廉巧芳[1]2001年在《一类伸缩矩阵的小波和小波包》文中研究表明到目前为止，关于一维小波的研究已经取得了丰硕的成果。但在许多实际问题如图像压缩中更多用到的是高维小波和小波包。关于高维小波与小波包构造方面的结果还很少。理论上已证明，用标准正交的多尺度分析构造小波这一问题可以转化为矩阵的酉扩张问题。但一般来说，酉扩张很难实现。Riemenchncider和Shen给出了一种实现酉扩张的方法，从而给出其小波的明确表达式，但它只适用于A=2I，维数s≤3的情形。本文通过研究酉扩张问题，给出了在四，五，六维中与一类伸缩矩阵A相关的小波的明确表达式和正交小波包的构造。 本文是按如下方式组织的。第一章说明了本文所讨论的伸缩矩阵类包含许多非平凡的例子；第二章给出了与本文所讨论的伸缩矩阵A相关的小波的构造；第叁章给出了相应的正交小波包的构造；在注记里，我们未加证明地说明了前面所给的小波和小波包的构造适用于更大的一类伸缩矩阵，并提出目前尚未解决的问题。
谢涛[2]2011年在《基于（多）小波（包）、神经网络及优化的模拟电路故障诊断研究》文中指出模拟电路故障诊断的研究是电路测试领域中极具挑战性的前沿和热点研究课题。由于模拟电路响应的连续性、非线性和元器件参数的容差等固有的特点以及模拟电路故障的多样性复杂性,使得传统的故障诊断理论和方法在实际的的应用诊断中难以达到预期的效果。随着现代化电子技术的飞速发展,网络规模和结构日趋功能化和模块化,研究如何运用现代诊断技术快速、准确、有效地诊断模拟电路故障成为实际工程迫切需要解决的课题,也是模拟电路故障诊断理论和方法走向实际应用的关键步骤。小波理论的出现和发展,神经网络理论和方法的日益成熟,利用小波进行故障信号的分析和处理以及用神经网络来进行故障诊断,已成为热门的研究课题,大量的研究成果表明,它们为模拟电路的故障诊断提供了新的途径。本文以神经网络、小波(包)分析、多小波变换、遗传算法、粒子群算法、信号处理等理论为基础,深入研究了模拟电路的故障特征提取和故障诊断方法,本文的研究工作主要体现在以下几个方面：(1)阐述了神经网络和小波变换、小波包以及多小波变换理论,对常用的BP神经网络进行了详细的阐述,针对BP算法的不足讨论了几种改进BP算法；对小波理论领域的新兴的研究热点—多小波变换进行了探讨。(2)在分析和阐述神经网络、(多)小波(包)变换各自理论的基础上研究了两者的结合—(多)小波(包)神经网络在模拟电路故障诊断中的应用；比较深入地研究了紧致型小波神经网络和多小波神经网络的结构、学习算法及逼近性质。(3)对模拟电路故障诊断的关键步骤—故障特征向量的提取进行了详细的讨论和研究,文中研究了四种用于故障特征向量提取的方法—小波提取、最优小波包提取和主成分分析提取和多小波变换提取,通过诊断实例对四种方法各自的优缺点进行了分析和研究。(4)对神经网络的参数优化方法进行了研究。基于传统神经网络的模拟电路故障诊断方法普遍存在网络收敛慢、易限于局部最优等缺陷。本文分别研究了将遗传算法、粒子群算法优化神经网络的结构和参数,与传统的普通神经网络相比较,这些方法给出的神经网络的学习既包括网络权值的修正,也包括神经网络其它一些参数的调整。通过各自的诊断实例表明通过优化后的神经网络在故障诊断准确率和诊断速度方面有了进一步的提高。(5)从信号的高阶累积量角度和数据融合的观点出发,研究了基于信号的峭度、偏度特征提取结合信息融合的模拟电路故障诊断方法,并通过诊断实例验证了该方法的高效性和可行性。(6)为增强论文的实用性,给出了紧致型小波神经网络、遗传小波神经网络和粒子群小波神经网络进行模拟电路故障诊断的MATLAB仿真源代码程序,已在作者的仿真平台上运行通过。
