基于小波变换与奇异值分解的航空器弹性自适应陷波方法

针对现代航空器弹性振型频率低、接近控制系统频带,采用传统陷波滤波器抑制弹性模态,严重影响系统动态性能的问题,提出一种基于小波变换与奇异值分解的航空器弹性自适应陷波滤波方法。先利用小波变换与奇异值分解在线估计弹性振型频率,然后采用先验信息对估计结果作进一步处理,最后据此调整陷波器的中心频率,实现自适应陷波。仿真结果表明,该方法灵敏度高、辨识频率精度高、速度快、弹性抑制效果好。与相位稳定方法相比,在控制系统截止频率附近的相位滞后最大减小6.26°,最小减2.35°。

基于小波分解下多源图像融合

在分析基于小波分解变换的多源图像融合方法的基础上,提出了一种采用基于区域的融合规则的小波分解,通过仿真实验,运用客观评价指标验证了其可行性,同时对此进行分析,得出了基于4层小波分解的图像融合的较优性。

基于LBV变换与小波变换的OLI图像融合方法

以陕西省榆阳区2013年6月9日的Landsat 8 OLI图像为基础数据源,对比分析LBV-Wavelet RF等5种图像融合算法的使用效果。对图像预处理后,分别采用HIS变换、Brovey变换、HPF变换、PCA变换和LBV-Wavelet RF方法进行融合和SVM监督分类,然后从目视评价和定量评价两方面对比分析各种融合算法的使用效果。在目视评价方面,判读融合前、后9种地类光谱特征的一致性;融合后图像是否具有全色波段图像的空间结构特征,是否存在细节模糊。在定量评价方面,采用灰度均值差、灰度均方根差评价融合后图像对多光谱信息的保持性能;采用相关系数均值、相关系数均方根差评价融合后图像对高空间分辨率信息的融入度;采用总体分类精度、Kappa系数评价融合前、后SVM监督分类精度差异。结果表明LBV-Wavelet RF方法能够使融合后图像在保持原多光谱图像光谱信息的同时,增强纹理结构特征,提高对细小地物的辨识能力;融合后图像SVM监督分类的总体分类精度和Kappa系数分别为84.01%和0.787,较原多光谱图像分别提高13.45%和15.91%。

基于IHS变换与小波变换的图像融合研究

文章研究了IHS变换和小波分解变换的图像融合方法,并针对IHS变换的融合算法的不足,提出了一种将两者相结合的算法。通过分析实验数据,验证了给出算法优于基于IHS变换融合算法。

基于新阈值函数及最优尺度的小波去噪研究

在Donoho D L和Johnstone I M提出的小波阈值去噪算法的基础上,首先构造了一种新的阈值函数。与传统软、硬阈值函数相比,新阈值函数不但连续,而且高阶可导,克服了硬阈值函数不连续及软阈值函数中小波估计系数与分解系数之间存在恒定偏差的缺陷。同时,为了获得更好的去噪效果,提出了基于白噪声!2检验确定小波最优分解尺度的方法。最后,通过数值仿真实验,证明了基于白噪声!2检验方法的有效性;在最优分解尺度下,新阈值函数在信噪比增益和最小均方误差意义上均优于传统阈值函数。

基于局部能量小波融合算法的研究

文章在综合分析小波分解变换图像融合方法的基础上,提出了一种采用基于区域的融合规则的小波分解法,该方法利用小波分解将原始图像分解为低频部分和高频部分,对于低频部分,采用了加权系数,对于高频部分不同的方向分量,根据局部能量,采用不同的融合规则。利用可见光图像与红外图像和高低分辨率图像进行了仿真实验,得出实验结果,运用客观评价指标验证了该方法的可行性。实验表明,该法具有比基于像素点的小波变换融合方法具有更好的融合效果。

一种基于小波阈值函数的交通图像去噪算法

针对高速运动条件下交通实时监测图像的失真和去噪问题,介绍小波阈值图像去噪过程和传统GCV阈值的原理,引入整数小波变换和合并递推运算的思想,提出一种快速递推GCV阈值的小波图像去噪方法。仿真实验分析了传统GCV阈值和快速递推GCV阈值去噪的效果,并比较了两种算法的复杂度。结果表明,快速递推GCV阈值算法不仅保留了传统GCV阈值算法去噪效果明显的特点,而且很好地解决了算法复杂度较高的问题,具有良好的应用前景。

