基于改进型松散小波神经网络的软故障诊断方法

提出了一种基于改进型松散小波神经网络的模拟电路软故障诊断方法.首先应用多分辨率分析和小波包分析将采集得到的电路故障原始数据进行故障特征提取,通过主元分析对提取的故障特征进行降维处理,并作为BP神经网络的输入对其训练,训练的结果即为具有故障模式识别能力的BP神经网络,然后将其应用于待测电路进行电路软故障诊断.仿真实验结果表明,本文提出的改进型松散小波神网络实现了待测电路的故障元件定位,是一种有效的模拟电路软故障诊断方法.

基于小波包频带能量检测的神经网络故障诊断技术

利用小波包频带能量检测技术对观测信号进行处理，从中获取反映故障特征的信息，以此作为输入对网络进行训练，可对故障进行比较可靠的分类。同时介绍了利用小波包频带能量检测技术提取观测信号特征向量的方法和步骤，以及基于松散小波神经网络的故障诊断方法。最后结合某型导弹舵系统故障诊断的实例，给出仿真试验，证明了该方法的有效性。

基于能量比小波网络的sEMG虚拟识别系统设计

研究了基于松散小波神经网络及能量比法的表面肌电信号分类原理和方法,提出利用小波包变换获得表面肌电信号各频段系数,并将化简处理后的能量比值作为特征向量输入后续的松散型小波神经网络用于分类表面肌电信号的方法,搭建了虚拟识别系统平台,进行了详细的实验研究。仿真结果表明:松散型小波神经网络及能量比法能够有效的从桡侧腕屈肌和总指伸肌采集的肌电信号中识别握拳、松拳、腕外展、腕内收4种运动模式,具有较高的识别率(90%以上)。

基于松散型WNN的运动想象脑电信号解码研究

基于运动想象的脑机接口可以控制外部设备,在医疗康复领域中有着重要的临床意义。为了提高运动想象脑电信号的分类准确率,提出一种松散型小波神经网络,即双树复小波变换与神经网络分开进行计算再组合。利用DTCWT对预处理后的脑电信号进行分解,计算复小波系数的多个特征值并构建特征向量,将组合后的特征向量送入神经网络中进行分类识别。实验结果表明,该算法在BCI Competition IV的数据集2a上的平均准确率为76.03%。通过与不同分类器和现有方法的比较,验证了松散型小波神经网络的有效性。