陈长万[3]2009年在《基于小波包能量和神经网络的结构损伤识别法研究》文中提出随着交通运输事业的发展,我国已修建了大量的桥梁,但值得注意的是,随着时间的推移,损伤桥梁的数量和桥梁损伤的程度都会增加。对于一些重要桥梁,随着运营时间的增长,其强度、刚度等性能必然下降,旧桥的实际承载能力是否满足需要,新建桥梁的质量是否达到设计标准,诸如此类的问题使得桥梁结构的损伤检测变得至关重要。在桥梁结构损伤识别中,基于动力测量的结构损伤识别方法越来越成熟。但是大多数基于动力测量的方法都必须测力,而测力给实际运用带来一定的麻烦。本文致力于寻求一种在钢筋混凝土结构上基于动力的不测力检测方法。论文研究了小波包能量以及小波包能量在神经网络中的运用,从而识别出损伤的位置和损伤的程度。通过有限元分析,证明了小波包能量能够准确地判断损伤的位置和程度。在实验室浇筑5.3m钢筋混凝土简支T梁,通过分级加载得到不同损伤情况。利用自制的恒量冲击装置,拾取不同损伤状态下的加速度信号。通过加速度信号的小波包能量变化率指标可以准确地判断钢筋混凝土结构出现损伤的位置。用加速度信号的小波包能量分布向量指标作为输入样本,损伤程度作为输出样本,建立起RBF网络,可以准确地判断损伤的程度。实现了先判断损伤位置,后判断损伤程度的两步识别法,大大减少了神经网络所需的样本。本文证实了不测力情况下的小波包能量用于钢筋混凝土结构损伤识别的有效性,为今后研究新的钢筋混凝土结构损伤识别方法提供了理论及试验依据。
魏恒东[4]2007年在《图像纹理识别的小波方法》文中指出随着计算机处理性能的提高和实际应用的需要，人们对数字图像处理的要求越来越高．图像纹理识别是图像分析的重要内容，提高纹理图像的识别率具有很高的实用价值。小波分析是一门新的应用数学学科，本文对图像纹理识别小波方法进行研究，得到了一系列结果。全文共分四章，每章的主要内容如下：第一章简述本文所用小波分析的一些基础知识以及图像纹理识别的发展和研究现状，讨论小波分析在图像纹理识别中的应用方法，提出应用多小波进行纹理识别的必要性。第二章研究纹理识别的几种方法，通过对这些方法的对比分析，说明选择适当小波基函数是小波应用的关键所在。第叁章研究纹理识别中最优小波基的选取原则。最优小波基的选择是小波理论及其应用的重要课题，研究表明对于图像纹理识别，小波基的对称性、正交性和紧支性与小波的处理能力之间有密切的联系，说明应用同时具有正交性、对称性和紧支性的小波能得到较高的识别率。第四章从多小波的正交性、逼近性出发，介绍多小波的相关性质。由于多小波的处理会产生一定的混迭效应，介绍了消除这种影响的平衡多小波和多小波预处理方法。由于采集设备和环境的差异，所得到的同一幅图像往往具有不同的旋转角和伸缩变换。本章提出了旋转、伸缩不变图像纹理识别的小波方法，把图像处理中常用的对数极坐标方法用于具有伸缩、旋转变换的纹理图像，得到具有行平移的图像，给出了消除行平移的多小波小波包算法以消除行平移的影响，有效地提取纹理图像的能量特征进行识别。实验表明多小波纹理识别算法由于小波基同时具有正交性、对称性、紧支性等性质，所得识别率高于其它方法。
王浩[5]2012年在《基于小波包分析的短期负荷预测研究》文中研究说明随着现代社会的快速发展,我国人民的生活质量在不断提高,在人民日常生活和国民经济建设中电能已经成为不可取代的重要能源。持续发展的国民经济,促使用电需求量飞速增长,从而导致了电力行业的发展十分迅速。电力系统短期负荷预测是电力系统经济运行和系统安全稳定运行的重要组成部分,一直以来都是电力系统中研究的重要课题。随着电力用户的复杂多样化,用户对电能质量的要求也越来越高,短期负荷预测被要求有更快的预测速度和更高的预测精度。小波分析是近年来发展十分迅速的一种时频分析工具,用于分析既含有周期分量又含有随机分量的电力负荷数据有其独特的优势,各种基于小波分析的短期负荷预测法应运而生。本文研究了基于小波包变换的综合短期负荷预测算法,采用小波包变换对负荷数据进行分解,将负荷序列分解之后,本文应用了传统BP神经网络和马尔科夫链分别进行建模预测,通过MATLAB编程对实例仿真验证,表明这两种方法都具有一定的可行性。通过研究认识到峰式马尔科夫链优于传统马尔科夫链,进而首次将其应用于电力系统短期负荷预测中,本文提出了一种改进的预测算法,即基于小波包和峰式马尔科夫链的短期负荷预测算法。使用MATLAB编程对同一实例进行了仿真,并对比预测结果,改进算法的预测精度有较大提高,验证了本文所提出的短期负荷预测算法是正确有效的。
