基于高光谱小波能量特征向量估算湖滨绿洲表层土壤有机碳含量

高光谱分析能够高效的估算土壤有机碳含量,连续小波变换(CWT),在高光谱数据的噪声去除和有效信息提取方面具有独特优势,但是经过连续小波变换后的光谱数据被分解为多个尺度,单一分解尺度信息不能代表不同分解尺度信息,如何充分利用多分解尺度的小波系数,成为高光谱估算土壤有机碳含量的难题。博斯腾湖是我国最大的内陆淡水湖,湖滨绿洲作为重要的水陆交错带,具有独特的空间结构和时间结构,在维持和恢复湖泊生态系统健康方面发挥着重要作用。以博斯腾湖湖滨绿洲为研究区,于2020年10月采集138份深度为0~20 cm表层土壤样本,剔除3个异常值样品,得到135个有效样品,室外采集土壤样本光谱,并通过重铬酸钾-外加热法测定土壤有机碳含量;将土壤样本的光谱反射率进行Savitzky-Golay平滑滤波处理,以Gaussian4为小波基函数进行连续小波变换,将土壤高光谱数据转换为10个分解尺度的小波系数。利用相关性分析法(CC)、稳定自适应重加权采样(sCARS)、竞争自适应重加权采样(CARS)、连续投影算法(SPA)、遗传算法(GA)等5种特种波段筛选方法进一步降低噪音,消除冗余信息,逐尺度计算小波系数的均方根作为小波能量特征(EF),将10个尺度的小波能量特征组成小波能量特征向量(EFV),基于小波能量特征向量建立BP神经网络模型(BPNN)。结果表明,连续小波变换可以有效提高光谱反射率与土壤有机碳含量间的相关性,1~3分解尺度相关性较差,4~10分解尺度的相关性较好,相关系数平均值提升43.66%,相关系数最大值平均提升67.93%。CC算法筛选的特征波段主要分布于在400~1 500 nm可见光及近红外短波;sCARS、CARS算法筛选的特征波段集中于1 500~2 500 nm近红外长波;SPA算法筛选的特征波段集中于760~2 500 nm近红外波段;GA算法得到的特征波段基本均匀分布于400~2 500 nm。高光谱小波能量特征向量EFV可以较好估算湖滨绿洲表层土壤有机碳含量,6种模型的训练集与验证集R2平均值分别为0.73、0.74, RMSE平均值分别为7.64、7.28, RPD平均值为1.95。模型精度表现为,CC-EFV-BPNN>sCARS-EFV-BPNN>Full-spectrum-EFV-BPNN>CARS-EFV-BPNN>GA-EFV-BPNN>SPA-EFV-BPNN。连续小波变换结合特征变量筛选方法,提取小波能量特征向量EFV,有效降低光谱数据维度与高光谱小波能量特征向量模型复杂度,对于快速估算表层土壤有机碳含量具有重要参考价值。

基于小波包能量特征向量的结构动力响应损伤识别

在结构动力响应监测中如何准确判断结构损伤状况是工程上的一大难题,本文研究通过小波包能量特征向量提取结构损伤信息来识别结构损伤的方法,并进行实验分析,同时分析噪声对能量值的影响。实验发现:小波包能量特征向量具有识别结构状态的能力,并且不受噪声的影响,相反,对观测信号去噪后不利于能量特征向量的提取。

基于小波包能量分布和大小变化的结构损伤识别对比分析

为了对比基于小波包能量分布变化和大小变化的损伤识别指标对结构损伤的识别能力,从数理统计特性出发,以小波包能量特征向量均值改变量、标准差改变量、均值改变量曲率和标准差改变量曲率作为损伤识别指标,选用三层空间钢框架结构为研究对象,采用有限元软件ABAQUS建立不同损伤工况下的三维有限元数值模型,并进行动力时程分析,研究在冲击荷载作用下四种指标的识别灵敏度以及小波包分解层数、小波基函数和环境噪声对损伤识别结果的影响。结果表明,四种指标都能较好识别结构损伤;小波包分解层数和小波基函数的选取对识别结果影响较小;面对环境噪声的干扰,特征向量均值改变量和标准差改变量比均值改变量曲率和标准差改变量曲率作为损伤识别指标更具有鲁棒性。

