基于小波包变换的表面肌电信号模式识别

采用小波包变换的方法对表面肌电信号sEMG进行了多尺度分解,并提取小波包分解系数的能量值构建特征矢量,采用四种方法设计多类最小二乘支持向量机（LS-SVM）分类器,对8种表面肌电信号进行了模式分类。实验结果表明,采用四种多类分类方法的LS-SVM分类器对8种表面肌电信号的平均识别率在90%以上,LS-SVM分类准确率明显优于传统的RBF神经网络分类器。     

基于小波包变换的辐射源信号特征提取和识别

文中基于小波包变换方法,对MSK信号辐射源提取了J-散度特征和能量特征,结合支持向量机分类器完成辐射源的识别,仿真结果表明：两者识别率均达到90％以上,从而验证了基于小波包变换的辐射源识别的有效性。     

面向大规模噪声数据的软性核凸包支持向量机

现有的面向大规模数据分类的支持向量机（support vector machine,SVM）对噪声样本敏感,针对这一问题,通过定义软性核凸包和引入pinball损失函数,提出了一种新的软性核凸包支持向量机（soft kernel convex hull support vector machine for large scale noisy datasets,SCH-SVM）.SCH-SVM首先定义了软性核凸包的概念,然后选择出能代表样本在核空间几何轮廓的软性核凸包向量,再将其对应的原始空间样本作为训练样本并基于pinball损失函数来寻找两类软性核凸包之间的最大分位数距离.相关理论和实验结果亦证明了所提分类器在训练时间,抗噪能力和支持向量数上的有效性.     

基于小波包分析的辐射源特征提取和识别算法

提出了一种基于小波包的变换方法。该方法通过对不同脉内调制方式进行频带能量的提取,并引入支持向量机来完成对辐射源的分类。该小波包变换对信号局部的时频特征具有较好的分辨率。仿真结果表明,文中的小波包变换信号时频特征的分析精度优于传统算法。     

基于纹理特征与ν-SVM的车牌汉字识别

车牌汉字识别是车牌字符识别中的难点,文章通过对二维Gabor小波特征以及支持向量机（Support vector machine,SVM）分类器进行详细的分析,采用二维奇对称Gabor小波作字符特征滤波函数,并通过基于ν-SVM的多类分类器对数据进行训练及分类,设计了一种能够应用于实际系统的汉字字符识别方法。     

基于小波包能量熵的鱼类识别研究

提出了一种基于小波包能量熵作为鱼体回波声信号的识别特征量,用以实现不同种类鱼体的分类识别。通过在消声水池中完成鲫鱼、草鱼和鲳鱼三种不同种鱼体的回波声数据提取采集实验,进行了数据预处理,并利用小波包能量熵算法计算鱼体回波声信号的识别特征量,再分别通过BP神经网络和支持向量机两种分类器进行了分类,分类识别效果较好,识别率分别达到了76.1%和82.2%。验证了小波包能量熵对于鱼体回波声信号识别的有效性。     

基于支持向量机的辐射源识别算法

为了提高电子对抗设备对辐射源的识别能力,采用小波包变换法提取信号的时频谱特征,并引入支持向量机完成对辐射源的分类。小波包变换对信号局部的时频特征具有较好的分辨率,支持向量机分类器结构简单、可获得全局优化、泛化能力强。仿真结果表明,基于支持向量机的辐射源分类方法的正确率优于传统算法。     

雷达目标一维距离像识别方法研究

提出了一种基于小波包分析和二叉树支持向量机相结合的雷达目标一维距离像识别方法.该方法充分利用了小波包对信号的时频分解和支持向量机在小样本分类中的优势,可以改善目标的特征稳定性,提高识别性能.通过采用聚类分析中的均值距离来生成二叉树,将分类器分布在各个节点上,构成了多类支持向量机,减少了分类器数量和重复训练样本的数量.对...     

基于小波包能量熵和PSO的轴承故障诊断方法

支持向量机(SVM)在识别滚动轴承故障过程中,由于其参数选择并非最优导致识别率不高。为解决这一问题,提出了基于小波包能量熵和粒子群优化WSVM的滚动轴承故障诊断方法。首先,获取滚动轴承的振动信号,将信号进行小波包变换计算出小波包能量熵;其次,将小波包能量熵作为故障特征初步判断轴承是否发生故障;然后对各状态的特征向量集进行训练,建立WSVM故障诊断模型,采用粒子群优化算法对WSVM进行参数最优化;最后,将测试样本输入到训练好的向量机中,根据输出结果准确判断出工作状态与故障类型,还可计算得出故障识别率。结果表明:该方法能有效地判断出轴承故障类型,识别率高。     

基于支持向量机的发电机匝间转子绕组短路故障诊断

具有结构风险最小化原则的支持向量机(SVM)对于小样本决策具有较好的学习推广性,并且故障样本的不足在一定程度上制约了基于知识的方法在故障诊断中的运用。针对这一问题,提出了利用支持向量机的方法对匝间转子绕组短路故障诊断方法。该方法利用小波分析对探测线圈测得感应电动势进行处理构造特征向量,然后输入到支持向量机的多故障分类器中进行故障识别。实验数据表明该方法是可行、有效的,并且在小样本的情况下,较BP神经网络有更好的分类效果。     

基于小波包和Hilbert包络分析的滚动轴承故障诊断方法

滚动轴承故障诊断是机械故障检测中的一个重要方面。本文提出了一种小波包分析和Hilbert包络分析相结合的方法对轴承进行故障诊断。首先利用小波包分析将滚动轴承的振动信号分解到不同的节点上。然后求出各频段的能量,根据频带能量的变化情况,找出滚动轴承的故障所在的频带,对故障频带的重构信号做包络谱分析,将谱峰处的频率与滚动轴承的故障特征频率进行对比。诊断出滚动轴承的故障。通过对实验中采集到的滚动轴承振动信号进行分析,证明了该方法在滚动轴承故障诊断中的有效性。     

