,减少网络能耗。     

基于小波分析的传感器故障诊断方法仿真研究

针对装甲车辆数据采集控制系统中传感器故障难于直接检测的问题,本文提出一种基于小波变换的方法对传感器故障进行诊断。首先介绍了小波分析的基本理论,对比阐述了连续小波变换和离散小波变换的原理和优缺点;其次利用Matlab/Simulink搭建模型进行仿真试验,采用连续小波变换对传感器故障进行检测,准确定位故障发生时刻;最后本文还选取了几种典型的传感器故障进行诊断,仿真结果验证了该方法的可行性和准确性。     

传感器网络中基于区间小波变换的混合熵数据压缩算法

考虑传感器网络的数据特性及小波变换在流数据压缩方面的良好性能,提出了一种基于区间小波变换的混合熵数据压缩方法。理论分析和仿真结果表明,结合传统的DC(Data Centric)算法-DD (Directed Diffusion)路由算法,新算法能对传感器网络中的数据流进行有效压缩,可更大程度地降低DD路由算法下节点数据传输的能耗,从而可进一步延长整个网络的生命周期。     

传感器性能实时评估方法

为了实时监视传感器的工作状态,基于传感器的性能指标,确定了以传感器输出数据有效度作为评估基准的评估方法。该方法采用小波实时滤波技术对传感器的输出时间序列进行滤波处理,运用人工神经网络预测传感器输出值,并与实测值进行比较求出残差,由此来确定传感器的有效度指数。实验结果表明,本文提出评估传感器性能的方法是实时有效的,并能够在线检测过程参数的突变情况。     

基于小波包PCA的故障传感器数据重构方法

讨论了基于小波包的多尺度主元分析方法应用于故障传感器数据重构问题。传统的基于小波包的多尺度主元分析在进行传感器故障诊断时没有建立数据重构模型,在相关传感器信号进行小波包分解的基础上,在最佳数的所有节点上建立主元分析模型,将主元分析模型的重构结果组合后再进行小波逆变换,从而实现故障传感器的数据重构。最后,利用试车台液氢供应系统的传感器数据仿真了几种典型传感器故障,并对设计模型实现数据重构的实用性和有效性进行了验证。     

基于小波变换的图像多尺度数据融合

现有的图像数据融合方法对目标检测并不十分满意，为了提高目标检测的分辨率，抑制每个传感器的检测噪声，提出一种基于小波谱换的图像数据融合新方法，在图像分解的高域风，选择多源图像绝对值较大的系数作为重要小波系数，在低频域内，新的逼近系统通过对多源图像的逼近系数进行加权平均得到，然后利用重要小波系数和加权逼近系数进行小波反变换，即可得到融合之后的图像，实验结果表明，基于小波变换的图像数据融合方法具有良好的效果，并用于广泛的研究领域。     

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.     

多尺度PCA在传感器故障诊断中的应用研究

A multiscale principal component analysis method is proposed for sensor fault detection and identification. After decomposition of sensor signal by wavelet transform, the coarse-scale coef-ficients from the sensors with strong correlation are employed to establish the principal component analysis model. A moving window is designed to monitor data from each sensor using the model.For the purpose of sensor fault detection and identification, the data in the window is decomposed with wavelet transform to acquire the coarse-scale coefficients firstly, and the square prediction error is used to detect the failure. Then the sensor validity index is introduced to identify faulty sensor,which provides a quantitative identifying index rather than qualitative contrast given by the approach with contribution. Finally, the applicability and effectiveness of the proposed method is illustrated by sensors of industrial boiler.     

无线传感器网络中分布式小波压缩

无线传感器网络中传感节点的资源十分有限,为了减少无线传感器网络在数据通信时的能量消耗,提出了基于提升格式的分布式小波数据压缩算法及其简化算法.这种方法一方面把整个小波变换所需的计算量分布于各个节点之中,通过简化消除额外的计算和数据传输,而且对于每个节点来说,计算量都很小,易于实现.另一方面又能有效地消除无线传感器网络中节点内和节点间的信息冗余,大大节省了无线传输所消耗的能量.仿真结果表明,与经典的方法相比,在能耗和重构信号质量上都获得了良好的效果.