基于压缩信号处理的框架结构损伤识别

针对结构健康监测过程中产生数据量庞大,从而对数据存储造成巨大负担的情况,本文提出一种基于压缩感知的结构损伤识别方法。该方法首先通过压缩感知理论对原始信号压缩降维,以压缩后的信号代替原始信号来表征原始损伤信号,然后对压缩信号进行小波包分解,构造能量特征向量识别损伤。为了更好地反映压缩感知应用于结构损伤识别的优势,将处理后的压缩信号与原始信号进行损伤识别对比,通过有限元软件ABAQUS建立一个三层钢筋混凝土框架算例进行数值模拟,结合损伤识别方法和数值算例加以验证,证明此方法可以应用在工程结构的损伤识别中。结果表明:此方法可以用压缩信号准确的识别出结构损伤,在降低计算量的同时获得了比较精确的识别效果。

基于电机电流分析法及能量特征向量的摩擦实验

对机床类设备的摩擦状态的监测是设备运行过程的一个重要环节。针对机床类设备运行过程中摩擦状态的变化,提出基于电机电流分析法及能量特征向量对摩擦状态进行测试和分析,利用电流信号的小波包变换节点系数重构各频带信号,计算各信号的能量值,构造能量特征向量。通过分析不同时刻各频带信号的能量值,提取包含摩擦信息的特征值能量值,以此作为分析与监测摩擦状态的特征量。实验表明,分析摩擦特征量的变化曲线,可以获得设备工作过程的摩擦状态,有利于实现摩擦状态的在线监测。

钢筋混凝土梁损伤的小波包识别方法

基于小波包能量特征向量的损伤识别是一种对损伤非常敏感的方法。为了更有效地选择特征频带,从频带分解的角度分析了基于小波包分解能量特征向量的结构损伤识别方法。将结构响应信号进行小波包分解,提取各频带的能量。通过分析结构响应频率和小波包分解各频带频率范围,选取信号主要频率所在频带及其相邻频带的能量构成特征向量。当信号频率有微小改变时,特征能量向量的变化远远大于信号频率的变化。当结构出现损伤时,脉冲激励下其动力响应信号的频率有所降低,因此可以通过特征能量向量的变化来识别损伤。通过一根钢筋混凝土梁的试验验证了该方法的有效性。

噪声参数最优ELMD与LS-SVM在轴承故障诊断中的应用与研究

针对轴承振动信号的非平稳特征和现实中难以获得大量典型故障样本,提出基于噪声参数最优的总体局部均值分解(Ensemble Local Mean Decomposition,ELMD)与最小二乘支持向量机(Least Squares Support Vector Machine,LS-SVM)相结合的轴承故障诊断方法。首先对轴承振动信号进行噪声参数最优ELMD分解并得到一系列窄带乘积函数(Product Function,PF),然后计算各PF分量能量以构造能量特征向量,最后将高维能量特征向量作为最小二乘支持向量机的输入来识别轴承故障类型。通过对轴承故障振动信号分析,结果表明噪声参数最优ELMD方法能有效地抑制模态混叠,与LS-SVM结合可以准确地识别轴承的工作状态和故障类型。

基于自适应概率神经网络的损伤模式识别研究

在传统的概率神经网络(PNN)的基础上,提出了通过Gap-Based方法初步估算平滑因子σ,并以遗传算法优化σ参数集的自适应概率神经网络(APNN)模式分类识别方法。以桥梁健康监测委员会提出的两跨桥梁Benchmark模型为例,通过将小波包分解结构在正弦激励和交通激励载荷模型下的动力响应信号的能量特征向量作为网络的输入样本,利用APNN进行了损伤模式进行识别。结果表明,APNN不仅识别精度高和抗噪性能好,而且还能用于输入特征向量参数筛选和降维,提高学习效率和识别精度。

基于小波包分析的滚动轴承故障诊断

应用小波包分析方法构造滚动轴承故障信号的能量特征向量,再以此作为神经网络的输入,对滚动轴承故障进行分类,实践表明,能量特征向量较显著的表达了故障,有较好的诊断效果．

光纤光栅型平面冲击信号方向识别的小波包分析

介绍了光纤光栅传感器检测平面冲击信号的方向识别技术的重要性;构建了基于小波包分解的能量谱特征向量,说明了能量谱特征向量用于诊断系统参数改变或损伤故障的原理;搭建了基于非平衡M-Z干涉仪和PGC相位解调技术的光纤光栅平面冲击信号检测系统;测试了与光纤光栅传感器轴向夹角为0°,30°,45°,60°,90°等方向的平面冲击信号;通过Fourier分析表明不同方向的冲击信号频谱的能量随冲击方向变化而改变;描绘了基于小波包分解构造的能量谱特征向量与冲击信号方向的关系,结果显示两者具有理想的余弦关系;实验表明基于小波包分解的能量谱特征向量能很好的识别平面冲击信号的方向。

