模拟数字电路故障诊断新方法

利用小波变换与神经网络相结合的方法,采用能量分布特征提取方法和改进BP算法,给出了一种基于小波变换和BP神经网络相结合的模拟电路故障诊断方法.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.在用神经网络诊断模拟电路的基础上,进行了将神经网络用于数字电路单故障诊断的研究.对两者的实例电路仿真结果表明,神经网络可以有效、方便地实现电路的故障检测和定位,准确率高,为故障诊断的研究提供了一种新思路.     

直升机声信号的检测和识别

详细介绍了一种基于小波包和神经网络的新算法，用于对直升机声音信号检测并且识别机型。具体方法是对采集到的声音样本利用小波包分析提取特征向量，把这些特征向量输入反向误差传播（Back Propagation，BP）神经网络训练，用训练好的检测神经网络进行直升机的检测。检测完毕，证实是直升飞机声信号后，再通过识别神经网络区分不同型号直升机。实验表明，此方法能利用小波包时频局部聚焦分析能力和BP神经网络的自适应能力，较好地对不同型号的直升机声信号进行有效地检测和识别。因此。基于小波包和神经网络的直升机检测和识别算法不仅可靠而且是可行的。     

一种基于小波神经网络的缺陷检测新算法

运用多分辨分析对缺陷检测信号进行小波分解和重构,消除信号中的噪声,再基于多分辨分析提取检测信号的特征量。选取B-小波为小波基构建了断丝定量识别的小波神经网络模型,并运用该小波神经网络对缺陷检测信号进行了检测,试验结果证明了小波神经网络能够较为理想地完成缺陷信号的智能化检测,对断丝位置及断丝根数能实现无人工干预的自动识别,比传统的断丝识别方法准确率提高了很多。     

基于小波包分析与BP神经网络的氧化铝熟料检测

利用小波包分析与BP（Back Propagation）神经网络相结合的算法,对氧化铝熟料检测的应用进行了研究。通过对回转窑中的氧化铝熟料下落碰撞窑壁产生的声音信号进行采集,利用小波包分析提取特征向量,根据氧化铝的烧结状况与声音信号特征向量的对应关系,提出建立BP神经网络模型。经过MATLAB对测试样本进行验证,结果表明BP神经网络模型在氧化铝熟料检测的可行性,而且具备一定的准确率。     

基于油液在线监测的风机齿轮箱磨损状态识别

针对风机齿轮箱磨损状态识别中传统算法识别准确率低的问题,该文提出了一种基于BP神经网络的风机齿轮箱磨损状态的识别方法。该方法基于油液在线监测的多维数据样本,构建BP神经网络风机齿轮箱磨损状态识别模型。仿真实验中,在经过对测试数据学习训练后,BP神经网络和传统聚类算法分别对一组测试数据进行磨损状态识别,BP神经网络模型的风机齿轮箱磨损状态识别准确率可达到98%,而相同样本下,传统聚类算法的识别准确率仅为90.4%。对比实验结果表明,所提方法具有更高的识别准确率。     

基于导波模态对称曲线的管道近焊区缺陷识别

研究了模态对称曲线辅助识别管道近焊区缺陷的可行性。通过建立导波检测系统,基于导波模态对称检测理论,设计模态对称算法并绘制模态对称曲线,用于管道近焊区缺陷的识别,采集管道近焊区缺陷试验信号进行分析。结果表明,管道近焊区导波模态对称曲线幅值在缺陷处升高,且随着缺陷的截面积比的加大而增高。通过对回波信号进行小波包能量谱分析,发现回波信号的能量在缺陷处聚焦,验证了用模态对称曲线辅助识别管道近焊区缺陷的有效性。     

Morlet小波变换结合MLP神经网络的齿轮箱故障检测方法

针对变速齿轮箱中的故障检测问题,提出了一种结合Morlet小波变换和多层感知器(MLP)神经网络的齿轮故障检测方法。利用角域技术,将时域中齿轮故障的非平稳振动信号转化为角域中的平稳信号。然后,利用进行Morlet小波变换并从小波系数中提取统计特征。同时根据最大能量与香农熵比来确定连续小波变换(CWT)的最优尺度,以此来缩减特征量,并将小波系数的能量和香农熵作为两个新特征添加到特征向量。最后,利用MLP神经网络对输入特征进行分类,从而检测故障。实验结果表明,该方法故障检测准确率高,且计算速度快。     

基于小波变换与BP神经网络的模拟电路故障诊断

利用小波与改进算法的BP神经网络相结合的方法进行模拟电路故障诊断,该方法使用小波分解作为预处理工具,对信号进行消噪和小波分解,然后提取特征信息,进行归一化处理,并作为BP神经网络的输入样本进行模式识别。该方法减少了神经网络的输入维数,提高了收敛速度和辨识故障的能力。仿真结果表明,该方法能准确快速地定位故障,且可有效地进行故障识别、改善神经网络结构以及提高故障诊断精度与速度。     

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。     

开关柜局部放电信号降噪与缺陷识别研究

文中采用暂态地电压法(TEV)进行检测,设计了四种典型的缺陷模型并搭建试验平台,分别对局部放电缺陷模型进行了实验。由于变电站现场环境复杂,需要对采集的信号进行信号降噪。针对以往小波降噪都是按照经验采取固定的分解层数的问题,提出一种Mallat算法结合最优分解层数自适应算法对含噪信号进行分离与重构,结果显示该算法可以很好地滤除噪声。对重构后的局放信号提取八种时域特征参数,并采用BP神经网络对开关柜局部放电的类型进行识别,当误差准确率δ=0.002时,放电类型的识别正确率最高,能够达到97%。     

基于小波域和BP分类器的舰船目标的分类研究

利用小波变换处理水下舰船的辐射噪声,提取舰船辐射噪声的小波子带能量,作为目标特征,结合BP神经网络分类器,实现目标分类.通过大量的实验仿真验证,使用小波子带能量作为目标的特征,将BP神经网络作为分类器识别目标的分类方法是有效的,具有良好的工程应用前景.     

