横向磁通电机各相独立控制策略研究

本文分析了横向磁通各相异性的特点,提出了不同于传统三相矢量控制的控制方法,即三角函数法各相独立控制。分析了各相独立控制的原理,建立了数学模型,并与传统控制方法进行了对比仿真,仿真结果表明:三角函数法各相独立控制能很好的平衡各相电流,控制策略优于传统方法。     

基于虚拟仪器的小波分析在发动机故障诊断中的应用

介绍了小波信号分析、虚拟仪器及其软件开发平台LabVIEW基本原理,阐述了在虚拟仪器平台的基础上将小波分析应用于发动机故障诊断,提出了应用MATLABScript节点对信号进行小波处理的方法,并分析了其中的关键技术,实现小波分析方法在发动机故障诊断中的应用,达到了对发动机运行状态进行实时监测和故障诊断的目的。     

基于支持向量机的钢筋混凝土桥梁损伤识别

为了克服现有方法存在的一些不足,提出基于小波包和支持向量机的混凝土桥梁损伤识别方法。采用小波包对环境振动下的信号进行分解,获得各个频带上的能量,该向量对损伤敏感,可以作为模型识别的输入向量。利用支持向量机强大的分类功能,提出根据频带能量建立支持向量机并进行损伤模式识别的方法。应用该方法对一座三跨连续梁桥进行了损伤识别分析。结果表明经过训练的支持向量机可以较准确地识别出损伤位置和程度。对小波频带能量进行主成分分析后建立的支持向量机会获得更好的识别效果。获得更精确的实际信号特征将进一步提高有限元模型精度和实际应用效果。     

���ڶ���“�ֽ�-����”���Ե�����������Ԥ��

货运量预测是制定物流政策和决定物流基础设施布局的重要依据。针对受多因素影响的货运量预测具备较强非线性和模糊性特征,提出一种基于趋势分解和小波变换的多重“分解—集成”预测方法。利用趋势分解将货运量分解为趋势项和非趋势项,通过小波分解将非趋势项进一步分解成低频项和高频项,分别建立预测模型,选用相加集成得到货运量预测值。实证表明,“分解—集成”的预测策略将非平稳货运量分解为相对平稳的子序列组合,降低了问题复杂度,有效提高了预测性能,与传统的趋势分解预测模型和小波分解预测模型相比,多重“分解—集成”预测模型精度更高。     

基于二次小波去噪的 FastICA 盲源分离研究

论文针对含噪声混合信号分离问题,提出了三步处理法,首先采用小波滤波进行去噪处理,再采用快速独立分量分析（FastICA）盲源分离技术实现混合信号的分离,最后对分离后的信号二次使用小波滤波处理。仿真实验结果表明,该方法能够很好地分离含噪混合信号,从分离前后的波形及平均信噪比对照,去噪性能和分离效果良好。     

K-means与SVM结合的水下目标分类方法

为促进海洋资源开发,提高海洋开发能力,本文对水下目标分类识别方法进行研究。首先,对水下目标分类方法进行概述,介绍较为常用的方法。然后,提出K-means与SVM结合的水下目标分类方法。该方法利用S变换进行图像预处理,提取不同分辨率下的不同特征作为分类的特征向量,通过K-means与SVM结合的分类识别方法进行分类。实验结果表明,该方法具有较高的识别率。     

基于小波变换和分形理论的舰船损伤识别

研究舰船的损伤识别对于保障船舶在海面上安全航行具有重要意义。本文提出基于小波变换和分形理论的舰船损伤识别算法,充分考虑小波变换的多尺度细化特性,对获取到的舰船图像进行小波变换和分形计算。通过实验验证了该算法的区分度好,差异性大,可靠性强,有利于利用神经网络进行损失识别。     

小波包分解与共振解调分析在发动机配气机构磨损故障特征提取中的应用

以常见的机械磨损故障——气门间隙过大故障为例进行了试验研究,提取缸盖振动加速度信号进行分析,发现故障状态的时域信号有明显低频周期性冲击,但在频谱的低频区间未现冲击频率;同时,在故障状态频谱中,3 000~4 500Hz范围的高频段振动能量有显著增加。通过小波包分解方法对信号分解至该故障特征频段,再进行希尔伯特解调分析,解调谱现显著的对应低频冲击的频率成分,可作为故障识别特征。分析结果表明,气门间隙过大故障造成的冲击引起缸盖或其部件共振调制现象,综合运用上述时域、频谱和共振解调分析,可对配气机构磨损故障进行故障特征提取,从而为准确诊断故障提供依据。     

基于EEMD和能量算子解调的发动机瞬时转速计算

针对发动机瞬时转速Hilbert频率解调法端点效应误差大、计算精度低的问题,提出了基于总体经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)和能量算子解调的瞬时转速计算方法。该方法利用EEMD从原始多分量信号中提取包含瞬时转频的单分量信号,再利用能量算子解调法从所提单分量信号中解调出瞬时转频,进而求得瞬时转速,消除了Hilbert变换的端点效应,提高了计算精度。通过试验信号仿真和实测信号的应用研究,证明了本方法的有效性和准确性。     

基于小波神经网络的道路交通流量实时预测模型研究

实时交通流量预测是智能交通系统的核心内容,智能交通系统中多个子系统的功能实现都以其为基础。交通流具有高度非线性和不确定等特征,且与时间高度相关,可以看成是时间序列预测问题。根据交通流的这些特点,提出基于小波神经网络的道路交通流量实时预测模型,并以某条道路为例,通过Matlab编程实现模拟仿真。仿真结果表明,小波神经网络能够比较精确、快速地对实时交通流量进行预测,网络预测值接近期望值。