融合多小波分解的深度卷积神经网络轴承故障诊断方法

针对卷积神经网络及其与信号降噪预处理集成方法面临高噪声环境和低质量数据挑战时难以有效地提取信号有用特征的问题,提出了一种融合Geronimo-Hardin-Massopust多小波分解的深度卷积神经网络模型(GHMMD-DCNN)。该模型思想是将多小波包分解与卷积神经网络深度融合,即设计多个一级多小波分解层以提取信号的低频分量和高频分量,再将多个一级多小波分解层与卷积层交替联接,使模型能够多尺度地提取并学习信号有用的时频域信息,信号分解和特征学习交替执行,进而实现强噪声鲁棒特征提取。在不同工况下的航空高速轴承振动数据上进行测试,结果表明:所提模型训练时能够快速达到稳定收敛,并且识别准确率均能达到99.9%以上;提出的方法在强噪声干扰下的故障辨识准确度和识别稳定性均优于对比方法,验证了其优秀的抗噪声干扰能力;在少训练样本测试中,提出的方法在单类训练样本数量为60时的平均诊断准确率高达91.19%,相比于其他方法最低提升了13.19%,验证了GHMMD-DCNN模型具有更优的低样本泛化能力。

基于小波分解和ARIMA-GARCH-GRU组合模型的制造业PMI预测

制造业采购经理人指数(PMI)是反映国家经济运行情况的重要指标,而传统预测模型对该类时序数据预测精度不高。针对制造业PMI指数的非线性、波动性和数据量少的特点,提出一种基于一维离散小波变换进行数据预处理的组合模型。时序数据经过小波变换,由整合移动平均自回归–广义自回归条件异方差模型(ARIMA-GARCH)处理稳态低频数据,门控循环单元(GRU)处理波动性强的高频数据,将各频段预测结果进行融合得到最终预测结果。为验证模型有效性,选取一定数据量的PMI指数进行实验。结果表明,与其他常见模型对比,本文构建的组合模型具有较好的预测精度与性能,平均绝对误差(MAE)、均方根误差(RMSE)、平均绝对百分比误差(MAPE)分别达到0.00329、0.004162、0.65%。

SSA-VMD与小波分解结合的GNSS坐标时序降噪方法

利用麻雀搜索算法(sparrow search algorithm, SSA)优化变分模态分解(VMD),然后结合小波分解(WD),提出一种GNSS坐标时间序列降噪方法IVMD-WD。利用仿真信号和10个基准站的实测数据进行GNSS坐标时间序列降噪实验。结果表明,IVMD-WD方法的降噪效果优于经验模态分解(EMD)、集合经验模态分解(EEMD)和WD,能够更加有效地剔除GNSS坐标时间序列中的噪声。

基于时间序列和小波分解的区域道路交通事故空间分析——以北京市为例

道路交通事故在时间上呈现波动变化的特点,这一特点与城市区域经济社会、交通运行密切相关。不同区域的经济社会、交通运行状态不同,使得事故时间序列波动变化也有所不同。因此,根据道路交通事故时间序列特征,将城市区域分类,有助于提升交通安全管理的针对性。本文以北京市为例,采集了北京市各个区域的交通事故数据,鉴于此时间序列的高维型、不平稳性和突变性,采用Db2小波,将道路交通事故时间序列进行分解,然后采用层次聚类,将16个行政区域划分为5类,描述了各类的特征,并提出针对性的管理措施。

