一、Wavelet fractal character of overlapping signal(论文文献综述)
黄芝,刘湘南,赵爽,张仙[1](2020)在《基于地面光谱水稻重金属胁迫监测光谱特征尺度识别》文中研究指明为探究地面高光谱遥感监测不同光谱尺度对水稻重金属胁迫区分度,以不同污染水平地面ASD高光谱数据为基础,通过光谱敏感特征优选确定450~900 nm为水稻重金属胁迫敏感波段,利用DB5小波变换产生的多尺度小波特征系数模拟不同光谱分辨率,结合小波参数的信息熵特征和分形维数特征,对水稻重金属胁迫特征光谱尺度进行识别,通过构建胁迫相关的叶绿素光谱指数MCARI/OSAVI、NDSIR、Depth验证所识别的特征尺度的可靠性和精准性。结果表明:(1)小波分解各尺度细节系数计算出的信息熵在分解的5~7尺度附近不同胁迫水平有明显的特征转折点;(2)随着分解尺度的增加,不同胁迫水平的分维数差异值变小,第5尺度是水稻受不同重金属胁迫8层尺度分解和重构下光谱曲线尺度的最明显的转折点,在尺度5下,光谱曲线的峰谷细节得到更好的反映;(3)研究水稻重金属污染光谱特征尺度既保留光谱信息的主要特征,又最大程度的减少了光谱数据量,不仅提高了水稻重金属污染监测的效率而且为环境监测提供了新的手段。
宋圣霖[2](2020)在《旋转机械故障的全信息融合时频分析技术研究》文中研究表明旋转机械的结构和功能日趋复杂,对机械系统的安全性和稳定性要求也愈加严格,因此旋转机械故障诊断在过程监控领域成为了研究热点。旋转机械发生故障时会产生动态非平稳信号,时频分析技术可以有效得处理非平稳信号,将复杂的机械数据内在信息进行特征提取,相比于频谱分析采用平稳的正弦波分解信号更为先进。振动信号特征提取的质量决定了在线监测系统中诊断方法和预测方法的有效性,旋转机械早期故障信号较为微弱,容易受环境噪声以及其它结构件的干扰,因此故障特征难以进行提取。本文针对单通道信号振动数据不完整、不精确的局限性,基于全信息融合的全矢谱理论,研究时频分析技术在强背景噪声下微弱故障的特征提取,解决了非平稳多通道信号提取故障敏感特征量和数据融合问题。论文主要工作和研究成果如下:(1)研究了基于改进谐波小波和分形的故障诊断算法,采用高斯包络改进的谐波小波对旋转机械信号进行处理,运用G-P关联维数提取微弱故障特征。通过仿真实验验证了算法的有效性,在转子实验台上采集数据,计算得出改进谐波小波处理后的关联维数能够很好的识别出故障,保真性较高,稳定性较好,优于传统的关联维数算法以及谐波小波分形算法。(2)研究了全矢频带熵(FV-FBE)的故障诊断算法,采用短时傅里叶变换(STFT)计算频带熵(FBE),根据FBE最小原则自适应设计双通道信号的带通滤波器带宽和中心频率,对滤波后的双通道信号采用全矢Hilbert包络解调,得到全矢包络谱进行故障诊断。研究表明FV-FBE算法可以减少低频离散噪声成分以及全面提取微弱故障特征。(3)研究了全矢AR谱峭度的故障诊断算法,采用自回归模型(AR)进行轴承信号的预白化处理,保留信号的瞬态冲击和稳态噪声,采用改进谐波小波计算的谱峭度自适应设计带通滤波器,对滤波后的双通道信号采用全矢Hilbert包络解调,得到全矢包络谱进行故障诊断。研究表明全矢AR谱峭度算法可以全面有效的提取轴承的微弱故障,优于传统的谱峭度算法。
