基于小波变换与RBF网络的声发射信号识别

声发射检测技术不需开罐就能对储油罐安全性在线评估,声发射信号识别是储油罐腐蚀状况分析的基础,针对现有参数分析法的不足,提出一种基于小波变换特征提取与RBF神经网络识别的声发射信号识别方法。利用db2小波对声发射信号6层分解,将6层细节特征空间的能量作为声发射信号特征向量;结合声发射信号特点设计RBF神经网络,利用已知模式声发射信号训练RBF网络;用RBF神经网络对腐蚀、裂纹和冷凝声发射信号进行分类测试。实验结果表明,RBF网络的识别率达到93.3%,显示了RBF网络识别声发射信号的优越性。对储油罐安全状况的定量分析具有一定意义。     

基于小波变换与BP神经网络的声发射信号识别

针对现有声发射信号识别参数分析法的不足,提出利用小波变换特征提取与BP神经网络结合的声发射信号识别方法。利用db2小波对声发射信号进行6层分解,将细节特征空间的能量作为声发射信号特征向量;结合声发射信号特点设计和训练BP神经网络,通过实验确定隐层神经元数;用BP和RBF神经网络分别对腐蚀、裂纹和冷凝声发射信号进行分类测试。实验结果表明,提取的声发射信号特征具有较好的区分性能,BP网络在识别声发射信号方面优于RBF网络,这对储油罐安全状况的定量分析具有一定意义。     

超声检测缺陷分类的降噪及特征提取问题研究

针对超声检测回波信号中可能具有噪声干扰并难以剔除的问题,提出了利用“小波降噪”对超声信号进行处理的算法和应用“类别可分性判据”评价特征值的方法,并通过实验进行了验证。首先将小波变换用于超 声信号噪声处理,然后利用类别可分性判据对缺陷信号的特征选择进行评价,最后通过RBF网络对获得的超声检波信号进行缺陷分类以验证这种方法的有效性,实验结果表明：小波降噪算法充分利用了超声回波信号的时域、频域信息,不仅降噪效果明显,而且缺陷定位准确;类别可分性判据对缺陷信号的特征提取也起了定量衡量尺度的作用。     

一种新的模拟电路故障诊断小波神经网络方法

结合小波变换和神经网络二者之间的优点,提出基于小波神经网络的模拟电路故障诊断方法.采用能量分布特征提取方法和改进BP算法,用正弦信号仿真模拟电路,应用小波变换对模拟电路的采样信号进行多尺度分解,再进行能量分布特征提取,然后利用神经网络对各种状态下的特征向量进行分类识别,实现模拟电路故障诊断.相对于传统的故障诊断方法,用小波变换对故障信号进行预处理,大大减少了神经网络的输入数目,从而简化了神经网络的结构和减少了它的训练时间,并提高了辨识故障类别的能力.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.     

基于LPMCC特征和小波RBF网络的语音识别

小波神经网络是结合小波变换理论与人工神经网络思想而构造出来的一种"新型的神经网络模型",融合了小波变换良好的时频局域化性质及神经网络的自学习功能。它通常可看作RBF网络的推广。本文构建了一个以Morlet母小波作为小波基,代替RBF网络中的激活函数的小波神经网络结构,并采用线性预测美尔倒谱(LPMCC)作为特征参数,进行了孤立词语音识别。实验结果表明此种方法抗噪性能好,识别效率高。     

基于RBF神经网络的光纤陀螺漂移误差辨识

漂移是存在于光纤陀螺系统中使得输出信号产生较大偏置误差的一种不可忽略因素.漂移信号具有非线性、随机性和易受干扰的特点,准确地辨识漂移并有效地对其进行补偿直接关系到惯性导航系统的测量精度.提出采用多尺度小波分析和RBF神经网络两个模型对漂移误差进行辨识,可以有效提高辨识精度.应用多尺度小波分析方法消除高频噪声,改善信噪比,把消噪信号作为神经网络期望输出,然后利用离线事先学习的RBF网络辨识漂移误差,并且采用带有遗忘因子的梯度下降算法来确定RBF神经网络隐含层基函数的中心位置、宽度和输出层权值的大小.仿真结果表明,该方法可以快速、有效、高精度地辨识并补偿漂移误差.     