小波包分析在电动机转子断条故障诊断中的应用研究

文章介绍了鼠笼式异步电动机常见的故障及其诊断的重要性,采用了改进型小波包算法从电气和机械方面提取信号的故障特征。并提出了一种基于小波包分析频带能豢的故障诊断方法。经实验可知,该方法能够更全面的快速检测到转子断条故障的存在而且准确率高,具有很大的可行性和很强的推广性。     

基于支撑矢量机的通信信号调制识别方法研究

提出了一种应用小波变换提取分类特征的基于支撑矢量机的通信信号调制识别方法。使用多个支撑矢量机分类器构成一个多类分类器用于多类信号的调制识别。在中频进行处理,不需要同步信息;利用支撑矢量机具有更好的推广能力,可以使用较少的训练样本。计算机仿真结果表明该方法可以很好地工作于信噪比变化范围较大的通信环境。     

基于随机森林算法的模拟电路故障诊断

为提高模拟电路参变故障的诊断率,提出基于多特征向量提取和随机森林(RF)算法的模拟电路故障诊断新方法。采用时域和频域特征向量组合的多维特征向量以反映不同故障特征,经RF算法进行决策,并对决策树棵数及候选特征向量个数进行优化。故障诊断实验结果表明,所提方法能较好地实现容差模拟电路故障诊断,与支持向量机(SVM)方法相比,表现出更好的分类性能;与小波(包)特征提取方法相比,简化了多维数据特征提取步骤,易于实现在线故障诊断。     

基于相对动态误差的轴承故障特征参数提取北大核心CSCD

轴承故障信号中存在有关故障的异常信息,对维护机械安全有着重大意义。轴承故障信号经小波包分解之后,故障的异常信息主要体现在分解频段的动态误差上,而各个频段的动态误差一般由标准差能量熵和标准差均值来描述。为了凸显轴承故障的区分特征,通过轴承故障尺寸去刻度动态误差,利用相应的轴承故障特征参数提取相对动态误差,是有效的处理方法。基于此思路,本文针对小波包分解后不同频段分量的标准差,计算其能量熵以及均值。然后把对应频段的标准差能量熵和标准差均值相加作为特征参数,在同一尺度下定性分析。同时把轴承信号不同频段的特征参数相加后的数值与轴承故障尺寸相比,通过产生的相对动态误差进行定量分析,最终实现对轴承故障的有效区分。实验结果表明,本文所提方法对轴承故障有很好的区分效果。     

基于小波高频系数统计特征的电路故障诊断

对故障电路进行特征提取与分类是模拟电路诊断的两个重要环节。现有方法多对时域响应信号进行小波变换以提取故障特征,并用神经网络或支持向量机方法实现对故障进行分类。为提高模拟电路故障诊断率,提出一种新的特征选取方法:在模拟电路的时域响应中对其进行小波变换,并对变换得到的高频细节系数统计平均值、标准偏差、峭度、熵和偏斜度等统计特征,并建立以支持向量机为分类器的故障诊断系统。以两种常见电路为例,实验结果表明,提出方法对常见电路进行故障诊断,准确率得到提升,精度达到99%以上,优于传统单纯小波系数分析方法,适用于模拟电路的故障诊断。     

Diagnostics of Filtered Analog Circuits with Tolerance Based on LS-SVM Using Frequency Features

Most researchers have used the optimal wavelet coefficients or wavelet energy indicators from the time-domain response of analog circuits to train support vector machines (SVMs) to diagnose faults. In this study, we have proposed two kinds of feature vectors from frequency response data of a filter system to train least squares SVM (LS-SVM) to diagnose faults. The first is defined as the conventional frequency feature vector, which includes the center frequency and the maximum frequency response. The second is a new wavelet feature vector that is composed of the mean and standard deviation of wavelet coefficients. Different feature vectors?? combination and normalization are also discussed in the paper. The results from the simulation data and the real data for two filters showed the following: (1) The proposed method has better diagnostic accuracy than the traditional methods that were based only on the optimal wavelet coefficients or wavelet energy indicators. (2) The diagnostic accuracies using the combined feature vectors were better than those using only the conventional frequency feature vectors or wavelet feature vectors. (3) The best accuracy from using the conventional frequency feature vectors was better than that from using wavelet feature vectors. The proposed method can be extended to diagnostics of other analog circuits that are determined by their frequency characteristics.     

基于小波包的故障信号特征提取的研究

讨论了交--交变频调速系统故障诊断的重要性,在当前的检测方法与故障诊断手段研究的基础上,提出了一种改进的小波包算法,并运用该算法对变频调速系统输出电流进行分析.该算法的计算量和占用的存储空间较标准的小波包算法均减少80%.同时,运用基于改进的小波包的频带能量法提取变频调速系统的故障特征,分析了小波包分解层次对特征量提取的影响.经过仿真证明,该方法适用于变频调速系统故障信号的特征量提取.     

模拟电路故障诊断的小波包预处理神经网络改进算法

提出了基于小波包预处理的神经网络模拟电路故障诊断方法的两种改进方法:最优小波包变换(OWPT)预处理和不完全小波包变换(IWPT)预处理BP神经网络算法。首先对模拟电路的响应信号用这两种方法进行预处理,然后计算预处理后信号各个频段上的归一化能量,把归一化的能量作为训练样本送给BP网络进行训练,有效减少了BP网络的输入节点和隐层节点的个数,从而减小了神经网络的规模,降低了计算的复杂度,加快了网络的训练和收敛速度。仿真实验表明此方法能够快速有效的对模拟电路的故障进行诊断和定位。