马雨佳[3](2019)在《顾及数据源、反演模型与尺度差异的区域MODIS LAI产品校正方法》文中研究说明MODIS LAI产品面向全球,时间分辨率较高,应用较为广泛,但当面向区域应用时会存在明显的低估或高估现象,使其应用效益和使用范围受到一定的限制,因此面向区域性高精度应用时需要利用高空间分辨率数据对其数据精度进行提升处理,然而高空间分辨率数据的低时间分辨率属性并不能满足两者所有时间上的一一对应关系,因此如何利用有限数量的高空间分辨率数据来提炼和量化两种数据之间精度差异的一般性规律显得尤为重要。本研究面向遥感卫星生物参数产品精度提升这一重要科学问题,服务于中低空间分辨率LAI产品应用,借助冠层辐射传输模型利用有限数量的Landsat数据量化MODIS LAI产品反演过程的不确定性,优化产品精度处理流程,提炼不同空间分辨率数据反演结果精度差异的一般性规律,提升无同时相高空间分辨率数据支持下的中低空间分辨率LAI产品使用精度,为完善卫星遥感产品真实性检验流程和普适性应用提供思路。本研究的主要工作与结论如下:(1)Landsat8 OLI与MODIS传感器成像参数存在较大差异,本研究主要考虑两种影像的光谱差异和成像几何差异,借助传感器的点扩散函数特性,利用非对称二维高斯函数对两种影像进行了空间响应的模拟,在保证参数归一化的前提下将30m分辨率的Landsat8 OLI反射率产品转换为480m的反射率产品,该结果与真实反射率数据具有较好的一致性。(2)利用MODIS LAI产品反演算法对480m的Landsat8 OLI反射率产品进行LAI反演,算法由主算法和备用算法两部分构成,主算法主要基于冠层辐射传输的三维辐射传输理论,并利用查找表法对反演结果进行筛选,确定唯一解,如果主算法失败,备用算法(NDVI与LAI的经验模型)启动,计算反演结果,经验证反演精度较高。(3)针对本研究采用“先平均后反演”而产生的尺度效应问题,利用二维小波变换对图像进行分解处理,证明了高频信息与尺度误差之间的相关性,并利用其与分形维数的关系对LAI结果进行相应的尺度差异校正。实验结果证明小波-分形方法对LAI的校正起到良好的效果。
陶维亮,刘艳,王先培,吴琼水[4](2017)在《时频域分形维数分析的光谱信号重叠峰解析算法》文中指出由于光谱谱线存在自然展宽、多普勒展宽、碰撞展宽等,使混合气体中多种成分的吸收光谱信号出现相邻谱峰重叠现象,给混合气体组成成分的定性或定量检测带来较大的困难。现有的方法在获取先验知识、处理精度、运算效率等方面存在不足。提出基于时频域分形维数分析的光谱信号重叠峰解析算法,结合小波的多尺度观测能力和分形的自相似度的度量能力,识别、定位和解析光谱信号中的重叠峰。首先利用小波对具有重叠谱峰的光谱信号进行光谱频率域和尺度域的分析,然后对该时频域的光谱信号在同一光谱频率下的多尺度数据进行自相似性度量和分形计算。逐频率计算后得到光谱信号在频率域的分形维数曲线。该曲线体现了光谱信号在不同尺度的自相似性,其极值位置与光谱信号的各独立峰的位置具有相关性。依据此特性,结合分形曲线的特征参数,最后利用神经网络解析出对应混合气体成分的混叠在一起的各个独立谱峰。该方法利用小波的多分辨率特性,对信号进行不同尺度的精细度量。分形模型则提高了系统解析复杂信号的能力,对重叠程度高的多谱峰重叠信号也有很强的处理能力。借助人工神经网络,实现了整个算法的自动测量。通过实验结果分析,验证了算法的有效性,并讨论影响算法效果的主要因素。
