基于连续小波变换的黑北凹地砂砾储卤层沉积特征研究

柴达木盆地西部中深层“砂砾型”钾盐储卤层与沉积水体变化息息相关,高密度网状二维地震资料包含的频率信息,有助于识别发育砂砾储卤层的沉积环境,为深层富钾卤水储层研究提供支撑。采用连续小波变换时频分析技术将地震信号从一维的时间域拓展到二维的时间-频率域上,能够在频谱中更清晰地刻画沉积体内部岩性组合的旋回结构特征。基于正演数据和实际钻井数据,总结了低水位体系域、水进体系域、高水位体系域和水退体系域层序框架下,沉积体的地震时频谱旋回响应特征:低水位体系域的时频谱能量主要聚集在低频,高水体系域的时频谱能量主要聚集在高频,水进体系域的时频谱能量随时间减小向高频方向移动,水退体系域的时频谱能量随时间减小向低频方向移动,指出35 Hz是划分有利沉积旋回——水退体系域末期、低水位体系域和水进体系域初期的频率阈值。选择合适频率区间重构地震数据能突出弱振幅砂砾层的反射特征,结合全频带数据有助于快速识别有利沉积旋回,为寻找砂砾型深层卤水钾矿提供依据。

基于连续小波变换和模型无关元学习的压燃式活塞发动机气门故障诊断研究

针对压燃式活塞发动机缸盖表面振动信号样本少及传统故障诊断方法特征提取和选择困难的问题,提出了一种基于连续小波变换(continuous wavelet transform,CWT)和模型无关元学习(model agnostic meta learning,MAML)的压燃式活塞发动机气门间隙异常故障诊断方法。通过将CWT的特征提取能力和MAML的快速学习能力相结合搭建故障诊断模型。试验结果表明该方法能有效识别气门间隙故障,并且其准确率高于传统基于CWT和卷积神经网络(convolutional neural network,CNN)的故障诊断方法。通过跨域故障对比试验,研究了不同气门故障类型对模型诊断能力的影响,验证了该方法在解决小样本和跨域故障问题时具有更高的准确率和泛化能力。

基于连续小波变换和机器学习的小麦产量预测

及时、准确的作物估产,对作物管理决策和粮食安全评估具有重要意义。该研究在建立一种耦合连续小波变换(CWT)与机器学习准确预测小麦产量的方法。基于2020年—2021年两年小麦田间试验获取的开花期和灌浆期冠层高光谱数据及产量数据,首先采用CWT提取三种小波特征(WFs),分别为:基于Bortua方法筛选的特征波段(Bortua-WFs)、提取WFs与小麦产量确定系数的前1%(1%R^(2)-WFs)和单一分解尺度下的所有WFs(SS-WFs)。然后采用随机森林(RF)、 K最邻近(KNN)和极端梯度提升(XGBoost)三种机器学习算法构建产量预测模型。最后选取最优的光谱特征,采用相同的方法进行建模并比较。结果表明:(1)三种WFs结合机器学习方法的模型均表现良好,基于Bortua-WFs构建的模型具有更高的精度和稳定性。(2)相比光谱特征模型,Bortua-WFs模型在各生育期的精度均有所提高,开花期的R^(2)精度分别提高了17.5%、 4%和39.6%,灌浆期分别提高了8.4%、 5.6%和16.9%。(3)灌浆期的产量估算模型优于开花期,结合Bortua-WFs和XGBoost的模型表现最佳,R^(2)为0.83, RMSE为0.78 t·ha^(-1)。该研究比较了不同特征和方法相结合的性能,确定了不同方案下的最佳模型精度,为光谱准确预测小麦产量提供技术参考。

基于连续小波变换和高阶统计量的心律失常识别算法

针对可变持续时间心电图(ECG)数据信号的非平稳性和时序性问题,提出一种基于连续小波变换(CWT)和高阶统计量(HOS)的心律失常识别算法。首先,针对可变持续时间ECG数据中每个样本的数据点数量不同,采用RR间期插值法预处理数据,并通过CWT将信号分解为不同的时频分量,从而使网络能够更好地提取心电信号中的时间和频率特征。其次,针对时序信息利用不充分的问题,提出基于HOS和长短期记忆网络的时序挖掘模块,以捕捉和学习ECG信号中的长期依赖关系,从而有助于识别和理解特定的心律失常类别。通过在公开的ECG数据集MIT-BIN上进行的大量实验,验证所提方法的有效性和优越性。