基于小波分解的燃煤电厂磨煤机磨辊检测研究

为预测性维护磨煤机运行中磨辊的磨损程度,本文采用小波信号处理技术对磨煤机单耗信号进行趋势分解,从重构的低频单耗信号初步反映磨辊的磨损状况,进一步地,为解决重构后的低频磨单耗信号可能受到磨煤机工况影响而在一定范围内波动,且基于该方法所建立预报模型的固定阈值可能带来的误报和漏报问题,采用主成分分析法来筛选与磨辊磨损密切相关的磨煤机变量,并基于正常运行数据建立了重构单耗信号的自适应神经网络基准模型。仿真结果显示,采用自适应阈值后,相比采用固定阈值,模型准确度从91.3%上升到了97.4%,漏报率从9.4%下降到了1.5%,平均检测时间从413 s下降到230 s。说明采用自适应神经网络方法能够有效地表征磨辊的磨损状态,可以有效地对重构信号进行监测和预警,增加报警的准确性,减少漏报率和检测时间,从而为磨煤机磨辊的预测性维护提供了一种更可靠和高效的方法。

基于多级小波分解时间序列的花椒图像分类识别模型

为提升花椒图像分类识别准确率,借助自适应多级小波分解的时间序列分类(Adaptive Multi-level Wavelet Decomposition based neural network,AMWDNet)模型,着重关注此分类模型中的频域信息,克服从时域出发对目标序列进行建模造成频域信息缺失的瓶颈。本研究借鉴小波分解技术,结合长、短期时间模式提取方法,构建出更加精确、更加实时的时间序列花椒识别模型。经过对比试验研究发现,在UCR数据库中的4个数据集测试上,AMWDNet模型表现出优异的分类性能和强大的泛化能力,超过其他3个基准模型,由此提升花椒图像分类识别准确率。

中点钳位型三电平逆变器基于调制波分解的调制策略

对于中点钳位型三电平逆变器(NPC TLI),一般通过单调制波与双载波相比较的方式产生脉冲序列,即基于载波的脉宽调制(CBPWM)。然而,该方法在高调制度低功率因数条件下中点电位(NPV)会出现三倍频波动。针对此问题,该文介绍一种简便的调制波分解方法,并以无条件实现NPV平衡的虚拟空间矢量脉宽调制(VSVPWM)为例说明该方法的可行性。在此基础上,提出一种可同时实现NPV平衡和开关损耗降低的调制策略。该调制策略具有四种模式,因此,将其命名为FM_VSVPWM。此外,对比了FM_VSVPWM与CBPWM、VSVPWM的调制性能。最后,通过实验验证了FM_VSVPWM的有效性和优越性。

基于调制波分解的中点钳位型三电平逆变器的混合调制策略

对于中点钳位型三电平逆变器,传统的载波脉宽调制在高调制度低功率因数下中点电压会发生三倍频波动,而虚拟空间矢量调制虽然能实现中点电压无条件平衡,却存在开关损耗高的问题。针对上述问题,基于调制波分解的多约束目标的协调,提出一种适用于中点钳位型三电平逆变器的混合调制策略。该调制策略采用双调制波单载波比较的方式实现,分析开关次数和中点电压无条件平衡的两类约束,为了在确保中点电压平衡的条件下降低开关损耗,提出上述两类约束的混合调制策略。在此基础上,探讨两种约束下的中点电压主动控制方法。另外,还对比了混合调制策略与其他调制策略的性能指标。混合调制策略可以在全调制度全功率因数下实现中点电压平衡,且相比虚拟空间矢量调制开关损耗有所降低,实验结果证明了其可行性和优越性。

融合小波分解和LSTM的目标轨迹预测

随着目前空战武器装备的迅猛发展,对于高空高速大机动目标的轨迹预测越来越占据重要的战略地位。为了解决目前存在的目标轨迹预测不足的问题,本文提出了融合小波分解(wavelet decomposition,WD)和长短期记忆(long short term memory,LSTM)网络的模型来对机动目标的轨迹进行预测。首先,通过小波分解将输入的轨迹时间序列分解为1个低频分量(CD1)和3个高频分量(CA1,CA2,CA3)。然后,利用长短期记忆网络对时间序列处理的优势进行分量预测。最后,将分量预测结果进行重构并与原始轨迹进行对比验证,结果表明所提模型对于轨迹预测具有较高的精确度。为了排除实验结果的偶然性,本文用两组数据进行验证。通过对比实验显示,所提模型与其他两种模型相比预测误差更小。

