基于小波神经网络的多模型故障检测

提出了一种利用小波神经网络辨识非线性系统多模型故障的方法。证明了状态估计误差渐近收敛到零，同时证明了如果激活函数满足持续激励条件，辨识器参数将趋于理想辨识器参数。分析了多模型辨识结构，并将小波神经网络作为辨识器应用于多模型故障检测。给出了小波神经网络进行非线性系统逼近的实例，用小波神经网络辨识器对多故障模型检测进行了仿真，证明了此方法的正确性和可行性。     

子波变换平滑的混沌信号检测

将近几年兴起的子波变换、分形理论应用于带观测噪声混沌信号的检测。基于快速子波变换导出了平滑算子，将其对时序信号进行处理，并根据它在一定的尺度范围内具有标度不变的性质，利用改进的Ｇ－Ｐ算法计算其分数维数，对带有观测噪声的Ｌｏｒｅｎｚ吸引子波的混沌运动进行了检测。实验结果表明，该方法具有较好检测混沌现象的能力。     

基于小波分析和LSSVM的高压直流电源故障诊断

针对该电源故障样本少、专家经验不足和模式辨识困难的特点,提出了一种基于改进型最小二乘支持向量机的诊断方法,综合利用小波变换和最小二乘支持向量机在时频分析和小样本辨识领域的优点,很好地解决了高压直流电源的故障诊断问题。     

一种基于GA优化小波LS-SVR的实时寿命预测方法

针对性能非线性退化的产品,从研究退化轨迹相似性的角度出发,提出一种基于遗传算法(GA)优化小波最小二乘支持向量回归机(LS-SVR)的实时退化轨迹建模和寿命预测方法。该方法根据特定个体与同类产品的Euclid距离确定隶属度权值,加权小波LS-SVR建立的同类产品退化模型得到特定个体的退化轨迹模型,结合实测数据更新模型并进行实时寿命预测。实例分析验证了所提方法的有效性。     

基于小波帧变换的多聚焦图像融合算法

提出了一种基于小波帧变换的多聚焦图像融合算法,本算法首先对图像进行小波帧变换,然后利用多聚焦图像的特点,采用区小波能量取大原则对高频系数进行融合,采用区域空间频率取大原则对低频系数进行融合,并进行一致性检验,最后通过重构得到融合图像.实验表明,该算法相比于传统小波变换法,具有更好的融合效果.     

小波、小波包分析在遥测数据处理中的应用

在研究小波分解算法的基础上,结合遥测信号的变化特性,分析了小波算法在遥测数据处理中虚假趋势排除和信号去噪两方面的应用,并与传统分析方法进行对比,通过仿真结果证明了小波分析方法的有效性.     

小波变换在水下航行体出水动响应识别中的应用

在出水过程中,由于空泡溃灭作用,水下航行体结构存在较大的横向弯曲动态响应,内部结构间存在相对运动,当响应较大时有可能发生干涉。本文应用小波变换方法,根据加速度测量数据对水下航行体出水过程中的动态响应进行了辨识,并与试验结果进行了对比分析。小波分析具有良好的时一频定位特性以及对信号的自适应能力,能对信号的高频、短时成分准确地在时域和频域中进行分析。这为水下航行体加速度信号处理提供了有效的分析手段。     

基于小波滤波的无人旋翼机高度信息融合

针对小型无人旋翼机自主飞行时高度测量信息不稳定、易受干扰的问题,提出采用基于滤波数据的自适应高度信息融合方法来提高无人旋翼机高度测量信息的精度和可信度.通过基于小波提升算法的小波分解重构方法,消除原始测量数据中的高频噪声;根据全球定位系统的测量精度受搜到卫星数目波动影响的现象,提出利用自适应卡尔曼滤波的方法实现高度信息融合.通过自主悬停和三维航迹跟踪飞行试验验证该方法的可行性和有效性.     

基于EEG的脑力疲劳特征研究

模拟飞行员在飞行过程中监视仪表信息的过程,分析脑电（EEG）随脑力疲劳变化的特点及规律,从而为后期对抗脑力疲劳提供科学根据。通过设计2级不同难度的视觉监控任务分别诱发脑力疲劳,采用多种方法相结合进行研究,比较EEG参数（δ、θ、α、β、（α+θ）/β、α/β、（α+θ）/（α+β）和 θ/β）在任务前后的变化情况。结果表明:从正常到疲劳状态,额区、中央区、顶区和枕区的α波相对能量显著增加（P < 0.05）;前额区、侧额区、后颞区以及枕区的β波相对能量显著降低（P < 0.05）;δ波和θ波相对能量变化未达到显著性差异（均有P > 0.05）;参数（α+θ）/β、α/β、（α+θ）/（α+β）和θ/β在除颞区外的各脑区都显著增大（P < 0.05）;在颞区,只有α/β在疲劳前后增加明显（P < 0.05）;与较高难度的任务比较,低难度任务中的各EEG参数变化较为明显。因此,除δ波和θ波以外的其他特征参数被证实在特定的脑区域可以作为衡量脑力疲劳的潜在指标,同时可以验证适当地增加任务难度可以在某种程度上对抗脑力疲劳的产生。      

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.