Generator Unit Fault Diagnosis Using the Frequency Slice Wavelet Transform Time-frequency Analysis Method

为了提取有效的故障特征，提出了基于频率切片小波变换时频分解的故障特征分离提取方法。先对信号进行频率切片小波变换获取其时频分布，然后根据信号的能量分布特点选择时频区域，再以较高的时频分辨率对选择的时频区域进一步细化分析，以突出隐含在信号中的时频特征，在此基础上分割出含有故障特征时频区域，再通过滤波和逆变换重构分离出有效的故障特征。仿真实验和工程应用表明，这种方法可从噪声信号中分离出有效的特征分量，在发电机组故障特征提取时取得了较好的效果。

利用小波变换和特征加权进行纹理分割

为了提高纹理图象分割的边缘准确性和区域一致性以及降低分割错误率 ,提出了一种基于小波变换的利用特征加权来进行纹理分割的方法 .该方法包括特征提取、预分割和后分割 3个阶段 ,其中 ,特征提取在金字塔结构小波变换的基础上进行 ;预分割利用均值聚类算法来对原始图象进行初步的分割 ;后分割则根据预分割的结果对特征进行加权 ,然后利用最小距离分类器来实现图象的最后分割 .与传统的方法相比 ,该方法在分割错误率、边缘准确性以及区域一致性等方面均有明显的改善 .

基于小波变换的12-导联心电图特征提取方法

提出了一种基于小波多分辨分析的算法对心电信号进行特征提取和识别.通过小波变换对常规12-导联心电图进行分段和特征提取,并利用支撑向量机和提取的特征向量对未知心电图进行分类.实验结果表明该方法具有较好的应用前景.

基于小波变换和kd树聚类的快速纹理分割算法

提出了一种基于小波变换和k均值聚类的快速纹理图像分割算法。该方法包括特征提取、特征平滑、纹理分割三个阶段。其中,特征提取在金字塔结构小波变换的基础上进行;特征平滑利用一种四分法来完成特征图像的噪声平滑和边缘保持;纹理分割则利用kd树作为数据结构来运行k均值聚类算法从而实现纹理图像的快速分割。实验结果表明与直接的k均值聚类算法相比,该方法在运行时间上得到了明显的提高。

一种基于纹理的图像分割方法

提出了一种基于多进制小波变换的纹理特征提取方法,通过对小波系数的标准差作为纹理测度以生成特征向量,利用模糊c-均值聚类算法进行纹理分割,获得了较好实验结果。

基于改进经验小波变换的滚动轴承故障特征提取方法研究

针对振动信号的非线性、非平稳性和早期故障特征信号难以提取的特点,提出一种基于改进经验小波变换的故障特征提取方法。通过包络分析和对包络曲线进行阈值分割修整的方法来确定经验小波变换分解的模态数和频率边界,解决传统经验小波变换需要预先设置分解模态数和难以对信号频谱进行适当分割问题,以实现对振动信号故障信息更准确的描述。实验表明,该频谱分割方法能够有效检测信号最佳模态分解数,使得信号的频谱分割更为容易、可靠。相比传统EWT和EMD,改进经验小波变换的滚动轴承内圈、外圈Hilbert变换时频图对振动信号的故障相关特征描述更为清晰,在滚动轴承故障特征提取方面表现更为优越。

基于对偶树复小波变换的纹理特征提取及分割

对偶树复小波变换具有良好的方向选择性和平移不变性。该文在分析对偶树复小波分解后的6个高频子带所对应的模值子带直方图的基础上,提取一种新的纹理特征——Gamma分布参数与Lognormal分布参数的组合特征。基于该特征进行纹理图像分割,分割过程中使用了边缘保持平滑技术对特征进行平滑,并使用K均值聚类实现无监督分割。实验表明,文中所使用的特征提取方法新颖,分割结果的边缘准确性与区域一致性具有抗噪性,是一种有效的纹理分割方法。

基于对偶树复小波变换的模糊纹理分割

提出了一种基于对偶树复小波变换的模糊纹理图像分割算法,该方法包括纹理特征提取和纹理分类两个阶段,其中,特征提取在对偶树复小波变换的基础上进行;纹理分类可以直接用模糊C均值算法进行聚类从而完成纹理的分割,但由于该算法中隶属度函数是基于样本到类中心的距离设计的,这对非球形分布数据很不合理,针对该问题,引入样本与样本的紧致度来度量类中各个样本之间的关系从而修正隶属度函数,并将其用于纹理分类。实验结果表明与模糊C均值算法在运行时间上相差不大的情况下,改进的方法在分割精度、边缘准确性和区域一致性上都得到了明显的改善。