融合小波分解的Lasso光伏净负荷预测方法

为实现碳达峰、碳中和的目标,有必要对光伏净负荷进行预测,辅助电网根据不同用户的用电需求进行智能分配用电。文章提出了一种小波分解结合Lasso回归模型的预测模型,其中小波分解将时间序列数据的时频域进行对调,聚焦到数据的细节,更适合描述光伏净负荷的内在特性,而在Lasso回归模型中引入该方法将原始数据映射到合适的高维特征空间,使得Lasso回归模型应用于非线性的光伏净负荷数据。在实验验证中首先根据已有的10个台区的光伏净负荷数据进行分析,然后通过这些光伏净负荷数据使用预测模型进行训练和预测,实验结果表明该预测模型具有较高的准确性。

小波分解结合PSO-DBN的高压直流输电线路单极接地故障测距

针对已有故障定位方法的不足,提出了一种小波分解结合深度信念网络DBN的故障定位方法。对不同故障距离、不同过渡电阻下的线模、零模电压进行分析,推导出故障距离与小波分解各尺度模极大值之比的非线性关系。以小波分解模极大值之比作为故障特征,在MATLAB平台上搭建DBN故障定位模型用粒子群优化算法对模型参数优化,仿真结果表明所提方法测距精度较高,过渡电阻耐受能力较强。

基于小波分解和饱和度估计的水下图像复原

在水下成像时,由于受光线吸收、前向散射和后向散射等因素的影响,从而导致水下图像出现严重退化的现象.针对这些问题,提出了一种利用小波分解和饱和度估计透射率的水下图像复原方法.首先基于水下图像的频谱特征,借助小波分解,在最低频子带利用饱和度估计透射率来抑制散射光,在高频子带抑制噪声并进行细节增强.然后利用自动白平衡和饱和度增强的直方图匹配来对水下图像进行增强,从而改善水下图像的颜色偏差和对比度偏差.评估指标NIQE和UCIQE的均值分别为3.2177和0.4895,优于其他算法.实验结果表明:这种方法可以得到颜色更自然,饱和度更均衡的复原图像.

基于小波分解的光通信数据安全风险识别方法研究

进行光通信数据安全风险识别过程中,由于光通信数据选择的特征不能很好地反映数据的本质特点,导致安全风险识别效果较差,对此,研究基于小波分解的光通信数据安全风险识别方法。首先,通过光通信数据传输信道均衡控制设计,抵消信道传输引起的失真和噪声影响,然后,采用小波分解进行光通信数据的特征提取。基于提取到的光通信特征数据进行数据异常状态分析。最后,基于获取的数据特征和异常概率,采用萤火群算法进行光通信数据异常数据的识别定位,有效实现光通信数据的安全风险识别。实验结果表明:方法的异常数据识别相识度较高,且收敛速度与识别时间最高分别为23 V/s、40 s,说明本文方法具有实用性。

基于小波分解和GDI的动力电池故障诊断

在动力电池组故障早期准确地定位故障单体电池,能预防安全事故。提出基于小波分解和广义无量纲指标(GDI)的动力电池故障诊断方法。使用小波分解,从电压数据中提取稳定的趋势分量;使用自定义的GDI提取故障信息;使用微分法处理故障信息,排除电池组不一致的情况,并使用3-σ原则作为故障触发阈值。基于电动汽车实际运行数据的实验结果表明,所提方法较信息熵法准确性更高,且具有较强的鲁棒性,在故障早期能够准确地定位故障单体电池,并降低电池组不一致故障的误报率。

