小波包与遗传算法优化BP神经网络相结合的井架钢结构损伤识别

井架钢结构损伤影响其承载安全性,为快速、准确对损伤位置进行识别,提出小波包与遗传算法优化BP神经网络相结合的井架钢结构损伤识别方法。首先利用小波包处理非平稳振动信号的优良性能对原始振动信号进行特征提取,获得表征井架钢结构损伤的信息;再通过特征参数建立数据集训练并测试井架钢结构损伤识别模型,该模型结合遗传算法自身特点改善了传统BP神经网络的不足。本文识别方法不需要损伤前的数据特征进行对比,便可对损伤位置进行确定。经过对石油井架钢结构模型实验验证:该方法对井架钢结构损伤识别准确率超过90%,相对于BP网络识别准确率以及识别速度均有所提高。

多极小波包变换与改进浣熊算法优化的混合核极限学习机径流预测

为提高日径流多步预测精度,减少模型计算规模,同时提升浣熊优化(COA)算法和混合核极限学习机(HKELM)性能,提出多极小波包变换(MWPT)-改进COA算法(ICOA)-HKELM日径流时间序列预测模型。首先,利用MWPT将日径流时序数据分解为1个低频分量和2个高频分量,并构建局部高斯径向基核函数和全局多项式核函数相混合的HKELM;其次,简要介绍COA算法原理,基于Circle映射等策略对COA进行改进,提出ICOA算法,通过8个典型函数对ICOA算法进行仿真验证,并与基本COA算法、鲸鱼优化算法(WOA)、灰狼优化算法(GWO)作对比,旨在验证ICOA算法的优化性能;最后,利用ICOA优化HKELM超参数(正则化参数、核参数、权重系数),建立MWPT-ICOA-HKELM模型,并构建MWPT-COA-HKELM、MWPT-WOA-HKELM、MWPT-GWO-HKELM、小波包变换(WPT)-ICOA-HKELM、小波变换(WT)-ICOA-HKELM、MWPT-ICOA-BP模型作对比分析,通过云南省景东、把边水文站2016-2020年日径流时间序列多步预测实例对各模型进行验证。结果表明:(1)ICOA具有较好的改进效果,仿真精度优于COA、WOA、GWO算法。(2)MWPT-ICOA-HKELM模型预测效果优于其他对比模型,其对实例单步预测效果“最好”,超前3步和超前5步“较好”,超前7步“较差”,预测精度随预测步长的增加而降低。(3)利用ICOA优化HKELM超参数,可显著提高HKELM预测性能,超参数优化效果优于COA、WOA、GWO算法。

基于Mallat算法遥感图像去云雾处理的改进方法

遥感图像云雾处于相对低频、景物处于相对高频。根据小波变换多分辨率的特点,分析云雾和景物在小波系数中的分布,得出景物信息包含于低层细节系数,而云雾信息包含于高层细节系数和近似系数。本文通过增大图像的低层细节系数,减小高层细节系数,并适当减小近似系数,达到去除云雾的目的。最后评价了图像处理结果,并与同态滤波做比较,表明本文方法是有效的。

基于小波包算法的电机故障信号的压缩和重构

提出了基于小波包改进算法的电机故障信号压缩和重构方法 ,取定误差限后 ,通过选择分解阶数并自动优化调节每个节点的阈值来获得尽可能大的压缩比。分析了小波包分解尺度空间系数v1不压缩和压缩 2种方案 ,以及小波包完全分解和基于熵值的最优分解下各压缩指标随尺度的变化情况 ,并比较了不同小波的压缩效果。分析结果表明 ,提出的方法在获得较大压缩比的同时又能不失真地重构原信号 ,并有效地减少小波包分解和重构的计算量 ,是一种有效的电机故障信号的压缩和重构方法。

卷积型小波包变换及其快速算法

经典的小波包变换会使分解序列的长度递减,这在某些领域并不是很有利。为了解决这一问题,本文提出了卷积型小波包变换算法,利用这种变换,不管信号被小波包分解多少层,分解得到的各频道序列长度始终与原始信号一致。文中推导了卷积型小波包的正变换和逆变换的快速算法,并以对一个实际信号的处理为例,与经典的小波包分析结果进行了比较,它们的效果是一致的,但是卷积型小波包却免去了重构这一过程的手续。