通信信号调制识别方法研究

将小波特征提取和BP神经网络理论相结合,设计一种新的调制识别方法。针对非稳定、大信噪比(SNR)变化的通信信号进行了有效的特征提取和分类,实现了通信信号调制方式的识别。收敛速度慢是传统BP算法存在的主要问题,为此提出Levenberg-Marquart算法对其进行改进。实验结果表明,收敛速度及识别正确率得到明显改善。     

小波滤波与AR模型在脑电信号处理的应用

针对脑-计算机接口技术中的脑电信号处理、事件相关同步和事件相关去同步的特点,提出了一种基于离散小波滤波和AR模型来提取脑电信号特征向量的方法。利用Daubechies类小波函数对脑电信号进行4层分解,然后使用Burg算法提取脑电信号8阶AR模型系数,最后用BP神经网络进行分类和比较。得到最优的正确率为71.64%,小波滤波的效果要优于FIR滤波器。     

一种基于BP神经网络算法PID控制器的研究与仿真

文中将BP神经网络的原理应用于参数辨识过程,结合传统的PID控制算法,形成一种改进型BP神经网络PID控制算法。该算法利用BP神经网络建立系统参数模型,能够跟踪被控对象的变化,取得较高的辨识精度。针对BP神经网络对权系初始值敏感的缺点,优化BP神经网络的初始权系数。通过BP算法修正BP网络自身权系数,实现PID参数的在线调整。仿真结果显示了该算法收敛速度快、精度高、鲁棒性强、稳定性好,表明了该算法的可行性与有效性。     

基于Gabor小波特征的磨粒图像识别新方法

文章给出了一种基于Gabor小波纹理特征的磨粒图像识别新方法,主要是利用Gabor小波设计了一种多通道小波滤波器,对磨粒图像直接进行小波变换,用Gabor小波变换系数的模的平均值和其标准方差来表示抽取的图像特征。把获得的小波特征归一化后输入到改进的BP神经网络分类器进行分类识别。最后,对磨粒图像进行了一系列的仿真实验,结果表明,识别正确率在91%以上,并且识别速度很快。     

Wavelet Neural Network for Handwritten Manchu Character Unit Recognition

The Manchu character recognition method based on Manchu character unit is an efficient method. In this method, the recognition accuracy rate of Manchu character unit has great influence on the final recognition result. As new approach to solve this problem,a hybrid wavelet neural network scheme has been developed as an assistant method combine with the original combo - distance method. Due to the properties of the wavelet neural network,the training problem can be transformed into a convex optimization process,therefore the global minimum can be obtained and the learning speed is increases. Both the learning samples set and testing samples set are used, experimental results demonstrate the combine method based on the wavelet neural network is more efficient than the single combo - distance method.     

基于类脑脉冲神经网络的光纤油气管道监测

为了提高光纤油气管道监测效果,采用类脑脉冲神经网络算法。首先通过累加平均法对光纤传感器振动信号进行消噪;接着利用小波包对振动信号频带分解,将信号在频域上平均分为８个频段,把各频段的能量占比作为神经网络训练输入;然后基于脉冲响应对类脑神经元设计,神经元连接的强度与前、后神经元激活时间差函数关系非线性设计,振动输入数据与神经元脉冲转换;最后给出了算法流程。实验仿真显示本文算对单一振动信号识别准确率在9587左右,两种振动混合信号识别准确率在9052左右,指标优于其他算法,同时定位误差小于其他算法。     

基于SVM方法的神经网络呼吸音识别算法

提出了一种神经网络的SVM(支持向量机)呼吸音识别算法,将通过小波分析得到的呼吸音特征输入神经网络,作为SVM方法的特征输入,对训练样本进行训练,再对测试样本进行分类识别。对于呼吸音反映的3种状态（正常、轻度病变和重度病变）进行了识别,同时与K最近邻(KNN)方法进行比较。实验结果表明,SVM方法具有较高的识别精度,能够对呼吸音状态进行识别,同时在此领域也验证了在神经网络方法中无法避免的局部极值问题。提示基于SVM方法的神经网络呼吸音识别算法有较好的精度,可为身体局域网技术提供信息处理的有效算法。     

Rapid identification of rice seed based on inverse Fourier transform of laser-induced breakdown spectroscopy

The identification of rice seeds is crucial for agriculture production. An inverse Fourier transform (IFT) method based on laser-induced breakdown spectroscopy (LIBS) is proposed to identify five kinds of rice seeds. The LIBS data of the samples were preprocessed by inverse fast Fourier transform (IFFT), and the time-domain signals of rice seeds were obtained. The back propagation (BP) neural network was used to establish full spectrum, segmented spectrum, time-domain full spectrum and time-domain segmented spectrum discrimination models. Compared with the original spectrum, the time-domain spectrum can significantly improve the identification accuracy. The time-domain full-spectrum identification accuracy reached 95.28%, and the time-domain segmented spectrum identification accuracy reached 94.36%, whose identification time was only a few seconds. The results demonstrate that LIBS detection technology combined IFFT and BP neural network is fast and accurate, which provides a new idea for batch detection of rice seeds.