基于Haar小波变换的重力场方向性适配区选取方法

水下重力场适配区的选取在重力匹配导航系统中起着至关重要的作用,传统适配区选取方法通常以重力场区域统计特性作为评价标准,而存在对方向适配性特征描述不准确的问题,在适配区中往往存在某一航向轨迹的匹配精度大幅下降的情况。针对此问题,提出一种基于Haar小波变换的方向性适配区选取方法,将小波变换后得到的高频信息图进行再组合,从而得到针对于任意指定航向的重力高频信息图。通过对某一海域的船载重力数据进行实验验证,基于所提方法可以根据当前航向选取出更具有针对性的适配区域,适配区内匹配率提升6.3%。所提出的方法不仅解决了现有适配区选取方法对方向适配性描述不准确的局限性,而且为潜航器选择以何种航向进入适配区起到了指导性作用。

双流耦合构型混合动力拖拉机旋耕工况控制策略研究

大功率拖拉机作业时载荷冲击会造成发动机的输出转矩大范围波动,为减小载荷冲击对拖拉机动力单元的影响,提出以发动机和双电机为动力源的拖拉机双流耦合动力系统构型,以减小载荷冲击引起的动力传动系统换挡频次。基于Haar小波分解提出了基于功率预测的转矩分配策略,首先记录拖拉机的作业参数,基于径向基神经网络对拖拉机旋耕作业时的功率需求进行预测,由Haar小波变换确定高频和低频转矩需求值的范围,并分别由电机和发动机提供。最后,通过硬件在环试验对提出的动态转矩分配进行了可行性验证,测试结果表明:提出的基于神经网络功率需求预测模型对行驶端和动力输出端(Power take-off,PTO)的功率进行预测,实际值和预测值均方根误差分别占最大功率的7.6%和7.9%;提出的转矩分配策略能够应对拖拉机旋耕时的载荷波动。发动机转矩波动与传统构型相比减小35.0%,有效地缩小了发动机转矩波动范围,缓解了拖拉机作业时载荷冲击对发动机的影响。

应用小波通道注意力网络的地震数据重建方法

重建缺失的地震道是地震数据处理的关键环节之一。近年来提出了多种基于深度学习理论的地震数据重建方法。然而,这些方法中常用的卷积运算只能捕捉到地震数据的局部特征,没有充分利用全局信息。另外,池化操作也会造成特征图信息的丢失,从而破坏地震反射的细节特征。为此,提出了基于小波通道注意力网络的地震数据重建方法。哈尔(Haar)小波变换能够有效提取信号的多尺度特征,并在上采样过程中避免信息的丢失;高效通道注意力模块通过对不同通道特征图之间的相关性进行建模,能实现全局信息的充分利用。合成和实际地震数据的实验结果表明,与具有代表性的深度学习方法相比,文中所提出的网络模型可以产生更准确的重建结果。

基于信息熵和Haar小波变换的开关电流电路故障诊断新方法

针对开关电流(SI)电路的故障诊断和定位问题,为进一步提高故障准确率,提出了基于信息熵和Haar小波变换的开关电流电路故障诊断新方法。该方法采用伪随机信号激励经蒙特卡罗分析、Haar小波正交滤波器分解和信息熵及模糊集的计算来实现故障特征的提取,以减少信号的冗余。最后构建故障字典,完成各故障模式的故障分类。对六阶切比雪夫低通滤波器进行了仿真实验验证,获得了100%的故障诊断准确率,与其它方法进行比较,实验结果显示了本文方法的优越性。

基于Haar小波变换和分块DCT的人耳识别

提出一种新的对人耳图像进行降维的方法。先对人耳图像进行二维的离散小波分解,然后再对小波分解后得到的低频信息施行分块离散余弦变换,进而获得图像的特征向量。实验证明,该方法与模式识别领域中广泛应用的PCA-LDA方法相比,在识别率大体相当的前提下,具有计算量小、降维速度快的优点,是对人耳图像进行特征提取的一种有效的手段。

用整数Haar小波变换和分块DPCM实现静止图像数据的信息熵保持型压缩编码

本文首先讨论了整数Haar小波的构造方法 ,然后利用分块DPCM与整数Haar小波变换进行信息保持图像数据压缩 ,该方法可进行实时处理 ,硬件实现简单 ,可并行处理 ,实验结果表明 。

