自适应小波网络在船舶噪声识别中的应用

本文基于自适应小波网络理论,构造了一个应用于船舶辐射噪声识别的自适应小波网络分类器。仿真结果表明,该方法具有良好的目标识别性能,且收敛速度快,是一种有效的目标识别方法,从而为研究自适应小波网络理论在声呐信号目标识别领域中的应用有着极其重要的实际意义。     

基于9/11小波与EZW算法的电能质量谐波信号二维数据压缩

介绍电能质量数据的二维图像表示方法,说明该二维图像的相关特点,分析小波消失矩、正则性、紧支性、对称性和正交性对电能质量数据压缩性能的影响。在此基础上运用小波相关理论构造9/11双正交小波,并将9/11小波与EZW编码联合用于电能质量谐波信号的二维数据压缩。最后通过仿真实验证明该方法的可行性。     

小波自适应阈值的混沌去噪方法*

为了提高小波分析方法在混沌去噪中的自适应能力,对不同尺度下的小波信号设定调节因子,根据混沌序列关联维的大小确定最优阈值。为了提高寻优效率,采用遗传算法全局自适应搜索最优阈值。利用该方法对Lorenz混沌时间序列进行了去噪分析,结果表明所提方法是非常有效的。     

基于正交小波分解的线谱增强算法研究

介绍了传统线谱增强器(ALE)结构,分析了ALE的工作原理。ALE线谱增强的原因是降低了基本输入和参考输入中的噪声相关性,由于对参考输入的权系数调整无法对噪声进行合理估计,正弦信号得到增强。正交小波分解能将信号分解为尺度子空间和小波子空间中的2部分,同时2子空间正交。利用正交小波分解的这一特性,将尺度子空间中的逼近部分作为自适应滤波器的参考输入,使得参考输入和原信号中的噪声相关系数很小。对高斯环境下正弦信号和某水中目标实测信号进行了算法仿真,研究了该线谱增强算法的性能。结果表明,该算法在对高斯噪声环境和非平稳、非高斯目标实测信号中的线谱增强效果均优于ALE。     

基于小波变换的自适应数字水印算法

随着多媒体和网络技术的迅速发展与广泛应用，对多媒体数字产品(如数字图像、数字视频和音频等)的版权保护成为迫切需要解决的问题，数字水印作为一种新的版权保护手段得到越来越多的应用。本文利用小波变换良好的时频局部特性。提出了一种基于小波变换的自适应数字水印嵌入和检测方案，水印的嵌入位置及嵌入强度都是根据原始图像的特点自动调节，提高了数字水印的隐蔽性，同时把扩频的概念引入数字水印系统中，提高了数字水印的鲁棒性，实验结果表明该算法有较好抗JPEG压缩、随机噪声等攻击的能力。     

小波分析技术在故障诊断中的应用

小波分析是20世纪80年代中期发展起来的新的数学理论和方法,并已在实践中得到了广泛应用。本文对小波分析、小波分析与神经网络相结合的小波网络及小波分析与模式识别相结合在故障诊断中的应用进行了详细的介绍,最后指出了这一领域有待进一步研究的问题和发展趋势。     

基于小波能量熵的水下目标磁场信号去噪

本文提出了基于小波能量熵的水下目标磁场信号去噪方法,通过对信号进行小波分解,计算各层目标信号和背景噪声的小波系数能量熵,利用信号在不同的分解尺度上具有不同的小波熵,自适应地确定高频系数的阈值,利用经过处理后的小波系数进行小波反变换,实现对水下目标磁场信号的去噪.仿真试验结果表明,该方法能有效去除背景噪声,检测出目标磁场...     

一种基于小波包分解FXRLS算法的自适应噪声抵消方法

将小波包分解技术引入FXRLS算法,并形成了基于该算法的自适应噪声抵消方法。通过仿真实验和实测数据进行了验证,结果表明,该方法比传统系统具有更快的收敛速度和更高的降噪能力,能够处理复杂的水下噪声主动抵消问题。     

一种自适应Morlet小波包络解调的弱故障检测方法

为自适应实现Morlet小波与故障冲击特征成分的最优匹配,采用基于Shannon小波熵的方法优化带宽参数设计了最优Morlet小波。针对最佳尺度的求取难题,利用谱峭度与小波熵均能敏感反映冲击性的特性,提出了基于峭熵比的最佳尺度的求取方法。基于此,提出基于自适应Morlet小波包络解调的弱故障特征提取方法。仿真实验与实例分析表明:该方法克服了传统包络解调需要人为设定带通滤波器参数的不足,减少人工干预,能自动有效地从强噪背景中提取微弱故障特征,具有一定的工程应用价值。     

一种改进的小波网络及其在故障诊断中的应用

为了提高故障诊断的准确性,提出改进的小波网络,增加基本小波网络输入层至输出层的直接连接权。结合抽油机井故障实例,进行仿真研究,结果表明改进的小波网络较BP网络和未改进的小波网络收敛速度快,且对故障诊断识别能力强。     

自适应小波包算法在激光海面通信降噪处理中的应用

介绍了自适应小波包算法的基本理论和具体实现步骤,并且针对信号的时变特性采取了改进的双树算法实现了每一时间段内的小波包基的最优化选择,使得降噪处理具有自适应性。通过数值模拟对自适应算法和传统算法进行了比较。实验结果表明自适应小波包算法降噪法有着更好的性能,能够有效地抑制信号中的噪声。     