一种新的模拟电路故障诊断小波神经网络方法

结合小波变换和神经网络二者之间的优点，提出基于小波神经网络的模拟电路故障诊断方法。采用能量分布特征提取方法和改进BP算法，用正弦信号仿真模拟电路，应用小波变换对模拟电路的采样信号进行多尺度分解，再进行能量分布特征提取，然后利用神经网络对各种状态下的特征向量进行分类识别，实现模拟电路故障诊断。相对于传统的故障诊断方法，用小波变换对故障信号进行预处理，大大减少了神经网络的输入数目，从而简化了神经网络的结构和减少了它的训练时间，并提高了辨识故障类别的能力。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。     

基于神经网络的小波域超声信号消噪技术研究

为了提高超声无损检测（UNDT）与无损评价（UNDE）基础数据的信噪比（SNR），提出了一种基于神经网络模式识别理论的小波域超声信号消噪技术.该技术在研究材料内部散射体引起的结构噪声产生机理，以及分析传统裂谱分析(SSP)算法局限性的基础上，利用小波变换方法将原始超声检测信号分解到小波空间，并通过径向基函数（RBF）神经网络所构成的信噪分离器对信号和噪声进行识别、分离来消除噪声，得到高信噪比的超声回波信号.实验结果表明，与传统裂谱分析算法相比，该技术提高了消噪性能的稳定性，增强了湮没材料内部各类散射体散射中的缺陷回波信号能力     

线性自适应小波理论的齿轮箱故障诊断方法

针对早期齿轮箱故障信息淹没在背景组分中的问题,提出了基于线性自适应小波理论的齿轮箱故障诊断方法.该方法基于希尔伯特变换(HT)和自适应小波变换(AWT),能从低频的调制振动信号中区分并识别不同程度的裂纹故障.首先用希尔伯特变换提取调制振动信号的包络值以显示调制频率.然后利用自适应小波变换来处理由希尔伯特变换得到的调制信号,其中在自适应小波处理希尔伯特变换后的调制信号的过程中利用粒子群算法(PSO)对过程参数进行优化.实验结果表明该自适应小波变换能通过过程优化小波找到匹配振动信号的啮合频率及其谐波、耦合频率、载波频率及其边频带,能够从调制信号中提取出特征参数,且具有较高的分辨率.     

小波变换用于舰船辐射噪声调制信息检测

应用小波分析从舰船辐射噪声中提取调制信息,进行了仿真研究,供舰船识别利用.首先讨论了舰船辐射噪声的产生机理、构成和频率特性,指出螺旋桨噪声的振幅存在周期性调制.其次利用小波的多分辨分析的方法,在中低信噪比条件下,仿真实现了调制信号和舰船辐射噪声的分离.其结果表明,相对于传统DEMON分析,利用小波以及希尔伯特变换可以更快更好地提取舰船辐射噪声的调制信息.在水声信号处理领域,小波变换对于舰船调制信息提取是一种有效手段.     

基于小波变换和径向基神经网络的签名识别

主要研究利用小波变换和径向基神经网络进行签名图像的分类识别.它包括不同签名图像和相似签名图像的分类识别.所提出的方法包括小波域的图像特征提取和利用径向基神经网络的模式分类.采用小波的多分辨分析方法对签名图像进行时频分析特别有效.熵和能量相关特征的概念用于小波域.径向基神经网络具有快速的收敛速度和分类能力.实验仿真证实了...     

基于多重判别分析和分形维的数字调制样式自动识别

将不同数字调制样式的通信信号采样重组成为二维数据阵列后,会呈现独特的纹理。根据分形型理论,不同纹理具有不同的多分形维,因此本文提出通过多重分形维区别不同调制样式的方法。首先用离散小波去噪的方法处理含噪声的采样信号,然后计算信号纹理的多重分形维,再将分形维特征向量通过多重判别分辨分析投影到Fisher超平面,最后用最大似然方法分类识别特征向量。用算法对四种数字调制样式的分析获得了正确的分类结果,证明将多重分形维用于识别数字调制样式是可行的。     

