基于离散小波变换特征的农产品叶片表面农药残留检测方法

农药残留检测方法易受到叶片图像空间噪声的干扰,检测精度较低。提出基于离散小波变换特征的农产品叶片表面农药残留检测方法。采用多模态融合网络对农产品叶片表面特征向量进行提取,在网络模型中引入注意力模块对特征向量进行非对称模态融合处理,以消除空间噪声,并通过对叶片图像的边缘进行过滤与校正,以分割叶片图像边缘,结合离散小波变换特征算法对原始图像进行逐级分解变换,并求取叶片表面光谱反射率,以此确定叶片表面感兴趣区域,基于此,利用特征光谱处理方法对农药的光谱进行判别,以此实现农药残留检测。对比试验结果表明,所提方法对于农产品叶片表面农药残留检测具有较高的检测精度。

WraNet:一种基于二维离散小波变换的轻量害虫识别网络

近年来,人工智能技术在害虫识别领域得到广泛应用。目前深度网络害虫识别方法仍存在计算量大、对复杂背景下的害虫识别效果差等问题。为了解决计算量大的问题,本文提出了一种新型轻量网络——WraNet。该网络利用二维离散变换模块对图像进行特征混合,并学习图像的强先验知识,例如尺度不变性、平移不变性和边缘稀疏性。这使得单层二维离散小波变换层达到多层深度神经网络的效果,从而减少了计算量和模型参数的大小。本文还提出了一种新的算法——WraNet-m,该算法通过软投票集成了WraNet、ResNet50和FPN网络模型,以进一步提升识别效果。WraNet-m算法在IP102和D0害虫数据集上的准确率分别达到了72.44%和99.52%,证明了集成方法的有效性和鲁棒性。

结合离散余弦变换与离散小波变换的无损彩色图像加密算法

为使图像在网络中进行安全传输,结合频域领域的图像加密相关研究,提出一种新的彩色图像加密算法。首先将明文图像划分为三基色分量,执行二维离散余弦变换(DCT)得到DC和AC置乱序列;然后对置乱矩阵执行二维离散小波变换(DWT)得到4个子带矩阵,并对置乱后的子带执行逆二维小波变换得到用于扩散的二进制矩阵;接下来将二维十进制矩阵转化为三维二进制矩阵,并对两个二进制矩阵执行异或运算,将其转化为二维十进制矩阵;最后进行扩散操作得到密文图像。实验结果表明,该算法能有效抵抗明文攻击与非法者攻击。

基于混沌系统和离散小波变换的卷积神经网络的电力电缆故障诊断

针对传统电力电缆特征提取方法存在信息冗余及故障模型诊断不精准的问题,提出了一种基于混沌系统和离散小波变换的卷积神经网络的故障诊断算法,即采用离散小波变换对采集的局部放电信号进行滤波,采用洛伦兹混沌系统建立动态误差散布图以提取故障特征,最后通过卷积神经网络(CNN)进行故障识别。结合4种典型电力电缆绝缘故障及测试平台进行验证,结果表明,所提算法能够快速准确地识别电力电缆的故障状态,识别准确率达到97.5%,证明了所提算法的可行性和有效性,其能够为电力电缆的故障诊断提供一定的参考价值。

级联离散小波多频带分解注意力图像去噪方法

针对图像去噪网络中下采样导致高频信息损失和细节保留能力差的问题,设计了一种级联离散小波多频带分解注意力图像去噪网络。其中多尺度级联离散小波变换结构将原始图像分解为多个尺度下的高低频子带来代替传统下采样,能减少高频信息损失。多频带特征增强模块使用不同尺度的卷积核并行处理高低频特征,在子网络每一级下重复使用两次,可增强全局和局部的关键特征信息。多频带分解注意力模块通过注意力评估纹理细节成分的重要性并加权不同频带的细节特征,有助于多频带特征增强模块更好地区分噪声和边缘细节。多频带选择特征融合模块融合多尺度多频带特征增强选择性特征,提高模型对于不同尺度噪声的去除能力。在SIDD和DND数据集上,所提方法的PSNR/SSIM指标分别达到了39.35 dB/0.918、39.72 dB/0.955。实验结果表明,该方法的性能优于主流去噪方法,同时具有更清晰的纹理细节和边缘等视觉效果。