基于小波变换的水下卵石运动声音识别研究

卵石推移质运动是影响河道冲淤变化的重要因素,其造成的碍航问题时有发生,但受制于现有观测手段,并不能对卵石运动的时空特性进行测量,从而限制了相关碍航关键机理的研究。基于声学原理的卵石观测方法是测验理念较先进的方法,具有许多优于传统观测方法的特点。本文从卵石运动声音的识别出发,借鉴声音信号处理中的相关手段分析了卵石、船舶、水流三种野外测量中常见音频信号小波变换后的能量分布特征,并以该特征为识别的特征参数对合成的音频信号进行了分析,取得了良好的识别效果,可为在野外复杂环境下提取卵石运动声音信号并对该信号进行分析,从而了解卵石运动规律。

基于EMD和概率神经网络的说话人识别

基于EMD和概率神经网络的说话人识别方法,主要针对语音信号具有强时变特性问题,通过自适应性的经验模态分解(EMD)方法,对不同说话人的语音信号进行分解后,得到反映信号特征的本征模态函数(IMF),然后计算IMF的能量并进行归一化得到能量特征向量,利用具有简单高效的模式识别功能的概率神经网络(PNN),对不同说话人的语音能量特征向量识别,从而达到说话人识别的目的。实验结果表明,在噪声污染不大的情况下,该方法能够准确快速地识别说话人身份,具有较高的识别性能。

基于噪声分析的电机故障诊断方法研究

本文基于Matlab平台,对电机各种运行状态的噪声进行数字分析和处理,提出了一种基于噪声分析的电机故障类型的诊断方法。首先对电机不同运行状态下的声音信号进行时频域分析和去噪处理;其次分析和提取了信号的能量特征向量。最后利用神经网络分类器对电机故障声音进行了分类识别。此外,为提高智能诊断的准确性,本文在以上一系列过程中均采用了多种方法,并进行了择优。实验表明,本文研究的基于噪声分析的电机故障诊断方法具有较高准确率。

基于卷积型小波包变换的船用水位调节器故障辨识

以某型蒸汽船的主冷凝器水位调节器为研究对象,应用卷积型小波包变换提取各种故障信号分解后的相对小波包能量,建立水位调节器标准故障库,并引进Euclidean空间距离公式作为判据进行故障识别。实验结果表明,该方法可以对水位调节器的典型故障进行快速、正确分类,降低了其故障定位与维修的盲目性。

基于EMD算法的航空EMA故障诊断及健康状态评估

介绍了经验模式算法的基本原理,并进行了一定的改进。在此基础上,用EMD方法对航空EMA用永磁同步电动机的电磁转矩信号进行分析,提取了瞬时频率、幅值等瞬时故障特征,提出了基于能量特征向量的构造方法,为永磁同步电动机的故障诊断提供了依据。提出了健康指数的概念及计算方法,可以更加形象、有效地对电机的健康状态进行评估。

基于小波包分析和BP神经网络的字符识别方法

利用小波包分析具有提取图像时、频两域细节和局部特征的能力,提出了将字符图像的小波包分析和BP神经网络相结合以达到识别字符的新方法。该方法首先对字符图像进行小波包分解,然后对分解系数进行重构,求得重构图像的能量;然后提取了不同字符图像的能量构造成能量特征向量,作为神经网络的输入;然后通过选取初始权值、隐层节点数和权值学习算法,创建BP神经网络;最后通过神经网络模型进行训练。实验证实该方法具有识别正确率高、速度快等优点。

基于小波包分解和SVM的φ-OTDR系统信号识别

针对基于相位敏感光时域反射计的分布式光纤传感系统的信号识别实时性和准确性问题,提出一种基于小波包分解和支持向量机的信号识别方法。通过小波包分解提取信号的能量特征向量并分析不同信号的平均能量分布趋势。采用支持向量机对敲击、晃动、行走和噪声四种信号共800个实验样本进行训练和识别,识别效果由精确率、召回率、F1值和准确率四种评估指标进行评价。实验结果显示敲击信号和晃动信号的识别精确率、召回率和F1值分别为94.12%、96%、95.05%;95.92%、94%、94.95%;行走信号和噪声信号的识别精确率、召回率和F1值均为100%;总体识别准确率在97%以上。该方法提高了相位敏感光时域反射系统在信号识别时的准确性和实时性。