结合小波变换的Jacquin分形图像编码

提出了一种将分形与小波变换紧密结合起来的图像压缩方法;改进了目前虽简单易行,但编码时间过长的分形图像编码,而且Domain块的采样方式也存在缺陷。针对这些问题,利用小波分解的特性构造了一种基于小波分解的分形图像编码算法;对输入图像进行小波变换,将变换后的低频部分作为Jacquin分形编码方法的搜索区域。实验表明重构图像的质量得到了较大的提高。     

利用小波包分解算法进行原子钟信号的消噪处理

高准确度时间在国防、科研等领域正在发挥着日益重要的作用 ,要提高计算原子时的准确度 ,消除原子钟信号的噪声是关键的步骤之一。为此 ,我们利用小波包分解算法对原子钟信号进行了必要的消噪处理 ,这样我们得到了平稳的原子钟信号 ,利用这些数据重新计算国家授时中心原子时TA(NTSC) ,计算结果表明经过消噪处理提高了TA(NTSC)稳定度和准确度 ,可以考虑进一步在我国的地方原子时计算中采用该方法。     

基于动力补偿的液压并联运动平台控制策略

针对所研制的飞行模拟器用大负载液压六自由度并联运动平台,在对系统闭环动力学模型进行详细分析的基础上,依据系统数学模型存在外扰力、摩擦力及不确知参数等因素影响的控制特性,利用系统闭环动力学模型的动力补偿特性,采用六维动力补偿器,提出一种PD控制器加小波神经网络补偿器进行在线动力学补偿的实时控制策略,并通过实验验证了其控制的有效性.结果表明:该方法具有良好的跟踪特性,能够提高系统响应快速性、运动精度及抗负载扰动能力,很大程度上克服了系统的动力耦合及参数时变和未知力扰动带来的影响,为多自由度运动系统的高性能实时控制开辟了崭新途径.      

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.      

基于小波包分解的早期碰摩故障诊断研究

研究了旋转机械转静件早期碰摩故障信号的检测问题.根据小波包分解能在所有频率范围聚焦,对信号奇异性非常敏感的特性,对比分析了不碰摩和早期碰摩信号的小波包分解细节分量,得出应用小波包分解可实现早期碰摩故障诊断.同时,还研究并实现了碰摩故障的定位问题.      

直线参数检测的快速哈夫变换

在直线参数检测的哈夫变换中,基于两点确定一条直线的几何原理,可以消除图像点与参数点对应关系中的不确定性,利用这个原理可缩小每个非零图像点对应的参数空间,减小每个非零图像点的计算量.同时将整幅图像分成小块表决,能大幅度减少哈夫变换的总计算量,而参数检测的精度保持不变.      

地磁暴前地面宇宙线强度变化Morlet小波特征分析

用Morlet小波变换对Oulu台站和Apatity台站(主要是Apatity台站)1998-2002年间宇宙线静日和地磁暴前的地面宇宙线强度变化特征进行分析，得到：在宇宙线静日期间普遍存在准24h周期变化特征，并且在当地时间0200，1400左右分别出现最小值和最大值；对12个例子的分析可以看到地面宇宙线强度在地磁暴之前l-2天均出现了不同于宇宙线静日期间变化特征，或有小尺度周期出现，或周期变化完全消失，或有异常24h周期变化，这种变化特征在一定程度上可作为地磁预报的先兆特征之一。     

宽带LFM信号的线性度测量

介绍了一种采用微波延迟线鉴相的方法对宽带LFM信号的线性度进行测量的装置。在该装置中,使用光纤、电缆实现微波延时,在小波变换的基础上采用相位建模以提高瞬时频率的测频准确度,根据线性调频信号的调频形式建立数学模型,得出了线性度的数学表达式。     

X射线动态数字图像降噪方法与快速实现

对于X射线动态数字成像系统,为了实现高帧频采集引起的数字摄影(DR,Digital Radiography)图像降质的恢复,采用Anscombe变换将NL-means降噪算法引入到DR图像的降噪中.为了解决NL-means降噪算法计算量大、运算速度慢的问题,利用可编程图形处理单元(GPU,Graphic Processing Unit)并行计算和高速浮点计算特性,将DR图像映射为GPU中的纹理,采用多线程并行计算,使得NL-means算法在GPU中加速执行.实验结果表明,NL-means能够有效抑制动态DR图像噪声.GPU加速方法可以在不损失图像信息的前提下,加速比可达2个数量级以上,满足了实时降噪的要求.     

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.