基于两次二维Daubechies小波变换的纸病在线辨识方法研究

针对造纸生产线上纸病在线检测系统光源不均匀性和纸病难以识别的问题,通过建立纸病图像背景模型实现动态补偿光源的不均匀成分,并根据不同纸病图像的灰度分布规律,两次使用二维小波变换增强其灰度轮廓信息和提取灰度特征,以实现纸病的在线辨识。实验结果表明,该方法可以显著提高纸病辨识精度。

基于Daubechies小波变换在GPS信号处理中的应用

利用小波变换理论对带有噪声的GPS定位信号进行滤波,用多尺度分析特性对其信号进行轮廓和细节部分的逐步分解,将分解后的小波系数进行反变换可求出原始纯净信号。实验表明,Daubechies小波滤波器在对GPS信号滤波中达到满意效果。

基于三维小波变换的高光谱图像分类算法

针对如何充分利用空间特征来达到较高的高光谱图像分类精度的问题,提出了一种基于三维离散小波变换(3D-DWT)与随机补丁网络(RPNet)结合的高光谱图像的地物属性分类算法。在分类过程中,综合3D-DWT提取的特征和RPNet深度学习框架提取的特征,利用支持向量机(SVM)对特征向量进行分类。所提出的方法在Indian Pines和University of Pavia两个数据集上进行测试,结果表明该方法比现有方法有显著的分类性能的提高。

基于离散小波变换的卷积自编码运动想象脑电信号的分类

左右手运动想象脑电信号(MI-EEG)分类准确率低,制约了相关脑-机接口技术的发展。实验采集了16名健康受试者的运动想象脑电信号,提出了一种基于离散小波变换(DWT)和卷积自编码(CAE)的运动想象脑电信号分类算法。利用离散小波变换将EEG转换成时频矩阵,输入到卷积自编码网络中进行脑电信号的特征分类。该算法在实验数据集和公开数据集上测试都得到了较好的分类结果,静息-想象左手、静息-想象右手、想象左手-想象右手3组EEG在实验数据集上分类准确率分别为97.36%、97.27%、86.82%,在公开数据集上分类准确率分别为99.30%、98.23%、92.67%。离散小波变换结合卷积自编码网络模型在左右手运动想象脑电信号分类应用中比其他深度学习方法(CNN、LSTM、STFT-CNN)性能更优。

一种基于Daubechies小波变换的图像边缘检测算法

基于Daubechies小波变换提出了一种图像边缘检测算法,并将其应用到岩芯图像的边缘处理中,以很好地获取了岩芯的裂缝、颗粒等信息。实际应用结果表明,基于Daubechies小波变换的图像边缘检测算法非常适合于岩芯的边缘检测。

中子输运方程的Daubechies小波角度离散

近年来对新型反应堆中广泛应用的混合氧化物(MOX)燃料的研究表明,中子通量密度在该型燃料栅元中随角度的分布呈现出剧烈的震荡,传统的角度离散方法很难对其进行很好的逼近。本研究利用具有紧支、正交特点的Daubechies小波离散中子输运方程的角度变量,建立了中子输运方程小波基函数展开的理论模型。将小波展开与离散纵标方法相结合,解决了二维张量积小波展开引入的大规模通量矩耦合问题,降低了耦合规模,实现了二维高阶小波展开的数值求解。数值校验证明:中子输运方程小波分析方法可以高精度地模拟复杂中子通量密度随角度的分布。

