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。     

基于小波包分析的声发射源定位方法

利用小波包分析技术，先对信号进行分解，再对衰减的信号在不同频率段内进行有效的补偿，然后对分解的信号进行小波包重构，利用互相关技术计算出时差，进而进行声发射源定位。此定位方法能有效地减小声发射源定位的误差，提高定位精度。     

天然气管道阀门内漏声发射信号特征研究

通过理论分析的方法建立阀门内漏过程中气体体积泄漏率与声发射信号特征参数均方根(AERES)函数关系,利用研制的实验平台进行了阀门气体内漏检测实验,利用小波包变换方法分别对球阀和截止阀内漏过程产生的声发射信号进行频谱特性分析研究,实验结果表明,经过3层小波包分解后的信号能量主要集中在12.5～75kHz。且声发射信号特征参数均方根(AERES)能有效反映气体体积泄漏率,因此可以利用声发射技术检测阀门是否内漏并估算其泄漏率。     

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。     

基于小波包分析的模拟天然气管道泄漏声发射定位

开展了模拟天然气管道泄漏检测与定位研究,研究利用小波包分析技术,首先对声发射信号进行分解,再对衰减的信号在不同频率段内进行有效的补偿,然后对分解的信号进行小波包重构,利用互相关技术计算两个声发射传感器接收到的声发射信号的时差,进而进行声发射源定位。对模拟天然气管道泄漏的声发射信号的处理结果表明该方法能够有效实现管道泄漏检测与泄漏源定位,并且泄漏源的定位精度高,误差〈8%。如能将这一技术改进并实现长距离管道泄漏检测与定位,将具有广阔的应用前景。     

基于小波包分解的数据融合损伤识别方法

目的为了充分利用来自多传感器的冗余、带噪声数据，提高结构损伤识别的精度．方法利用小波包良好的时一频特性，首先用小波包分解对结构响应进行处理．提取信号的不同特征参数，然后利用不同的特征向量对结构分别进行损伤识别，最后应用融合技术对不同的识别结果进行融合处理．并用一个七层钢结构框架的多损伤识别验证了该方法的有效性．结果结果表明，该方法能够极大地提高了结构损伤识别精度．结论运用小波包分析提取信号的特征参数与数据融合技术进行损伤识别．并使二者有机的结合是结构健康监测与检测的有效途径与发展趋势．     

小波神经网络技术在柴油机声信号处理中的应用

提出了利用小波分析和神经网络技术处理柴油机工作时产生的声信号,以对柴油机 进行故障诊断的方法．在实验台上模拟了喷油器的多个故障,并对柴油机工作时在汽缸盖 上方采集的声信号,利用小波分析和神经网络技术进行了详尽的分析,对各模式进行了成 功的判别．对利用声信号对柴油机进行故障诊断这一未成熟领域,在声信号的处理方法上 做出了成功的探索．     

重型车刀破损时声发射信号特征

通过切削试验，研究了重型车削过程中各种声发射源产生的ＡＥ信号的特征，着重讨论了重型车刀破损时产生的ＡＥ信号与刀具正常切削时刀具经过硬质点、夹渣、铲坑以及断续切削和切屑的断时产生的ＡＥ信号之间的差异，从而找到了由声发射信号来判定刀具破损的方法。     

基于经验模态分解和小波变换声发射信号去噪

为了解决声发射信号去噪问题,在分析经验模态分解去噪和小波阈值去噪优缺点的基础上,提出将二者相结合的去噪方法,包括IMF-Wavelet方法,EMD-Wavelet方法和Wavelet—EMD方法．利用标准信号及断铅模拟声发射信号对所研究方法进行了去噪性能分析．结果表明：对于标准信号,Wavelet—EMD方法无论在高信...     

小波包和GA-BP网络结合的红枣病害识别方法

针对传统人工枣树病害识别费时费力的问题,提出了一种小波包和GA-BP神经网络结合的快速识别方法.通过小波包去噪方法,消除病害图像采集过程中随机噪声产生的干扰,采用小波包分解系数矩阵的奇异值和小波包变换模极大值矩阵的奇异值构造特征输入参数,利用遗传算法优化后的BP神经网络建立红枣病害的识别模型.实验表明,小波包、遗传算法...     

融合小波包和神经网络的脑电信号处理方法

针对运动想象脑电信号处理中分类准确率较低的问题,提出了一种基于能量（二阶矩）小波包变换和莱文伯格-马夸特神经网络算法相结合的运动想象脑电信号处理方法.首先,利用能量方法对信号进行时域分析,选取有效的时序段;然后,使用小波包变换对所选有效时域段的各导信号进行时频分解,选取与想象任务相关的频段信息重构脑电信号特征;最后,将各导信号重构的特征串接,导入基于莱文伯格-马夸特训练算法的神经网络实现最终的任务分类.利用2个脑电信号标准竞赛数据库进行方法验证,分别取得了95.62%和90.13%的分类准确率.与近期的一些研究成果进行对比,可知该方法具有较好的分类效果.     

基于自适应小波神经网络的复杂系统模式识别方法

针对传统神经网络应用于复杂系统建模和辨识中存在的训练效率、精度瓶颈问题,提出了一种自适应小波神经网络方法(adaptive wavelet neural network,AWNN).首先,通过设计自适应层、综合层,使神经网络能根据待处理的系统的样本数据特征自适应工作于最佳工作区间;然后,通过将小波分析方法与对经典的基于误差反向传播算法的神经网络(back propagation neural network,BPNN)、径向基神经网络(radical basis function neural network,RBFNN)结合,保留了上述方法的优点,克服了传统神经网络方法各自的问题;最后,通过对BPNN、RBFNN和AWNN方法进行计算机仿真实验,验证了各算法的可行性、可达性和算法参数特性.实验结果表明:AWNN方法具有更快的收敛速度、更高的精度和更好的鲁棒性.     

小波包分解与Fuzzy ART神经网络在磨削振动监测中的应用

针对磨削加工的特点,通过小波包进行振动信号细化分解,提取各尺度能量作为特征量.利用无导师学习的Fuzzy ART神经网络进行振动异常的辨识,在发生未知模式振动异常时,网络将产生新的类报警.与传统监测方法相比,该方法能对已知和未知的振动异常进行辨识报警,在实际磨削过程监控应用中效果良好.     

基于小波包变换的眼电信号特征提取及分类

眼电信号是人机交互系统中的一种重要的信息源,该文提出了一种眼电信号特征提取与分类算法。首先研究小波包变换,提出以小波包分解系数作为眼电信号特征,通过支持向量机进行分类识别。在实验室环境下,采用该方法对6名眼部功能正常测试者的样本数据进行分类,平均识别率达到96.83%,具有很高的实用价值。