基于超声波的局部放电特征提取法的研究

局部放电检测是一种通过检测局部放电的强弱来表征设备绝缘状态的方法,而信号特征的提取是其重点和难点。局部放电信号是非平稳信号,不适用傅里叶变换来提取信号的频谱特征,本文提出利用小波分解-希尔伯特变换的方法来分析局部放电信号的特征,经实验测试证明该方法能有效地提取出信号的频谱特征。

基于深度学习的图像文字识别技术在数字化审计中的应用

通过整合的数字化审计平台获取所需审计信息,对所获信息中的图像展开小波变换分解,滤除审计图像噪声的同时提升其质量。结合基于Canny算子的边缘检测与区域分割技术分割完成预处理的审计图像,将完成分割的审计图像输入卷积神经网络,通过卷积层卷积处理审计图像提取审计图像文字特征。经下采样层累积卷积结果得出审计图像文字特征映射图,通过全连接网络判定所提取审计图像文字特征,输出识别结果后通过基于Relief算法的多特征融合方法改进卷积神经网络识别结果。实验结果表明,该方法具有较好的噪声滤除与分割效果,能够精准、清晰识别审计图像中的文字信息。

基于APSO-SSVM的异步电动机转子故障诊断

基于信号分析的异步电动机的转子断条与偏心故障诊断方法中,常用传统的电机电流信号特征分析(MCSA)方法。由于采样频率偏低、强大的基波旁瓣效应等因素的影响,会导致特征频率成分被淹没、难以量化故障程度等问题。因此,提出了一种基于自适应粒子群优化逐序支持向量机(APSO-SSVM)的异步电动机故障诊断方法。首先,利用经验小波变换(EWT)对原始信号进行滤波;然后,对滤波后的信号进行特征提取并输入到SSVM诊断模型中;最后,通过APSO算法确定各次序下SVM模型的最佳超参数,从而实现转子断条数量的精确故障诊断。

基于EWT-PSO-Elman耦合模型在径流预测中的应用

由于径流序列的非线性和非平稳性,单一预测模型能力有限,难以做出准确预测。因此,基于澄碧河流域坝首站1979—2019年共41 a的实测月径流序列,引入经验小波变换分解(EWT)、粒子群算法(PSO),建立一种基于Elman神经网络的组合月径流预测模型(EWT-PSO-Elman),并采用纳什效率系数(NSE)、平均相对误差绝对值(MAPE)和均方根误差(RMSE)对测试集的预测结果进行评价与分析,并将预测结果与EWT-PSO-BP、PSO-Elman、PSO-BP、Elman、BP模型进行比较。结果表明:EWT-PSO-Elman模型的纳什效率系数为0.913 5,均方根误差为19.451 1,预报等级为甲级,具有较好的预测精度和泛化能力;EWT-PSO-Elman模型的预测精度优于EWT-PSO-BP、PSO-Elman、PSO-BP、Elman、BP模型。可见,EWT-PSO-Elman模型具有更好的预测精度,可应用于径流预测研究中。

MBCV-EWT和奇异值差分谱的滚动轴承信号降噪方法

针对滚动轴承振动信号降噪时,克服模式混叠、保证各频率成分完整性和独立性问题,提出最大类间方差-经验小波变换分解(maximum between-cluster variance-empirical wavelet transform,简称MBCV-EWT)与奇异值差分谱相结合的信号降噪方法。首先,针对传统区间划分的不确定性问题,提出MBCV-EWT信号分解方法,通过最大类间方差对信号频谱自适应划分,并在每个划分区间上构建带通滤波器;其次,针对分解分量冗余,提出脉冲指标作为调幅-调频分量筛选准则,选取最优的分量用于降噪;最后,对最优调幅-调频分量进行奇异值分解,根据其差分谱重构分量并实现降噪。仿真及实验结果表明,该方法能够实现频谱自适应划分,有效克服模式混叠等问题,保证分解得到的各成分主频独立且完整,调幅-调频分量筛选准确,降噪效果明显,为故障识别和预测奠定研究基础。

