飞机电源系统整流装置故障诊断方法

某型号飞机电源系统现有的机上自检测装置由传统的硬件逻辑电路构成,存在功能扩展性差、可靠性低等缺点.为符合新一代机上自检测装置微机化、智能化的特点,在对其进行故障模式分析的基础上,采用基于小波神经网络的故障诊断方法,通过对整流装置输出电压的实测信号样本的频谱分析,获得对故障敏感的特征频率点,根据小波变换的多分辨率分析理论,确定了与特征频率点相对应的小波母函数和变换尺度.在此基础上,通过定义频带能量特征向量,将小波变换得到的小波系数转换为一组特征向量.将特征向量作为BP神经网络的前端输入,由神经网络完成故障的识别与分类.经验证,故障特征得到了有效地提取,使神经网络可在各种工况下对故障进行故障诊断,符合灵敏性、鲁棒性的要求.      

基于脑电信号相位传递熵的谎言机制研究

说谎是复杂的认知过程,其执行控制功能需要不同脑区的共同参与,相关研究证实了这些脑区之间存在相互作用。针对当前脑电信号特征提取方法有限及谎言机制尚不明确的问题,利用相位传递熵构建了谎言实验过程中脑电信号的脑网络,并分析了诚实组和说谎组不同脑区间的效应连接差异。采用标准的三刺激实验模式对60名受试者进行说谎检测实验,同步采集所有受试者的脑电信号并进行预处理;利用相位传递熵构建效应连接矩阵,通过统计方法对矩阵中的每一条边进行2组间的熵值差异分析,选取具有显著性差异的导联对上的熵值作为全连接神经网络的分类特征,结果显示,分类准确率为96.75%,说明相位传递熵指标可以有效区分说谎者和诚实者2类人群的脑电信号;对2类人群大脑功能网络的分析结果显示,与诚实者相比,说谎类人群的额叶、顶叶和颞叶之间存在更强的信息流动,表明说谎行为需要协调和使用更多的大脑资源。研究结果有助于揭示说谎状态下大脑的神经活动机制。      

基于小波包和Elman神经网络的液压泵故障诊断

针对液压泵出口故障检测信号信噪比低、难以进行故障特征提取的特点,及 传统的BP网络进行故障诊断时网络学习具有收敛速度慢和学习、记忆不稳定的缺陷,提出了 一种将小波包变换和改进Elman神经网络相结合,进行液压泵故障诊断的新方法.利用具有 紧支结构的小波函数对信号进行分解,削减小波系数以滤除信号中的噪声;单支重构以有效 提取各频带的故障特征,并以频带能量作为识别故障的特征向量;应用改进的Elman神经网 络建立从特征向量到故障模式之间的映射,实现液压泵故障分类.试验结果表明,采用小波 包和改进Elman神经网络相结合的方法可有效的实现液压泵故障的诊断.      

基于相关分析和组合神经网络的退化预测

产品剩余寿命预测是加速退化试验和故障预测与健康管理两大热点领域中的关键技术之一.为了解决复杂退化的预测问题,提出了一种新型预测方法,对退化轨迹能够实现较长距离的预测.此方法首先对复杂退化数据进行小波变换,通过Durbin-Watson方法和偏相关图分析各级分解序列的自相关性,最后根据序列的特点,组合BP(Back Propagation)和小波神经网络对退化轨迹进行预测.为了验证所提组合神经网络方法的有效性,采用小波神经网络的预测结果进行对比分析.实际退化数据的预测结果表明,所提方法比单独采用小波神经网络,具有更小的均方差(MSE,Mean Square Error),对剩余寿命(RUL,Remaining Useful Life)也具有更高的预测精度.     

一种地震动信号特征提取与分类方法

为了实时检测、识别和预警对地下基础设施的挖掘破坏活动，本文提出一种地震动信号特征提取与分类方法。通过提取小波包变换域和集合经验模态变换域的多域能量联合分布特征向量，构建改进的径向基神经网络分类模型，利用机器学习的方法提取稳定的信号多域融合特征，并实现准确的信号特征分类预测。由多类别挖掘信号的仿真实验结果可以看出，本文的算法和模型能有效提升地震动信号分类的准确率，对地震动干扰信号具有较强的鲁棒性。     

基于小波变换和神经网络的机械故障检测方法

针对机械故障中遇到的问题,提出了基于小波变换和神经网络故障检测方法,小波变换理论能够根据被分析信号的特征,自适应地选择相应频带,使之与信号频谱相匹配,从而提高了时-频分辨力。利用小波变换对信号原始信息进行分解,得到信号的不同特征向量。将不同的特征向量送入不同子神经网络进行诊断,并通过神经网络做出最后的诊断。该系统具有知识自动获取、识别速度快、鲁棒性及容错能力强等特点,实例证明该系统是有效的。     

