一、基于小波包变换的交通事件检测（论文文献综述）
陈亚彬[1]（2021）在《加速度和位移双谱匹配地震动选取及合成方法研究》文中研究说明地震动是结构动力响应分析的重要数据基础,选取具有代表性的地震动可以科学地揭示结构在地震作用下的破坏机理及评估其抗震水平。因此,科学合理的地震动选取理论和方法一直是地震工程和土木工程领域研究的热点问题之一,新一代基于性态和韧性的抗震设计对设计地震动的确定提出了更高要求。尽管各国现行抗震设计规范给出了可供参考的地震动选取规则,但由于地震动的强随机性且对结构的破坏形式复杂,对于如何选取既能体现目标抗震水平又能充分考虑地震动随机性的典型地震动尚存在争议。传统方法通常采用增加地震动数量的方式提高地震动选取方法的可靠性,但当结构模型规模较大或者结构进入高度非线性响应等问题时将显着增加计算量。为克服传统方法的不足,本文提出了一种新型的地震动选取方法,该方法同时以加速度和位移设计谱为目标谱,从实际地震动中选取可同时匹配两种设计谱的记录,并基于加速度小波方法对所选地震动进行修正以提高地震动反应谱与设计谱的匹配水平,最后,在以上两种方法基础上提出一种新的地震动强度向量,并设计新型的地震动抽样方法,研究地震动数量对结构抗震性态评估的影响。本文主要包括以下几个方面的研究内容:（1）地震动数据处理是地震动选取工作中需要解决的关键问题之一。高通滤波截止频率是地震动数据处理的重要参数,其值的选取对长周期位移谱的影响却非常显着,因此可能导致结构非线性响应估计偏差。为了得到更可靠地震动位移谱,本文提出了一种新的高通滤波截止频率确定方法:采用地震动P波到达之前的瞬态位移平均值和结束时刻的位移作为标定参数,并通过地震动峰值位移（PGD）做规准化处理,采用基于曲率的角点检测方法得到滤波后位移时程和PGD不显着变化的临界值,确定地震动的高通滤波截止频率。最后与前人提出的方法进行比较,分析了滤波截止频率对非弹性位移谱和等延性强度折减系数谱的影响。（2）长周期位移谱可以更直观地反映地震动的低频能量,地震动选取时提高位移谱匹配可以降低地震动低频能量的离散性,降低结构响应估计离散性。尽管地震动选取时长周期加速度反应谱的变异系数较小,然而其长周期位移谱离散性却十分显着。为了选取与目标加速度和位移谱谱型匹配的地震动,本文提出了基于非支配序多目标优化算法选取地震动。该方法首先采用基于平稳分布马尔科夫链的抽样方法得到匹配长周期位移谱的初始种群;其次,基于多元正态分布方法得到短周期加速度模拟谱,通过加速度谱匹配方法快速进化种群,得到匹配两个目标谱的地震动。最后,对比分析考虑长周期位移谱匹配与仅考虑加速度匹配地震动选取方法对框架结构（RCF）最大响应估计的影响。（3）结构抗倒塌估计是基于性态抗震设计的重要内容,仅考虑谱型匹配的传统地震动选取方法需要较多的地震动可以得到可靠的结果,因此计算量较大。考虑目标谱谱型匹配的地震动选取方法可以反映地震动的幅频特性,但并不能反应地震动持时特性,那么,匹配设计谱选取有限数量地震动得到的结构抗倒塌估计计算结果可能不可靠。本文采用匹配设计谱的合成地震动分析地震持时与结构抗倒塌估计的相关性,通过匹配设计谱的地震动研究与结构抗倒塌估计相关的地震动参数,提出一种新的地震动强度向量,并在此基础上,设计一种考虑持时和双谱匹配的地震动选取方法。分析地震动数量对6个RCF结构抗倒塌估计的影响,给出合理估计结构抗倒塌估计的地震动数量。（4）基于天然地震动的合成方法是时程分析过程中天然地震动数量不足或计算结果离散性较大时的有效方法,它既可以研究谱匹配水平对结构响应估计的影响,也可以研究地震动参数对结构响应估计的影响。但是当地震动长周期位移谱与位移设计谱偏差较大时,传统合成方法得到的地震动位移时程可能出现基线偏移。为此,本文采用多分辨率的小波包变换方法分析地震动各频率成分的反应谱特性,重新调整地震动成分,并采用遗传算法得到各频率成分的系数,线性叠加得到与目标设计谱匹配的合成地震动。最后,对比分析与设计谱匹配的天然地震动和合成地震动对RCF结构最大层间位移比、残余位移比和抗倒塌估计等计算结果的影响。
张春健[2]（2021）在《非侵入式家居电器负荷识别方法研究及应用》文中提出随着经济社会的发展,能源供给的压力越来越大,针对这一问题可通过开源和节流两个方面来解决。其中开源指的是扩张电力系统,节流指的是改善电力的使用方式,如电力需求侧管理。同时智能电网是当前发展的方向,非侵入式负荷识别又是智能电网的关键技术之一。为了建立用户与电网的双向互动,实现需求侧响应的目标,需要对家用电器负荷进行监测。由于非侵入式负荷识别具有安装及维护简单、成本低、应用性高、隐私性强等特点,具有较好的社会经济效益,现在已成为该领域研究的重点方向。本文首先阐述了非侵入式负荷识别研究的背景与意义,接着详细介绍了该方向当前国内外研究现状及现有方法存在的问题,然后说明了非侵入式负荷识别的技术路线。最后从非侵入式负荷识别关键技术中的数据采集、特征提取和负荷识别三个方面展开深入研究并加以应用。本文以常用的家居电器负荷为研究对象,通过各种电器的投切来模拟日常情况下家居电器负荷的实际使用情况。设计开发了一套以AD7606采样芯片为核心的实验室采集装置现场采集入户处的电压和总电流数据并生成了常用家居电器负荷特征库。从家居电器负荷的稳态电流分析出发,提出一种基于小波包能量特征和改进BP神经网络的识别方法,对稳态电流信号进行小波包分解,同时提取信号的高频和低频特征,充分利用了稳态电流含有的信息,引入小波包能量特征,相对于小波变换来说,充分利用了采集信号中的高频特征,使负荷特征更为准确。并利用改进的BP神经网络进行训练、测试。证明该方法具有较好的先进性、可靠性和稳定性。从需求侧管理出发,针对采集到的大量居民用户的信息加以分析应用。首先采用模糊聚类算法（FCM）对用户非侵入式负荷监测数据进行聚类分析,提取设备使用特征,然后以决策树模型来实现用户特征与设备特征的联系,并采用深度优先搜索进行决策树预剪枝,排除不符合实际情况的决策树节点,确定典型用户。实验结果表明,本方法可以更有效地反映各类用户的需求响应潜力,从而为电力需求侧管理提供更有针对性的指导依据。从工程实用性和经济性角度出发,提出一种基于边缘计算的非侵入式负荷识别工程应用方案,本方案主要由智能识别终端、云服务器和主站软件平台三部分组成。数据处理单元是边缘计算的核心。智能识别终端完成数据的采集、计量以及负荷识别等工作后,通过4G模块与云服务器来建立通信。主站软件平台电当家通过MQTT通讯规约与云服务器建立联系,可以对云服务器上的数据进行更加深入地挖掘应用。主站软件平台可以用来展示负荷识别结果、耗能信息、安全预警等,同时在某些特定情况下对硬件节点发出控制命令。
