基于小波包分解的意识脑电特征提取

针对2种不同意识任务(想象左手运动和想象右手运动)的脑-机接口(brain-computer interface,BCI)设计,提出了基于小波包分解的特征提取方法。首先深入研究了小波包变换,结合事件相关去同步化(event-related desynchronization,ERD)/事件相关同步化(event-related synchronization,ERS)现象,提出以小波包分解系数来考虑特征,然后对C3、C4导联脑电信号进行小波包分解系数方差和相对能量2种特征的提取,最后采用最简线性分类器进行分类。结果表明,2种特征对应的最大分类正确率均达到了85%,对应时间分别为4.34 s和4.39 s。因此,在保证分类正确率的前提下,所提方法更加简单和有效,为大脑意识任务分类提供了新思路。

基于小波包分析的激光陀螺信号滤波方法

各种随机噪声是激光陀螺误差的主要来源。为了减少激光陀螺的随机误差,提高其测量精度,介绍了基于小波包分析的滤波方法,研究了小波包分析和滤波的原理、熵标准和阈值函数的选取,比较了选择不同熵标准、阈值函数对激光陀螺信号滤波的效果,并采用Allan方差法分析滤波效果。结果表明基于小波包分析的滤波方法能有效减小随机误差,提高激光陀螺的测量精度。

多类运动想象脑电信号特征提取与分类

针对多类运动想象情况下存在的脑电信号识别正确率比较低的问题,提出了一种基于小波包特定频段的小波包方差,小波包熵和共同空间模式相结合的脑电信号特征提取的方法,并将特征向量输入到支持向量机中达到分类的目的;首先选择重要导联的脑电信号,进行特定频段的小波包去噪和分解;其次对通道优化的重要导联的每个通道信号计算小波包方差和小波包熵值作为特征向量;然后对所有重要导联的分解系数重构并进行共同空间模式特征提取;最后结合2种不同导联方式所获取的特征向量作为分类器的输入进行分类;采用BCI2005desc_IIIa中l1b数据进行验证,该算法的分类正确率最高达到88.75%,相对2种单一的提取方法分别提高28.27%和6.55%;结果表明该算法能够有效提取特征向量,进而改善多类识别正确率较低的问题。

基于虚拟预测与小波包变换的风电功率组合预测

为了提高风电功率的预测精度,针对风机功率不稳定性和非线性强的特点,使用小波包变换将风机出力分解成多个频率的子序列,然后运用组合预测方法分别对各子序列进行提前24 h预测,叠加各子序列的预测值,得出实际预测结果。其中组合预测方法权系数是通过虚拟预测的方法由方差倒数法确定。选择广东某风电场实测数据作为案例,对连续7天风电功率进行了预测。结果表明:小波包变换能有效把握风电功率变化规律,对小波包变换后的各子序列的预测结果表明组合预测效果优于单一预测方法。

基于混合EMD方法的加速度计信号处理

由于MEMS加速度计的特点及其广泛的应用,将加速度计运用到输入终端系统成为了一个新的发展方向。但是受加速度计自身和系统数据采集电路受环境干扰等因素的影响,采集到的信号往往叠加了大量的噪声信号,因此必须对实际采集的加速度信号进行滤波去噪处理以确保输入系统的精度。提出了一种基于EMD方法的混合滤波处理策略:针对EMD方法的缺陷,引入了RBF径向基函数神经网络和小波包变换,并结合S-G滤波器对加速度计信号进行了滤波处理。同时采用Al-lan方差(白噪声、零偏不稳定性和量化误差)对滤波结果进行分析并验证了该混合EMD方法的有效性。

基于小波包最优基的语音信号压缩方法

提出了基于方差准则的小波包最优基压缩方法。首先选择一个合适的小波函数及分解层次对语音信号进行小波包分解。然后基于方差准则确定小波包最优基,保留语音信号的重要特征,实现信号压缩。最后对小波包最优基中的小波系数进行量化、编码,以便于信号在信道中传输。在接收端进行译码,重构压缩后的语音信号,观察压缩效果。实验中对语音信号采用不同方法进行了压缩实验,验证了本文算法的可行性。实验结果表明,本文算法的搜索量小,易于实现,压缩效果比较明显。