小波分析理论及其在雷达信号处理中的应用

依据所处理信号类型的不同,对小波变换与短时傅立叶变换进行了比较,说明小波变换适用于非平稳信号和奇异信号的处理.简要介绍了连续小波变换、离散小波变换和小波包理论的基本内容,讨论了小波变换实际应用中的采样和快速算法等几个关键问题.结合矢量量化技术,给出了一种用小波变换对星载SAR(Synthetic Aperture Radar)原始数据进行压缩的方法,结果表明,与传统的方法相比,由该方法压缩后的原始数据生成的SAR图像具有更大的信噪比.同时对小波变换用于雷达目标识别和SAR图像分类的性能进行了初步分析.      

Walsh变换对冲击信号序列特征提取的研究

提出使用Walsh变换和小波包相结合的方法,对滚动轴承故障产生的冲击信号序列提取故障特征, 并给出了计算的有效算法. 对滚动轴承故障特征分析和计算表明,用改进小波包分解、重构公式能有效地剔除冲击信号序列中高频共振信号和噪声, 使用快速Walsh变换(FWT)求取其功率谱,优于Fourier变换,可很好地提取故障特征,仿真和实际数据计算的结果,证实了上述方法的有效性.      

一种新的故障方法及其在直升机中的应用

提出了一种新的故障检测方法,该方法采用小波系数描述系统的故障特征,以模糊树模型作为系统故障特征的分类模型,并将此方法应用于直升机作动器的实时故障检测. 仿真结果表明,这种故障检测方法结合了小波变换和模糊树模型的特点,具有检测精度高、抗噪声和跟踪系统参数变化的能力强及特别适合于处理高维数据等优点.     

基于小波神经网络的航空刀具磨损状态识别

针对航空零件的加工特点,采集刀具在不同磨损状态下的声发射(AE,Acoustic Emission)信号,对AE信号进行时频分析和小波变换,运用快速傅里叶变换(FFT, Fast Fourier Transform)以及db8小波5层分解,提取AE信号幅值的均方根和主能量频段的能量作为特征向量,对特征向量进行归一化处理后作为输入向量对小波神经网络进行训练.小波神经网络运用参数调整算法,在权值和阈值的修正中加入动量项.测试结果表明:AE信号对刀具磨损敏感的频率范围在10~150kHz,网络实际输出与期望结果的误差小于0.03,该方法能够对刀具不同磨损状态进行正确的识别.      

基于EEG信号特征的脑力疲劳快速检测方法

空间站飞行过程中航天员容易产生脑力疲劳，其是影响作业效率和引起失误的主要因素。为此，研究人体脑力疲劳的快速检测方法，将有利于保障在轨运行安全。脑电波(EEG)的特征变化能够反映出大脑疲劳状态，但现有EEG方法分析脑力疲劳时需要多个导联的信号，这严重限制了其在空间站环境中的实际应用。通过地基实验，采用36 h睡眠剥夺的方式成功诱发出45名受试者的多种脑力疲劳状态。针对EEG信号的非平稳性，设计的8层db4小波变换结构，有效分解出了δ、θ、α和β脑节律波。先使用方差分析( ANOVA)和Logistic回归筛选出脑力疲劳敏感特征，再依据脑力疲劳敏感特征数量进一步筛选出脑力疲劳敏感导联，应用6个敏感导联的特征分别构建了随机森林回归模型。加权融合6个导联处的回归模型，形成脑力疲劳快速检测模型，其平均精确率高达85.25%。      

Development and testing of a statistical texture model for land cover classification of the Black Sea region with MODIS imagery

A statistical model is proposed for analysis of the texture of land cover types for global and regional land cover classification by using texture features extracted by multiresolution image analysis techniques. It consists of four novel indices representing second-order texture, which are calculated after wavelet decomposition of an image and after texture extraction by a new approach that makes use of a four-pixel texture unit. The model was applied to four satellite images of the Black Sea region, obtained by Terra/MODIS and Aqua/MODIS at different spatial resolution. In single texture classification experiments, we used 15 subimages (50 × 50 pixels) of the selected classes of land covers that are present in the satellite images studied. These subimages were subjected to one-level and two-level decompositions by using orthonormal spline and Gabor-like spline wavelets. The texture indices were calculated and used as feature vectors in the supervised classification system with neural networks. The testing of the model was based on the use of two kinds of widely accepted statistical texture quantities: five texture features determined by the co-occurrence matrix (angular second moment, contrast, correlation, inverse difference moment, entropy), and four statistical texture features determined after the wavelet transformation (mean, standard deviation, energy, entropy). The supervised neural network classification was performed and the discrimination ability of the proposed texture indices was found comparable with that for the sets of five GLCM texture features and four wavelet-based texture features. The results obtained from the neural network classifier showed that the proposed texture model yielded an accuracy of 92.86% on average after orthonormal wavelet decomposition and 100% after Gabor-like wavelet decomposition for texture classification of the examined land cover types on satellite images.     

