基于小波包能量的血红蛋白序列特征提取

本文基于小波包变换研究了不同物种血红蛋白α链和β链的能量分布情况,结果表明小波包能量作为同源蛋白质的特征向量,不仅能够体现出蛋白质的同源性,而且也能反映出蛋白质在进化过程中的遗传变异情况,并从分子水平揭示了医学上用猪血代替人血解决血液短缺问题的缘由,为蛋白质功能的研究提出了一种新的研究思路。     

基于小波包频带能量检测技术的故障诊断

在机械设备的在线检测和故障诊断中,振动信号分析是十分重要的手段。小波包变换能将振动信号按任意时频分辨率分解到不同频段,而各频段信号的能量变化包含着丰富的信息。在机械设备运行正常和非正常两种状况下,小波包分解后各频段信号的能量谱尺度图有明显差异。将小波包能量谱尺度图检测方法用于轴承振动信号的诊断处理,验证了该检测方法有效、可行,为机械故障诊断提供了一条新的途径。     

基于小波与小波包的变速器故障特征提取

本文结合自适应小波变换滤波去噪方法与小渡阈值去噪方法,提出了一种可用于变速器故障振动信号去噪的双层滤波去噪算法.该算法的滤波过程分为两层,第一层滤波采用自适应小波变换滤波算法;第二层滤波采用经典的小波阈值去噪算法对信号进行二次去噪.最后,将去噪后的故障信号采用小波包进行了分解,并提取了小波包频带能量作为故障特征向量.     

基于小波包分析的滚动轴承故障特征提取

简述了小波包分析的基本原理及其用于特征提取的机理,利用小波包对滚动轴承振动加速度信号进行分解,求出各频率段的能量,并以此作为滚动轴承所发生故障的特征向量进行提取,从而识别出滚动轴承的故障,通过对于实测信号的分析证明了该方法的有效性,体现了小波包分析的优良性。     

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。     

新型小波包频带能量法在电机断条故障诊断中的研究

讨论了交-交变频调速系统故障诊断的重要性,针对目前变频系统输出电流谐波比较大,用常规方法不易判断的问题,提出了用新型小波包频带能量法提取电机断条故障信号的特征量,并运用该算法对变频调速系统电机断条时和正常时输出电流波形特征量进行分析.仿真结果表明,新型小波包频带能量特征法与常规诊断方法相比,具有准确度高、诊断速度快等优点.     

基于多尺度小波包分析的肺音特征提取与分类

提出了一种适于非平稳肺音信号的特征提取方法.以4种肺音信号（正常、气管炎、肺炎和哮喘）为样本数据,通过分析肺音信号的时频分布特点,选择了具有任意多分辨分解特性的小波包.对小波包进行空间划分后找到了适合肺音特征提取的最优基,并基于最优基对肺音信号进行快速多尺度的分解,得到了各级节点的高维小波系数矩阵,建立了小波系数与信号能量在时域上的等价关系,并将能量作为特征值,构造了低维的作为分类神经网络的输入特征矢量,大大降低了输入特征的维数.研究表明该算法的识别性能是高效的.     

基于有效性评价机制的小波包特征提取技术

本文介绍了如何应用提升小波包变换对信号进行特征提取,并在此基础上提出了四条定量的评价标准,能够全面地对此类特征提取方法的有效性进行评价。通过这四个标准,就能更科学地选取合适的特征小波包,从而进一步提高原方法的效率,减少不必要的计算复杂度,使之更加适用于压缩机信号的实时监测。     

基于"能量-缺陷"的金属基复合材料缺陷信号特征提取

将小渡包多分辨率分析与能量谱相结合,提出了一种复合材料缺陷特征提取的方法一“能量-缺陷”法;首先将检测到的复合材料缺陷超声信号进行3层小波包分解,在通频带范围内得到分布在不同频段内的分解序列,进而分别求出各频段的总能量,选取最能反映缺陷特征的参数一“能量特征向量”作为特征参数,进行缺陷的识别;以金属基复合材料超声信号为例,运用“能量-缺陷”法进行了缺陷信号特征提取,试验表明此方法是一种行之有效的新方法。为复合材料缺陷检测与识别开拓了新的思路。     

基于小波包分解和EMD-SVM的轴承故障诊断方法

针对轴承振动信号具有的非平稳和故障诊断样本数据难以按需获取的问题,设计了一种基于小波包分解和EMD SVM的故障诊断方法;首先,采用Mallat塔式算法对信号进行降噪,实现信号的小波分解,获得重构后的故障诊断子频带信号;然后,在经典的EMD算法的基础上定义了改进的EMD算法,采用改进的EMD算法对经过小波包降噪的故障诊断子频带信号进行特征提取,从而获得故障诊断特征向量;最后,采用适合小样本分类的SVM进行故障诊断,将经过小波包降噪和EMD特征提取的样本数据用于训练SVM,得到用于故障诊断的多个二分类SVM故障诊断模型,通过投票机制来确定样本数据最终对应的故障诊断类别:在Matlab环境下对轴承故障诊断进行实验,实验结果证明了文中基于小波包和EMD-SVM的方法一种适用于小样本的故障诊断方法,且与其它方法相比,具有诊断效率高和精度高的优点.     