基于小波分解与ARMA-BayesLSTM组合模型的风向短期预测

针对风向的随机性、不稳定性、强相关性,提出了1种基于小波分解的自回归滑动平均模型(Autoregressive moving average,ARMA)与Bayes-LSTM(Long short-term memory,LSTM)组合的风向预测算法。首先对风向序列进行小波分解;然后使用ARMA与Bayes-LSTM算法分别对各分量进行预测;最后对预测结果进行重构,得到预测风向。与ARMA、LSTM、Bayes-LSTM预测方法进行对比,结果表明,所提出的组合算法对风向具有更好的预测精度。

基于复Morlet小波分解的输电线路覆冰过程多尺度分析模型

为分析输电线路覆冰过程的非线性、非平稳性,提高覆冰负荷的预测精度,本文提出了一种基于复Morlet小波分解的输电线路覆冰过程多尺度分析模型。由于架空输电线路覆冰过程具有显著的时间多尺度特性,基于小尺度气象因子的覆冰负荷变化过程体现为一种局部特征复杂的非平稳态时间序列,而基于大尺度气象因子的覆冰负荷变化过程体现为一种趋势明显的平稳态时间序列。基于小波分解方法可将不同尺度的覆冰序列分离出来,为精准预测覆冰打下基础,通过试验证明,该方法可将覆冰负荷分解为具有不同频率尺度的分量,使研究者更深入了解输电线路覆冰负荷的变化规律。

基于小波分解的颅脑动态电阻抗监测中体动干扰实时处理方法研究

目的:为抑制临床颅脑电阻抗动态监测中体动干扰导致的图像伪影,提出一种基于小波分解的体动干扰实时处理方法。方法:首先,使用混合高斯模型描述颅脑电阻抗信号小波分解系数分布特征,对体动干扰和正常信号进行区分并加以处理;其次,采用垒墙式的计算策略,实现小波分解的实时化处理;最后,开展仿真实验与人体实测数据实验验证提出方法的有效性。结果:实验结果表明,该方法可以有效抑制尖峰类型的体动干扰,恢复信号的连续性,并显著减少图像上的重构伪影,恢复正常的图像监测。结论:基于小波分解的体动干扰实时处理方法能够有效抑制临床颅脑电阻抗动态监测中的体动干扰,特别适用于多通道数据采集的应用场景。

引入小波分解的神经网络预测——以玉米大宗商品价格序列为例

采用世界银行发布的连续752期月度玉米国际价格,将其视为离散价格时间序列,运用小波理论中的Mallat算法,把价格序列分解为若干高频分量和一个低频分量,然后将各分量导进循环神经网络,再累加所得的各个分量预测值,作为最终预测价格。实验表明,引入小波分解的神经网络模型,在玉米价格时间序列中,比较灵活地捕捉到高频和低频信号,并准确拟合和预测这些部分的数值,结果表明该方法对于价格频繁剧烈波动的场景具有实用意义。

à trous小波分解在边缘检测中的应用

讨论了劋ｔｒｏｕｓ小波分解的原理及进行边缘检测的方法靡环樱校希砸8型枷窠辛耸匝?,并与经典的Sobel算子和Robert算子处理的结果进行了比较。结果表明 ,其性能在某些方面具有明显的优越性 ,并具有一定的抗噪声能力。同时 ,讨论了本文所述方法需要进一步改进的地方。

基于小波分解和LSTM的夜经济电力商户分类模型研究

目前,中国的夜经济发展处于起步阶段,为了有效分析夜经济商户的业态,挖掘夜经济电力商户的用电模式,提出了一种基于小波分解和LSTM的夜经济电力商户分类模型。首先,提取工作日和非工作日的用电负荷曲线作为商户的用电特征;然后,利用小波分解算法对负荷数据进行分析与重构,降低了原始序列中非平稳数据对分类精度的影响;最后,将处理后的特征向量输入长短期记忆网络中,对夜经济商户的业态类型进行判别。实验结果表明,模型的分类精度优于传统的机器学习模型,验证了本算法的可行性。