基于小波分析的光照电站边坡位移变形监测研究

光照电站是北盘江上大型水利枢纽,为确保安全施工和运营,采用智能型全站仪TCA2003对大坝两岸边坡进行位移变形监测。由于监测结果中包含测量仪器、测量条件和测量过程误差,利用db3小波和db6小波进行去噪处理,获取更具真实性和稳定性的数据。通过对比分析,db6小波去噪效果比db3小波好,调用函数提取db6小波分解前后的高频系数,可以判断出噪声主要集中在高频中前两层。

基于小波分析的光照电站边坡位移变形监测研究

光照电站是北盘江上大型水利枢纽,为确保安全施工和运营,采用智能型全站仪TCA2003对大坝两岸边坡进行位移变形监测。由于监测结果中包含测量仪器、测量条件和测量过程误差,利用db3小波和db6小波进行去噪处理,获取更具真实性和稳定性的数据。通过对比分析,db6小波去噪效果比db3小波好,调用函数提取db6小波分解前后的高频系数,可以判断出噪声主要集中在高频中前两层。

基于深度学习的ECG信号分类

心电图(ECG)能够实时反映心脏状态,可用于心律失常和其它心血管疾病的准确诊断。针对ECG信号采集时的噪声干扰,重构Db6小波的4级分解量并使用巴特沃斯低通滤波实现双重去噪。将降噪后的ECG信号进行R波提取,并截取P-QRS-T波片段输入到一维改进GoogLeNet模型中进行训练。一维改进GoogLeNet是原始二维GoogLeNet的优化结构,可减少网络深度并在稀疏连接中添加最大池化层和扩张卷积加大感受野,降低计算量来提高训练性能。在MIT-BIH数据集中进行实验得到99.39%的分类准确率,比一维GoogLeNet和原始GoogLeNet分别提升了0.17个百分点和0.22个百分点,训练效率均有提升。与其他先进的技术相比,心电信号分类有了显著的改进。