基于多种径流预测耦合模型的流域月径流预测优选研究

为了提高径流预测的准确性,以澄碧河流域坝首站1979-2019年共41 a的实测月径流序列为例,在优选Elman神经网络模型、支持向量机模型、BP单一预测模型的基础上,分别耦合经验模态分解(EMD)、集合经验模态分解(EEMD)和经验小波变换分解(EWT),选取纳什效率系数(NSE)、平均相对误差绝对值(MAPE)和均方根误差(RMSE)对测试集的预测结果进行评价与分析。结果表明:相对于Elman神经网络模型和SVM模型,BP模型的预测效果较好;耦合预测模型预测精度都优于单一模型。耦合模型中,EWT-BP的纳什效率系数为0.91,预报等级为甲级,预测精度优于EMD-BP和EEMD-BP。采用数据预处理技术生成平稳序列,可有效减少原序列存在非线性和不稳定性特征的影响,并有利于提高流域水文模型的径流预测能力。

灰度图像的边缘检测

图像的边缘检测在实际生活中广泛应用,但其检测结果仍存在细节丢失问题。为此提出一种新的图像边缘检测算法。首先,采用二维二进制小波变换,对图像进行预处理;然后,结合一种新的自适应双阈值算法,检测出图像的边缘点;最后,采用改进的数学形态学梯度检测算法,对图像的边缘信息进行进一步检测。通过仿真实验得出,新算法能够检测到更丰富的图像边缘信息,使图像的边缘提取更清晰、细腻;与单一形态学算法相比,新算法使图像的均方误差值大幅度降低、峰值信噪比提高了2.3 d B。

基于WBCT和LBP融合的焦炭显微图像识别方法

焦炭显微光学组织的分类识别是判定焦炭质量和指导生产配煤的关键内容,由于传统的空域和频域方法效果都不理想,提出了一种基于小波分解Contourlet变换(WBCT)与局部二进制模式(LBP)融合的焦炭显微图像识别算法。首先,运用WBCT对图像进行多尺度多方向分解,提取出各子频带的统计特征量;然后,在空域采用均匀LBP算子,计算图像LBP特征描述子;最后,根据融合的相似性度量准则判断图像的光学组织类别。与其他方法对比实验结果表明,该算法不仅可获得更高的识别精度,而且具有较强的抗干扰能力,尤其是对泊松分布噪声敏感性较小,因此,适合于焦炭显微图像的分析。

三坐标测量机动态误差特征分析方法

为了对三坐标测量机动态误差进行精确分解与分析,掌握其组成成分和特征,根据动态误差的特点,组合使用最小二乘法、自适应陷波、短时傅立叶变换等多种信号分析方法对测量数据进行分析,同时实现了复杂信号的趋势项分离、谐波个数鉴别与分离以及调幅信号解调等,与小波分析方法相比具有更好的分离效果。

基于信号改进深度学习网络的京津冀城市群二氧化氮浓度预测

在中国华北地区,二氧化氮污染仍旧不容忽视,尤其是在机动车辆密集和工业生产相对集中的京津冀城市群。运用小波分解(WD)和长短期记忆(LSTM)神经网络建立了W-LSTM组合模型,用于预测未来京津冀地区二氧化氮日均浓度和分指数。使用2014年1月—2018年5月主要大气污染物数据对组合预测模型进行训练试验,在获得最优模型参数后,使用2018年6月—2019年6月数据进行模型预测性能测试试验。结果表明,相较于传统的LSTM预测模型,W-LSTM组合预测模型具有更好的预测性能,预测结果的平均绝对百分误差为9.21%。在此基础上,使用最优预测模型对京津冀城市群2019年7月—2020年12月二氧化氮日均浓度进行了预测,并描绘了时空分布图用以表征其时空变化特征。

基于EMD-LWT的低浓度石油类污染物荧光光谱去噪法

石油类污染物是造成雾霾等空气污染问题的重要原因.去噪处理的有效性是石油类污染物荧光光谱检测中的热点问题.提出一种基于经验模态分解-提升小波变换(EMD-LWT)相结合的低浓度石油类污染物荧光光谱去噪方法.经验模态分解法(EMD)可自适应地滤除微弱荧光信号中的噪声,但去噪过程中第一个本征模态函数(IMF)包含的频率范围过宽,影响了去噪准确性和有效性.引入提升小波变换(LWT)对IMF1实现更精细的分解,有效分离出IMF1的有用信息,改善信噪分离效果.将EMD-LWT联用方法和传统的EMD或LWT去噪法分别运用于煤油荧光光谱检测中,仿真结果表明,与只用EMD或LWT相比,EMD-LWT相结合的光谱去噪法得到的信噪比和均方根误差均显著提高,验证了该方法的有效性和可行性.