基于小波变换的光纤振动信号特征提取与识别

本文主要研究光纤安全预警系统振动信号特征提取及振源识别问题.采用小波多分辨分析技术,从多尺度分解的角度出发,依据小波变换的分层分解关系和时频特性提取振动信号的细节信息,用来反应不同频带上振动信号的能量分布特征,在此基础上采用支持向量机对振动信号进行分类识别.测试结果表明,与现有方法对比,本方法具有准确率高的优点,为光纤振动信号的识别提供一种高性能的实用方法.

多神经网络图像分割算法

为了提高机器视觉系统的图像分割精度,提出了一种以小波变换为分类特征的多神经网络(Multi-Neural Network,MNN)图像分割算法,该算法包括小波特征提取、MNN区域划分和MNN分类3个阶段。其中,小波特征提取根据小波变换的各层图像扩展得到分类特征;MNN区域划分将初分割边界附近区域分为训练样本区域和待分类区域(待分区域),并用多边形拟合算法将待分区域划分为多个局部待分区域;MNN分类将每个局部待分区域的像素用区域内的神经网络分类器进行分类,确定目标像素和背景像素,将目标像素合并后再进行一定的后处理即可得到分割结果。以轴承表面缺陷检测系统采集的轴承缺陷图像为对象,对MNN算法和阈值分割算法进行了对比试验,结果显示MNN算法的像素数量误差(Pixel Error,PE)相比阈值分割算法降低了75%,分割精度显著提高。

基于小波变换的乳腺肿瘤B超图像识别的研究

通过小波变换的原理对正常乳腺B超图像和病变乳腺B超图像进行小波分解,对图像进行小波去噪处理,再对图像进行小波特征提取。通过人工神经网络的方法对图像的特征参数进行统计分析,得出正常的乳腺B超图像和发生病变的B超图像之间的区别,从而判断哪些图像发生病变。仿真实验表明,该方法相对于医生凭经验判断有更高的准确率。结论:采用小波变换方法将图像分解、去噪并提取出来的特征参数可以有效地将两类图像区分开来,医生根据量化特征参数进行诊断,提高乳腺肿瘤临床诊断的准确率。

基于IEWT和IWAAE的滚动轴承故障识别研究

通过深度学习实现轴承故障识别时,存在着因信号噪声导致故障识别率较低的问题,针对这一问题,提出了一种基于改进经验小波变换(IEWT)和改进Wasserstein自编码器(IWAAE)的轴承故障识别方法。首先,将轴承振动数据由时域变换到包络谱域,通过包络谱的极值点与自适应阈值的关系对其进行了包络谱自动分割,进而利用经验小波变换,将数据自动分解为不同频段的调幅调频分量,并采用改进峭度指标对选取合适的分量进行了重构,进而对信号进行了有效降噪;然后,针对变分自编码器训练困难的缺陷,引入Wasserstein自编码器,根据Wasserstein自编码器中间层神经元的激活值大小,对神经元进行了自动增加或删减,进而构造了IWAAE;最后,将重构信号输入到IWAAE中,进行了滚动轴承故障特征的自动提取和故障识别。研究结果表明:与其它的轴承故障识别方法相比,采用IEWT-IWAAE方法的故障识别精度更高,准确率可达99.28%,标准差仅0.32;该方法能在一定程度上缓解传统方法对人工特征提取和特征选择的依赖,其对噪声的鲁棒性高,故障识别能力优于其他组合模型方法。

透明液体中低对比度杂质检测方法的研究

针对透明液体生产线上,人工检测效率和准确率低的不足,提出了基于加窗小波变换的杂质检测方法,该方法分别在图像预处理和检测算法上进行了研究分析;获取的图像采用高斯同态滤波来提高图像的对比度,利用基于加窗的小波变换来提取图像中杂质的边缘特征点,然后采用迭代阈值分割方法来分割目标和背景并通过显示的结果中有无亮色区域来判断透明液体中是否含有杂质,若显示有亮色区域,则判此透明液体中含有杂质;实验结果表明,此方法比现有的其他检测算法有较好的检测率和准确率,而且本算法较好的判断出了细小而低对比度的杂质,也避免了漏检微弱边缘的问题。

