基于POA-VMD-WT的MEMS去噪方法

针对MEMS传感器所测得的加速度和角速度输出信号噪声较大问题,提出一种基于鹈鹕优化算法(pelican optimization algorithm,POA)的变分模态分解(variational mode decomposition,VMD)结合小波阈值(wavelet threshold,WT)的去噪方法。首先利用POA对VMD的参数组合进行优化选择,然后应用POA-VMD将含噪信号自适应、非递归地分解为一系列本征模态函数(intrinsic mode function,IMF)。再通过计算每个IMF的余弦相似度对IMFs进行分类,根据计算结果将IMFs分为噪声主导分量与信号主导分量,对分类后的噪声主导分量进行改进小波阈值去噪处理,最后对处理后的噪声分量与信号主导分量进行重构,获得降噪后的MEMS传感器信号。静态和动态实验结果表明,该方法去噪处理后信号的信噪比分别提高12和10 dB,均方误差分别降低75.5%和46.6%,去噪效果显著,能够提高MEMS传感器的精度。

基于ICEEMDAN结合MMSVC和WT的HIFU回波信号联合去噪算法

高强度聚焦超声(High intensity focused ultrasound,HIFU)已广泛应用于生物医学领域,其回波信号中的噪声处理是一个非常关键的问题。为了获得更纯净、更清晰的HIFU回波信号,提出了一种基于改进的完全自适应噪声集成经验模态分解(Improved complete ensemble empirical mode decomposition with adaptive noise,ICEEMDAN)、最小均方方差准则(Minimum mean square variance criterion,MMSVC)和小波阈值(Wavelet threshold,WT)的联合去噪方法。ICEEMDAN将信号分解为有限个本征模态函数(Intrinsic mode functions,IMF),从而避免杂散模态,减少模态中所含的噪声。MMSVC用于识别被ICEEMDAN分解得到的所有IMF,并将这些IMF分为两部分,高频IMF部分通过WT进行去噪,之后与低频IMF分量重构得到最终去噪信号。在仿真信号的实验中,与其他方法相比,本文所描述的基于ICEEMDAN-MMSVC-WT的降噪方法最大限度地保留了有用信号,大量去除了噪声成分,因而具有更好的去噪效果和应用价值。

基于WT-HBBO-RBF模型的年径流时间序列预测

利用4个基准函数对HBBO进行仿真测试;采用WT分解处理年径流时序数据;通过突变点检测方法Mann-Kendal(M-K)划分训练、预测样本,构建RBF适应度函数,利用HBBO优化RBF神经网络输出层权值、基函数中心和隐含层节点宽度,建立WT-HBBO-RBF模型,并构建WT-HBBO-SVM、WT-HBBO-BP、WT-RBF、WT-SVM、WT-BP、HBBO-RBF、HBBO-SVM、HBBO-BP作为对比分析模型。以云南省龙潭站、落却站年径流时间序列预测实例对模型进行验证的结果表明,HBBO具有较好的寻优精度及全局搜索能力;WT-HBBO-RBF模型对龙潭站、落却站年径流时间序列预测误差小于其他对比模型,具有较好的预测精度和泛化能力;HBBO能有效优化RBF神经网络输出层权值、基函数中心和隐含层节点宽度,提高RBF神经网络预测性能;WT能科学降低径流序列的复杂性,提高预测精度。

WT-U-Net++:基于小波变换的表面缺陷检测网络

针对传统机器视觉算法在表面缺陷检测中精度低、无法适应环境变化和噪声影响的问题,提出一种基于小波变换(WT)的改进UNet++——WT-U-Net++。首先,由WT获取缺陷图像的高频与低频分量,再通过多尺度模块MCI(Mix-Conv Inception)提取高、低频分量的细节特征;其次,将MCI模块提取到的细节特征与原始图像融合,并将融合结果作为改进UNet++的输入;再次,在UNet++的下采样阶段引入通道注意力模块,从而使网络在捕获更多上下文语义信息的同时提高跨层特征级联的质量,而在上采样阶段采用反卷积恢复更多的缺陷细节信息;最后,从UNet++的多个输出中选择最佳结果作为检测结果。在铁轨、磁瓦、硅钢油污这3个公开缺陷数据集上的实验结果表明,相较于次优的UNet++,WT-U-Net++的交并比(IoU)分别提高了7.98%、4.63%和8.74%,相似度度量指标(DSC)分别提高了4.26%、2.99%和4.64%。

