轨道检测噪声数据剔除方法的研究

为了消除铁路轨道检测数据中夹杂的噪声数据对轨道状态评定的影响,利用小波算法对原始数据信息进行分解.通过对分解后得到的高频信息进行分析,即可以找出轨道检测数据中噪声数据出现的规律.然后利用小波消噪方法对检测数据进行处理,得到消噪之后的数据,从而实现数据的恢复.使用Matlab中的小波算法对兰新线某段数据进行分析,实践表明小波算法具有较好的消噪功能.     

基于小波分析的自适应噪声识别

图像噪声类型直接影响去噪方法的去噪效果.因此,研究图像噪声类型的识别,对于数字图像去噪方法效果的提高具有重要意义.利用小波分解的高频系数,分析直方图和曲线拟合图的跳变出现概率特征以及黄金分割点处的窗口宽度特征,提出一种数字图象噪声类型自适应识别方法.针对图像噪声识别类型,采用相适用去噪方法提高图像去噪效果.通过大量实验表明,该方法是切实有效的.     

医学图像自适应阈值边缘检测的研究

介绍一种基于小波变换的自适应医学图像边缘检测方法.实验结果表明:该方法可对图像边界进行敏锐检测,从而得到图像的细微特征.这些特点使得它特别适合于医学图像边缘的检测.     

基于BP神经网络的砂泥岩互层地质爆破参数优化研究

砂岩、泥岩互层地质在黄土地区路基工程中比较常见,其软硬相间的特性使得爆破参数设计困难,工程实践中难以达到理想的爆破效果。本文提出一种基于BP神经网络的爆破参数优化方法,该方法以影响爆破效果的主要因素作为网络输入参数、以爆破效果作为输出参数、采用搜集的数据样本作为训练和检测样本建立BP神经网络。以通过理论计算得出的爆破参数为基础,利用正交试验法筛选出16种试验方案。基于训练好的神经网络预测爆破效果,从中选择爆破效果较好的5组方案进行试爆,并根据试爆效果确定最佳爆破方案。该方法应用于横山车站路堑工程施工,效果良好。     

数据压缩技术在船舶电力监控系统中的应用

采用数据压缩技术可有效减少船舶电力监控系统监测的数据量,提高现场总线网的通信效率。根据不同压缩方法的特点压缩船舶通信中不同类型的数据,其中对开关量和电力主干网等数据采用10进制霍夫曼编码的压缩方式压缩;对包含多测点的模拟量数据采用基于旋转门算法的监控数据的压缩方式压缩;对电能质量等数据采用小波变换的压缩方式压缩。仿真结果表明,采用该方案能实现对数据的有效压缩,节约网络宽带。     

基于混沌-小波神经网络的公交客流量预测模型研究

为提高公交客流量预测的精确度,将混沌理论和小波神经网络方法相结合应用于公交客流量预测。分别采用自相关法、伪最近邻域法计算公交客流量时间序列的时间延迟、嵌入维数,采用小数据量法计算其最大李雅普诺夫指数,证实该时间序列具有混沌特性。据此建立混沌-小波神经网络预测模型,进而对H省某市实际公交客流量进行预测。实验结果表明,相比于传统的BP神经网络预测法、LIBSVM预测法,该方法在均方误差(MSE)、平均绝对误差(MAE)、平均相对误差(MRE)上均具有更小的预测误差,因而可以有效地预测公交客流量。     

Farima模型在海上无线网络状态融合中的应用

为了克服海上无线网络信号传输中的噪声干扰,本文将小波变换和Farima模型应用于信号状态融合,首先利用小波变换对信号进行分解,再利用Farima模型进行预测,最后对重构后的信号进行融合,实验结果表明本文算法融合速率高,准确性好。     

数据挖掘的船舶电力电路短路识别

电路短路类型多样复杂,当前方法的电路短路识别错误概率高,为降低电路短路识别的错误概率,设计了基于数据挖掘的船舶电力电路短路识别方法。首先采用传感器采集船舶电力电路工作状态信号,并采用小波包对船舶电力电路工作状态信号进行多层分解,提取相应的小波包能量熵,将其作为船舶电力电路短路识别的特征,然后采用数据挖掘技术对特征向量和船舶电力电路短路类型间的变化关系进行建模,设计船舶电力电路短路识别模型,最后在Matlab 2017平台进行了船舶电力电路短路识别实验,本文船舶电力电路短路识别正确率超过95%,而对比方法的船舶电力电路短路识别率低于90%,本文方法不仅大幅度降低电路短路识别的错误概率,而且船舶电力电路短路识别效率更高,能够用于实际的船舶电力系统管理。