陈华[5](2017)在《基于超声图像特征的HIFU治疗中组织损伤检测方法研究》文中研究指明高强度聚焦超声(HIFU)治疗是一种具有巨大潜力的无创局部治疗新技术,主要适用于治疗组织器官的恶性与良性实体肿瘤。高聚焦的超声波能使肿瘤靶区温度瞬间达到65~100℃,同时结合超声波的空化效应、热效应等综合作用,使靶区组织产生损伤,而周围组织并无明显损伤,受损伤的组织会慢慢地被吸收或瘢痕化。在HIFU治疗过程中,为能实时地监控和评价治疗的效果需对组织损伤进行无损检测。本文以聚焦超声换能器辐照新鲜离体猪肉组织实验为基础,通过B超仪和已配置图像采集卡的计算机采集HIFU辐照前后的超声图像,再对采集到的超声图像进行预处理并提取其特征参量,据此对组织损伤进行检测。主要工作有:1、阐述了 HIFU技术的治疗原理、作用机制和国内外研究背景及现状,并提出了利用超声图像特征参量进行组织损伤检测的可行性。利用图像采集实验系统进行了大量实验,研究了超声图像的预处理方法,包括滤波、颜色空间变换以及图像差值处理。2、采用不同的方法对预处理后的超声图像进行分析,提取了小波分形维、信息熵、条件熵和相关系数这4个特征参量,结合支持向量机研究了各参量检测组织损伤情况及分别对应的组织损伤阈值区间。结果表明:各特征参量在一定程度上都能对组织是否损伤进行辨识,辨识效果具有一定的差异性。3、提出了利用线性判别分析(LDA)与超声图像特征参量相结合的方法进行组织损伤检测。利用线性判别分析对2个特征参量处理后再输入支持向量机,训练完成后对测试样本进行损伤检测,相对于将2个特征参量直接组合并输入支持向量机而言对组织损伤的总辨识率有较明显改善。本文通过对超声图像进行处理,利用其特征参量结合支持向量机研究了 HIFU治疗中组织损伤的检测方法,为HIFU治疗过程监控提出了新的思路。
何珊,梁红梅,蒋劲,肖志怀[6](2017)在《小波分形算法在旋转机械振动信号特征提取中的应用》文中指出为克服传统分形理论不包括信号细节成分的缺陷,提出了一种基于小波分形算法的旋转机械故障特征提取算法.该算法将小波函数和分形维数2种故障诊断方法结合起来,既考虑信号细节成分,也注重其局部与整体的关系.利用转子试验台系统模拟了3种故障工况下的旋转机械振动信号,并分别用传统分形维数算法和所提出的小波分形算法对其进行了特征提取.结果表明,2种算法提取得到的特征均有良好效果,但小波分形算法具有较高的准确性,为准确提取旋转机械振动信号故障特征提供了一种快速有效的新方法.
张瑞[7](2016)在《旋转机械碰摩声发射故障诊断研究》文中认为旋转机械转子与静子之间的碰摩是常见的故障。随着机组向大型化、高参数、高效率发展,机组结构越来越紧凑,动静件之间的间隙设计越来越小,动静部件之间碰摩发生的可能性也随之增大,碰摩一旦发生,将严重影响机组的安全运行。因此对旋转机械碰摩故障进行及时有效的识别和诊断,在保障机组安全稳定运行方面具有重大的现实意义。本文以声发射技术为基础,结合分形理论、小波变换和傅里叶变换,开展了转子系统碰摩故障特征提取的理论和试验研究。研究工作主要内容包括以下几个方面:1.采用了一种基于小波变换的分形分析方法并对碰摩故障进行识别。将声发射碰摩信号分解成不同的频带,计算声发射信号的小波分形维数,然后根据分形维数的变化对碰摩状态进行判别。在转子实验台上分别对无碰摩、轻微碰摩和严重碰摩三种状态下的声发射信号小波分形维数进行分析,并对该方法和传统G-P算法计算出的分形维数进行比较。实验结果表明,该方法能有效判别碰摩的发生,且较G-P算法有更好的故障区分度。2.在旋转机械故障诊断中,声发射信号极易受到噪声的干扰。针对经验模态分解(EMD)易产生模态混叠现象,采用了一种基于经验小波变换(EWT)的消噪和碰摩故障诊断的方法。该方法利用了 EMD和小波变换的优点,通过对傅里叶频谱进行自适应划分,构建小波滤波器组来提取声发射信号所包含的不同固有模态分量,可有效消除模态混叠现象,同时对分量进行Hilbert变换来实现声发射信号的消噪和故障诊断。采用该方法对仿真信号进行加噪声和消噪处理,在同信号源下与基于dB4全阈值消噪、dB4默认软阈值消噪、dB4对高频系数处理消噪和EMD消噪等算法进行比较,并将该方法应用于实际声发射碰摩信号中。