基于能量和方差标准的图像压缩方法

在对图像进行小波包分解的基础上实现图像压缩 .根据小波系数的分布特点严格推导得出 :可以用能量和方差作为衡量小波系数重要性的标准 ,并据此对系数矩阵块进行选择分组 ,自适应地进行量化 ,而且不同的量化方式可以共用码表 .对低频部分扰动足够小的区域取均值 ,结合提出的存储方法 ,在不引入误差的情况下减少了编码负担 。

小波包变换在智能循迹小车系统中的应用

为了实现车辆自主获取道路信息并对行驶状态进行准确控制,采用小波包变换法和均值滤波法相结合的思想,对摄像头采集到的信息进行图像预处理,通过最大方差取阈法二值化提取出黑色引导线。与传统的动态迭代阈值法相比,这种设计方案可以准确并且完整地提取出赛道中的黑色引导线。仿真实验结果表明:该设计方案采集信息准确,简单有效,在智能小车平台上得到了很好的验证。

小波包重构系数矩阵与改进SVD的人脸识别

提出了一种采用小波包重构系数矩阵与改进SVD的人脸识别新算法。小波包变换是小波变换的推广,可视为普通小波函数的线性组合,具有灵活的时频分析能力。小波包重构系数矩阵与原始图像矩阵的尺寸相同,具有较高的精度。使用常规Colub-Reish算法的奇异值分解(SVD)所得到的奇异值(SV)按由大到小的顺序重新排列过,无法确定每个SV与输入矩阵列向量的对应关系。改进的SVD方法能够使得奇异值与每个频带的重构系数相对应,进而构造出人脸图像小波包重构系数矩阵的奇异值特征向量,并采用基于方差计算的相似度分类方法识别人脸。实验表明,该方法识别率高、稳定性强。

小波包特征提取及方差相似度的人脸识别

小波包变换是小波变换的推广,可视为普通小波函数的线性组合,具有良好的时频局部性和正交性,随着分解层数的增加,小波包分解能够在所有的频率范围聚焦。利用图像小波包变换的系数矩阵,能够构造出不同的人脸特征向量。针对人脸识别过程中的图像匹配问题,采用计算人脸特征向量方差的方法,并通过方差与权值的对应关系,转换出用于相似度计算的权值。基于理论推导得到的权值具有很好的稳定性,由这些权值计算出的方差相似度也具有较强的适应性,能够减弱由图像噪声、变形等干扰带来的影响。实验表明,该方法识别率高、实时性好。

多周期信号的小波包方差分析方法

在多周期结构分析中,最大重叠离散小波变换得到的信号周期具有明显的局限性。在对比小波方差分析中,提出了用最大重叠离散小波包方差法分析不同尺度小波方差图、功率谱,从而得到信号周期估计的最大值。实验结果表明,对信号或时间序列周期结构的分析是一种有效的方法,该方法可以准确估计多周期信号的小波包方差。

基于小波包Bark子带方差的端点检测算法

传统的端点检测方法大多数抗噪性不好,基于能量和短时过零率的双参数双门限端点检测在静音状态下效果较好,但是在噪声环境中性能下降.针对这个问题,使用小波包变换把信号分解成17个Bark子带,求出平均方差值,然后采用单参数双门限方法进行端点检测.实验证明,即使在-2dB的噪声环境下,该方法仍然能取得较好的端点检测效果.

基于小波变换的能量和方差分析图像压缩方法

在对图像进行小波包分解的基础上实现图像压缩.根据小波系数的分布特点严格推导得出:可以用能量和方差作为衡量小波系数重要性的标准,并据此对系数矩阵块进行选择分组,自适应地进行量化,而且不同的量化方式可以共用码表;对低频部分扰动足够小的区域取均值,结合提出的存储方法,在不引入误差的情况下减少了编码负担,在保证图像质量的同时有效提高了压缩比.