基于小波包Shannon熵SVM和遗传算法的电机机械故障诊断

针对电机机械多故障同时诊断问题,基于小波包、Shannon熵、支持向量机(SVM)和遗传算法,提出了一种电机机械故障诊断新方法,称之为WPSSG法或多模型融合法。该方法选择容错性强的Shannon熵作为特征参数,通过对振动信号进行基于DMeyer小波的小波包分解,提取振动信号的小波包Shannon熵为特征向量,将特征向量作为多类别SVM的输入,具有较高的去噪能力;在训练SVM时,与传统方法多采用试凑法选择参数不同,该方法采用遗传算法对SVM的参数进行全局寻优,使SVM获得最佳的分类性能,具有更高的识别准确率。采用凯斯西储大学提供的电机机械故障数据进行实验,结果证明该方法具有很好的可靠性和准确性。

Mallat算法的光学实现

提出了Mallat算法的光学实现方法。针对振幅型空间光调制器只能实现非负的实函数,且CCD只能记录光的强度,提出一种应用于光学4f系统的光学小波滤波器的设计方法。根据采样间距,基于张量积方法由一维小波滤波器系数构造二维小波滤波函数。然后通过拆分、傅里叶变换与归一化,得到非负的实函数形式的频域小波滤波器。最后,给出相应的光学小波变换后处理方法。使用该种光学小波滤波器及其相应的后处理方法,利用光学4f系统实现Mallat算法的小波分解部分,并通过数值计算实现Mallat算法的小波重构部分。仿真实验结果表明,通过本文提出的方法在理论上能够高精度地重构输入图像;在引入光学器件量化误差的条件下,平均重构PSNR为54.27 dB。利用实际的光学4f系统进行光学实验,也能以良好的质量重构输入图像。仿真分析和光学实验结果验证了方法的正确性。

有限长度信号Mallat算法的边界延拓方法

处理有限长度信号时需要对其边界做某种延拓处理。本文在对Mallat算法分析的基础上,研究了有限长度信号Mallat算法中常用的4种边界延拓方法,并详细推导了4种边界延拓方法实现小波变换的一般过程。详细讨论了对称延拓中的2种延拓方式,分别就滤波器长度和信号长度为奇数或偶数的情况进行了研究。在周期延拓和对称延拓中,为了使多级分解与重构顺利进行,引入一个二元标示序列,使得小波变换便于编程实现。最后以bior4.4双正交小波给出实例,计算结果表明,在保持信号长度不变的情况下,按本文延拓方法能实现完全重构。

基于Mallat算法的日负荷预测实用方法研究

小波变换在时域和频域都具有良好的局部化性质,在电力系统负荷预测中得到了广泛应用。小波变换的实质是卷积运算,在负荷预测过程中存在边界效应,降低了预测的精度。本文采用阈值处理和差分补偿数据延拓方法对原始数据进行处理,然后采用Mallat分解算法对处理后的负荷序列进行分解,针对电力负荷为随机序列的特点,利用时间序列法的随机模型对小波子序列分别进行预测,最后采用Mallat重构算法对预测结果进行重构,提出了一种基于Mallat算法的负荷预测实用方法。算例结果表明该方法有效地减小了边界效应对预测结果的影响,针对具有随机序列特点的电力负荷的预测具有良好的计算精度。

Mallat算法在图像处理中的约束条件

指出了应用 Mallat算法进行图像处理时容易出现的一些容易混淆和错误的问题 ,给出了正确使用 Mallat算法的约束条件 ,用 Haar和 Daubechies小波研究了基于子带编码的图像压缩问题 ,给出了三种小波压缩编码方案并进行了基于约束条件的仿真实验 ,仿真结论可以启发我们构建有效的图像压缩编码方案和正确地应用 Mallat算法 .

基于匹配小波包算法的地震信号去噪

地震资料的信噪比是影响地震资料质量的关键因素之一。目前的去噪方法中,在滤波的同时会损伤有效信号,因此提出基于匹配算法的去噪方法,利用和地震信号匹配的小波包对信号进行分解,用选出的波形代表有效信号达到去噪的效果。实验分析表明,利用匹配小波包算法能够很好地压制地震信号白噪声,提高信噪比。当噪声能量小于有效信号周期能量时,小波包算法去噪效果比小波收缩阈值法好,信噪比提高5 dB±。

基于小波包变换的一种降噪算法

白噪声的方差和幅值随着小波变换尺度的增加会逐渐减小 ,而信号的方差和幅值与小波变换的尺度变化无关。因此 ,文章提出一种以小波包能量为基础 ,以降低原始信号与降噪后信号之间的均方误差 (MSE)为目标的基于小波包的降噪算法 ,并与传统的 Donoho的硬阈值降噪算法作了比较。仿真结果表明 ,该算法可以有效去除白噪声干扰 ,并且明显优于传统的 Donoho的硬阈值降噪算法。