实验结果表明:EWT方法的消噪效果优于其他算法,可以有效地分解出信号的固有模态,分解出的模态少,并且不存在难以解释的虚假模态。3.基于傅里叶变换的傅里叶分解(FDM)是一种自适应的信号分解方法。采用了一种基于FDM的旋转机械碰摩故障诊断方法。首先在傅里叶频域内自适应地搜寻最小数目的傅里叶固有频带函数,将非平稳非线性信号分解为若干个傅里叶固有频带函数和一个残余分量,通过解析傅里叶固有频带函数来获得时频能量谱,由信号时频能量谱的变化来判断故障的发生。以转子碰摩声发射信号为研究对象,通过仿真和实验验证该方法的有效性,并与基于经验模态分解的故障分析方法进行比较。实验结果表明:FDM方法可以将非平稳非线性信号进行很好的划分,可以有效地判断旋转机械碰摩故障的发生,并可判断故障发生的时间和演变趋势,且时频分辨率高,不存在端点效应以及模态混叠现象,为旋转机械故障诊断提供了一条新途径。
张镇,段哲民,龙英[8](2016)在《基于小波变换和支持向量机的开关电流电路故障诊断新方法》文中指出针对开关电流(Switched current,SI)电路的故障诊断和定位问题,为进一步提高故障诊断准确率,提出了基于小波变换和粒子群优化(Particle swarm optimization,PSO)支持向量机(Support vector machine,SVM)的开关电流电路故障诊断新方法。该方法首先对节点电流信号进行蒙特卡罗分析,然后通过小波分解计算分形维数,再利用核主元分析(Kernel principal component analysis,KPCA)降低特征值维数,实现最优故障特征的提取。最后通过PSO-SVM完成对各种故障模式的分类。对六阶切比雪夫低通滤波器进行了仿真实验验证,获取了较高的故障诊断准确率,与其他方法进行比较,实验结果显示了本文方法的优越性。
彭超[9](2016)在《BTA深孔钻削过程中钻头磨损状态无传感器监测技术研究》文中研究表明随着先进制造技术的应用,加工过程将会只有少数人或无人参加,更多的制造任务会由自动化设备来完成。而刀具是整个自动化制造系统中最薄弱的环节,因此,要使自动化的加工过程高效稳定地进行,研究和开发加工过程中刀具状态监测技术就显得尤为重要。本文以切削区域处于封闭空间、切削条件极为恶劣的BTA深孔钻削过程为研究对象,针对目前研究中依赖传感器获取数据同时需要外置决策模块的问题,提出了借助数控系统自身丰富的工况信息,从数控系统中提取加工过程中主轴电机的电流信号,基于电流信号特征参数与钻头磨损之间的内在关系,自动识别钻头磨损状态的无传感器监测方案。并对其中的特征参数的提取技术以及基于特征参数的智能识别技术进行了研究。、为了便于信号的离线研究,建立了基于机床数控系统通讯模块的主轴电机电流信号采集系统,通过钻削实验获取了主轴电机电流信号以及钻头的磨损规律信息。分别在时域和频域对主轴电机电流信号进行了处理和分析,研究了电流信号在钻削过程中的变化规律,提取了信号的特征参数并讨论了各特征参数与BTA钻头磨损之间的关系。结果表明,、时域的均值、均方根、峭度、偏度等特征参数与钻头磨损的变化规律表现出了一定的相关性,其中峭度、偏度作为无量纲参数,能够更好地反映信号的本质特征。在频域内,主轴电机电流的功率谱密度的变化也与钻头的磨损规律呈现出相关性。从功率谱中提取的频带能量及频率重心等特征参数也能一定程度地表征钻头的磨损规律。针对主轴电流信号成分较为复杂,且局部与整体之间具有一定相似性的特点,采用小波分形方法,研究了信号中不同频率分量的分形特征。为了描述在不同尺度下各分量内部及各分量之间的自相似性,分别提取了小波分形盒维数和小波分维数来进行表征,并研究了其与钻头磨损之间的相关关系。