李东敏[6]2008年在《基于多小波包和人工神经网络的电力系统故障类型识别研究》文中提出随着电力系统的发展,输电线路的电压等级越来越高,输电距离也越来越长,它们对电力系统的安全稳定运行具有举足轻重的作用。在我国高压输电系统中广泛采用单相重合闸,准确有效的选相元件是高压输电线路发挥自动重合闸功能的重要前提,同时当发生故障时准确地选择出故障相对确保继电保护的正确动作具有重要的意义。本文首次研究和提出了基于多小波包理论的电力系统故障类型识别的新方法,旨在研究多小波和多小波包理论在电力系统故障诊断与继电保护方面的可行性,也致力于尝试解决故障识别的问题。多小波可以同时具有对称性、正交性、短支撑性、高阶消失矩性质,这是传统小波所无法比拟的。本文系统地阐述了多小波和多小波包的基本理论,分析了电力系统故障识别的研究现状和多小波包的应用现状,并指出存在的问题。通过建立了—500 kV输电线路的PSCAD/EMTDC仿真模型,用来产生不同工况下的各种输电线路短路信号。多小波包具有比传统小波包更优良的性质,能够从故障信号中提取到更丰富和更精细的信息,因此本文将多小波包引入电力系统故障识别的应用中,提出了基于多小波包能量特征量和人工神经网络的电力系统故障类型识别方法。先对故障电流信号进行适当的多小波包分解,并计算各频带能量,然后构造多小波包特征向量,并以此向量作为训练样本对BP神经网络进行训练,实现故障类型的识别。由于输电线路故障信号的频带能量提取仅对整个频带进行统计,而没考虑信号的时变性,因此,为进一步表征信号在某个时间段的能量大小,文中尝试采用提取故障信号的多小波包时频局部能量来进行故障识别。信息熵是对系统不确定性程度的描述,熵在电力系统中的应用研究已取得了一定的成果。本文考虑到对故障信号进行多小波包分解后得到多小波包分解系数序列矩阵,是多小波包分解对信号的一种划分。把多小波包变换后的系数矩阵处理成一个概率分布序列,它反映了这个信号分布的稀疏程度,同时根据信息熵的基本理论,将多小波包分解系数概率分布序列与信息熵相结合定义多小波包系数熵。在此基础上提出基于多小波包系数熵和人工神经网络的电力系统故障类型识别方法。先对采集到的故障电流信号进行适当的多小波包分解,并计算各频带的系数熵,然后构造多小波包特征向量,并以此向量作为训练样本对RBF神经网络进行训练,实现故障类型的识别。经过大量的仿真试验,验证了基于多小波包和人工神经网络的电力系统故障类型识别方法有效可行,优于基于传统小波包和人工神经网络的方法,且该方法不易受系统各种不同工况的影响。
张克军[7]2007年在《遥感图像特征提取方法研究》文中研究表明遥感图像在军事侦察、精确打击以及民用方面都有重要的作用，遥感图像的特征提取是进行遥感图像自动识别的关键技术，因此开展遥感图像的特征提取研究工作具有实际意义和应用前景。本文主要研究和讨论了遥感图像的两类最重要的特征——光谱特征和纹理特征的特征提取方法。 论文首先总结了遥感图像特征提取方法的基本理论和算法，概括了目前常用的光谱和纹理特征提取方法。在此基础上，针对传统的PCA和KPCA方法提取遥感图像光谱特征的缺陷以及遥感数据的特点，本文讨论了一种将基于Mahalanobis距离的模糊c-均值聚类与KPCA方法相结合的多光谱遥感图像特征提取方法，并着重研究了此方法在多光谱遥感图像特征提取中的理论、算法及其实现。通过对本文方法与PCA和KPCA方法的试验结果进行比较，证实了本文方法的特征提取性能较前两种方法有显着的提高，可有效地提取多光谱图像中的非线性信息。 纹理特征作为光谱特征的重要补充，是遥感图像的一个基本且重要的特征。在总结小波和小波包基本理论及其快速算法的基础上，对应用小波包变换进行遥感图像的纹理特征提取技术进行了研究。根据图像纹理信息能量主要集中于中高频这一特点，利用图像的小波包分解得到的中高频子带构造了遥感图像的纹理特征向量，并给出了两种纹理之间的相似性的度量方法。通过对Brodatz标准纹理库进行图像检索试验，检验了本文所构造的纹理特征向量和纹理相似度的有效性。在此基础上，应用本文方法对开罗城区的IKONOS卫星遥感图像进行特征提取试验，取得了良好的提取效果。