白志强[3]（2021）在《基于多源生理信息融合的精神状态研究》文中提出随着脑机接口技术和人工智能算法的发展,基于脑电信号的人体精神状态研究成为世界范围内的热点研究问题之一。人体的精神状态会对工作效率、精神专注度和决策能力产生直接的影响,在一些特殊岗位和重要领域,由于不佳的精神状态导致的失误将会引发不可挽回的严重后果。为了避免这种失误的发生,近年来以脑电信号为主,辅以生物电信号的多源信息融合的精神状态识别成为热点研究方向。该模式利用多源信息之间的互补性取得了一定成效,但仍然存在着如下问题:采集到的信号包含了大量不易去除的噪声干扰和分类算法识别率较低等问题。针对上述问题,研究了基于脑电和心电信号的人体精神状态评估系统。1、对脑电和心电数据预处理及特征提取进行了研究。使用切比雪夫陷波器和中值滤波器分别去除工频干扰和基线漂移。针对脑电信号中的眼电伪迹,使用变分模态分解VMD算法在半模拟的脑电污染模型上进行了去噪效果实验,证明了方法的可行性。使用小波包变换重构数据预处理后的各脑电节律波,同时计算各节律波段的功率谱和表征信号复杂度的微分熵作为脑电特征。心电信号特征提取方面,使用基于状态机的RST检测算法定位QRS波群中的R波,其他波形利用其和R波的相对位置进行定位,将心电各个波形的数学统计量、心率、心率变异性和HRV高低频作为心电信号的特征指标。2、对精神疲劳识别领域的分类算法进行了研究,提出了一种DBN-GA-BPLM算法。该算法使用深度信念网络DBN对特征层的多源生理特征进行数据融合,将高维特征向量映射到低维空间使其能直接作为分类器的输入特征向量。分类器以传统BP神经网络为基础,使用遗传算法对其初始参数和阈值进行优化,使每次训练的初始化参数不变。在神经网络训练速度方面,使用LM算法来加快算法的学习过程。实验结果表明,该方法在第一次训练时训练速度较慢,但其疲劳状态识别准确率为90.8%,优于大部分分类器的分类效果。3、对情绪分类算法进行了研究,提出了一种DBN-SVM算法对三分类情绪进行识别。该算法使用深度信念网络DBN对特征层的多源生理特征进行数据,使用二级SVM作为分类器对情绪分类。实验结果表明,该方法的情绪分类准确率为87.5%,分类效果比较理想。
王举国[4]（2021）在《钢筋混凝土梁受弯破坏过程的声发射能量特性分析》文中研究指明混凝土结构在服役过程中出现的轻微损伤通常不易察觉,如不能及时发现和控制,损伤累积将不可避免地对工程结构造成潜在危险。声发射技术是一种可靠且实用的无损检测方法,能捕捉混凝土结构内部损伤信号,在结构损伤评估和安全评价方面有着广泛的应用。混凝土结构内部损伤的出现伴随着能量的释放,而波的传播表现出能量的传递,信号采集则体现了能量的再现。相对于其他声发射参数而言,声发射信号能量对传播特性不敏感,能够有效地反映结构损伤中能量的释放。本文通过钢筋混凝土梁四点弯曲试验,探究了梁体受弯破坏过程中声发射信号的能量特性,进一步明确了钢筋混凝土梁的破坏规律。论文的主要研究工作和成果有:（1）根据损伤结果和裂缝开展现象,结合信号释能率和声发射累积能量曲线,将梁体破坏过程划分为弹性、微裂纹萌发、宏观裂纹出现以及破坏四个阶段。（2）基于分形理论对不同荷载等级下的梁体表面裂纹进行了定量描述。将分形维数与声发射累积能量进行对比发现,声发射累积能量与梁体表面裂纹分形维数具有很好的相关性,当梁体表面出现宏观裂纹时,声发射累积能量大约占最终破坏时累积能量的1/10。（3）通过声发射能量分析,确定了能量密度及最大值分布可作为梁体内部裂纹扩展状态及梁损毁情况的判据。当声发射能量值接近800mV·ms时,梁体将发生主要破裂,使梁体进入破坏阶段。（4）对声发射波形信号进行了 FFT和小波包变换分析,得出钢筋混凝土梁受载破坏过程声发射信号虽然在频域上分布较广,但绝大多数能量集中分布在0～282kHz,随着加载的进行,声发射信号能量分布从中低频向中高频过渡演变。
曹晓龙[5]（2021）在《基于监测数据时频域特征统计分析的桥梁安全预警研究》文中研究表明为了保证桥梁的安全性,实时掌握桥梁的健康状况,避免发生突发事故,世界上许多桥梁都应用了健康监测系统,但针对其采集到的数据应用基于时频域特征统计分析的手段去进行安全预警的研究却很少。因此讨论基于监测数据时频域特征统计分析的报警手段对整个桥梁健康监测系统的发展具有重要指导作用。本文基于监测数据时频域特征统计分析的手段对桥梁的安全预警方法进行了研究,主要研究内容和成果如下:（1）针对采集到的实际加速度数据,应用MATLAB程序编写时间序列ARMA模型对其进行建模,之后分析所建模型的稳定性以及所提取预警指标的损伤敏感性。结果显示:不同监测数据模型参数受环境等干扰因素影响较小,当损伤产生时,模型参数会产生一定的波动,损伤模拟工况也验证了参数对于损伤的敏感性。因此应用前三阶参数来构建安全预警的特征指标,并且根据数值模拟给出相应的安全预警流程,最后针对实际数据分析,验证了此方法的有效性。（2）梳理了应用于监测数据的相似性衡量办法和数据变换理论,基于振动数据的变换来构建原始数列的特征展示,并用距离函数的指标来衡量相似性,具体有欧式距离、相关系数等参数。进一步将桥梁在不同损伤情况下移动荷载产生的响应用数值进行模拟,应用上述特征指标对其损伤工况进行安全预警,以此来说明应用距离函数指标的有效性和准确性。（3）总结了基于小波包分析构建的能量谱指标的安全预警办法,应用MATLAB编写了基于能量谱的安全预警程序;进一步建立数值模型来验证能量谱预警指标的预警效果,结果说明所构建的指标具有良好的应用效果。（4）根据结构的预警特点,提出了基于监测数据时频域特征统计分析的桥梁多指标预警体系概念的初步设计,并且将其预警等级依据指标阈值的设置划分为不同的层次,以实现针对不同程度损伤的预警目的。
范家铭[6]（2020）在《基于PHM技术的高铁车载通信装备健康监测智能分析理论与方法的研究》文中研究指明伴随着我国“一带一路”战略铺展开来,高铁已成为我国新“四大名片”之一,其知名度和重要性不亚于古老中国的“四大发明”。截止2019年末,中国已投入运营的高速铁路里程数达到3.5万公里,稳居世界首位。道路千万条,安全第一条,安全性是高铁飞速发展的基石。对关键零部件的健康状态监测,尤为重要。PHM（Prognostics and Health Management）技术可以对高铁在途运行设备进行状态感知、健康监控,并对故障的发生做出预测,从而降低安全风险。本文利用故障预测与健康管理的技术手段,以数据无损压缩技术、数据传输加密技术、故障特征提取方法、信号去噪技术、关键参数优化方法和神经网络方法为理论基础,建立基于PHM技术的高铁车载通信装备健康监测智能分析方法,实现了关键零部件的故障定位及预测。该方法虽然实现了故障快速定位和精准预测,但通常需要高性能计算机来支撑数据的计算和分析,所以本文将高铁运行数据进行实时无损压缩并加密后,通过铁路无线通信网络将数据回传至地面分析服务器,以其高性能计算能力快速、准确地进行故障定位和预测,有效地解决了高铁车载设备不具备高性能计算能力而无法实时处理数据的问题。地面分析服务器对数据进行解密和特征分析高效快捷,利用神经网络算法使故障识别和故障预测的精度及效率都得以保障,为保障高速铁路安全运营提供了重要的技术手段。本文提出的方法已在兰州铁路局项目中得到了应用,并在实际应用中不同程度的降低了运维成本和故障不可复现率,体现出PHM技术在故障诊断和故障预测研究方面的意义和价值。本文的主要研究成果如下:（1）针对高速铁路的安全运行问题,结合了故障预测与健康管理技术理论,提出了一种基于动车组PHM体系架构。