于小波包及小波神经网络的光纤熔接缺陷模式识别

介绍光纤熔接缺陷的识别在光纤通信中的重要意义。应用超声波探伤仪系统对光纤熔接点进行检测,针对缺陷信号特点提出利用小波包分析提取缺陷特征值和应用小波神经网络进行模式识别的方法,实现了从检测到的超声信号中提取出反映缺陷性质的相关信息,并通过这些信息对其进行分析,建立网络模型以实现缺陷定性识别。实验结果表明,小波包分析充分利用了缺陷回波信号的时域、频域信息,将频带进行多层次划分,对多分辨分析没有细分的高频部分进一步分解,并能够根据被分析信号的特征,自适应地选择相应频带,使之与信号频谱相匹配,从而提高了时-频分辨率,而小波神经网络良好的局部放大特性和多分辨率学习特性使缺陷的定性分类获得了较高的准确率。     

基于小波包多尺度信息熵的鱼类识别方法

提出一种基于小波包多尺度信息熵的鱼类识别方法。该方法首先对鱼体的回波包络信号进行小波包分解,得到分布在不同频段内的分解信号,并提取各个频带内信号的信息熵作为识别特征量。对三种常见的不同形状的鱼类进行了水池试验,提取多尺度信息熵,并使用BP神经网络分类器成功进行了分类。结果表明:利用小波包多尺度信息熵作为特征量,可对不同形状的鱼类进行识别,且具有较高的识别率。     

改进的基于小波包变换的语音特征提取算法

针对语音信号的非平稳特性,传统的应用短时分析技术容易丢失信息的现状,提出了一种利用小波包变换的技术对语音信号的共振峰特征（FDWPT）进行提取的方法。对整个语音信号进行多分辨分析的小波包变换,这样可以得到每个频带的小波分解值,结合共振峰的频率特性,选取适当的小波包分解结点,对这些结点建立共振峰参数,使用矢量量化模型进行识别,从而提高了说话人识别的效果。     

基于小波-神经网络技术的电机故障模式识别与诊断

针对电机震动信号的频谱特点,提出基于小波-神经网络技术的电机故障模式识别与诊断的新方法.利用小波包可进行多维多分辨率的特性,对电机振动信号进行分解与重构,获得震动信号的突变信息,实现电机状态的特征提取.对提取出的特征,用ART2神经网络进行状态分类,进而诊断故障类型,并利用这种方法进行仿真试验,通过对仿真结果的分析证实这种诊断的可行性.     

基于小波一神经网络技术的电机故障模式识别与诊断

针对电机震动信号的频谱特点，提出基于小波神经网络技术的电机故障模式识别与诊断的新方法。利用小波包可进行多维多分辨率的特性，对电机振动信号进行分解与重构，获得震动信号的突变信息，实现电机状态的特征提取。对提取出的特征，用ART2神经网络进行状态分类，进而诊断故障类型，并利用这种方法进行仿真试验，通过对仿真结果的分析证实这种诊断的可行性。     

小波神经网络在缺陷数据压缩和信号重构中的应用

首先介绍了小波神经网络理论．并在BP算法的神经网络学习方法的基础上二．将小波神经网络应用到基于频率扫描技术的交变磁场测量无损检测系统中．通过神经网络提取相应的权重因子、以及构成小波基的尺度参数和与之对应的平移参数．实现缺陷有用数据的压缩；在缺陷数据重构中．利用上述特性参数并结合信号的特征值．对信号进行拟合，解决了缺陷场大量数据的保存问题以及缺陷识别模型神经网络学习样本资源不足的问题。     

基于小波-神经网络的电机振动故障诊断

针对电机振动信号的频谱特点,提出基于小波-神经网络技术的电机故障模式识别与诊断的新方法。利用小波包的多维多分辨率特性,对电机振动信号进行分解与重构,获得振动信号的突变信息,提取与电机故障相关的特征信息,将其作为特征向量输入ART2神经网络,对其进行训练。经过训练后的神经网络可对电机工作状态进行在线监测和实时故障诊断,并在转子实验台上进行了模拟故障仿真试验。通过对仿真结果的分析,证实这种诊断方法的可行性。     