邵长海[8]2011年在《基于小波包能量—神经网络的四角锥网架损伤检测方法研究》文中认为随着中国经济高速增长与科技迅速发展,基础设施建设在国民生产中所占比重愈来愈大,许多大跨度空间结构、大型水工结构和核电站等不断出现,结构朝着大型化、复杂化趋势发展,其使用周期一般都长达数百年。网架结构作为空间结构较为常用的结构形式广泛应用于土木工程领域,由于在服役期间受外界荷载等因素的影响,网架结构构件必然出现疲劳积累、抗力衰减和材料老化等问题,致使结构在使用期间出现损伤和结构性能下降,当损伤累积到一定程度就可能导致结构整体破坏,所以网架结构的安全性引起人们的高度重视。针对网架结构安全性问题,对其进行必要的检测和诊断,已经成为目前面临解决的问题和未来课题的研究方向。结构健康检测是土木工程领域研究的前沿方向,而结构损伤检测则是健康检测的基础和重点内容。因此,鉴于网架结构的重要性,防止因结构倒塌而产生的事故,避免重大安全事故和经济损失,对网架结构进行检测和诊断是十分必要的。概况起来,本文主要取得的研究成果和结论如下：1)利用有限元软件ANSYS对钢悬臂梁结构模型进行数值模拟分析。首先采用瞬态激励法提取节点加速度信号,构造损伤参数(小波包能量变化率)。然后选取小波包函数,对损伤参数进行小波包变换,最后进行结构损伤位置和损伤程度识别。为保证数值模拟数据的准确性,本文在实验室条件下对钢悬臂梁足尺模型进行动力模态测试,将实测实验数据与数值模拟结果进行比对,验证数值模拟的准确性。2)由于在实际检测中,网架动力测试所得有用信号都会受到噪声的污染。现役网架由于边界条件较为复杂,质量、阻尼较大,激励响应不充分等,降低动测信号质量。本文应用小波阈值和MATLAB软件相结合的方法进行信号消噪的模拟研究。3)运用有限元ANSYS软件对正放四角锥网架结构进行损伤分析。应用单点瞬态激励进行未损伤结构和损伤结构的数值模拟,选取最优激励区域位置。提取网架各测点加速度信号,构造小波包节点能量变化率作为损伤指标。应用基于小波包和神经网络的网架结构两重损伤识别法。首先,将杆件损伤引起的小波包节点能量变化率进行损伤位置识别；其次,将已识别出的损伤杆件引起的小波包节点能量变化率输入RBF神经网络,进行损伤程度评估。运用两重损伤识别法进行结构损伤识别,降低一次性网络输入样本的数量和计算量,缩短训练时间,提高网络识别的精度。
鄢海舟[9]2017年在《发电机组辅机设备振动噪音数据压缩算法研究及应用》文中认为发电机组辅机设备监测诊断是保证整个机组正常运行的重要条件。提取辅机设备数据中的信息对电厂的管理、机组的可靠性与安全性都有重要意义。由于全天不间断以高采样频率对辅机设备数据进行采样,如何不损失数据中的信息以最小代价存储传输数据成为一个亟待解决的问题。目前已有很多算法对电能质量及故障录波数据进行压缩,但电厂辅机设备数据压缩问题却处于起步阶段。本文在总结借鉴现有电力系统数据压缩算法的基础上,针对辅机设备数据的特点将现有算法进行适当改进与应用。本文对辅机设备数据分别从无损压缩、去噪、有损压缩叁方面进行分析,所提出的方法取得了良好的效果,仿真测试验证了方法的有效性。首先,本文使用无损压缩算法进行压缩。文中采用傅里叶变换找出信号的基频分量,将基频分量作为预测量,然后对信号的残差进行无损编码。对残差编码使用的是本文改进的LZW算法,该算法利用字典长度对前缀进行映射编码,在原算法的基础上去除了冗余,提高了压缩性能。改进算法压缩残差能获得比数据的熵更低的良好效果。