利用多进制小波变换和模糊c-均值聚类进行纹理分割

提出了一种基于多进制小波变换的多纹理特征提取方法,通过对小波系数的标准差作为纹理测度以生成特征向量,利用模糊c-均值聚类算法进行纹理分割,获得了较好的实验结果。

基于小波变换和蚁群算法的纹理分割

纹理分割是图像模式识别中的关键步骤,但直到现在仍然没有一种有效的方法能够解决。本文提出了一种新的基于小波变换和蚁群算法的纹理分割方法。该方法首先用小波变换提取图像不同频带的纹理特征,然后提出具有聚类能力的蚁群算法数学模型,并用这个模型来进行分割。实验结果表明,该方法是一种有效的纹理分割方法。

基于图像纹理和小波变换的聚类分割方法

针对纹理图像，本文提出了一种基于图像纹理特征的非学习分割方法。采用小波变换和快速k-means聚类分割算法，减少了整个处理过程的运算量。为了保证分类算法的精确性，运用了总体流量变化最小（Total Variation Flow）[1]非线性去噪方法对图像进行预处理，从而将减小图像噪声污染带来的分割误差。在图像特征的提取上，运用Gabor滤波器原理生成滤波空间，并让图像通过滤波空间而生成特征向量空间。通过制定一个快速寻优策略，从而达到分割图像的目的。

基于小波变换的医学图像识别算法研究

医学图像自动特征提取是辅助医生进行快速诊断病情和进行基于内容的医学图像检索的关键技术。本文介绍了医学图像的分割方法,利用小波变换对线性矩进行分析,使计算量和数据量大大减少,提高了效率。

基于小波变换的磁粉缺陷图像特征提取与检测

荧光磁粉检测技术是一种常见的无损探伤技术,常用于成品、半成品以及原材料的检验,以确保工件质量的可靠性。小波变换作为分析信号频率分量的数学工具,已成功地应用于图像处理的各个领域。将图像小波技术与磁粉探伤技术相结合,能快速、有效地提取出工件的缺陷特征。目前,磁粉缺陷检测通常通过肉眼观察,不仅速度慢,而且效率低。为了在工业生产中实现自动化、提高检测效率、拓展小波变换的实际应用,提出了一套基于小波变换的自动识别方法,并将其用于检测缺陷。首先,利用小波分析方法提取缺陷特征。图像经过小波变换后,可获得其低频系数和高频系数。高频系数较好地保存了图像的边缘信息(缺陷信息)。然后,对高频系数分量进行垂直投影等基础图像处理操作,以获取缺陷特征。最后,使用BP神经网络进行分类识别。测试结果表明,该系统对工件上的裂纹缺陷和凹坑缺陷具有良好的检测效果。

两种改进的遥感影像地物分类方法对比研究

遥感影像的分割中纹理特征是分辨、提取影像中地物类别的一个重要特征,文中提出一种利用贝叶斯公式进行遥感影像分类的思路,根据判断规则,选择改进概率最大的一个作为决策分类的结果。对比提出了另一种基于Daubechies1小波的改进K-mean算法影像分割技术,利用二维单尺度小波变换将图像像素分解到不同的维度空间,利用每个图像子块频带的平均能量值作为特征分量进行融合,最后利用小波逆变换还原分类图像。文中使用MATLAB 2010a软件进行算法实现,利用云南省滇池流域海口镇的2015年遥感影像数据进行了实验,最后对结果进行了定性分析和定量评价。结果表明,上述两种遥感影像分割算法在高分辨率遥感图像地物目标分类提取中取得较好的应用结果。

一种变换域纹理图像特征提取和分割方法

以对偶树复小波变换为基础,提出了一种提取纹理图像变换域统计特征,进而实现图像非监督分割的方法。该方法用Gamma分布和对数正态分布建模对偶树复小波系数的模值,将两种分布的参数综合起来作为像素特征,利用边缘保持的平滑技术(EPNSQ)进行特征平滑,最后使用K-均值聚类方法实现特征分类,得到图像的非监督分割结果。实验结果表明所提取的特征可以有效地表征不同的纹理,基于该特征得到了更为精确的图像分割结果。