该架构对高铁车载通信装备进行了PHM技术理论分析、故障诊断技术分析、预测技术分析、应用分析等技术进行论述,并基于故障预测与健康管理技术为理论基础提出了动车组故障预测与健康管理体系框架,对高铁车载通信装备的健康状态监测和故障预测方面提供重要理论指导。（2）高铁车载装备的网络资源有限,无法满足对监测的车载装备运行信息实时传输至地面服务器,为此提出了一种无损压缩技术与加密技术联合算法。该算法利用铁路既有无线网络基础在低带宽下实现实时传输高铁车载通信装备运行数据,以供地面服务器实时分析车载装备的健康状况和故障预测。该算法以行程长度无损压缩算法为基础进行了改进以降低数据的压缩比率,同时融入Logistic混沌理论和RSA加密算法以及Logistic置乱加密算法,减少网络传输时所占用的网络带宽,提高了网络传输的安全性,为进一步分析设备的健康状态和故障诊断及预测提供基础性保障。（3）故障诊断通常需要对故障特征进行提取并分析,去除数据中混杂的噪声。该部分对接收到的车载装备运行信息展开深入研究,针对高铁车载通信装备在运行中因场强信号而导致的故障问题,提出了一种基于PHM技术的高铁车载通信装备的故障诊断方法。该方法以双树复小波包变换为基础进行算法改进,同时结合了自适应噪声的完备经验模态分解来进行故障噪声的降噪与特征提取,然后利用无监督学习中的密度聚类方法进行自适应改进,并将提取出的特征类型进行特征分类,最后将分类结果输入到极限学习机中进行训练。实验验证了提出的故障诊断方法具有较强的特征提取能力、快速识别故障能力以及高精度的识别率,为设备的故障预测提供良好的支撑。（4）深入分析高铁车载通信装备的实际运行工况中,针对高铁车载通信装备故障发生率较高的原因是由于电池失效导致高铁车载通信装备无法正常工作的问题,提出了一种HA-FOSELM电池失效预测方法。该方法为了降低噪声对预测带来的影响,采用变分模态分解方法进行去噪处理,同时使用含有遗忘机制的在线序列极限学习机算法对去噪后的数据进行学习和训练,该算法支持数据的动态增量更新。为了提高算法的识别精度和降低关键参数对该算法的影响,引入了混合灰狼优化算法对HA-FOSELM方法的关键参数进行自适应优化,同时融合注意力机制,从而有效地提高了预测精度。通过实验验证,本文提出的方法在性能、效率、精度等方面都优于传统的神经网络算法,有效地降低了因电池故障导致列车行驶安全的问题。
曹会阳[7]（2020）在《能馈供电装置故障诊断技术研究》文中研究说明随着我国城市轨道交通行业的飞速发展,拥有节能及双向变流等功能的能馈供电装置得到了日益广泛的应用。本文针对能馈供电装置开关管开路故障进行研究,设计并实现了相应的故障诊断系统,最后对其诊断效果进行了验证,具体完成工作如下:首先,对能馈供电装置开路故障进行了仿真建模与分析。在介绍能馈供电装置与PWM整流器拓扑结构的基础上,在Matlab中分别搭建了能馈供电装置整流工况与逆变工况的仿真模型,针对其开关管开路故障的故障特征进行了分类研究,并基于此进行了仿真实验与分析,给出了其正常运行及四类故障状态的典型波形。其次,对开路故障特征值的提取进行了研究。采用了小波包分解法来提取能馈供电装置三相电流的故障特征,通过对比研究选用了db4小波对故障信号进行了三层小波包分解,并选取了小波包范数熵来提取故障特征值。再次,通过遗传算法优化神经网络实现了开路故障诊断。本文对遗传算法与神经网络进行研究,在确定了BP神经网络结构的基础上,采取遗传算法优化神经网络的权值阈值来提升神经网络训练性能,基于此实现了对能馈供电装置开关管开路故障的故障诊断,并通过仿真验证了优化后神经网络的诊断效果。最后,设计实现了能馈供电装置故障诊断系统,并对其性能进行了验证。该系统基于Labview环境搭建,主要包括小波包分解模块、BP神经网络故障诊断模块以及界面显示模块。并通过在能馈供电装置仿真中取得的大量故障数据,测试了该系统故障诊断的准确率,测试结果表明该系统诊断性能良好。
朱宁宁[8]（2020）在《基于小波包变换和形态成分分析的癫痫棘波检测》文中研究指明癫痫是因脑神经元异常放电引起的反复痫性发作而导致的一种短暂性脑功能失调综合征。由于大脑神经元异常放电的部位不同对患者造成的危害也不同,可能会损害患者的神经、认知功能也可能会引发其意识、情绪障碍。患者在癫痫发作时脑电信号中通常出现棘波、尖波、棘慢复合波、尖慢复合波等异常波形,而由于棘波具有幅度大、时限短、电位呈现垂直上升和下降等较明显的瞬态特征,使得在癫痫异常波形中棘波的检测更有临床诊断价值。本文主要采用小波包变换和形态成分分析两种算法对癫痫患者脑电棘波波形进行了检测并对两种算法的检测效果进行了分析和对比。具体研究内容如下:（1）基于小波包变换的癫痫脑电棘波检测癫痫发作检测要求脑电信号在特定的时间段或频率段有尽可能高的频率或时间分辨率,同时也要求具有较高的棘波检出率。因此本文首先将小波包分解与棘波物理特征（如幅度和频率等）相结合以更好的检测癫痫病人的脑电棘波。具体方法是首先基于小波包变换对癫痫脑电波频率（0-30Hz）进行三层小波包分解;其次根据脑电波的频率范围重构第三层节点频率S（3,0）（0-10.85Hz）、S（3,1）（10.85Hz-21.7Hz）和S（3,2）（21.7Hz-32.55Hz）的脑电信号;最后取棘波的幅度作为检测阈值分别提取癫痫病人在健康期、癫痫发作间期及癫痫发作期的棘波。实验结果表明,当选用的数据采样频率为173.61Hz、信号长度为23.6s时,利用小波包变换和棘波物理特征相结合的算法不仅能够提取不同癫痫病人在不同时期的多种棘波信号（如正相棘波、负相棘波和双向棘波等）,而且该算法的检测准确率在87%以上,其中棘波误检率为12%,棘波漏检率为12.3%。（2）基于形态成分分析的癫痫脑电棘波检测形态成分分析（Morphological component analysis,MCA）的理论基础是假设每一个癫痫脑电信号都可表示成若干个具有不同形态成分的线性组合,并为每一个形态成分找到一个仅能对其进行稀疏表示的冗余字典。本文把采集到的脑电信号视为棘波信号和背景信号两部分的混合,并分别选取DIRAC字典、DCT、LDCT字典对其进行稀疏表示,然后采用匹配追踪算法获取该稀疏表示使其达到较好的检测效果。实验结果表明,当选用DIRAC作为提取癫痫患者脑电的棘波信号字典,DCT作为提取癫痫患者脑电的背景信号字典时,癫痫棘波的提取误检率为11.18%,提取漏检率为8.93%;当选用DIRAC作为提取癫痫患者脑电的棘波信号字典,LDCT作为提取癫痫患者脑电的背景信号字典时,癫痫棘波的提取漏检率为11.08%,整体棘波的提取漏检率为6.01%。可见,基于形态成分分析的癫痫脑电棘波检测算法优于基于小波包变换与棘波物理特征相结合的癫痫脑电棘波检测算法。