RBF网络在通信信号自动识别中的应用

通信信号自动分类是一模式识别问题，通常用数字信号处理和模式分类的方法来求解．文中提出了将ＲＢＦ（ＲａｄｉａｌＢａｓｉｓＦｕｎｃｔｉｏｎ）网络方法应用于通信信号自动识别的具体方法．构造了运用ＲＢＦ网络的信号分类的神经网络结构．通过模拟实验表明，由于采用了将信号特征矢量降维的方法，该网络不仅能够很好地完成信号分类，而且具有比传统方法训练速度快、占用存贮空间少、容错性强和易子硬件实现等特点．     

RBF神经网络在诱发脑电信号分类中的应用研究

采用RBF神经网络方法对麻醉状态下诱发脑电仿真信号进行分析,提出了一种通过基于RBF神经网络权值构造特征向量的特征提取方法,以达到提取信号特征的目的,并用BP神经网络分类器对提取的特征进行聚类,从而实现深浅麻醉状态下诱发脑电信号的分类,实验仿真结果表明了该方法的有效性．     

基于平稳小波与BP神经网络的换相失败检测算法

针对高压直流输电系统中换相失败检测问题,提出了一种采用平稳小波分析和BP神经网络的换相失败检测算法.通过平稳小波提取换相失败信号不同尺度的小波能量,作为特征向量输入神经网络中进行训练,并得到能够进行自动化识别的分类模型.在实际采集得到的200组数据集上进行了算法验证,结果表明,文中算法可以有效地区分直流输电系统中的换相失败和正常信号,其平均检测精确度达到95%以上,为进一步系统准确无功补偿提供保障.     

基于稳态循环谱特征的通信辐射源识别方法

为实现低信噪比环境下多种通信辐射源的高精度识别,提出了一种基于稳态循环谱特征的通信辐射源识别方法,利用循环谱频域截面谱对高斯噪声的强鲁棒性,提取不同辐射源成形滤波器间的本征差异进行识别.首先对接收到的稳态信号提取循环谱频域截面谱并利用主成分分析方法降维,之后分别采用皮尔逊相关系数法、概率神经网络、弗雷歇距离法等判决方法进行辐射源类别判决.仿真实验显示,该特征使用概率神经网络判决和皮尔逊相关系数法判决,显著优于传统循环频率域的切片特征,证明有一定应用价值.     

基于最佳小波包基的边海防声目标识别

针对于将声音识别技术应用于边海防目标的识别,提出了一种新的基于最佳小波包基的特征提取方法。具体方法是首先根据边海防声音信号的频率分布特征,对这些信号进行有选择地多尺度小波包分解,获取最佳小波包树,然后将相应的最佳小波包基的能量值归一化后作为特征向量,再将这些特征向量输入BP神经网络训练,用训练好的神经网络对边海防声音信号进行识别。仿真结果表明:在噪声条件下,利用此特征提取方法,识别率达到94%,比基于小波包分解的特征提取方法的识别率高出6个百分点。     

基于稀疏滤波神经网络的智能调制识别

针对传统调制识别中特征提取依赖人工经验的问题,该文提出了一种基于抗噪预处理及稀疏滤波卷积神经网络的智能通信调制识别算法。该算法将调制信号的循环谱作为卷积神经网络的输入图像,并引入低秩表示算法去除循环谱图中的噪声及干扰。在有监督训练卷积神经网络之前,该文设计了一种新型的稀疏滤波准则对网络进行无监督的逐层预训练,从而提升了泛化性能。仿真表明算法在信噪比为0 dB时仍可达94.2%的识别准确率,优于传统方法及相关深度学习方法。     

损伤声发射信号小波包神经网络特征识别方法

在材料损伤的检测和评价时,为了在大量接收信号中识别有效声发射信号,提出了一种基于小波包特征提取的损伤声信号神经网络识别方法,首先利用小波包全局分解的优势,准确提取非平稳信号的特征信息,建立相应特征向量,对有效声发射信号和干扰噪声信号进行表征;然后根据特征向量和识别输出要求,建立了3层结构的反向传播神经网络对信号进行分析和识别,滤除噪声信号,保留有效声发射信号;最后,在玻璃钢复合材料的声发射实验中,采集了400组信号对该方法进行验证,准确性达到97.5%,能够满足工程需要.