基于三维整数小波变换的高光谱图像编码方法

高光谱图像是一种数据量很大的三维图像,在存储和传输之前必须对其进行有效的压缩。本文提出了一种基于三维整数小波变换的高光谱图像压缩编码方法,首先利用三维整数小波包变换去除高光谱图像的空间和谱间冗余,然后对变换后的每个子带的小波系数构造子带重要性树,通过子带重要性树的分裂对小波系数进行三维嵌入零块编码,最后为了进一步提高编码性能,把编码输出的二进制符号送入算术编码器并结合高效的上下文模型进行熵编码。对4组场景的AVIRIS高光谱图像进行测试,结果表明该方法的编码性能略优于3DSPIHT和3DSPECK算法,同时该方法还支持高光谱图像从有损到无损的渐进传输。     

光栅纹影法二维层化流体密度场测量技术研究

提出了一种简单的流体密度梯度分布测量系统,该系统在传统纹影系统中引入计量光栅,将光线因流体密度变化引起的偏折转变为投影条纹图的变形,通过分析变形条纹图来提取流体密度梯度分布信息.在分析条纹图时,使用小波变换相位分析法,利用小波变换的局部化特性,有效消除无效数据的影响.实验结果表明:系统的密度梯度测量范围能够达到0.01 g/cm4,测量精度能够达到5×10-6 g/cm4.系统装置简单,调节方便,适用于密度变化大的流体密度梯度测量.     

基于小波相关特征尺度熵的预测特征信息提取方法研究

提出一种小波相关特征尺度熵WCFSE的预测特征信息提取方法。将小波相关滤波法与Shannon信息熵理论相结合,给出了沿尺度分布的WCFSE的定义及其计算方法。WCFSE定量表征不同尺度的能量分布,各尺度能量分布的均匀性反映设备运行状态的差别,选取最能反映故障特征的WCFse作为特征参数来判断设备运行状态。正常和几种故障程度不同的滚动体运行状态的识别结果验证了该方法的有效性和实用性。     

基于小波理论改进的灰色预测方法

提出一种基于小波分析理论的灰色预测方法，以此方法将非平稳时间序列分解到不同尺度上以减少原始序列的随机性，然后用传统的灰色预测模型对重构后的时间序列分别进行预测，最终得到预测值。利用该方法对旋转机械零件的裂纹扩展进行了动态预测，取得了良好的效果。     

基于提升小波的颤振图像边缘检测方法研究

这里基于提升小波理论重点研究了图像边缘检测问题，提出了一种新的图像多尺度边缘检测方法，该检测方法适用于多种线性或非线性双正交小波，具有运算速度快、检测精度高等特点；并基于此边缘检测技术，研究了飞机结构颤振的边界预测问题，给出了一种新的稳定性参数估计方法。     

基于余弦调频小波变换的滚动轴承故障研究

针对滚动轴承故障振动信号的特点，构造余玄调频小波，采用连续小波变换的方法来提取滚动轴承故障振动信号的特征，在此基础上提出了一种滚动轴承故障诊断方法：时间一小波能量谱自相关分析法。通过对滚动轴承具有缺陷的情况下振动信号的分析，说明时间一小波能量谱自相关分析法不仅能检测到滚动轴承故障的存在，而且能有效地识别滚动轴承的故障模式。     

基于小波免疫系统的超声无损检测数据判读研究

根据小波包分析和人工免疫系统的原理,提出了一种基于小波免疫系统的超声检测缺陷分类判读系统。针对小波包分析的特点,将其用来对超声回波信号进行分析,获取信号特征向量作为原始数据,利用匹配算法对原始数据进行自我-非我分析。将此系统应用到航空锻件缺陷分类判读中,取得了良好的效果。     

基于ICA和小波变换的滚动轴承故障诊断方法研究

提出了结合独立分量分析(ICA)和小波变换进行滚动轴承故障诊断的方法。在设计的系统平台上,首先对冲击脉冲信号进行预处理,使信号较好地满足独立分量分析的前提条件。然后,应用独立分量快速算法分离故障轴承的冲击脉冲信号,通过小波快速算法完成信号重构,实现滚动轴承故障的识别。实验结果表明,利用独立分量分析方法提取的故障状态特征向量与小波快速算法相结合可以有效、准确地识别滚动轴承的故障信号。     

基于小波包神经网络的发动机振动信号分析

为了有效地对发动机运行状态进行监测,提出了一种基于小波包和神经网络相结合的发动机故障诊断方法。以某微型车用汽油发动机为研究对象,建立基于振动信号分析的测试试验系统,采集发动机正常工况和故障工况的振动特征参数。通过小波包对其进行分解和重构,提取出表征发动机工作状况的特征向量,作为训练样本数据和检验样本数据,输入BP神经网络并对其进行训练, 实现了对所设发动机故障类型进行良好识别的预期效果。     

基于小波包最优熵与RVM的滚动轴承故障诊断方法

为解决滚动轴承振动信号信噪比低和故障分类准确性不高的问题,提出了小波包最优熵和相关向量机相结合的故障诊断方法。首先采用小波包对采集到的信号进行信噪分离,寻找分解后信号的最优小波包节点熵;然后提取最优节点能量作为训练样本,对相关向量机的多故障分类器进行训练,实现轴承的智能诊断。试验表明,该方法可简单有效地分离噪声,并具有良好的分类能力,可以很好地应用于轴承故障诊断。