李晓壮[9]（2020）在《基于声发射技术的预制箱梁吊装阶段开裂分析》文中提出随着中国高速铁路的建设不断发展,预制箱梁凭借其技术经济的综合优势在高速铁路中大量应用。调研发现,预制箱梁在吊装过程中,有时会出现开裂现象,这种开裂对其安全性和长期耐久性有很不利的影响。但是由于吊装裂纹的宽度较小,且部分微裂纹在吊装结束后自行闭合,所以不易被发现。本论文基于声发射技术对预制箱梁吊装过程中的开裂问题进行了系统研究,主要工作和结论如下:（1）开展了针对预制箱梁吊装前后开裂情况的调查,对开裂位置和开裂程度进行了统计分析,阐释了预制箱梁在吊装过程中裂纹的主要分布位置及开裂规律。（2）建立了预制箱梁吊装过程的有限元计算模型,对不同工况下的箱梁受力状态进行了数值分析。研究分析不同工况下吊装孔附近部位的应力及损伤分布情况,指出了吊装过程中出现开裂的危险区域。（3）基于有限元计算结果,研究确定了声发射传感器布置方案。完成了16片预制箱梁吊装过程的声发射试验,详细记录了试验过程中由于梁体损伤而产生的声发射信号与应变信号;根据试验现象将构件的开裂过程划分为四个阶段,并建立了混凝土的应变与四个阶段的声发射信号间的对应关系。（4）分析了声发射信号的特征参数,建立了声发射各参数与箱梁梁体各个损伤阶段之间的定性及定量的关系;采用矩形平面定位法对声发射信号源进行定位,并通过与试验中实际产生的裂缝相比较,证实该方法合理可行。（5）编制程序对声发射信号时域波形进行了快速傅里叶变换和小波包变换,通过对变换结果的分析,得到了信号的幅频特性及频带的能量分布规律,并建立了这些参数与梁体损伤之间的相关性。（6）运用关联维数法判断声发射时间序列是否存在混沌特性,结果表明大型钢筋混凝土结构损伤过程中产生的声发射信号是具有混沌特性的,并且可以利用关联维数来表征结构损伤的变化发展。
王辉[10]（2020）在《单通道脑电信号的困倦检测方法研究》文中研究说明随着现代生活节奏的逐步加快,由于困倦引发的安全问题已越来越多。在困倦的状态下,大脑会出现警戒性降低、反应迟钝、易出错等问题,这会影响我们的正常生活,甚至会给我们的生命财产安全造成很大的危害。目前,在困倦检测的研究中,脑电信号是最常用的生理指标之一,因为脑电信号的某些特征会随着人体困倦而发生变化。国内外研究人员针对脑电信号的分析方法进行了深入研究,得到了相关的研究结果,为脑电信号的困倦检测研究奠定了基础。本文将MIT的Sleep EDF数据库的20名健康受试者的脑电数据作为困倦检测分析的研究对象,根据困倦前后脑电信号的变化特点,进行脑电信号的困倦检测方法研究,对脑电信号进行了特征提取和分类识别,提出了一种有效的困倦检测方法,以改进和开发用于困倦检测的新技术。本文的主要内容包括以下三个方面:1、用于困倦检测的传统频带脑电信号的功率谱分析。依据睡眠专家对Sleep EDF数据库的脑电数据的标记,对原始脑电信号使用haar小波包分解,提取5个传统频带的脑电信号（δ、θ、α、β和γ）,提出了 3个基于功率谱的的新指标,分析了不同指标进行困倦检测所需要的CPU时间,通过与现有的4个指标的对比,结果显示本文提出的3个新指标在清醒-睡眠转折时刻前后具有更加显着的差异,且新提出的方法具有更快的运算速度。2、用于困倦检测的传统频带脑电信号的方差特征分析。对原始脑电信号进行haar小波包分解,并使用分解后的小波包系数集重构5个传统频带的脑电信号,然后计算了 5个传统频带的脑电信号在每个周期中的方差,分析了 5个传统频带的脑电信号的方差在清醒-睡眠转折时刻前后的差异,根据分析结果,基于传统频带脑电信号的方差特征提出了 3个用于困倦检测的新指标。本文所提出的3个新指标的困倦检测效果优于传统频带,准确率最高可达95.65%。同时,在警觉性检测方面,本文所提出的3个新指标也同样具有较好的检测结果。3、提出基于支持向量机的改进遗传算法,用于计算困倦检测的最优频带。首先使用支持向量机对受试者的困倦状态进行识别,然后使用改进的遗传算法计算分类准确率最高的频带,最后使用留一法交叉验证评估分类器的分类性能。结果表明,5个传统频带中,γ频带的分类准确率最高,为80.94%,而新提出的频带Rhythm（Ⅲ）（44.042969-47.753906 Hz）的分类准确率为89.46%。新频带的分类效果比传统频带更好。
二、基于小波包变换的交通事件检测（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、基于小波包变换的交通事件检测（论文提纲范文）
（1）加速度和位移双谱匹配地震动选取及合成方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 地震动选取方法国内外研究现状 |
| 1.2.1 基于地震信息的地震动选取方法 |
| 1.2.2 基于谱型匹配的地震动选取 |
| 1.2.3 基于地震动强度指标的地震动选取 |
| 1.2.4 基于性态抗震设计的地震动选取及调幅方法 |
| 1.3 地震动选取方法研究中的关键问题 |
| 1.3.1 地震动数据处理 |
| 1.3.2 地震动选取中的反应谱谱型匹配 |
| 1.3.3 地震动选取对地震动合成的影响 |
| 1.3.4 结构高度非线性响应分析中的地震动选取 |
| 1.3.5 基于性态抗震设计地震动选取方法的关键问题总述 |
| 1.4 课题来源 |
| 1.5 本文主要研究内容 |
| 第2章 地震动高通滤波截止频率的定量确定 |
| 2.1 引言 |
| 2.2 本文采用的地震动数据 |
| 2.2.1 地震动数据库来源 |
| 2.2.2 地震动数据统计分析 |
| 2.3 截止频率的重要性 |
| 2.3.1 截止频率定量方法简介 |
| 2.3.2 截止频率对地震动数据的影响 |
| 2.4 截止频率的定量方法 |
| 2.4.1 低频噪声模拟及定量参数 |
| 2.4.2 截止频率自动算法 |
| 2.4.3 地震动滤波基线校正前处理 |
| 2.4.4 与传统定量方法的计算结果对比 |
| 2.5 截止频率对非弹性反应谱的影响分析 |
| 2.5.1 非弹性反应谱 |
| 2.5.2 截止频率定量方法对非弹性位移谱的影响 |
| 2.5.3 截止频率定量方法对等延性强度折减系数谱的影响 |
| 2.6 本章小结 |
| 第3章 匹配加速度和位移双谱的地震动选取方法 |
| 3.1 引言 |
| 3.2 双谱匹配的必要性及步骤 |
| 3.2.1 规范设计谱的有效周期 |
| 3.2.2 加速度与位移设计谱的相容性 |
| 3.2.3 匹配双目标谱的地震动选取步骤 |
| 3.3 基于多元正态分布模拟谱的PMDS方法 |
| 3.3.1 MCMC抽样选取初始种群 |
| 3.3.2 被动匹配子目标谱 |
| 3.3.3 多元正态分布模拟谱谱型匹配的种群进化 |
| 3.4 PMDS方法的有效性验证 |
| 3.4.1 目标谱及初始地震动种群选取 |
| 3.4.2 非支配排序选取父代种群 |
| 3.4.3 多元正态分布模拟谱匹配进化种群 |
| 3.4.4 与REXEL-DISP v 1.2选取结果对比 |
| 3.5 PMDS方法在结构抗震性能估计中的应用 |
| 3.5.1 基于PMDS方法选取地震动 |
| 3.5.2 基于贪婪算法选取地震动 |
| 3.5.3 地震动选取方法对抗震性能估计的影响 |