基于离散小波域深度残差学习的矿区遥感图像增强算法

实现矿区遥感图像增强处理,有助于提升后续图像判别以及相关监测分析效率。以往矿区遥感图像增强一般采用滤波、灰度变换等方法,往往会导致图像大量细节信息丢失,在很大程度上影响了后续判读分析。近年来,深度学习方法逐步应用于图像增强处理,但该方法很大程度上依赖于模型设计和参数合理取值,需要进行大量的试验和优化方可取得理想效果。将深度学习方法(Deep Learning,DL)与离散小波变换(Discrete Wavelet Transform,DWT)相结合,提出了一种基于离散小波域深度残差学习的矿区遥感图像增强算法。首先将图像进行单级二维离散小波变换,得到4个子带;然后将4个子带系数输入深度学习残差网络,预测相应的残差图像增加4个子带图像和残差图像作为二维小波变换的新子带;最后通过二维离散小波逆变换得到增强图像。试验结果表明:所提算法相对于直方图均衡化和超分辨率重建等方法而言,无论在图像视觉效果以及峰值信噪比、结构相似性、均方误差等评价指标上都具有较好优势,反映出将离散小波变换与深度学习方法相结合,有助于提升矿区遥感图像视觉效果,方便后续图像解译判读工作。

基于改进的Daubechies小波变换的电网谐波检测研究

傅里叶(Fourier)变换是一种经典实用的信号处理方法,但是在进行傅里叶变换时丢掉了时间信息,这种特性导致其在分析非稳态信号时存在严重不足。小波分析弥补了Fourier分析的不足,时域和频域都可以自由变动,能有效处理非稳态谐波信号。实践中db系列小波对电网谐波信号检测有很好的效果,db4小波的特点是时域紧、支撑性强、衰减速度快,但消失矩小,光滑性不足,频带划分的效果比较粗糙;而db20小波消失矩大,划分频带的效果好,但同时增加了计算量,导致实时性略显不足。鉴于此,提出了将db4和db20结合起来,发挥两者的优势,并在MATLAB上进行仿真验证了该方法的预期有效性。

基于离散小波包变换与胶囊生成对抗网络的语音超分辨率算法

目前主流的语音超分辨率(Speech Super-Resolution,SSR)算法是使用卷积神经网络(Convolutional Neu-ral Networks,CNN)把低分辨率(Low-Resolution,LR)语音信号转换为高分辨率(High-Resolution,HR)的语音信号.但只使用普通的CNN所带来的效果通常比较平滑且缺少细节信息.生成对抗网络(Generative Adversarial Networks,GAN)的引入可以很好地解决这一问题.此外,胶囊网络(Capsule Networks,CapsNet)可以将空间信息编码为特征,这样与GAN结合可以更好地判断数据的真假.离散小波变换(Discrete Wavelet Transform,DWT)是一种正交多分辨分析的工具,它在信号处理方面有很出色的表现.小波变换的一个扩展是离散小波包变换(Discrete Wavelet Packet Transform,DWPT),它在某些应用中提供了更有效的信号分析.本文提出一种基于DWPT和胶囊生成对抗网络(CapsGAN)的SSR网络架构Wavelet-SRGAN.对比实验结果表明,本文所提的算法能以最少的参数实现与现有先进算法相当的性能.在算法上有几个核心步骤:(1)在生成器网络中加入DWPT层;(2)在鉴别器上加入胶囊网络;(3)训练时加入小波损失.

基于离散小波变换的输电线路故障精准定位

为了提高架空线路和地下电缆组合输电线路发生故障时的定位精度,提出了一种基于离散小波变换(DWT)的输电线路故障定位新方法;通过DWT对输电线路单端测得的瞬态信号进行多分辨率分析(MRA),在低故障起始角情况下,利用线模电流和零模电流检测故障,结合小波模量极大值(WMM)求解从故障点到变电站的行波到达时间,从而对输电线路故障进行精准定位;采用半正弦电压响应的方法克服了采样频率有限和故障起始角低的缺点,运用100 kHz半正弦信号的发送时间与接收导数信号的时间之差计算故障距离;在考虑谐波畸变和故障电阻、接地电阻、故障位置和起始角变化的情况下对所提方法进行测试,结果表明:对于100 km的输电线路,即使在故障靠近总线(<2%)且故障起始角较低的情况下,所提出的方法得到的故障定位误差仅为0.14 km。

基于离散剪切波与优化深度卷积神经网络的图像降噪方法

海洋试验图像通常受到海洋气象条件、海水光照折射和海洋深度等因素的影响,导致在海洋中采集的图像包含严重的噪声。为了提高海洋试验图像的清晰度和降噪性,提出一种基于离散剪切波与优化深度卷积神经网络相结合的海洋试验图像降噪方法。采用离散剪切波变换分解海洋试验图像,能有效从图像中提取不同方向和频率的特征。利用优化深度卷积神经网络强大的图像特征提取能力,经网络模型训练后,能获取图像中的关键特征,达到降噪的目的。在验证实验中,所提方法与传统图像降噪方法相比,能有效保留图像的纹理和细节特性,获得了较好的降噪效果,有助于提高海洋试验图像的清晰度和降噪性。