基于小波包变换的电力系统谐波分析

传统的基于傅立叶变换的谐波检测方法不具有时间分辨能力,小波和小波包变换因其良好的时间局部化特性,成为电力系统谐波分析的有力工具.本文分别用小波变换和小波包变换对电网谐波信号进行了检测,小波包变换建立在小波变换的基础上,可以实现信号频带的均匀划分,能更好地提取信号的时频特性.仿真结果显示两种方法均能有效的分离基波和谐波,小波包变换能根据要求分离任意次谐波,仿真分析中指出了两种分析方法的缺点.     

基于小波包能量熵的电能质量扰动识别

提出了一种基于小波包能量熵的电能质量扰动识别方法。该方法对仿真的扰动电压信号进行4层小波包分解,提取小波包能量熵特征向量,利用主分量分析法提取电压信号的小波包特征向量并输入到概率神经网络(PNN)进行扰动识别,实现了扰动样本的最优压缩,简化了扰动分类中神经网络分类器的结构,提高了神经网络扰动识别的速度和精度。仿真结果表明,该方法具有良好的扰动识别能力。     

基于多小波包的齿轮故障诊断方法研究

提出了一种全新的基于多小波包的齿轮箱故障诊断方法。在机械故障诊断领域,小波分析已经被应用在利用齿轮振动信号进行的故障诊断中。由于小波函数空间在高尺度上频带较宽,因此隐藏在信号中的在较高频段发生的窄带故障信号的频率成分不能被精确地诊断。提出的多小波变换,通过划分小波变换不同层的频带克服了单小波(标量小波)系统的这种缺陷。通过多小波包变换,可以自动并精确地划分不同小波包结点的频率段,从而对频率段较窄的瞬变故障信号进行精确的诊断。对齿轮箱的仿真实验结果表明,应用多小波包系统,不但可以对齿轮系统中包含瞬变现象的故障信号进行诊断,而且可以精确确定齿轮中坏齿的位置。     

小波包在故障诊断中的应用

主要研究小波包变换和神经网络相结合的故障诊断技术。首先利用小波包的多分辨率分析的特点,对故障信号进行多尺度的分解,正交和归一化处理后,根据主成份分析原理提取故障特征向量作为神经网络的训练样本,设计故障类型识别器。仿真结果证实了该方法的有效性和可行性。     

基于多小波包的齿轮故障诊断方法研究

提出了一种全新的基于多小波包的齿轮箱故障诊断方法.在机械故障诊断领域,小波分析已经被应用在利用齿轮振动信号进行的故障诊断中.由于小波函数空间在高尺度上频带较宽,因此隐藏在信号中的在较高频段发生的窄带故障信号的频率成分不能被精确地诊断.提出的多小波变换,通过划分小波变换不同层的频带克服了单小波(标量小波)系统的这种缺陷.通过多小波包变换,可以自动并精确地划分不同小波包结点的频率段,从而对频率段较窄的瞬变故障信号进行精确的诊断.对齿轮箱的仿真实验结果表明,应用多小波包系统,不但可以对齿轮系统中包含瞬变现象的故障信号进行诊断,而且可以精确确定齿轮中坏齿的位置.     