| 3.6 本章小结 |
| 第4章 考虑地震持时的双谱匹配地震动选取方法 |
| 4.1 引言 |
| 4.2 场地危险性分析与地震动选取 |
| 4.3 抗倒塌估计与地震动参数相关性分析 |
| 4.3.1 有限元模型选取与参数设计 |
| 4.3.2 结构抗倒塌估计计算方法 |
| 4.3.3 地震动参数与抗倒塌估计的相关性 |
| 4.4 基于谱位移和地震持时的分层抽样方法 |
| 4.4.1 新型地震动强度向量与样本筛选 |
| 4.4.2 分层抽样方法 |
| 4.4.3 分层抽样在结构响应估计中的应用 |
| 4.4.4 分层抽样在结构抗倒塌估计中的应用 |
| 4.5 地震动选取方法对分层抽样结果的影响 |
| 4.5.1 地震动选取方法对有效样本的影响 |
| 4.5.2 地震动选取方法对抗倒塌估计的影响 |
| 4.6 基于双谱匹配的地震动选取数量研究 |
| 4.6.1 每层抽样数量对结构抗倒塌估计的影响 |
| 4.6.2 分层数量对结构抗倒塌估计的影响 |
| 4.7 基于双谱匹配选取方法结构抗震性态评估中的应用 |
| 4.8 本章小结 |
| 第5章 匹配加速度和位移谱的地震动合成方法 |
| 5.1 引言 |
| 5.2 加速度小波地震动合成方法的改进 |
| 5.2.1 目标反应谱选取 |
| 5.2.2 基于加速度小波合成地震动方法 |
| 5.2.3 谱型匹配对地震动合成的影响及其改进 |
| 5.3 小波包变换方法 |
| 5.3.1 小波包变换理论 |
| 5.3.2 小波包分解 |
| 5.3.3 小波包重构 |
| 5.4 基于小波包变换遗传算法的地震动合成方法 |
| 5.4.1 地震动合成原理 |
| 5.4.2 地震动合成步骤 |
| 5.4.3 单目标谱匹配地震动合成 |
| 5.4.4 双目标谱匹配地震动合成 |
| 5.5 谱匹配水平对结构抗震性能估计的影响 |
| 5.5.1 双谱匹配地震动选取及其合成 |
| 5.5.2 结构抗震性能估计对比 |
| 5.6 本章小结 |
| 结论 |
| 参考文献 |
| 附录A 匹配TDSI目标谱的地震动信息 |
| 附录B 匹配双目标谱的地震动信息 |
| 附录C 建筑结构配筋图 |
| 附录D 建筑结构信息 |
| 攻读博士学位期间发表的论文及其它成果 |
| 致谢 |
| 个人简历 |
（2）非侵入式家居电器负荷识别方法研究及应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 选题背景与意义 |
| 1.2 国内外研究现状 |
| 1.3 本文的主要工作 |
| 第2章 家居电器负荷事件检测与负荷特征库 |
| 2.1 非侵入式负荷识别的基本原理与技术路线 |
| 2.2 基于滑动窗的双边CUSUM事件检测方法 |
| 2.3 家居电器负荷特征库的建立 |
| 2.3.1 数据采集装置总体概述 |
| 2.3.2 硬件模块 |
| 2.3.3 软件模块 |
| 2.3.4 家居电器负荷特征库 |
| 2.4 小结 |
| 第3章 基于小波包能量特征和改进BP神经网络的负荷识别方法 |
| 3.1 引言 |
| 3.2 小波包变换 |
| 3.2.1 基本原理 |
| 3.2.2 小波包变换的分解与重构 |
| 3.2.3 小波包能量特征提取 |
| 3.2.4 实例分析 |
| 3.3 GRU-BP神经网络识别模型 |
| 3.3.1 GRU-BP神经网络的构建 |
| 3.3.2 神经网络的训练与测试 |
| 3.4 性能评价 |
| 3.5 小结 |
| 第4章 基于典型用户的非侵入式负荷识别应用 |
| 4.1 引言 |
| 4.2 基于FCM算法的负荷聚类分析 |
| 4.3 基于负荷用电特征的典型用户建立 |
| 4.3.1 决策树算法原理 |
| 4.3.2 生成伪用户决策树 |
| 4.3.3 典型用户的确立 |
| 4.4 算例分析 |
| 4.5 小结 |
| 第5章 基于边缘计算的工程应用方案设计 |
| 5.1 引言 |
| 5.2 需求分析 |
| 5.2.1 功能需求 |
| 5.2.2 性能需求 |
| 5.3 工程应用方案设计 |
| 5.3.1 方案总体框架 |
| 5.3.2 智能识别终端设计 |
| 5.3.3 云服务器 |
| 5.3.4 主站软件平台 |
| 5.4 小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文目录 |
| 学位论文评阅及答辩情况表 |
（3）基于多源生理信息融合的精神状态研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1.引言 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 疲劳识别研究现状 |
| 1.2.2 情感分类研究现状 |
| 1.3 论文内容安排 |
| 2.数据采集系统的硬件平台 |
| 2.1 生理信号简介 |
| 2.1.1 脑电信号 |
| 2.1.2 心电信号 |
| 2.2 生理信号数据采集平台 |
| 2.3 本章小结 |
| 3.数据预处理与特征提取 |
| 3.1 脑电信号预处理 |
| 3.1.1 工频干扰的滤除 |
| 3.1.2 基线漂移的滤除 |
| 3.1.3 眼电伪迹的滤除 |
| 3.2 心电信号预处理 |
| 3.2.1 工频干扰和基线漂移的滤除 |
| 3.2.2 高频肌电伪迹的滤除 |
| 3.3 脑电信号特征提取 |
| 3.3.1 时域特征提取 |
| 3.3.2 频域特征提取 |
| 3.3.3 时频域特征提取 |
| 3.3.4 复杂度特征提取 |
| 3.4 心电信号特征提取 |
| 3.4.1 基于状态机的RST检测算法 |
| 3.4.2 心电特征选取 |
| 3.5 本章小结 |
| 4.多源生理信息融合及精神状态识别算法 |
| 4.1 多源生理信息数据融合 |
| 4.2 深度信念网络 |
| 4.2.1 受限玻尔兹曼机RBM |
| 4.2.2 对比散度学习算法 |
| 4.2.3 深度信念网络训练过程 |
| 4.3 疲劳识别算法 |
| 4.3.1 疲劳基础概念 |
| 4.3.2 BP神经网络算法 |
| 4.3.3 改进算法DBN-GA-BPLM |
| 4.4 情感识别算法 |
| 4.4.1 情感基础概念 |
| 4.4.2 支持向量机 |
| 4.4.3 基于支持向量机的DBN-SVM算法 |
| 4.5 本章小结 |
| 5.实验验证 |
| 5.1 精神状态实验设计 |
| 5.1.1 疲劳诱发实验 |
| 5.1.2 情绪诱发实验 |
| 5.2 数据集数据验证 |
| 5.2.1 基于GA-BPLM的疲劳状态识别结果 |
| 5.2.2 基于DBN-SVM的情绪状态分类结果 |
| 6.总结与展望 |
| 6.1 全文总结 |
| 6.2 工作不足及展望 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及所取得的研究成果 |