基于WT和SSA-LSTM的短期天然气负荷预测模型研究

天然气作为一种清洁、高效、稳定的能源,在实现“双碳”目标中发挥重要作用,如何对其负荷进行高精度预测尤为重要。首先,将原始数据进行预处理,将预处理之后的数据利用Coiflets小波进行分解并进行归一化;其次,将归一化后的数据代入经麻雀搜索算法(SSA)优化后的LSTM模型进行训练与预测;接下来,将预测结果进行反归一化并进行重构;然后,以MAPE、RMSE和MAE对模型的预测效果进行评价,指出最优预测结果;最后,实例验证结果表明:最优结果是经过Coiflets小波4阶6层分解之后的组合模型,其预测精度为99.1%,达到了预期效果。此结果可以为天然气工程的在线应用和小波变换在其他预测情景中时间序列分解提供参考。

基于WT-SLSTM模型的交通流预测研究

随着机动车保有量的增加,交通问题逐渐成为城市管理中的重要议题。尤其是交通事故频繁发生,给社会带来了巨大的安全隐患和经济损失。为了减少交通事故的发生率,学者们对交通流预测进行了深入研究。虽然传统的交通流预测取得了一定的成果,但其预测精度和预测滞后等问题仍然存在。为了解决这些问题,采用小波变换和堆叠式长短时记忆模型相结合的WT-SLSTM(Wavelet Transform and Stacked Long Short Term Memory)模型,对北京市出租车车流量进行了分析预测。结果表明,WT-SLSTM模型在预测精度和拟合程度等方面都优于基准模型。因此,WT-SLSTM模型可以更好地对交通流进行预测,有助于交通部门对大流量路段的车辆管控,从而减少交通事故的发生,为构建智慧交通做出贡献。

基于Log-WT的人脸图像超分辨率重建

目前已有的基于学习的人脸超分辨率图像重建算法大都对亮度变化特别是阴影非常敏感,针对这一缺点,该文提出了一种不随光照变化的图像表示方法——对数-小波变换(Log-WT),并在此基础上构造了一种新的人脸超分辨率图像重建算法。该方法首先利用Log-WT变换提取低分辨率图像与光照无关的内在特性,然后借助流形学习的思想建模高分辨率图像和低分辨率图像之间的关系,并对其加入人脸图像的"专用"先验约束,从而同时实现了超分辨率重建和图像增强。仿真结果表明该算法有效克服了传统方法受光照因素影响的缺点,在提高图像分辨率的同时克服了光照因素的影响,特别是对阴影效应的消除具有明显效果,将该方法应用于人脸识别,有效提高了识别率。

基于RDT和WT方法识别超高层建筑的模态参数

超高层建筑风致振动相关的动态参数尤其是阻尼比数据资料的缺乏会增加设计阶段动态参数准确选取的难度。因而,现役超高层建筑动态响应的实测与参数识别对这些动态数据资料的补充和设计准确性的校验是十分必要的。将基于强风作用下超高层建筑——上海金茂大厦动态响应的现场实测,使用Morlet小波变换并且结合随机减量技术(RDT)识别上海金茂大厦的固有频率和阻尼比。数值结果表明,上海金茂大厦固有频率的识别非常精确,但发现阻尼比的识别随着阶数的升高其标准差有增大的趋势。

基于WT特征增强的cICA带式输送机齿轮箱故障诊断

约束独立分量分析对于测量信号中的传感器噪声(测量噪声)具有很强的免疫能力,但对源噪声的免疫性却很差。针对这个问题,提出了小波变换特征增强的约束独立分量分析的齿轮箱故障特征提取方法。通过对测量信号小波分解,有针对性地选择某子频段小波系数重构,有利于提高信噪比,增强信号的统计独立性和非高斯性,从而增强约束独立分量分析方法提取齿轮故障特征的效果;而未经小波变换除噪时,约束独立分量分析的效果不佳。通过仿真分析和在矿用带式输送机齿轮箱故障诊断的应用结果综合表明,该方法能有效降低源噪声的影响,准确提取出齿轮故障特征,尤其是微弱低频故障特征。为矿用齿轮箱多通道振动状态监测与故障诊断提供了一种新的有效手段和途径。