基于空间连续小波变换和电路模型的宁夏沿黄河城市带生态安全格局构建

生态安全格局的构建有助于减缓生态系统退化和生物多样性丧失,对生物多样性保护具有重要意义。现有研究中生态源地识别的主观性较强且源地边界破碎,生态廊道对景观连通性的贡献程度也有待明确。因此,以宁夏沿黄河城市带为例,首先利用空间连续小波变换识别综合生态系统服务突变点,获取生态源地,进而基于电路模型评估功能连通性以提取生态廊道,最后量化生态廊道的连通贡献。结果显示,生态源地占研究区总面积的41.51%,其中草地占比83.27%。相比于直接提取综合生态系统服务高值区,基于空间连续小波变换识别的生态源地能较好的反映局地生态系统特征,并将景观形状指数和分形维数分别降低67.20%和8.06%,减少生态源地边缘长度从而受到外界干扰的可能性更小。生态廊道占研究区总面积的7.42%,是物种迁徙等生态过程的关键通道,有效地增强了区域景观连通性,将等效可能连通性指数和等效整体连通性指数分别提升41.76%和68.68%。生态安全格局主要位于研究区边界地段,整体呈两带分布,为宁夏沿黄河城市带阻挡周围的沙漠,保障中部的城市发展和粮食安全。然而,研究区范围内自然保护区仍存在较为严重的生态系统服务和功能连通的保护缺口。各区域的生态安全格局具备不同的生态功能,需要有针对性的差异化保护、修复与管理。

基于连续小波变换和残差神经网络的房颤预测研究

心房颤动(AF)是一种最常见的心律失常类型,为了提高房颤预测的准确率和可靠性,提出了一种基于连续小波变换和残差神经网络的房颤预测方法。首先,采用软阈值小波去噪方法去除心电图信号的噪声干扰;其次,通过连续小波变换生成二维时频图;最后,使用带下采样的残差神经网络进行房颤预测。为了全面评估所提方法的性能,新建立了一个包含2160条心电图(ECG)记录的综合数据集,并在此数据集上进行了实验。实验结果表明,该方法在新数据集和公开数据集(AFPDB)上分别得到92.4%和96.1%的精确度,相较于当前的深度学习方法,实现了显著提升。

基于植被指数与连续小波变换的玉米叶片Cu^(2+)含量反演

目的:确定Cu^(2+)污染胁迫下玉米叶片Cu^(2+)含量最优反演模型。方法:以室内盆栽玉米为研究对象,在采集不同胁迫梯度下玉米叶片光谱以及同期叶片Cu^(2+)含量的基础上,通过遍历计算出两波段原始光谱植被指数,并将其与叶片Cu^(2+)含量进行相关性分析;利用0.1~0.9阶、1.1~1.9阶与1~4阶共22种光谱微分预处理重采样后的光谱数据,经连续小波变换后分析小波系数与叶片Cu^(2+)含量之间的相关性;根据相关性分析提取最优植被指数与最优小波系数,建立反演模型。结果:植被指数与叶片Cu^(2+)含量显著相关,最优波段组合分别为:DI(621.5 nm, 1 889.2 nm)、RI(482.2 nm, 1 418.5 nm)、NDVI(666.3 nm, 1 917.2 nm)、RNDVI(621.5 nm, 1 889.2 nm),其光谱特征均集中在可见光与近红外波段附近;小波系数也与叶片Cu^(2+)含量之间具有良好的相关性,其敏感波段位于400、600、900、1 200、2 400 nm附近,与最优植被指数敏感波段一致。经0.9阶光谱微分预处理后得到的小波系数与叶片Cu^(2+)含量相关系数最大,为0.88;通过相关性分析提取最优植被指数和最优小波系数,以植被指数与不同阶微分变换的连续小波变换提取的小波系数为自变量,建立线性反演模型,其中利用最优植被指数建立的反演模型精度最高,模型最稳定,RMSE为4.97μg/g。结论:植被指数和连续小波变换两种方法在农作物重金属污染监测方面具有重要的参考价值,应用前景广阔。

基于连续小波变换和注意力机制堆叠的电机滚动轴承故障诊断方法

文章针对基于卷积神经网络的电机滚动轴承故障诊断模型在训练时不能将特征按重要程度进行区分、故障类别诊断精度较差等缺点,构建了基于注意力机制堆叠的卷积神经网络,该网络可对特征图片中的重要特征进行凸显,通过连续小波变换将一维故障信号按照特定长度进行截取后转换为二维的时频图,该图作为卷积神经网络的输入。在注意力机制中引入深度可分离卷积以在凸显特征的同时减少参数量,在Inception模块中引入注意力机制对特征图像进行多尺度特征提取的同时凸显特征,并通过实验探讨在该模块中注意力机制堆叠的次数以及网络结构中Inception块堆叠次数对网络故障诊断性能的影响,在诊断精度表现最优的网络结构中设定不同的Batch_Size,进一步探究最佳模型。实验结果表明,改进后的网络结构在Inception模块中堆叠两层注意力机制、网络中堆叠一次Inception块时,性能达到最优,诊断准确率达到100%。