结果表明,主轴电机电流信号的小波分形盒维数从低频带到高频带逐渐增大,说明信号在不同频带具有不同的成分信息。且第一层细节部分的盒维数与钻头磨损呈现出一定的相关性。而主轴电机电流信号的小波分维数特征的变化规律与钻头磨损之间呈现除了很好的反相关关系。其拟合曲线上可以很好地表征信号的三个磨损阶段。针对特生下参数样本数较小的特点,采用相关向量机(RVM)分类模型对钻头磨损状态进行识别,研究了核函数以及核参数对于RVM分类模型识别率的影响。在合适的核函数及核参数下,选择信号的峭度、偏度及小波分维数组成特征向量作为训练样本,对相关向量机(RVM)的分类模型进行训练,进而对各磨损状态下的测试样本进行了识别测试。结果表明,RVM分类模型对于深孔加工过程中钻头的磨损状态识别准确率高,且具有很好的泛化能力,能够满足钻削过程中实时高效识别的工作需求。本文的研究工作为BTA深孔钻头的无传感器监测系统的实现奠定了基础,同时也为刀具识别监测技术的研究提供了新的思路。
周洁[10](2016)在《柴油机曲轴主动再制造特征参数分析方法》文中认为当今可持续发展是人类共同追求的目标,再制造符合可持续发展的要求。对废旧机电产品进行传统的再制造,由于产品的服役时间和服役状态的不确定性,使再制造效率低。为了解决这个问题,我们应该寻找机电产品的主动再制造时域,即克服了传统再制造的缺点,又满足可持续发展。本文在国家自然科学基金重点项目的支持下,主要是在线监测产品服役特征,分析监测得到的反映产品服役特征的特征量,为主动再制造时域抉择提供数据依据。简述了再制造工程及主动再制造的概念及意义,根据主动再制造定义中的时机最佳性、主动性、关键件优先性、可批量性等特征,选取某型号单缸柴油机曲轴作为主动再制造的关键零部件,以曲轴磨损故障作为主动再制造特征。实验与仿真相结合,分析含间隙曲轴连杆机构的动态特性。将实验信号及仿真信号用小波分析,计算信号经过小波分解后各频带相对能量、平均幅值、峰峰值。这些特征值可以准确判断出反映故障的频带,但不能很敏感的反映故障程度。本文用分形学分析信号,同样可以判断故障,但对故障程度反映不灵敏,而小波包与分形学相结合分析信号,可以很敏锐的扑捉反映故障程度的信息。用小波分形技术计算不同磨损状态时信号的特征值,利用BP神经网络对磨损故障状态进行预测。
二、Wavelet fractal character of overlapping signal(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、Wavelet fractal character of overlapping signal(论文提纲范文)
(1)基于地面光谱水稻重金属胁迫监测光谱特征尺度识别(论文提纲范文)
1 材料与方法 |
1.1 研究区概况 |
1.2 数据获取及处理 |
1.3 研究方法 |
1.3.1 小波离散变换 |
1.3.2 小波信息熵 |
1.3.3 小波分形维数 |
1.3.4 特征光谱尺度验证分析 |
2 结果与分析 |
2.1 重金属胁迫敏感光谱波段分析 |
2.2 小波分解细节系数分析 |
2.3 不同光谱尺度小波信息熵分析 |
2.4 不同水稻胁迫水平多尺度分维数分析 |
2.5 水稻重金属胁迫特征尺度验证分析 |
3 讨论 |
(2)旋转机械故障的全信息融合时频分析技术研究(论文提纲范文)
摘要 |
Abstract |
1 绪论 |
1.1 课题来源 |
1.2 旋转机械故障诊断的研究意义 |
1.3 时频分析技术研究现状 |
1.4 同源信息融合研究现状 |