WT-ANFIS在孤岛检测中的应用研究

针对传统被动式孤岛检测法存在检测时间长、盲区大,而主动式孤岛检测法影响电能质量的缺点,提出一种新的基于模糊神经网络与小波变换的孤岛检测方法。该方法首先采集逆变器输出的电流信号和公共耦合点处的电压信号,再将该电流信号和电压信号分别进行小波变换,然后通过对各尺度上的细节信号进行算法处理来获取适合于孤岛检测的特征向量,最后该特征向量通过模糊神经网络进行模式识别来判断系统是否发生孤岛现象。仿真与实验结果表明,该方法在并网逆变器功率与本地负载功率匹配及失配的多种条件下均能有效识别,具有检测速度快,盲区小,对电能质量无影响等优点,并且适合于单相、三相光伏并网系统。

基于RLS和WT的逐日太阳辐射度预测模型研究

提出基于递推最小二乘法和小波变换的逐日太阳辐射度预测模型,根据气象数据,对不同的气候条件按照相似的日类型进行分类;对不同的日类型,建立不同的预测模型。结果表明:在日类型基础上,建立的递推最小二乘法与小波变换模型具有较高预测精度,在日照较充足的晴天,其预测精度明显高于阴天及雨天的预测精度。

基于Wigner-Ville分布和Wavelet时间尺度的飞机非平稳抖杆背景声分析

飞机黑匣子中舱音记录器记录的舱音主要是由话语音、噪声和具有不同物理意义的背景声组成的复杂混合体,增加了舱音分析的难度,用传统的辨听和分析方法难以解决舱音特征等技术难题。以舱音记录器记录的抖杆背景声为例,针对传统Fourier变换的一次型时间/频率和短时Fourier变换的二次型能量在舱音辨听、分析的不足,将Wigner-Ville时频和Wavelet时间尺度引入到飞机舱音分析中,扩展了舱音分析方法。对比分析结果表明:平滑伪Wigner-Ville分布(SPWVD)及其时频分布的重排具有高的时频分辨率、时频凝聚性,而且没有交叉项干扰,适合分析非平稳舱音背景声;同时,离散小波变换的时间尺度分析技术确定抖杆背景声基频频率及位置,为获得非平稳舱音背景声特征提供一种值得借鉴的途径。

基于STFT和WT的SAR干扰抑制算法

窄带干扰(NBI)和宽带干扰(WBI)作为合成孔径雷达(SAR)中最为常见的两种干扰形式,它们的存在将会大幅度地降低SAR图像的质量.本文在对NBI和WBI的时频聚集性分析的基础上,提出一种联合短时傅里叶变换和小波变换的NBI和WBI抑制方法.该方法首先把SAR回波数据变换到短时傅里叶谱域再把短时傅里叶谱域数据变换到小波域,然后在小波域中采用恒虚警(CFAR)检测方法对小波系数进行干扰识别和干扰抑制,接着把干扰抑制后的小波系数变换到SAR原始回波数据域,利用常规的SAR成像算法进行成像处理,最后得到清晰无干扰的SAR图像.该算法在干扰抑制过程中对有用回波信号造成的损失比较小,并且可以有效地抑制时变的NBI和WBI.结合仿真和实测数据的处理,经过实验分析验证了本文方法的有效性.

基于SVC和wavelet-transform的图像脉冲噪声自适应新滤波器

利用小波变换可以检测信号奇异点的原理,提出了一种基于WT的脉冲噪声检测方法,并把这一方法与支持向量分类器SVC脉冲噪声检测方法相结合,提出了一种改进的SVC图像脉冲噪声滤波器。实验表明,这一改进的SVC脉冲噪声滤波器的滤波效果比原先的SVC滤波器有明显的改善。

低信噪比下基于深度学习TCNN-MobileNet的调制识别

将深度学习算法应用于调制识别任务是近年来通信领域的一个研究热点,但现有方法存在网络复杂度高、硬件要求高、在低信噪比(SNR)下识别准确率不高等问题。结合离散小波变换方法,提出一种基于双路卷积神经网络级联可分离卷积网络(TCNN-MobileNet)的调制识别方法。首先通过小波变换对数据进行预处理,将信号作为输入传送到双路卷积神经网络中进行不同维度的特征提取;然后通过融合层进行特征融合并送入轻量级神经网络MobileNetV1中,进行调制识别模型训练;最后通过全连接层进行11种调制识别的分类输出。在公开数据集RML2016.10a上的实验结果表明,在-20dB的低SNR下TCNN-MobileNet的识别准确率可达88.71%,在18dB的高SNR下识别准确率可达96.66%,SNR在-20~18dB范围内时平均识别准确率为88.37%,相比于ResNet18、ResNet34等经典网络架构提升了约35%。TCNN-MobileNet识别方法在保证识别精度不变的情况下能够降低训练参数量以及网络训练时间,有效简化网络架构,降低对硬件设备的要求,对轻量级神经网络在调制识别中的应用具有借鉴意义。