| 致谢 |
（4）钢筋混凝土梁受弯破坏过程的声发射能量特性分析（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 声发射技术发展历程 |
| 1.2.2 声发射技术在混凝土结构领域研究现状 |
| 1.2.3 声发射信号处理方法研究现状 |
| 1.3 本文的主要工作 |
| 1.3.1 研究内容 |
| 1.3.2 技术路线 |
| 第2章 声发射技术相关基本理论 |
| 2.1 声发射检测技术理论基础 |
| 2.1.1 声发射的来源 |
| 2.1.2 声发射波的传播特征 |
| 2.1.3 声发射检测的基本原理 |
| 2.2 声发射信号处理方法 |
| 2.2.1 声发射信号参数介绍 |
| 2.2.2 声发射参数分析 |
| 2.2.3 声发射波形分析 |
| 2.3 傅里叶变换分析 |
| 2.3.1 离散傅里叶变换 |
| 2.3.2 快速傅里叶变换 |
| 2.4 小波分析 |
| 2.4.1 一维连续小波变换 |
| 2.4.2 离散小波变换 |
| 2.4.3 多分辨率分析 |
| 2.4.4 小波包分析 |
| 2.4.5 常用小波函数及其性质 |
| 2.5 本章小结 |
| 第3章 钢筋混凝土梁受载声发射试验 |
| 3.1 声发射检测系统 |
| 3.1.1 声发射信号分析仪 |
| 3.1.2 声发射检测时间参数的确定 |
| 3.1.3 声发射检测门槛的确定 |
| 3.1.4 传感器安装及声速标定 |
| 3.2 试验准备 |
| 3.2.1 试验试件 |
| 3.2.2 加载设备 |
| 3.2.3 加载方案 |
| 3.3 试验结果及分析 |
| 3.3.1 梁体破坏过程 |
| 3.3.2 梁体表面裂纹分形特征 |
| 3.4 本章小结 |
| 第4章 试验过程声发射能量参数及其特性 |
| 4.1 声发射能量参数分析 |
| 4.1.1 基于声发射能量、累积能量的破坏阶段划分 |
| 4.1.2 累积声发射能量与裂纹分形维数演化趋势 |
| 4.2 声发射能量分布分析 |
| 4.3 声发射能量关联分析 |
| 4.3.1 能量—持续时间分析 |
| 4.3.2 能量—幅值分析 |
| 4.4 本章小结 |
| 第5章试验过程声发射信号频带能量特征 |
| 5.1 破坏过程声发射信号时域分析 |
| 5.2 破坏过程声发射信号频谱分析 |
| 5.3 小波包变换及频带能量特征分析 |
| 5.3.1 小波包分解频带的划分 |
| 5.3.2 小波包分量能量计算方法 |
| 5.3.3 梁破坏过程声发射信号频带能量变化规律 |
| 5.4 本章小结 |
| 第6章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
（5）基于监测数据时频域特征统计分析的桥梁安全预警研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 桥梁安全预警研究现状 |
| 1.2.1 桥梁安全预警研究进展 |
| 1.2.2 桥梁安全预警目前存在的主要问题 |
| 1.3 本文主要研究内容 |
| 2 基于时间序列分析模型的桥梁安全预警 |
| 2.1 引言 |
| 2.2 时间序列分析模型理论 |
| 2.2.1 常用时间序列模型的介绍及选用 |
| 2.2.2 时间序列分析模型的建立流程 |
| 2.2.3 时间序列分析模型的建模算例 |
| 2.3 监测数据时间序列分析ARMA模型的建立 |
| 2.3.1 长期监测加速度数据的ARMA模型建立 |
| 2.3.2 桥梁安全预警指标的构造 |
| 2.4 基于ARMA分析模型的桥梁安全预警 |
| 2.4.1 基于ARMA分析模型的系统运动模型 |
| 2.4.2 不同监测数据的时间序列分析模型比对 |
| 2.4.3 桥梁安全预警指标的敏感性分析 |
| 2.4.4 桥梁安全整体预警方法的研究 |
| 2.5 本章小结 |
| 3 基于三分之一倍频程谱分析的桥梁安全预警 |
| 3.1 引言 |
| 3.2 监测序列相似性衡量 |
| 3.2.1 时间序列分析相似性的定义 |
| 3.2.2 监测序列相似性衡量方法的介绍 |
| 3.3 监测数据域变换处理 |
| 3.3.1 监测数据域变换处理手段 |
| 3.3.2 基于域变换特征显示监测序列相似性距离度量指标 |
| 3.4 基于域变换特征显示序列相似度距离函数安全预警 |
| 3.4.1 数值模型及损伤工况的设置 |
| 3.4.2 距离函数指标安全预警效果 |
| 3.5 本章小结 |
| 4 基于小波包分析理论的桥梁结构安全预警 |
| 4.1 引言 |
| 4.2 小波包分析理论 |
| 4.2.1 传统的小波分析 |
| 4.2.2 小波包分析的定义 |
| 4.2.3 小波包分析预警原理 |
| 4.3 小波包参数介绍 |
| 4.3.1 常用小波基及其性质 |
| 4.3.2 最优小波基和分解层次的选择 |
| 4.4 基于小波包能量的桥梁安全预警 |
| 4.4.1 小波包能量的构造 |
| 4.4.2 基于小波包能量的预警指标 |
| 4.4.3 损伤预警指标的预警效果 |
| 4.5 本章小结 |
| 5 桥梁结构安全预警体系概念的初步设计 |
| 5.1 引言 |
| 5.2 桥梁结构预警的特点及预警体系概念初步设计 |
| 5.2.1 桥梁结构安全监测预警体系的特点 |
| 5.2.2 桥梁结构安全监测预警体系的指标选用 |
| 5.2.3 桥梁结构安全监测预警体系的阈值设置原则 |
| 5.2.4 桥梁结构安全监测预警体系的预警流程 |
| 5.3 桥梁安全预警阈值的分析与设置 |
| 5.3.1 固定预警阈值的分析与设置 |
| 5.3.2 动态预警阈值的分析与设置 |
| 5.4 本章小结 |
| 6 结论与展望 |
| 6.1 本文主要结论 |
| 6.2 对未来研究的展望 |
| 参考文献 |
| 攻读硕士学位期间发表学术论文情况 |
| 致谢 |
（6）基于PHM技术的高铁车载通信装备健康监测智能分析理论与方法的研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 目前存在的问题 |
| 1.4 主要研究内容和创新点 |
| 1.5 论文组织结构 |
| 2 关键技术及相关工作 |
| 2.1 引言 |
| 2.2 机车综合无线通信设备工作原理 |
| 2.3 压缩算法 |
| 2.3.1 无损压缩技术 |
| 2.3.2 有损压缩技术 |
| 2.4 加密算法 |
| 2.5 特征提取方法 |
| 2.6 PHM技术 |
| 2.6.1 PHM系统体系结构 |
| 2.6.2 动车组PHM体系结构 |
| 2.6.3 动车组PHM技术架构 |
| 2.6.4 动车组PHM系统功能和目标 |
| 2.6.5 动车组PHM诊断技术 |