一种改进的小波变换图像压缩方法

针对传统小波变换过程复杂的缺点和SPIHT算法编码过程重复运算、存储量大的问题,提出了一种改进的小波变换图像压缩方法.该方法首先对纹理丰富的图像进行3级小波变换,再对高频子带通过小波树分类器分为低频树和高频树.最后对最低频子带进行差值脉冲编码调制(DPCM),对低频树和高频树分别进行SPIHT和自适应算术编码(MQ).仿真结果表明,在压缩比相同的情况下,该方法不仅能够在几乎不降低图像恢复质量的前提下提高了编码速度.而且能够降低存储空间的消耗.压缩整体性能明显要优于SPIHT算法.     

基于小波网络专家系统的船舶电站机组故障诊断研究

船舶电站机组的动力学模型比较复杂,其动态模型难以精确得到,依据小波网络的非线性逼近能力的自学习特性,提出了用小波网络专家系统对船舶电站机组故障进行诊断的方法,通过对柴油机冷却系统的故障机理分析,得到其故障征兆集、故障原因及它们之间的关系,通过对系统计算机仿真和分析,结果表明,采用小波网络的收敛速度远远高于BP网络的收敛速度,改进后的小波网络算法有效的避免了震荡的出现,平滑作用明显.     

小波提升算法在JPEG2000可逆变换中的应用与实现

离散小波变换是图像处理和压缩技术的基础，而基于提升方法的离散小波变换是当今业界研究的热点之一。在分析二维图像的小波变换的基础上，研究小波提升算法、其特点及其实施方法，探讨该算法在JPEG2000中可逆小波变换上的实现，给出该算法的C语言实现，并进行了分析。     

基于分类区间小波网络的雷达目标识别研究

介绍了一种区间小波的构造方法,并将区间小波与神经网络相结合,提出了一种用于信号分类的的分类区间小波网络,利用它可以解决以往小波网络的基底空间与被学习信号所属空间不匹配的问题.实验结果表明,将区间小波网络应用于雷达目标识别,可以减少神经元的数目,提高网络的收敛速度,能够获得较好的分类效果.     

基于分类区间小波网络的雷达目标识别研究

介绍了一种区间小波的构造方法,并将区间小波与神经网络相结合,提出了一种用于信号分类的的分类区间小波网络,利用它可以解决以往小波网络的基底空间与被学习信号所属空间不匹配的问题。实验结果表明,将区间小波网络应用于雷达目标识别,可以减少神经元的数目,提高网络的收敛速度,能够获得较好的分类效果。     

机械故障诊断中的振动信号技术研究

本文提出一种基于分形指数理论和小波网络的船舶机械故障诊断方法。当故障发生时,船舶机械通常产生非平稳的振动信号。在本文提出的方法中,小波变换用于定位时间频域中振动信号的特征,并且在分形理论之间的小波变换的相互关系的视图中,从作为提取故障的特征的小波变换系数获得的全部和局部分形指数信号,其被输入到用于故障模式识别的径向基函数。改进的Levenberg-Marquardt(LM)优化技术用于完成网络结构参数。通过选择足够的样本来训练故障诊断网络,并且将表示故障的信息输入到需要训练的小波网络中,则可以根据输出结果确定故障类型。通过对定子温度波动和转子振动的实验表明,小波分形网络可以为船舶机械的故障诊断提供有效的方法。     

基于小波网络的故障诊断方法在军事系统中的应用

简要地介绍了基于小波网络的故障诊断方法,结合军事系统中的电力系统故障诊断问题,通过变尺度学习和训练建立了波网络,经过仿真试验,取得了满意的效果。进一步研究说明：小波网络的故障诊断在军事上的运用有其独特的优势,该方法在军事系统中有较广阔的应用前景。     

基于小波变换的神经模糊系统的一种非线性滤波方法

针对信号中含有复杂噪声难以滤除的问题,提出了一种把自适应神经模糊推理系统(ANFIS)与小波变换相结合的方法,该方法通过ANFIS具有万能逼近原理,及小波变换中小波的分解与重构,来调整适当的阈值来达到最终滤波的效果。仿真结果表明对于一个含有复杂噪声的信号而言,此种结合的方法与单独利用ANFIS或小波变换相比,滤波效果更佳。而且对实际中含有未知噪声的去除问题提出了一种可行的方法。     

小波分析在船舶测试信号和图像消噪方面的应用

小波消噪已经成为目前信号消噪的主要方法之一，小波变换由于在时频两域都具有良好的局部性能，尤其在信号处理过程中，采样信号都不可避免地受到各种噪声和干扰的影响，利用小波分析可以对实验数据进行消噪处理。本文详细介绍了目前小波消噪的各种方法，揭示了小波消噪的数学背景和滤波特性；并阐述了针对不同信号的自身局部特性以及使用不同的小波变换函数和构造出适合的闻值之间的联系。对一个含有噪声的多普勒测试信号和一个含噪声图像分别进行了多尺度一维离散平稳小波分解和二维离散平稳小波消噪分析，仿真的结果表明：小波分析可以对信号更有效地消噪。