Symlets小波幅值算法研究

提出了利用小波变换高频分量模极大值预测故障电流幅值的Symlets小波幅值算法。分析了Sym-lets小波的正交性、计算性和对称性,给出了与sym3小波相关联的分解与重构滤波器,研究了Symlets小波幅值算法可精确捕捉故障发生时刻的基本原理,建立了基于sym3小波变换高频分量模极大值的故障电流幅值计算数学模型。通过利用sym3小波变换对不同电流信号进行分解和重构,确定了每周期采样点数不同和故障前最后一个采样点相位不同时数学模型中系数k的大小。仿真结果表明,该算法可精确捕捉故障发生时刻并能在7/N个电力信号周期内定量预测出故障电流幅值。

Symlets小波和子空间联合增强下的语音识别

针对小波阈值选择的多样性,主要研究了小波自适应阈值消噪联合子空间增强对特定人汉语孤立词识别系统的鲁棒性提升。采用Mel倒谱系数,在基于矢量量化(VQ)和高斯混合模型(GMM)的两个系统上,检验采用联合Symlets小波多阈值消噪和子空间增强算法在互为先后顺序作用下系统的识别率,给出一个先Symlets小波阈值消噪再子空间增强的语音增强方法。人耳感官和Matlab实验证实该方法结合了两者的优点,不但平衡了语音失真和噪声抑制,亦可提高VQ系统的顽健性,而对于GMM系统作用有限。

基于Symlets小波的虹膜特征提取

提出了基于双正交的虹膜特征提取方法。通过Symlets小波对归一化虹膜图像进行特征提取,运用k-近邻分类器实现匹配.研究结果表明,与基于db 4小波的方法比较,该方法在识别率上有明显的改进.

车载混合储能系统Symlets小波变换能量管理方法

针对电动汽车锂离子动力电池承受高频功率需求造成其循环寿命衰减的问题进行了重点研究。首先,分析了由锂离子动力电池、超级电容和多端口双向DC/DC变换器构成的混合储能系统工作特性,揭示了工况周期t_(max)、负载电流调节频率f_(adj) 与小波分解阶数θ的关系。进而提出了车载混合储能系统Symlets小波变换能量管理方法,实现了功率需求高频暂态分量和稳态分量在功率型储能装置和能量型储能装置之间的功率分流。最后,通过实验验证了高速公路经济性测试(Highway Fuel Economy Test,HWFET)工况下的分流效果。实验结果表明,所提出的Symlets小波变换能量管理方法可降低锂离子动力电池所承受的高频功率需求,且系统输出电压的峰值波动比Haar小波低51.8%。

基于小波理论对掌纹主线提取和修复

掌纹识别作为生物特征技术的一个重要分支,以其信息丰富、采集简便和稳定性强而作为疾病早期诊断和身份识别的重要依据,而其中主线的提取一直是识别的关键。本文讨论了一种提取主线信息的新方法,和传统方法不同的是,它利用普通的光学扫描仪方便地采取图源,之后对预处理和正规化后的图像利用Sym let小波变换的理论,提取掌纹主线的4个方向分量进行合并,并且利用ASF(alternating sequential filter)对结果进行形态学处理。结合回归分析和图像融合的方法,有效地消除了结果中出现的断裂区域,成功地从掌线中分离出了主线。将该方法与以前提取主线的方法进行了效果对比,同时,对于不同类别的掌纹都进行了主线提取验证,其结果说明了这种方法的强鲁棒性。该方法提取的主线信息为后期的临床诊断、皮纹分类,以及编码识别提供了有效和准确的数据。

基于小波去噪的回波信号处理研究

通过对接收到的回波信号的小波变换系数进行阈值去噪处理，可以有效降低噪声。本文介绍了小波去噪的基本概念，讨论了小波去噪的方法和步骤，对小波去噪过程中选择的MATLAB应用函数进行说明。用实例比较分析了haar小波、Daubechies小波族和Symlets小波族在去噪过程中的效果，为小波基函数的选择提供了有用的参考。

一种基于幅度极大值和小波去噪的雷达信号包络提取方法

雷达信号包络特征是辐射源最主要的脉内无意识调制特征，可应用于进行个体识别。脉冲包络提取是进行包络特征分析的关键环节，常见的希尔伯特变化法及直接小波变换等包络提取技术很难应用于雷达脉冲信号。为此，文章基于极大值包络提取和小波去噪理论，提出了一种新的雷达脉冲信号包络的提取方法，通过仿真实验，该方法能较好地提取信号包络，对于雷达信号包络特征提取及个体识别有一定应用价值。

改进型压缩感知图像算法在煤矿物联网中的研究

由于煤矿物联网感知层节点存在数据存储空间和节点能量有限等问题,提出了针对节点采集数据的改进算法,采用Symlets小波对压缩感知算法进行改进,使得压缩感知算法适用于现实应用与研究中,在煤矿物联网中进行仿真验证得出改进算法的应用提高了煤矿物联网数据传输的实时性和延长了网络的生存周期,降低了节点能耗。

深度学习框架对城市日供水量预测的研究

供水量预测是建立管网水力模型的前提,为提高供水管网模型精度,提出一种基于深度学习框架的小波深度信念网络(SW-DBN)时间序列模型。该模型首先通过Symlets小波对日供水量数据进行分解,然后将各分解项分别导入SW-DBN时间序列模型中进行训练,最后利用训练的模型进行预测。以新开河2014—2015年日供水量为训练数据,2016年1月1—7日供水量为测试数据,导入该模型进行预测。依据该测试方法对其后200 d的供水量进行预测,结果表明:该模型用于日供水量预测比深度信念网络模型及传统BP神经网络模型精度高,相对误差均小于5%,是一种有效的方式。

基于Symlet小波的电力系统谐波检测与治理

随着电力电子技术的发展,工业中电力非线性负载的不断增加,对电网中的谐波进行检测与治理已成为电力系统的研究热点.为此,在分析小波基的选择、分解尺度和层数的确定、频带的划分等关键问题基础上,提出基于Symlet小波对电网谐波进行检测的方法和理论,并应用滤波器技术对电网谐波进行治理.仿真及实验结果表明,利用Symlet小波可以将信号中不同频率的谐波有效地提取出来,并进行有针对性的分析,具有更高的分析精度和更好的分析效果.

俯冲带重力异常的地形影响分析

以马尼拉海沟俯冲带为例,对该地区的重力异常和地形数据进行Sym let小波多尺度分解,研究了不同尺度上两者的相关关系,通过高频曲线图的比较,发现两者在第4或第5尺度高频部分存在很强的相关性,并且推测重力异常在第2和第3尺度高频部分主要受海水影响,为重力异常中噪声、海水和海底地形等影响因素的分离提供了参考。