基于Haar小波和模糊逻辑的纸币图像特征提取方法

针对如何提取纸币图像特征的问题,提出了一种基于离散Haar小波变换和模糊逻辑相结合的纸币特征提取方法。该方法首先使用Haar小波对纸币图像进行分解操作,提取出图像的低频小波系数、高频小波系数。在此基础上引入模糊逻辑方法,把提取的小波系数分别作为语言变量,并构造出相应的隶属度函数,在模糊特征空间中求出每个模糊区域对应的激活强度值,将这些激活强度值进行归一化处理后构成纸币特征向量,使用神经网络分类器对纸币进行识别。此方法在资源约束的嵌入式系统(TI TMS320C6713 DSP)上实现,实验结果表明,离散Haar小波变换和模糊逻辑相结合的特征提取方法可以取得较高的识别率。

基于局部线性嵌入和Haar小波的人脸识别方法

为了抑制局部线性嵌入算法对噪音的敏感性,结合Haar小波变换,提出了一种人脸识别的新方法。利用Haar小波变换将原始图像数据分解为高频分量和低频分量,忽略水平高频与垂直高频分量,并将低频分量按行堆叠的方式引入其原始图像数据中。通过LLE对该图像数据进行降维,求得训练和测试样本各自对应的矩阵。依据最近邻准则完成人脸识别。基于ORL与Sheffield人脸数据库的实验结果表明了该方法对改善传统LLE算法识别率的有效性。

基于改进形态Haar小波在输电线路故障测距中的应用研究

提出将改进形态Haar小波(IMHW)用于输电线路行波测距中。从信号的时域上提取奇异点,能够较为快速和准确地定位奇异发生的时刻,适合应用于输电线路故障测距。大量ATP仿真结果表明采用基于IMHW变换的行波测距能够准确地提取行波信号的波头位置,具有较高的测距精度。IMHW变换主要是加减和取极值运算,与经典Mallat小波算法相比,该算法具有结构简单,算法量较小,易于工程实现的特点。

整数Haar变换结合DPCM的无失真图像压缩

讨论了整数Ｈａａｒ 小波的构造方法，在此基础上提出了一种整数Ｈａａｒ 小波与ＤＰＣＭ 相结合的无失真图像编码方法，该方法运算速度快，硬件实现简单，与ＡＲＪ和ＪＰＥＧ 中使用的无失真编码方法相比，压缩比平均提高了１２ ％

基于Haar小波和保局投影的人脸识别

运用保局投影(LPP)算法进行人脸识别时,噪声会破坏真实流形。为此,提出一种解决噪声的新方法——HaarLPP方法。该方法利用Haar小波变换降低噪声的影响,运用LPP算法进行降维,依据最近邻准则完成人脸识别。基于AT&T与Sheffiled人脸数据库的实验结果表明,该方法在噪声的敏感性方面优于传统LPP算法。

基于Haar小波变换的快速指纹识别算法

指纹中不同的空间频率和纹理方向代表了指纹图像的内在特征。为了提取这些特征,提出了基于Haar小波变换的快速指纹识别算法。该算法在提取指纹特征有效区域的基础上,直接对指纹灰度图像进行Haar小波变换以获取指纹特征向量。与传统的基于指纹细节特征的识别算法相比大大减少了计算量。另外,还将指纹识别算法移植到嵌入式安全领域。在基于Arm7处理器(主频100MHz)架构的嵌入式平台上,对FVC2000标准指纹数据库进行了实验,得到了很好的FAR,FRR关系图,并且整个识别过程耗时在1 s左右。实验结果表明,本文算法在快速指纹识别方面是成功的。