基于WT与cICA的齿轮箱低频故障特征提取

齿轮箱低频故障信号易受到高频振动及强噪声等因素的干扰,测量信号中隐藏的有效低频故障特征比较微弱,再考虑到源噪声的影响,则约束独立分量分析直接提取低频故障特征的效果很差。为此提出了基于小波变换与约束独立分量分析的齿轮箱低频故障特征提取方法,通过对测量信号的小波多分辨率分解,有针对性地选择小波系数重构,提高了信噪比和非高斯性,从而增强了约束独立分量分析方法提取齿轮箱低频故障特征的效果。而未经小波变换除噪时,约束独立分量分析的效果不佳。断齿与局部断齿的低频故障特征提取试验结果表明,提出的方法能有效降低高频振动及源噪声等因素的干扰,提取出齿轮箱的低频故障特征,尤其是微弱低频故障特征,为齿轮箱低频故障特征提取与故障诊断提供了一种有效方法。

桥梁GNSS-RTK变形监测数据的CEEMDAN-WT联合降噪法

在桥梁GNSS-RTK变形监测中,监测信号会被多路径噪声误差所影响。针对上述问题,提出了自适应经验模态分解(CEEMDAN)和小波变换(WT)相结合的方法对桥梁GNSS-RTK监测数据进行降噪处理。采用CEEMDAN对振动响应进行分解得到本征模态函数(IMFs),利用相关系数鉴别出有效的IMFs,同时利用WT中的不同小波基对其余噪声与信号共存的IMFs进行阈值降噪,最后对信号进行重组。通过对模拟试验和基于GNSS-RTK的海河斜拉桥实测数据进行处理,结果表明,CEEMDAN相比于EEMD能有效解决模态混叠问题,CEEMDAN与WT相结合的方法对桥梁监测数据具有良好的降噪效果,能成功提取到桥梁真实位移信息。

CEEMD-WT和CNN在短期风速预测中的应用研究

由于风速存在随机性和不稳定性,为了提高短期风速预测的精度,提出了一种基于完备总体经验模态分解(CEEMD)、小波变换(WT)和卷积神经网络(CNN)的短期风速预测混合模型。首先,CEEMD算法把原始风速序列分解成一些相对平稳的固有模态函数和一个残差序列;然后,WT算法对每个固有模态函数进行二次去噪,进一步消除噪声对固有模态函数的影响;最后,卷积神经网络对每个固有模态函数、残差序列和影响风速的5个属性训练预测得到各自的预测结果,对所有的预测结果重构得到最终的预测结果。通过实验与其他4个风速预测模型进行比较,所提出的模型预测的绝对平均百分比误差(MAPE)最小,为2.484%,表明在短期风速预测方面CEEMD-WT-CNN模型有较好的性能。

结合WT预处理的近红外光谱PLS算法预测鲜枣糖度

[目的]研究结合WT预处理的近红外光谱PLS算法模型预测鲜枣糖度的方法。[方法]用S-G、MSC、FD、SD、WT和WT+MSC 6种预处理法,SMLR、PCR和PLS 3种算法模型,对60个鲜枣样品的近红外光谱数据进行预处理、糖度预测和建模精度分析,建立最佳算法的数学模型。[结果]在鲜枣糖度近红外光谱预处理阶段引进小波变换方法去除导数光谱噪声,得到了很好的去噪效果。不同的小波函数、分解尺度使消噪的结果有所不同。与常见的光谱预处理法相比,在选用db4-3小波函数、默认阈值情况下,采用WT+MSC预处理及建模算法为PLS时所建立的模型最好,其相关系数R为0.919 02,校正集标准差RMSEC为0.863,预测集标准差RMSEP为1.71。[结论]结合小波变换预处理的PLS算法模型可有效预测鲜枣糖度,改善模型的预测精度。

基于HHT和WT识别高层建筑模态参数的比较研究

现役高层建筑动力响应的实测与参数识别对结构动态数据资料的补充和设计准确性的校验是十分必要的.首先回顾了基于HHT和WT识别结构动力参数的基本原理;接着,基于高层建筑动力响应的实测数据进行了结构固有频率和阻尼比的识别.结果表明,对结构固有频率和低阶阻尼比的识别两者都具有较高的准确性;而对于高阶阻尼比的识别,两者有较大差别.对于固有频率呈密集分布结构的动力参数识别,WT方法通过调整小波中心频率而实现频率分离,因而WT方法更为简单有效.