基于连续小波变换的土壤重金属镉含量的高光谱估测

选择合理的处理方法可增强土壤光谱中有效信息特征,提高模型估测精度。以新疆渭-库绿洲土壤为研究对象,基于连续小波变换(continuous wavelet transformation,CWT)与传统数学变换相结合的方法进行光谱数据处理并提取特征波段,采用偏最小二乘回归(PLSR)、BP神经网络(BPNN)、随机森林回归(RFR)和支持向量机回归(SVMR)方法构建土壤重金属镉含量估测模型。结果表明:(1)土壤原始光谱曲线趋势基本一致,在600~2450 nm范围内,随着重金属镉含量增加,其光谱反射率降低,二者呈负相关。(2)CWT与原始光谱一阶微分(R′)相结合的处理效果最佳,|r|值可达到0.586,为极显著负相关(P<0.001),表明数学变换与连续小波变换相结合的处理方法可有效反应光谱细节特征。(3)对比各模型的反演结果,发现CWT-R′-SVMR模型的训练集和验证集的决定系数(R^(2))大于0.86,均方根误差(RMSE)小于0.02 mg/kg,相对分析误差(RPD)大于2,建模效果较好,可作为最优模型对研究区土壤重金属镉含量进行估测。结合数学变换的连续小波分解技术可有效提取土壤中的潜在信息,为土壤重金属镉含量的准确估算提供参考。

基于连续小波变换的表层土壤有机碳含量的高光谱估算

土壤有机碳含量的高光谱估算,可快速、准确监测土壤肥力,为农业生产进行合理施肥提供科学依据。以博斯腾湖西岸湖滨绿洲为研究区,应用ASD FieldSpec3光谱仪测定表层土壤的高光谱反射率,采用重铬酸钾-外加热法测定表层土壤有机碳(SOC)含量;运用连续小波变换(CWT)分别对土壤高光谱反射率(R)及其一阶微分变换(R′)进行尺度分解,分析不同尺度分解后的数据与表层SOC含量的相关性,筛选敏感波段,分别建立偏最小二乘回归(PLSR)、随机森林(RF)和支持向量机(SVM)3种模型估算表层SOC含量。研究结果表明,土壤高光谱反射率与SOC含量呈负相关,经过一阶微分变换后,通过极显著性检验(P<0.01)的波段数由1689个降低为227个,最大相关系数绝对值(|r|)由0.39提高至0.54;土壤高光谱数据CWT处理后,与表层SOC含量的相关性随分解尺度的增加呈现先增后降的趋势。R′-CWT-SVM模型估算效果最优,建模集和验证集R 2分别为0.83和0.80,RMSE分别为5.24和3.56,RPD值为2.12,能够有效估算研究区表层SOC含量。

基于连续小波变换耦合CARS算法的冬小麦冠层叶片含水量估算

为实现干旱地区冬小麦冠层叶片含水量的快速测定,以陕西省乾县为研究区,基于野外冬小麦冠层高光谱数据和实测叶片含水量,对原始光谱进行连续小波变换(continuous wavelet transform,CWT)后得到的小波能量系数与实测含水量进行相关性分析;并通过竞争性自适应重加权采样(competitive adaptive reweighted sampling,CARS)过滤冗余变量,筛选与叶片含水量相关性较好的波长变量,作为优选变量集;通过粒子群算法(particle swarm optimization,PSO)对BP神经网络模型进行优化,构建冠层叶片含水量预测模型并进行分析。结果表明,从尺度1到尺度10,小波系数与冬小麦叶片含水量整体相关性先升后降,中等分解尺度在光谱波段去除噪声、提高相关性方面最佳;基于CARS优选变量集所建的两种模型中,BP-PSO模型预测能力明显优于普通BP神经网络模型,其决定系数可达0.82,均方根误差为0.86%,相对误差为0.82%。这说明CWT-CARS-BP-PSO耦合算法在提升相关性、过滤冗余波段、提高模型预测精度方面效果显著,可用于冬小麦叶片含水量预测。