仿真测试表明了算法的有效性。其次,本文考虑到信号含有一定的噪声,文中使用了小波变换对信号进行去噪,同时存储小波域系数达到压缩的目的。在对信号去噪时,本文提出了一个更光滑的阈值函数,该函数相对软阈值更有利于保留信号的高频细节,相对硬阈值函数有利于减少震荡。仿真测试表明了算法的有效性。最后,文中使用小波包对信号进行有损压缩。考虑到电力系统数据周期性的特点,本文将原信号重组为二维信号进行压缩。使用小波包分别对原信号和重组信号进行压缩,结果表明原信号重组后压缩性能更优。文中还使用SVD算法对重组信号进行压缩,并提出了一种SVD与小波包结合的压缩方法,该方法重组SVD变换后的酉矩阵,并对它进行控制误差压缩。仿真测试表明SVD算法相对小波包算法能取得更大的压缩比,但相应的重构误差有所提升。本文提出的SVD与小波包结合的方法在SVD算法的基础上能以很小的重构误差代价获取很大的压缩比。
胡怡然[10]2013年在《基于数据驱动的桥梁健康监测数据预处理》文中提出桥梁健康监测技术的发展伴随着传感器技术、通信技术、计算机技术的迅猛发展而日趋成熟，并形成了比较完善的体系。其中桥梁健康监测系统前端采集的海量数据是评估桥梁健康状况的前提和基础，然而在桥梁健康监测的理论研究中，研究方向更多的集中在传感器的最优布设，传感网络的架构设计以及桥梁结构安全评估的算法研究等，忽略了海量数据的预处理，很可能导致“垃圾进垃圾出”的诊断结果。因此桥梁健康监测数据预处理至关重要。本文的研究围绕桥梁健康监测数据预处理展开，重点包括数据除噪及数据故障诊断，综合小波分析、小波包分解和主元分析，建立了一个故障诊断模型，该模型包含叁个算法，分别是改进的小波阈值除噪算法，基于小波包能量曲率差的故障检测算法和基于主元分析的故障诊断算法。叁个算法的相互配合完成了桥梁健康监测的预处理工作。本文主要工作包括以下几个方面：第一，研究桥梁健康监测中数据预处理的重要性以及在数据预处理中所采用的方法，并对其进行纵向、横向对比，突出数据驱动方法的重要性。第二，探讨了所采用的基本理论，包括小波分析原理、小波包分析原理、小波包能量曲率计算原理、主元分析原理。第叁，提出了一种改进的小波阈值除噪算法，并对该算法进行计算机仿真。该算法与本文的故障检测算法相互配合，既可以有效的去除噪声，还可以保留故障信息的奇异性。第四，设计了一种数据驱动的故障诊断模型，该模型结合本文提出的改进的小波阈值除噪算法，利用小波包能量曲率差和主元分析法相结合的算法，对海量数据进行故障检测并诊断故障发生的传感器以及相对故障程度。第五，对设计的模型进行了实地数据仿真实验，利用马桑溪大桥的挠度数据进行Matlab仿真。通过理论研究和仿真实验结果表明，本文提出的基于数据驱动的数据故障诊断模型具有较高的精度，为后期对故障信息进补偿或修复以及桥梁健康诊断等工作提供重要支撑。
参考文献：
[1]. 一类伸缩矩阵的小波和小波包[D]. 廉巧芳. 北京工业大学. 2001
[2]. 基于（多）小波（包）、神经网络及优化的模拟电路故障诊断研究[D]. 谢涛. 湖南大学. 2011
[3]. 基于小波包能量和神经网络的结构损伤识别法研究[D]. 陈长万. 重庆交通大学. 2009
[4]. 图像纹理识别的小波方法[D]. 魏恒东. 西安建筑科技大学. 2007
[5]. 基于小波包分析的短期负荷预测研究[D]. 王浩. 南京理工大学. 2012
[6]. 基于多小波包和人工神经网络的电力系统故障类型识别研究[D]. 李东敏. 西南交通大学. 2008
[7]. 遥感图像特征提取方法研究[D]. 张克军. 西北工业大学. 2007
[8]. 基于小波包能量—神经网络的四角锥网架损伤检测方法研究[D]. 邵长海. 河北科技大学. 2011
[9]. 发电机组辅机设备振动噪音数据压缩算法研究及应用[D]. 鄢海舟. 华南理工大学. 2017
[10]. 基于数据驱动的桥梁健康监测数据预处理[D]. 胡怡然. 重庆交通大学. 2013