基于Haar小波变换的渐弃型废弃河道相识别

针对测井曲线进行沉积微相分析和渐弃型废弃河道微相计算机自动识别的问题,提出基于Haar小波变换的测井曲线沉积微相和渐弃型废弃河道识别的方法.在该方法中,应用小波分解将测井曲线的信号分解为宏观特征信息、细节信息和噪音信息三部分;将渐弃型废弃河道和普通河道作为同一类,利用Bayes判别分析对经小波变换后得到的SP、RMN、RMG曲线的宏观特征信息建立其判相模型,通过该模型将渐弃型废弃河道和普通河道与其他沉积微相进行分离;利用渐弃型废弃河道和普通河道沉积微相在微电极幅度差上的差异,将RMN–RMG值与地层深度建立拟合曲线,利用曲线的斜率为判相依据,识别出渐弃型废弃河道和普通河道.采用C/C++语言在C++Builder平台上编写了本方法的应用程序,实现了从测井曲线沉积微相分析到平面相图自动生成的计算机化.该方法已被应用于大庆油田南二区东块1 480口井和南一区20口井的测井曲线分析处理,其结果与人工识别成果对比表明准确率达80%以上,能满足油田实际生产的要求.

基于Haar小波变换和ARIMA-RBF的天然气时负荷预测

针对天然气时负荷预测问题,提出了一种基于Haar小波变换和ARIMA-RBF的天然气时负荷组合预测模型。首先,对天然气时负荷数据样本时间序列进行小波分解,采用Mallat快速算法,母小波为Haar小波,对分解出来的高频分量进行ARIMA预测,低频分量进行RBF预测;其次,对高频分量预测结果和低频分量预测结果进行Haar小波重构;最后,以某市实际采集的天然气时负荷为例进行研究,并与自组织特征映射(Self-organizing Feature Map,SOFM)网络和多层感知器(Multilayer Perceptron,MLP)网络(SOFM+MLP)组合预测模型进行对比分析。结果表明,组合预测模型较SOFM+MLP预测模型的MAPE值指标高出2.593 2%,预测精度显著提高,为实际工程的在线应用提供了有益参考。

边Haar子波的光学实现及图像边特征提取

提出一种应用４ｆ 系统制作边 Ｈａａｒ 子波匹配滤波器从而实现光学子波变换的新方法．在傅里叶平面引入正弦光栅，使输入平面两个方孔的正负一级衍射像边缘密接，且位相相反，达到子波要求的极性．给出了理论分析和提取图像边特征的实验结果．

基于双Haar小波软阈值去噪的阈值选取

基于双Haar小波提出了一种新的去噪方法 .尽管Donoho对软阈值去噪提出了一个计算阈值的公式 ,但它并不适合双Haar小波 .针对这一问题提出了一种适于双Haar小波变换以及其它非正交小波基的阈值选取方法 ,实验证明此阈值的选取是有效的 .

基于分块形态Haar小波变换的盲水印算法

提出了一种基于形态Haar小波变换的数字水印算法。该算法对载体图像按分块进行形态Haar小波变换,水印的嵌入和提取在子块的形态小波域中完成,每个子块嵌入水印的一个像素信息。该算法能实现水印的快速盲提取。实验证明,与分块DCT法和分块DWT法相比,算法不仅简单快速,而且大大提高了水印的不可觉察性和鲁棒性,在抵抗噪声攻击方面更有优势。

基于形态Haar小波变换的多聚焦图像融合

针对多聚焦图像融合问题,提出一种基于形态Haar小波分解和重构的新方法。通过形态Haar小波分解源图像,在低频分量中保留图像边缘和细节,并采用加权平均法进行融合。高频分量先经Gauss滤波去除噪声和边缘效应,再按取大值的原则进行融合。结合形态Haar小波重构融合后的高低频系数获得融合图像。实验结果表明,该方法能最大限度地保留图像边缘和细节信息,与总体平均法和小波变换法相比,融合图像的熵较大,总体交叉熵较小。

Haar小波变换在变速器齿轮故障诊断中的应用

推导和证明了Haar小波连续小波变换时间和尺度的周期性 ,指出这种周期性可以提取出信号中的周期成分 ,并且使谐波和冲击信号在时间 -尺度域中有不同的图形特征。因此根据这些特性可以识别齿轮裂纹产生的冲击和刚度变化 。

基于Haar特征级联强分类器和肤色模型的人脸检测

提出了基于Haar特征级联强分类器和肤色模型校验的快速人脸检测算法。利用基于人脸Haar特征的级联强分类器快速检测人脸,得到待判人脸区域,其中可能含有非人脸误检区域;利用肤色聚类模型对待判人脸区域进行筛选,过滤误检的非人脸区域。实验结果表明,该算法误检率低,检测速度快,在实际应用中有一定的价值。