基于小波分析的超声导波管道裂纹检测方法研究

利用LS-DYNA970动态有限元分析软件对考虑横应变下的管道纵向超声导波损伤检测进行了数值模拟,分析了不同的激发频率对管道中导波频散现象的影响.选择适当的尺度和小波基函数,利用小波变换实现了对微弱且无法直接观测的缺陷检测信号的识别.同时通过时频分析研究了噪声信号在检测信号中的分布规律,并运用小波包分解和重构算法将信噪分离,实现高噪条件下管道微缺陷的损伤识别.

大气中SO_2浓度的小波分析及神经网络预测

应用小波分解和重构对SO2浓度年变化趋势进行分析,在此基础上,建立了一种分段BP神经网络预测模型,并对各段有针对性地设计了神经网络预测模型.采用主成分分析进行输入变量降维.在BP网络训练过程中,往往会出现过拟合的现象,为此,在训练过程中,将样本等间距地分离为训练集和验证集来防止这个问题.为了消除网络的权值初始化对学习系统复杂性的影响,采用了5个子网络输出取算术平均的神经网络集成的方法.预测结果表明,该模型应用于SO2浓度预测具有较高的预测精度和良好的推广能力,而且明显优于一般的神经网络模型.

小波分析及支持向量机应用于大气污染预测

针对大气污染物浓度时间序列有一定的年变化趋势,提出了大气污染物浓度的小波分析及支持向量机时间序列预测模型。应用小波分解和重构对大气污染物浓度进行年变化趋势分析,在此基础上将大气污染物浓度序列划分为若干时段。各时段分别独立应用支持向量机进行大气污染物浓度预测,各时段均使用ν-支持向量回归机(ν-SVR)算法和径向基函数。预测结果表明,所提出的预测方法应用于大气污染物浓度时间序列预测有较高的预测精度和良好的推广能力,而且明显优于一般的支持向量机模型。

噪声对管道超声纵向导波损伤检测的影响

在管道超声导波检测技术的基础上,对不同程度纵向缺陷的损伤检测进行了数值模拟。利用缺陷反射信号对损伤的定位,通过改变管壁局部刚度,研究了缺陷反射信号强度变化的相关规律以及超声导波对缺陷的敏感度,分析了噪声信号对损伤识别的影响,并利用小波的分解和重构算法将信噪分离。结果表明不同程度的信噪比会对超声导波检测法造成一定的影响,通过低通滤噪的方法对信号进行信噪分离,可实现高噪条件下的损伤检测。

低位码率移动通信中的低复杂度小波图像编码(英文)

介绍一种新的具有低复杂度的可用于实时传输的图像编码器,它使用了一种基于局域方差分析的边缘保护方法来提高被压缩图像的可视性和可识别性.这样的分析和压缩方法是通过将图像划分为多个块处理来实现的,所开发的能使边界效应最小化的提升小波滤波器组,通过提升系数的量化实现定点运算,并用位移和相加来取代乘法运算以实现运算复杂度的最小化.同时提出一种改进的快速SPIHT算法,通过使用更多的位来对小波系数进行编码和节省传输分类过程所需的位数以提高压缩性能,这种算法在可变的位码率中可减少系数的相关性.实验结果显示,这种编码对于观察到的压缩图像和进行量化的性能测量,均取得良好效果,同时还能为无线传输提供具有信道误差的弹性功能,最后还使用了带有随机误差的仿真传输信道来对这种功能进行评估和比较.

基于小波变换消除信号噪声的研究

利用小波方法去噪是小波分析工程实际的一个重要方面。简单介绍了小波分解和重构,小波去噪原理,硬阈值法、软阈值法、平移不变量法。并且利用Matlab将几种典型的信号叠加高斯白噪声进行仿真。

小波和混沌神经网络在大坝变形预测中的应用

大坝是复杂的变形系统,其变形表现为动态非线性,也存在混沌现象。为充分利用大坝变形监测位移时间序列,实现位移单变量情况下的准确预测,提出了一种小波和混沌神经网络预测新方法,首先对大坝位移变形监测数据进行小波分解,其次对分解后的平滑信号进行傅里叶函数拟合预测,再对细节信号进行软阈值去噪和混沌神经网络预测,最后将预测信号进行小波重构。通过工程实例对比分析了小波和混沌神经网络预测新方法、神经网络模型、多元回归模型在大坝位移变形预测中的精度。结果表明,小波和混沌神经网络预测方法的预测精度最高,可以应用于大坝变形预测。

改进的GPS/BDS的RTK定位性能分析

针对多路径误差作为短基线GNSS定位的主要误差来源,不能在传统双差模型中有效消除的问题,该文基于小波分解和重构,提出了一种对伪距和载波相位观测值中多路径误差有效提取和剔除的算法,探讨剔除后GPS/BDS双系统的RTK定位精度和可靠性。结果表明,伪距多路径误差和载波相位多路径误差量级分别为米级和厘米级,主要集中在低频滤波中,且提取后的残余随机噪声趋于稳定。此算法能较好地剔除和提取多路径误差,提高整周模糊度解算速度,达到理想的滤波效果,且通过迭代扩展的卡尔曼滤波处理后,坐标离散更小,X、Y、Z外符合精度均达到厘米级。