| 2.6.6 动车组PHM预测技术 |
| 2.7 小结 |
| 3 基于无损数据压缩及加密联合算法的研究 |
| 3.1 问题提出 |
| 3.2 相关研究 |
| 3.3 SRLE无损压缩算法 |
| 3.3.1 SRLE压缩处理 |
| 3.3.2 SRLE解压处理 |
| 3.4 混合加密算法 |
| 3.4.1 Logistic混沌加密算法 |
| 3.4.2 RSA加密算法 |
| 3.4.3 压缩加密联合算法 |
| 3.5 实验与结论 |
| 3.5.1 压缩性能分析 |
| 3.5.2 安全性能分析 |
| 3.5.3 复杂度及效率分析 |
| 3.6 小结 |
| 4 基于PHM技术的高铁车载通信装备故障诊断 |
| 4.1 问题提出 |
| 4.2 相关研究 |
| 4.3 基于高铁机车综合通信设备中故障诊断的研究 |
| 4.3.1 实验数据集 |
| 4.3.2 特征提取 |
| 4.3.3 无监督聚类 |
| 4.3.4 极限学习机故障识别模型 |
| 4.4 实验与结论 |
| 4.4.1 仿真实验验证 |
| 4.4.2 实测数据集实验验证 |
| 4.5 小结 |
| 5 基于PHM技术的高铁车载通信装备健康状态评估预测 |
| 5.1 问题提出 |
| 5.2 相关研究 |
| 5.3 基于锂电池的剩余使用寿命预测与健康状态监测 |
| 5.3.1 实验数据集 |
| 5.3.2 健康状况和健康指标 |
| 5.3.3 降噪处理 |
| 5.3.4 关键参数优化 |
| 5.3.5 注意力机制 |
| 5.3.6 遗忘机制的在线序列极限学习机 |
| 5.4 实验与结论 |
| 5.4.1 算法训练过程 |
| 5.4.2 在线监测部分 |
| 5.4.3 剩余使用寿命预测部分 |
| 5.5 小结 |
| 6 总结及展望 |
| 6.1 研究总结 |
| 6.2 未来展望 |
| 参考文献 |
| 作者简历及攻读博士学位期间取得的研究成果 |
| 学位论文数据集 |
（7）能馈供电装置故障诊断技术研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 引言 |
| 1.1 研究背景及意义 |
| 1.2 能馈供电技术概述 |
| 1.3 国内外研究现状 |
| 1.3.1 变流器故障特征量 |
| 1.3.2 变流器故障诊断方法 |
| 1.4 论文主要工作 |
| 2 能馈供电装置故障分析 |
| 2.1 能馈供电装置概况 |
| 2.2 PWM整流器拓扑及原理 |
| 2.3 能馈供电装置仿真建模 |
| 2.3.1 仿真模型搭建 |
| 2.3.2 双闭环控制的实现 |
| 2.4 能馈供电装置故障特征分析 |
| 2.4.1 故障类型分析 |
| 2.4.2 开路故障特征分析 |
| 2.5 本章小结 |
| 3 基于小波包分解的故障特征提取 |
| 3.1 小波变换 |
| 3.2 小波包变换 |
| 3.2.1 小波包变换的定义 |
| 3.2.2 小波包分解与重构算法 |
| 3.3 小波包基函数 |
| 3.3.1 常用的小波包基函数 |
| 3.3.2 小波包基函数的选择 |
| 3.4 常用的小波包熵 |
| 3.5 故障特征量的提取 |
| 3.6 本章小结 |
| 4 算法优化的BP神经网络 |
| 4.1 神经网络基本原理 |
| 4.1.1 神经网络 |
| 4.1.2 BP神经网络 |
| 4.2 基于BP神经网络的故障诊断 |
| 4.2.1 BP神经网络结构 |
| 4.2.2 BP神经网络的实现 |
| 4.2.3 故障特征量的选择 |
| 4.3 遗传算法 |
| 4.3.1 遗传算法原理 |
| 4.3.2 优化神经网络的方式 |
| 4.4 遗传-神经网络的实现 |
| 4.4.1 遗传算法的实现 |
| 4.4.2 学习率的优化选择 |
| 4.4.3 优化神经网络的诊断效果 |
| 4.5 本章小结 |
| 5 故障诊断系统的Labview实现 |
| 5.1 能馈装置及故障诊断系统 |
| 5.1.1 中压能馈装置 |
| 5.1.2 故障诊断系统 |
| 5.2 Labview程序设计 |
| 5.2.1 信号采集程序 |
| 5.2.2 小波包分解程序 |
| 5.2.3 故障诊断程序 |
| 5.2.4 故障诊断界面 |
| 5.3 诊断效果验证 |
| 5.3.1 整流工况 |
| 5.3.2 逆变工况 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 作者简历及攻读硕士学位期间的主要研究成果 |
| 学位论文数据集 |
（8）基于小波包变换和形态成分分析的癫痫棘波检测（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究背景和意义 |
| 1.1.1 课题研究背景 |
| 1.1.2 癫痫脑电信号简介 |
| 1.1.3 脑电图简介 |
| 1.1.4 课题研究意义 |
| 1.2 课题研究现状 |
| 1.2.1 脑电信号特征提取研究现状 |
| 1.2.2 小波包变换的国内外研究现状 |
| 1.2.3 形态成分分析的国内外研究现状 |
| 1.3 论文的主要研究内容 |
| 1.4 论文的组织结构 |
| 第2章 基于小波包变换的癫痫棘波检测 |
| 2.1 棘波检测之小波包变换思想 |
| 2.1.1 多分辨率分析 |
| 2.1.2 信号的小波包分解和重构 |
| 2.1.3 信号去噪 |
| 2.2 棘波检测之小波包变换算法实现 |
| 2.2.1 棘波检测步骤 |
| 2.2.2 基于小波包分解的脑电信号频带划分 |
| 2.2.3 重构特定节点频率的棘波信号 |
| 2.2.4 棘波检测阈值选取 |
| 2.3 棘波检测之实验结果分析 |
| 2.3.1 实验数据描述 |
| 2.3.2 仿真结果及分析 |
| 2.4 本章小结 |
| 第3章 基于形态成分分析的癫痫棘波检测算法 |
| 3.1 棘波检测之形态成分分析要素 |
| 3.1.1 信号之稀疏表示 |
| 3.1.2 匹配追踪 |
| 3.1.3 形态成分分解 |
| 3.1.4 字典的选取 |
| 3.2 棘波检测之算法实现 |
| 3.2.1 棘波检测步骤 |
| 3.3 棘波检测之实验结果分析 |
| 3.3.1 实验数据描述 |
| 3.3.2 基于形态成分分析的不同字典的棘波提取和分析 |
| 3.3.3 两种算法的棘波检测对比分析 |
| 3.4 本章小结 |
| 总结与展望 |
| 论文工作总结 |
| 论文研究展望 |
| 参考文献 |
| 攻读硕士学位期间发表的学术论文及收获 |
| 致谢 |
（9）基于声发射技术的预制箱梁吊装阶段开裂分析（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 课题研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 混凝土及预制箱梁开裂研究现状 |