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。     

基于小波包和EMD的断路器机械故障诊断研究

以ZN63A-12型高压真空断路器为研究对象,针对处理高压断路器振动信号时单独使用小波包特征熵或经验模态分解(EMD)特征熵作为特征向量进行诊断正确率低的缺点,将高压断路器振动信号的小波包能量熵、经验模态分解能量熵、经验模态分解能量相结合作为特征向量,采用马氏距离判别法进行模式识别,实现对断路器两种机械故障模式的判别.实验结果表明,该方法准确率达97.40％,具有较高的实用价值.     

基于小波包Tsallis熵和RVM的模拟电路故障诊断

针对模拟电路故障难以识别等问题,提出一种基于小波包Tallis熵和多分类相关向量机(Rele-vance Vector Machine,RVM)的模拟电路故障诊断方法.该方法采用脉冲信号仿真模拟电路,应用小波包变换对采集到的故障响应信号进行分解,通过提取不同频带内的Tsallis熵作为故障特征值,利用相关向量机对各种状态下的特征向量进行分类决策,实现模拟电路的故障定位.实验结果表明,提出的故障诊断方法相较于现有的故障诊断方法能较好地提取故障特征,极大地提高模拟电路故障诊断的效率.     

小波包能量谱在睡眠分期中的应用

利用小波包技术,根据脑电信号在不同睡眠状态下各脑电节律所占的成分不同,提出一种基于小波包能量谱的睡眠脑电分期方法。首先依据脑电信号各节律的频率特点选择好分解层数对信号进行小波包分解,再重构信号,提取出睡眠脑电信号的各节律;然后运用小波包能量谱计算各节律所占的能量比重;最后用3例脑电数据进行实验。实验结果表明,不同睡眠状态下各脑电节律所占比重不同,随着睡眠的深入,睡眠脑电节律θ和δ所占的能量比重增大,而节律α和β所占的比重在减少。因此,可以运用睡眠脑电信号中各节律所占的成分不同来区分不同的睡眠状态,并可作为睡眠分期的一个特征参数。     

小波包特征熵在级联式变频器故障诊断中的应用

为精确诊断级联式变频器功率器件开路故障,提出了一种基于小波包特征熵的故障信号提取方法.对采集到的级联式变频器相电压信号进行三层小波包分解,提取特征熵构造电压信号的特征熵向量,并以此作为故障诊断样本,利用概率神经网络进行故障诊断.仿真结果表明,基于小波包特征熵的信号提取方法在级联式变频器故障诊断的应用中具有较高的有效性与可行性.     

改进型小波包算法在变频调速系统故障诊断中的应用

在目前交-交变频调速系统故障诊断方法的研究基础上,文章提出了一种采用改进的小波包算法对交-交变频调速系统进行故障诊断的方法。文章在分析了标准的小波包算法原理及缺点的基础上,阐述了改进的小波包算法原理,并详细介绍了采用改进的小波包算法提取变频器故障信号特征量的方法。仿真结果表明:改进的小波包算法的计算量和占用的存储空间较标准的小波包算法少;与常规的诊断方法相比,基于改进型小波包算法的变频调速系统故障诊断方法具有准确度高、诊断速度快等优点。     

基于小波包分解与RVM的声发射信号识别

声发射信号识别目前已经成为检测大型储罐底板缺陷状况的普遍方法之一.针对现有声发射检测技术对原始信号的处理与分析方法的不足,对储罐底板腐蚀程度分类识别方法的不明确,基于小波包分解,对声发射传感器接收到的原始信号进行特征提取,得出了信号的特征向量,通过训练相关向量机,结合相关向量机模型对待测设备进行腐蚀类型归类识别,得出分析结论.应用该方法对大连某企业的储油罐进行实测数据检验,分析结论与储油罐实际状况相同,验证了该方法具有科学性与可行性,能够诊断大型储罐底板腐蚀状况的准确性和可靠性.