基于2D-LPEWT的特征提取方法在电缆局部放电分析中的应用

局部放电检测对识别电力电缆绝缘缺陷具有重要意义,其中提取有效的特征参量为其研究重点。该文提出一种基于二维Littlewood-Paley经验小波变换(2D-LPEWT)的特征提取方法,可实现电缆局部放电不同缺陷类型的准确识别。通过搭建电缆绝缘局部放电检测平台,利用2DLPEWT对四种典型缺陷模型下局部放电产生的?-Q-n图谱进行分解,对得到的经验小波系数子图提取了Tamura特征、矩特征和熵特征,并讨论了不同的特征提取方法对KNN、决策树、支持向量机(SVM)三种分类算法性能的影响。结果表明所提出的特征提取方法在不同的分类器下均可达到很高的识别精度,具有很好的实用性。

图像的二维提升小波变换的FPGA实现

研究了图像的5/3提升小波变换算法原理,根据提升算法的系数分布存在的特点,提出二维提升小波变换硬件实现的简化VLSI硬件结构,并在对系统进行了综合、仿真后,在FPGA芯片上实现。实验证明,系统改进的简化硬件结构,提高了系统运行速度,保证了系统的实时性要求。

利用二维小波变换实现变电站遥视图像处理的研究

“遥视”作为对无人值守变电站四遥功能必要的补充 ,越来越引起人们的重视。如何高效、及时地传送图像信息是遥视技术的关键所在。介绍了无人值守变电站遥视系统的基本组成原理 ,阐明了压缩传输图像的必要性 ,论述了二维小波变换的原理与Mallat算法 ,在此基础上 ,着重分析了利用二维小波变换压缩传递图像的有效区域并传至调度中心与底图重构出现场实况的方法。仿真结果表明 ,该方法具有使图像失真度小。

小波变换在医学图像边缘提取中的应用

边缘是图像的重要特征。医学图像往往较模糊,其边缘特征难以用传统方法检测。小波变换具有良好的局部化特性、多分辨特性,及检测信号局部突变的能力。对图像进行二维小波变换,其梯度模值反映了图像的边缘。介绍一种基于小波变换的图像边缘提取方法。实验证明,与传统边缘检测方法相比,该方法去噪效果好,能提取图像中较弱的边缘,且能使边缘细化。这些特点使得他特别适合于医学图像边缘的提取。

基于经验小波变换和关联维数的风力机齿轮箱故障诊断

针对齿轮箱故障信号的非线性和非平稳性特征,提出基于经验小波变换(Empirical WaveletTransform,EWT)、关联维数(Correlation Dimension,CD)和支持向量机(Support Vector Machine,SVM)的故障诊断方法。首先通过EWT对风力机齿轮箱信号进行分解,得到若干本征模态函数(Intrinsic Mode Function,IMF)分量,再采用G-P算法求取各组IMF分量的关联维数,并将各组关联维数特征集输入SVM中完成故障识别及分类。结果表明:振动信号关联维数与嵌入维数呈正相关,且正常信号与故障信号的关联维数区分度不明显,通过SVM能对其进行精确识别和分类;该方法能有效提取系统故障非线性特征,故障识别准确率高达100%。

医学图像自适应阈值边缘检测的研究

介绍一种基于小波变换的自适应医学图像边缘检测方法。实验结果表明:该方法可对图像边界进行敏锐检测,从而得到图像的细微特征。这些特点使得它特别适合于医学图像边缘的检测。