基于离散小波变换和最大熵模糊聚类的频谱感知技术

近年来,频谱感知技术在有效分配频谱方面具有重要作用而备受关注,但传统的频谱感知算法存在受噪声影响大,检测性能差和复杂度高的问题。因此本文提出一种基于离散小波变换和最大熵模糊聚类的频谱感知算法。首先对多天线的接收信号进行等增益合并,再采用离散小波变换将信号分解来提取相应的细节信号,小波重构后的特征向量作为最大熵模糊聚类的输入进行训练得到聚类分类器,最后利用此分类器对未知信号进行检测,从而实现频谱感知。聚类算法用于频谱感知,避免了复杂的阈值计算。本文仿真对比了K-Means、模糊聚类等传统聚类算法并对其散点图可视化。结果表明,本文所提算法检测性能优于传统算法,感知准确度更高。提取信号的小波特征性能优于提取信号特征值,且降低噪声敏感对信号产生的影响,提高聚类准确性。此外,最大熵聚类算法受噪声影响更小,因此在低信噪比条件下,提升效果更突出。

基于离散小波变换的配网故障单端行波波头提取研究

随着用户对电力可靠性和稳定性的需求不断提高,10 kV配网的供电安全要求也逐年提升。受制于配网线路结构复杂、分支众多等因素,基于分布式终端的行波双端定位技术要求终端数量较多。基于此,研究配网故障单端行波波头提取技术。描述了离散小波变换特点,分析了基于离散小波变换标定行波波头抵达时刻的算法,并提出了单端行波定位算法中的波头提取技术。对比一次侧与二次侧数据,证明了该方法的可行性。

基于离散小波变换和GA-BP的电能质量扰动分类

电能质量扰动的分类对于电力系统的稳定具有重要意义。首先利用离散小波变换(Discrete Wavelet Transform,DWT)中的db4小波对电能质量扰动信号进行分解,得到近似分量和细节分量,提取各分量的近似系数相对能量和细节系数相对能量;然后对信号进行重构,提取小波熵和重构系数方差,构成扰动信号的特征向量;最后建立遗传算法(Genetic Algorithm,GA)优化BP神经网络的扰动分类模型,并输入特征向量对信号进行分类识别。仿真结果表明,该方法对电能质量扰动的分类准确率较高。

基于离散小波变换的深度树时空模型

交通流量预测是智能交通领域的研究热点,有利于提高交通资源分配的合理性和出行政策制定的有效性。新型冠状病毒的爆发,严重影响了交通出行的正常秩序。许多国家为了减少疫情的传播速度均颁布了限制居民出行的政策,导致交通流量数据出现了较高的离散性和不规则性。为了克服数据离散性对交通流量预测的影响,本文采用离散小波变换(DWT)将交通流量数据拆分为离散量、变化趋势和离散基线。为了提升模型对高离散性交通数据预测的准确率,本文设计了两种不同的模型来分别预测变化趋势和离散量。由于出行区域的限定,疫情期间的交通状况变化呈现出小规模聚集性。图卷积神经网络的节点邻接计算方法适用于节点随机均匀分布的图结构,对于节点小规模聚集分布的图结构的计算效果较差。本文提出了一种树卷积网络(TreeCN)来分析交通网络的空间相关性,并采用时序卷积网络来分析交通数据的时间相关性。为了解决交通流量数据的高离散性问题,本文提出了一个离散预测模块(DPM),用于将离散小波变换分离出的离散量转换为高维离散特征。最后,使用离散小波变换对预测的交通数据进行分割,然后将新分割的交通趋势和离散基线与离散预测模块预测的离散模型进行逆离散小波变换,得到最终的交通流预测结果。在对比实验中,将这项工作与现有的高级基线进行了比较,本文模型要优于现有基线模型。