摩擦焊接头超声波检测缺陷信号智能识别

为使超声波无损检测准确识别摩擦焊接头的弱结合缺陷,本文利用小波包分析法分析处理超声波检测的回波信号,利用“能量-故障”法提取各检测信号的信号特征,将信号特征向量作为输入量引入到利用改进算法所构建的信号识别神经网络中,使其对接头中的缺陷进行后端分类和识别处理,从而实现了摩擦焊接头缺陷的智能识别。实验结果表明该方法具有较高的准确度。     

基于小波包分析的图像去噪处理

小波分析是一种信号的时间一频率分析方法。而小波包分析是建立在小波分析的理论基础上将信号的高低频成分分开,为信号提供一种更加精细的分析方法。根据被分析信号的特征,自适应地选择相应频带,使之与信号频谱相匹配,从而提高了时一频分辨率。它在信号消噪方面有着显著的效果。本文简述了小波包分析的原理,并基于matlab实现了对二维图像信号进行消噪。     

基于小波包分析及神经网络的汽轮机转子振动故障诊断

根据Bently实验台所采集的碰摩、松动、不对中、不平衡4种典型汽轮机转子振动故障信号,运用小波包分析方法对其进行能量分析并提取故障特征.分析结果表明:小波包分析与信号能量分解的故障特征提取方法,可以获得汽轮机转子振动的故障状态,有较好的故障区分度;另外由于经过小波包分解再重构后所提取的故障特征参数浓缩了汽轮机转子振动故障的全部信息,而BP神经网络具有优良的非线性映射能力,对提取的故障特征参数应用BP神经网络映射,可对汽轮机转子振动故障进行进一步的诊断.诊断结果表明:基于小波包分析及神经网络的故障诊断方法,具有较高的故障识别能力.     

基于小波和神经网络的异步电机转子故障诊断方法研究

基于小波包变换的频率划分特性．对定子电流的Park矢量模信号进行小波包分解，建立了转子断条的故障特征矢量，准确地提取了转子断条故障的特征信息．克服了传统基于FFT分析方法难以提取故障特征频率分量的难点，结合BP神经网络非线性映射及分类识别的优点，将BP神经网络应用于电机转子断务故障的识别，实验结果表明，该方法可实现转子断条故障的可靠诊断。     

基于小波神经网络的模拟电路故障诊断技术

文章提出了一种基于小波神经网络的模拟电路故障诊断方法:通过分析被测电路的冲激响应来识别电路中的故障元件,利用小波理论中的多分辨率分析的方法提取出相应信号中的故障特征,组成特征向量后输入神经网络进行训练,实现故障诊断;该方法减少了神经网络的输入、简化了其结构、并缩短了训练和处理时间,文中分别用小波神经网络和传统的BP神经网络对实例电路进行故障诊断,仿真结果发现:小波神经网络相比BP网络方法收敛速度更快,诊断率更高。     

基于小波分析的脑电智能诊断应用与研究

根据小波分析的多分辨率特性,重点分析了多分辨率特性在脑电诊断中的应用.首先确定小波函数和分解层数,进行小波变换,对脑电高频低频进行小波变换重构信号,接着基于在不同尺度下伪迹和异常波不会完全相同的原理,将脑电信号分解到各个尺度上.把分解后的脑电信号输入神经网络进行识别,最终输出异常波的识别结果.     

基于小波包分析和BP神经网络的中医脉象识别方法

利用小波变换具有揭示信号时频两域细节和局部特征的能力,提出了将脉象信号的小波包分析和BP神经网络相结合以达到识别中医脉象的新方法。首先对脉象信号作三层小波包分解,利用小波包分解系数重构信号。然后计算第三层从低频至高频八个频带的信号能量,以此能量构造出脉象信号的特征向量送入改进的BP神经网络进行训练。大量样本的实验证实该方法具有识别正确率高、速度快的优点。     

基于小波分析的故障系统在旋转机械中的应用

就小波分析技术在旋转机械故障诊断应用中的故障特征提取问题进行了深入研究,提出了基于小波奇异性及小波变换模极大值的故障特征提取方法,通过对故障信号与小波变换的多分辨率方法以及奇异性理论相结合进行研究,发现小波分析便于对信号的总体和局部进行刻画;利用小波变换对信号的分解和重构特性,可有针对性地选取有关频带的信息以及降低噪声干扰,通过对重构信号的频谱分析能更有效地提取裂纹故障的典型特征。结果表明,对于旋转机械的非平稳信号来说,利用小波变换方法进行故障诊断是行之有效的。