连续小波变换和具有注意力机制的深度残差收缩网络在低压串联电弧故障检测中的应用

当室内配电系统发生串联电弧故障时,电弧燃烧温度可高达数千摄氏度,从而导致电气火灾的发生。而低压配电网中负载类型复杂,利用一般的电流信号时频分析,很难对串联电弧故障进行有效识别。针对这一问题,文章利用深度学习强大的计算机视觉能力,提出了一种基于注意力机制和深度残差收缩网络(attention mechanism and deep residual shrinkage network,Attention-DRSN)的故障检测方法。首先,使用连续小波变换提取电流信号特征信息,并转化为图像特征。其次,对提取到的图像特征进行数据增强和灰度化处理,并利用主成分分析方法(principal component analysis,PCA)对特征图像进行了重构。最后,构建了Attention-DRSN电弧故障检测模型,并采用K-折交叉验证方法对数据集进行划分,验证了所提方法的有效性。实验结果表明,该检测方法对串联电弧故障具有较高的检测精度,平均检测准确率为98.52%,对未来电弧故障检测装置设计具有重要的借鉴意义。

结合连续小波变换与生成对抗网络的癫痫发作预测

目前半监督深度学习模型已成功用于脑电信号(EEG)的癫痫发作预测,但该模型在EEG预处理方式与半监督模型稳定性等方面还有提升空间。本研究提出一种结合连续小波变换(CWT)与基于梯度惩罚的Wasserstein生成对抗网络(WGAN-GP)的改进方法(CWT-WGAN-GP)。首先对未标记的EEG信号进行CWT获得时频图,并结合特定患者的EEG数据集训练WGAN-GP模型,生成高性能的特征提取器;其次,以经过训练的WGAN-GP的判别器为特征提取器、两个全连接网络层为分类器(预测器),用少量有标记的EEG信号CWT时频图完成分类模型训练;最后,WGAN-GP的判别器与稳定的全连接网络组成半监督深度学习预测模型,用于癫痫发作预测。用CHBMIT头皮脑电数据集中所筛选的13例患者数据,评估改进的半监督癫痫发作预测模型,并与现有半监督方法相比。该方法在灵敏度、特异性、准确率和AUC指标上分别达到82.69%,67.48%,82.08%和84.03%,将原有的性能指标分别提升14.48%,34.45%,7.87%和11.4%;CWT-WGAN-GP的预测性能与现有方法的差异具有统计学意义(P<0.05)。CWT与WGAN-GP模型相结合能有效地改善半监督深度学习模型预测性能,在癫痫发作预测中发挥无监督特征提取的优化作用。

基于连续小波变换和半监督极限学习机的轴承故障诊断方法

当数据集包含的标示数据量不足时,基于全监督学习的故障诊断方法效果往往不理想。充分利用大数据下无标注的数据信息,利用连续小波变换生成轴承故障振动信号的时频图,提取表征图像纹理和形状的特征,建立半监督极限学习机模型,通过连续小波变换生成故障信号的时频图谱,并计算图像的灰度差分统计特征、不变矩特征作为半监督极限学习机的输入。利用无标示和有标示数据集,构建半监督极限学习机模型和规划公式,计算隐含层输出矩阵得到优化的分类结果。研究结果表明,基于连续小波变换的特征提取方法相较于HOG、LBP等方法具有更好的识别效果。在故障信息不充分的情况下,半监督极限学习机的模型推广能力强、故障识别率高。

基于连续小波变换的斜拉桥模态参数识别算法研究

精确的模态参数是结构健康状况评估的重要基础。文中利用小波变换良好的时频局部化特性采用数值模拟的研究方法对大跨径组合梁斜拉桥模态参数进行识别;首先,建立大桥有限元模型,进行有限元时程分析及特征值分析,采集加速度响应数据,然后将小波算法用于大桥模态参数识别。识别结果表明,对于模态频率,识别值与理论值的偏差在4%以内;对于模态振型,识别振型与理论振型的MAC值在90%以上,识别结果较好地验证了算法的有效性和可靠性。

基于连续小波变换的潮土有机质含量高光谱估算

土壤有机质含量快速估算对于土壤肥力评价、土壤信息化管理和精准施肥具有重要意义。该文通过对北京顺义地区64个土壤样品高光谱曲线进行连续小波变换,估算了该地区潮土有机质质量分数,并与4种常用光谱变换方法进行了比较。结果表明,潮土具有与其他类型土壤类似的光谱曲线,经过去包络线处理后,在可见与近红波段都出现了明显吸收峰;采用连续小波变换方法所确定的潮土有机质估算的敏感波段为1194、486和866nm,对应小波分解尺度为2,3和4;利用小波能量系数与有机质质量分数所构建的多元线性回归模型的决定系数R2为0.67,模型实测值与预测值的检验精度R2为0.75,RMSE为0.21;而采用4种常用光谱变换方法建立的潮土有机质估测模型的R2最高只有0.09,说明连续小波变换方法更适合于潮土有机质质量分数估测。Kringing插值分析表明,应在顺义地区东南部增加取样点,以提高模型估算精度。该研究可为潮土土壤肥力的快速测定提供参考。