心音信号特征提取小波包算法研究

为了准确地提取心音信号的病理特征信息,在研究小波包分析的基础上,提出一种心音信号分频带能量特征提取的算法。基于心音信号频谱分析,采用能量集中度高、局部特性好的db6小波函数作为小波包母函数并选取适合心音信号分析的最优基,对不同的心音信号进行4层小波包分解,得到最优基的小波包系数。根据小波包系数与信号能量在时域上的等价关系,提取最优基频带的归一化能量作为心音信号的特征向量。采用类别可分离性判据,计算出该算法对正常和心脏疾病患者的心音特征的可分性测度均值为3.934 9,表明该算法能有效地识别不同的心音信号。

实施一维Mallat算法的几个问题

详细地研究了ｍ阶尺度函数，特别是Ｄ（Ｎ）ｍ，ｎ（ｔ）和信号的采样，零阶保持逼近。导出了信号初始近谱的计算方法。

小波包算法在柴油机振声征兆提纯中的应用

将小波包技术引入柴油机振声征兆提纯的应用研究中 ,分析了小波包分解得到的 Paley列存在的频率混叠现象的原因 ,给出了相应的小波包移频算法 .该算法可以极大地抑制信号中的噪声、提高信噪比、有效地提取出信号的特征参数 .对 1 90系列柴油机的实验研究表明 :该算法在柴油机等往复机械振声征兆提纯及其动态诊断中具有工程有效性和实用性 .

基于Mallat算法和快速傅里叶变换的电能质量分析方法

提出了一种基于Mallat算法和快速傅里叶变换的电能质量分析方法。将小波消噪应用于采样信号,根据信号的突变点检测结果,将采用Mallat分解算法得到的第一层和第二层高频系数作为区分稳态和非稳态扰动的判据,进而求出扰动的持续时间。根据多分辨分析的频带划分原理,采用Mallat重构算法提取出了暂态扰动波形,并编制了可准确判别电压骤降、骤升和断电等短期变化扰动的识别子程序。对于稳态扰动,提出可将快速傅里叶变换作为区分谐波和闪变的一种手段。Matlab的仿真结果验证了该方法的准确性和有效性。

混合小波包与纵横交叉算法的风电预测神经网络模型

针对常规Elman神经网络容易陷入局部最优、泛化能力不足等缺点,提出一种混合小波包变换和纵横交叉算法(CSO)优化神经网络的短期风电预测新方法。该混合方法首先利用小波包变换将风电功率时间序列分解成多个不同频率的子序列,然后采用CSO优化后的神经网络(CSO-ENN)对各分量进行提前24 h预测,最后叠加各子序列的预测值,得出实际预测结果。在实例分析中,利用某风电场实际运行数据进行仿真验证。结果表明:新模型的预测精度明显优于其他混合方法和风电场提供的日前预测结果。

基于Mallat塔式算法小波变换的多故障诊断方法

提出一种用 Mallat金字塔算法的小波多分辨率分析技术对系统进行多故障诊断的方法 .首先利用小波变换的多分辨率分析的特点 ,对系统的状态信号进行多尺度分解 ;然后根据其在不同尺度下的高频分量的小波系数模极大值和不同尺度的模极大值所在小波系数序列的对应关系进行多故障诊断 ,同时对故障的信息提取给出了相应的方法 .

Labview环境下Mallat正交小波变换快速算法的实现

分析了动态连接库(DLL)的工作原理,介绍了Labview环境下动态连接库(DLL)的构建和调用方法,在分析Mallat正交小波变换快速算法的基础上,构造了小波变换动态连接库,借助于Labview的高级语言编程接口功能,通过进一步设计,将Mallat算法引入到Labview环境中,扩充了Labview的功能,并对Labview下的Mallat小波变换算法进行了实验验证。

基于小波变换Mallat算法的电网谐波检测方法

针对传统的傅里叶变换方法在分析非平稳运行电网的电量信号时误差较大的问题,提出了一种基于小波变换Mallat算法的电网谐波检测方法。该方法根据不同的分辨率将电量信号分解到不同的子频段,然后分别对子频段进行多次重构,得到原始信号的基波,最后将采样得到的原始信号与重构的基波信号相减,得到谐波信号。Matlab仿真结果表明,该方法能够有效地将电量信号中的基波与谐波成分分离,谐波检测精确度较高。