基于方差和峭度的模拟电路故障诊断

针对非线性容差电路故障诊断过程中存在的故障特征提取难的问题,结合小波包分析理论,提出了利用二阶统计量和高阶统计量来描述故障信息的故障特征提取方法,即方差和峭度法,并运用支持向量机作为分类器,形成了一种模拟电路故障诊断的新方法.仿真结果表明,该法能有效的提取故障特征,故障诊断率较高.

基于振动信号的采煤机煤岩截割状态识别

为了准确识别采煤机截割状态,提出了一种基于小波包分解和学习向量量化(LVQ)神经网络的模式识别方法。将振动信号进行小波包分解,实现振动信号的预处理,得到若干个子频带。在此基础上,计算各个频带的方差,并将其作为特征向量。然后将计算得到的频带方差作为特征向量,输入到LVQ神经网络进行采煤机煤岩截割状态识别。通过实验验证了该方法的有效性,实验结果表明:该方法能够实现采煤机典型煤岩截割状态的识别,平均识别准确率较高,对实现综采工作面的"无人化"具有重要意义。

脑电信号特征的归一化方式与选择方法研究

针对多被试脑电数据存在被试间特征值差异较大的问题,分析了单次归一化的数据范围对分类准确率的影响。实验在情感数据集上采用6种常用的归一化方法,对所有被试的特征、单个被试的所有特征、单个被试的单个属性特征这三种单次归一化的数据范围进行准确率上的比较,证明了单个被试的单个属性特征更适于作为多被试脑电数据单次归一化数据范围。此外,提出方差贡献率与F-score结合的特征选择方法,在不降低准确率的情况下大量减少了特征数量。小波包树结点能量作为变换最少的特征得到的分类结果最好,小波包熵比脑电节律小波熵的分类准确率高。

数据驱动的陀螺随机游走故障诊断研究

针对工程中陀螺工作期间出现随机游走超差而导致的随机游走故障,提出了一种基于数据驱动的故障诊断方法。该方法基于陀螺实测无故障脉冲数据,利用Allan方差对无故障数据进行噪声特性分析与建模,并在此基础上进行故障模拟,然后利用小波包理论对故障样本进行时频域分析,结合信息熵理论提取样本的故障特征,再利用神经网络构造分类器,将故障特征与故障模式形成映射,进行故障模式的分类。本文以某型号激光陀螺为例展开研究,仿真结果表明,该方法简单、不依赖于模型、诊断快且诊断效果好。

一种新的基于子波包去噪的方差估计方法

利用逐结点中值估计和硬门限处理 ,讨论了色噪声背景下子波包去噪算法 ,并在此基础上提出了一种新的方差估计方法 。

基于方差和谱熵结合的语音端点检测方法

针对传统方法在低信噪比条件下的检测结果无法较好地满足需要,提出了将语音信号小波包BARK子带方差和谱熵二者相结合的新端点检测方法。首先对带噪语音采用多窗谱估计谱减法降噪,然后利用小波包分解构成BARK子带,求出每帧信号的BARK子带方差均值和谱熵值,最后用方差值除以谱熵值,将二者的比值作为双门限检测法的参数进行端点检测。实验证明,在低信噪比条件下,该方法相比于传统方法的检测效果更佳。

光纤陀螺信号的小波包去噪及改进

光纤陀螺经过确定性误差补偿后,各种随机噪声成为其误差的主要来源。为了减小光纤陀螺的随机误差,研究基于小波包分析的滤波方法,分析了小波包滤波的原理以及滤波过程中阈值及阈值函数的选取问题,并进行了相应的改进。然后分别采用Allan方差法和功率谱密度(PSD)方法分析滤波前后光纤陀螺的随机误差特性,对滤波的效果进行理论上的分析。最后,选取光纤陀螺VG951的漂移数据进行仿真验证,结果表明,基于改进的小波包滤波方法能够有效地减小光纤陀螺的随机误差,从而提高测试的精度。