连续小波变换高光谱数据的土壤有机质含量反演模型构建

土壤有机质含量是反映土壤肥力的重要指标,对其进行动态监测是实施精准农业的重要措施。近年来,众多学者尝试采用土壤近地传感(proximal soil sensing),尤其是近地高光谱技术,在田间和实验室获取不同形态土壤的高光谱数据,不断引入新方法建立适用于不同地域和不同土壤类型的有机质含量的反演模型。该研究在实验室内利用ASD FS3采集了土壤高光谱数据,采用"重铬酸钾-外加热法"测得了土壤有机质含量;分析了土壤原始光谱反射率(R)与有机质含量的相关性,选取R^2>0.15的敏感波段的反射率;利用CWT对土壤原始光谱反射率(R)、光谱反射率的连续统去除(CR)进行不同尺度的分解,分析小波系数与土壤有机质含量的相关性,选取R^2>0.3的敏感波段的小波系数;利用R选取的波段信息和R-CWT,CRCWT的选取的小波系数,分别建立偏最小二乘回归(PLSR)、BP神经网络(BPNN)、支持向量机回归(SVMR)三种不同的土壤有机质含量反演模型。结果表明:相比R与土壤有机质含量的决定系数R^2,RCWT,CR-CWT变换后得到的小波系数与土壤有机质含量的决定系数R^2分别提高了0.15和0.2左右;CR-CWT-SVMR的模型效果最为显著,预测集的R^2和RMSE分别为0.83,4.02,RPD值为2.48,具有较高的估测精度,能够全面稳定地估算土壤有机质含量;CR-CWT-PLSR的模型精度与CR-CWT-BPNN,CRCWT-SVMR相比虽有一定差距,但是其计算量要明显小于非线性的BPNN和SVMR方法,具有模型简单、运算速度快等特点,对开发与设计田间传感器具有较大的应用价值。

基于连续小波变换的厚壁管道周向导波扫描成像试验研究

采用周向导波用于厚壁管道中的缺陷扫描检测。基于连续小波变换提取特定频率下小波系数包络信号用于厚壁管道缺陷成像。试验中斜探头以步长为2 mm轴向扫描检测轴向缺陷,得到斜探头晶片覆盖轴向缺陷不同程度时的检测信号。截取包含缺陷回波和周向回波的信号并得到频率点500 kHz的小波变换系数包络信号,与频散曲线对比分析得到检测信号主要为周向类Lamb波模态CL3。进一步利用不同扫描点处检测信号的连续小波变换系数包络信号并进行幅值包络成像。利用该幅值包络成像重构得到轴向缺陷并有效确定该缺陷的长度。基于连续小波变换得到的特定频率点处幅值包络信噪比较好,且成像结果具有较高的聚焦性。因此,利用基于连续小波变换的幅值包络成像方法可提高检测信号识别以及缺陷识别能力。

基于连续小波变换FTIR鉴定青葙子及鸡冠子的研究

借助OMNI采样器,应用傅里叶变换红外光谱方法直接、快速、准确地测定青葙子及其伪品鸡冠子的红外光谱。利用连续小波变换对真伪品的红外光谱进行放大处理,以有效突出真伪品间的红外光谱差异程度,从而提高鉴定正确率。采用对信号奇异性具有良好探测能力的Morlet小波做小波母函数,对青葙子真伪品的红外光谱进行若干尺度的一维连续小波变换,在各个尺度下观察青葙子的真伪品的红外光谱的差异程度,从中选择一个差异程度最为明显的尺度来区分青葙子真伪品。结果表明:基于连续小波变换的傅里叶红外光谱分析方法能够有效鉴别同科同属不同种植物中药材。

基于递归连续小波变换的电力系统振荡模式辨识

提出一种基于递归连续小波变换的电力系统低频振荡模式辨识新方法。首先,探讨电力系统振荡模式辨识中小波系数选择的基本准则;然后,引入最小二乘支持向量机,通过对信号两端拟合延拓,消除小波变换中固有的边缘效应,改善小波辨识的准确性;在此基础上,将小波辨识与递归最小二乘相结合,递归更新振荡频率和阻尼比,实现电力系统模态参数的动态追踪。IEEE 68节点系统仿真数据和南方电网实测数据的辨识结果验证了所提方法的有效性和可行性。