| 1.3 声发射技术在混凝土结构中研究现状 |
| 1.3.1 国外研究现状 |
| 1.3.2 国内研究现状 |
| 1.4 声发射技术在混凝土结构中研究不足之处 |
| 1.5 本文主要研究内容 |
| 2 预制箱梁吊装裂缝调查分析 |
| 2.1 箱梁概况及移梁工艺 |
| 2.1.1 箱梁基本情况 |
| 2.1.2 移梁工艺简介 |
| 2.2 调查结果统计分析 |
| 2.2.1 箱梁裂缝数量统计分析 |
| 2.2.2 开裂程度统计分析 |
| 2.2.3 不同位置开裂情况分析 |
| 2.3 箱梁吊装设备及工艺 |
| 2.3.1 提梁机概况 |
| 2.3.2 吊梁小车构造及工作原理 |
| 2.3.3 吊装流程 |
| 2.4 本章小节 |
| 3 箱梁吊装过程有限元模拟分析 |
| 3.1 有限元模型建立 |
| 3.1.1 箱梁主要参数简介 |
| 3.1.2 材料本构 |
| 3.1.3 有限元模型 |
| 3.1.4 计算工况 |
| 3.1.5 网格划分 |
| 3.1.6 网格收敛性测试 |
| 3.2 计算结果分析 |
| 3.2.1 应力分析 |
| 3.2.2 损伤分析 |
| 3.3 与现场调研情况对比分析 |
| 3.4 小结 |
| 4 预制箱梁吊装阶段的声发射监测试验 |
| 4.1 监测对象 |
| 4.1.1 构件主要材料及参数 |
| 4.1.2 构件分类 |
| 4.2 试验设备 |
| 4.2.1 声发射信号采集系统 |
| 4.2.2 应变采集系统 |
| 4.2.3 声发射传感器的选择与布置 |
| 4.3 声发射系统参数的确定 |
| 4.3.1 断铅试验确定系统参数 |
| 4.3.2 声发射同步外参数计算方法 |
| 4.4 声发射监测试验及现象分析 |
| 4.4.1 声发射监测试验 |
| 4.4.2 试验现象分析 |
| 4.4.3 吊装过程混凝土应变发展 |
| 4.5 本章小结 |
| 5 声发射信号分析 |
| 5.1 声发射特征参数定义 |
| 5.2 声发射特征参数分析 |
| 5.2.1 累积能量分析 |
| 5.2.2 累积计数分析 |
| 5.2.3 幅值分析 |
| 5.3 开裂损伤源定位分析 |
| 5.3.1 定位分析原理 |
| 5.3.2 损伤点定位分析过程 |
| 5.3.3 损伤点定位结果分析 |
| 5.4 声发射信号波形分析方法 |
| 5.4.1 时域分析 |
| 5.4.2 频谱分析 |
| 5.5 小波变换与小波包变换理论 |
| 5.5.1 小波变换理论 |
| 5.5.2 小波包变换理论 |
| 5.6 基于小波包变换的频带能量特征分析 |
| 5.6.1 小波包变换-频带分解 |
| 5.6.2 重构信号能量计算方法 |
| 5.6.3 频带能量变化规律 |
| 5.6.4 变换结果对比分析 |
| 5.7 声发射时间序列的混沌特性 |
| 5.7.1 混沌时间序列及判别 |
| 5.7.2 声发射混沌特性研究原理 |
| 5.7.3 开裂阶段声发射信号混沌特性 |
| 5.8 本章小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 作者简历及攻读硕士/博士学位期间取得的研究成果 |
| 学位论文数据集 |
（10）单通道脑电信号的困倦检测方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题的研究背景及意义 |
| 1.2 困倦检测的国内外研究现状 |
| 1.2.1 基于眼部状态识别的困倦检测研究现状 |
| 1.2.2 基于心电信号的困倦检测研究现状 |
| 1.2.3 基于脑电信号的困倦检测研究现状 |
| 1.3 本文的主要内容 |
| 第2章 脑电信号的特点及相关分析方法 |
| 2.1 脑电信号特点 |
| 2.2 脑电信号的预处理 |
| 2.2.1 累加平均法 |
| 2.2.2 主成分分析 |
| 2.3 脑电信号的特征提取 |
| 2.3.1 时域分析 |
| 2.3.2 频域分析 |
| 2.3.3 时频分析 |
| 2.4 脑电信号的分类识别 |
| 2.4.1 支持向量机 |
| 2.4.2 遗传算法 |
| 2.4.3 人工神经网络 |
| 2.5 本章小结 |
| 第3章 基于传统频带脑电信号功率谱的困倦检测研究 |
| 3.1 传统频带脑电信号的功率谱特征提取方法 |
| 3.1.1 数据描述 |
| 3.1.2 小波包变换 |
| 3.1.3 功率谱特征提取 |
| 3.2 结果与分析 |
| 3.2.1 数据处理结果 |
| 3.2.2 统计分析 |
| 3.2.3 计算分析 |
| 3.3 本章小结 |
| 第4章 基于传统频带脑电信号方差特征的困倦检测研究 |
| 4.1 传统频带脑电信号的方差特征提取方法 |
| 4.1.1 数据描述 |
| 4.1.2 小波包变换 |
| 4.1.3 特征提取 |
| 4.2 结果与统计分析 |
| 4.2.1 数据处理结果 |
| 4.2.2 统计分析 |
| 4.2.3 讨论 |
| 4.3 本章小结 |
| 第5章 基于GA-SVM的脑电信号困倦检测研究 |
| 5.1 脑电信号新频带优选算法的研究 |
| 5.1.1 数据描述 |
| 5.1.2 小波包变换 |
| 5.1.3 支持向量机 |
| 5.1.4 GA-SVM |
| 5.2 结果与讨论 |
| 5.2.1 数据处理结果 |
| 5.2.2 讨论 |
| 5.3 本章小结 |
| 总结与展望 |
| 参考文献 |
| 攻读学位期间发表的论文、发明专利、参与课题 |
| 致谢 |
| 学位论文评阅及答辩情况表 |
四、基于小波包变换的交通事件检测（论文参考文献）
- [1]加速度和位移双谱匹配地震动选取及合成方法研究[D]. 陈亚彬. 哈尔滨工业大学, 2021
- [2]非侵入式家居电器负荷识别方法研究及应用[D]. 张春健. 山东大学, 2021(12)
- [3]基于多源生理信息融合的精神状态研究[D]. 白志强. 中北大学, 2021(09)
- [4]钢筋混凝土梁受弯破坏过程的声发射能量特性分析[D]. 王举国. 扬州大学, 2021(08)
- [5]基于监测数据时频域特征统计分析的桥梁安全预警研究[D]. 曹晓龙. 大连理工大学, 2021(01)
- [6]基于PHM技术的高铁车载通信装备健康监测智能分析理论与方法的研究[D]. 范家铭. 北京交通大学, 2020
- [7]能馈供电装置故障诊断技术研究[D]. 曹会阳. 北京交通大学, 2020(03)
- [8]基于小波包变换和形态成分分析的癫痫棘波检测[D]. 朱宁宁. 江苏科技大学, 2020(03)
- [9]基于声发射技术的预制箱梁吊装阶段开裂分析[D]. 李晓壮. 北京交通大学, 2020(03)
- [10]单通道脑电信号的困倦检测方法研究[D]. 王辉. 山东大学, 2020(11)