基于小波变换熵值及高阶累积量联合的卫星信号调制识别算法

调制识别是信号检测与解调的关键环节，针对卫星调制中采用的MAPSK，MQAM，MFSK，MPSK方式，提出了一种计算小波变换熵值并结合高阶累积量的联合调制识别算法.根据小波变换对时频信息敏感的特点，不同调制方式高阶累积量计算结果的区分性以及不同复杂度的调制信号熵值结果不同，分析了以上4类调制信号的计算结果，提出了基于小波变换熵值及高阶累积量联合的卫星信号调制识别算法.计算调制信号小波系数，据此计算熵值，实现对调制信号的类别划分，使用高阶累积量实现类别内的信号分类.经过仿真分析，可实现在8dB以上达到0.9识别率的效果，该方法对高阶（64阶调制）信号识别具有一定借鉴意义.      

拓扑数据分析在复杂脑网络分析中的应用

针对复杂脑网络分析中网络结构变化阈值选择中没有公认的标准确定合适阈值这一问题，基于拓扑分析中的持续同调性理论，本文提出一种多尺度大脑网络建模分析方法，该方法在大脑全尺度距离范围之内，通过不断增加阈值，运用Rips过滤算法捕获网络的动态持续拓扑特征，并用条形码和持续图对拓扑特征可视化，最后通过计算持续图之间的Bottleneck距离和Wasserstein距离分析持续特征的稳定性。实验结果表明，该方法能更准确地提取大脑网络的拓扑结构特征并提高诊断分类的准确性。     

基于连续小波变换的飞行器结构模态参数辨识

给出了一种基于连续小波变换的多输入多输出MIMO(Multiple-Input Multiple-Output)飞行器结构模态参数的辨识方法.对结构离散运动方程进行连续小波变换建立了小波域内的系统AR(Auto Regression)模型,AR模型的系数矩阵决定着系统的动力学特性,可以通过最小二乘法求得.模态参数可以通过求解由AR系数矩阵构成的特征矩阵的特征值来获得.与已有基于小波变换的模态参数辨识方法相比,该方法应用了连续小波的时移共变性和小波变换的滤波能力来确保辨识的效率.在辨识过程中,采用优化算法提高了辨识的精度和稳定性.算例仿真结果表明该方法具有较高的计算精度和稳定性,能用于飞行器结构模态参数的辨识.      

24小时头低位卧床对人体生理功能的影响

为了探讨航天飞行初期人体生理功能的变化及“空间适应性综合症”的机理,实验观察了12名受试者在头低位6°卧床期间心率、呼吸、体温和脑电的变化。实验中所有指标均同时记录在卧床实验室配套的生理测试处理系统上,并用此系统对各生理指标的变化进行计算机分析。分析结果表明头低位卧床中人体内的一些重要生理功能如心率、呼吸、脑电的昼夜节律仍存在,但出现一定的紊乱,表现在:①心率昼夜变化双峰波消失或模糊,时相推迟。②体温昼夜节律变化不明显;额部皮肤温度无明显的昼夜节律变化,腿部皮肤温度在卧床初期明显增加,之后波动较大。③卧床中脑电α波段功率谱值下降,而δ、θ波功率谱值上升。卧床中R-R 间期频谱分析和脑电功率谱分析的结果表明卧床中心脑的调节和皮层的兴奋性也发生一定变化。     

On wavelet techniques in atmospheric sciences

Wavelet analysis has been formalized extensively due to the efforts of mathematicians, physicists and engineers in the last two decades. It has generated a tremendous interest in these communities both in theoretical and applied areas, in such a way that wavelet analysis is also considered now as a nucleus of shared aspirations and ideas. Initially applied to seismic signal studies in geophysics in the 1980s, wavelet techniques have been explored in the atmospheric sciences since the pioneer applications in turbulence studies. If one decides to apply the wavelet analysis to a given signal, it is worthwhile to assess the actual need of the technique itself and the best way to perform it. In atmospheric signal applications, two main directions have been followed: the singularity and the variance analysis. In this paper, the potential uses of this tool supported by some recently published works in the field of atmospheric sciences are discussed. Therefore, initially the characteristics and main properties of the wavelet analysis are presented, focusing on those that are mostly used in the analysis of atmospheric signals. Continuous and discrete wavelet transforms are also discussed, as well as the scalograms and the variance analysis. Finally, some examples of wavelet analysis applied to a wide range of atmospheric science phenomena are presented.