1.4.1 全息谱技术 |
1.4.2 全频谱技术 |
1.4.3 全矢谱技术 |
1.5 本文的研究目的和意义 |
1.6 主要研究内容和结构安排 |
1.6.1 主要研究内容 |
1.6.2 结构框架 |
2 改进谐波小波和分形及其在故障诊断中的应用 |
2.1 引言 |
2.2 小波变换 |
2.2.1 连续小波变换 |
2.2.2 离散小波变换 |
2.2.3 小波包变换 |
2.3 谐波小波 |
2.3.1 谐波小波变换 |
2.3.2 改进谐波小波变换 |
2.4 分形理论 |
2.4.1 G-P关联维数算法 |
2.4.2 关联维数参数的选择 |
2.5 实验验证 |
2.5.1 仿真实验 |
2.5.2 测试实验 |
2.6 本章小结 |
3 全矢谱理论在故障诊断中的应用 |
3.1 引言 |
3.2 全矢谱理论 |
3.2.1 转子动力学涡动分析 |
3.2.2 全矢谱参数分析 |
3.2.3 全矢谱数值计算方法 |
3.3 全矢谱在故障诊断中的应用 |
3.4 本章小结 |
4 全矢频带熵算法及其在故障诊断中的应用 |
4.1 引言 |
4.2 滚动轴承故障诊断模型 |
4.2.1 滚动轴承故障特征 |
4.2.2 滚动轴承不同部位故障特征 |
4.3 谱峭度 |
4.4 频带熵 |
4.5 全矢频带熵算法 |
4.6 实验验证 |
4.7 本章小结 |
5 全矢AR谱峭度算法及其在故障诊断中的应用 |
5.1 引言 |
5.2 滚动轴承故障模型与随机滑动 |
5.3 AR模型和预白化处理 |
5.3.1 AR模型结构 |
5.3.2 AR模型阶数选择 |
5.3.3 AR模型参数估计 |
5.3.4 预白化处理 |
5.4 全矢AR谱峭度算法 |
5.5 实验验证 |
5.6 本章小结 |
6 结论与展望 |
6.1 结论 |
6.2 关键技术和创新点 |
6.3 展望 |
参考文献 |
致谢 |
个人简历、在校期间发表的学术论文与研究成果 |
(3)顾及数据源、反演模型与尺度差异的区域MODIS LAI产品校正方法(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 |
1.2.1 MODIS LAI产品校验 |
1.2.2 尺度转换 |
1.2.3 尺度效应 |
1.3 研究内容 |
1.4 研究思路与技术路线 |
第2章 研究区概况与数据处理 |
2.1 研究区概况 |
2.2 数据准备 |
2.2.1 Landsat8 OLI数据 |
2.2.2 MODIS数据 |
2.2.3 分类数据 |
第3章 基于等效点扩散函数模型的遥感影像尺度转换 |
3.1 空间响应模拟与敏感参数选择 |
3.2 进化算法 |
3.3 遥感影像的空间尺度转换 |
3.3.1 成像参数差异校正 |
3.3.2 尺度转换效果评估 |
第4章 基于LUT和辐射传输模型的水稻LAI反演 |
4.1 水稻冠层的辐射传输模型构建 |
4.1.1 辐射模型参数化 |
4.1.2 植被媒介的辐射传输问题 |
4.1.3 水稻冠层的理想模型 |
4.2 辐射传输方程求解 |
4.2.1 辐射传输问题中的假设 |
4.2.2 方程求解数学基础 |
4.3 水稻叶面积指数反演 |
4.3.1 LAI反演 |
4.3.2 反演结果分析 |
第5章 基于小波-分形原理的LAI尺度差异校正 |
5.1 小波变换原理 |
5.2 分形理论研究 |
5.3 LAI尺度差异校正 |
5.4 MODIS LAI产品校正结果分析 |
第6章 结论与展望 |
6.1 主要工作与结论 |
6.2 创新点 |
6.3 讨论与展望 |
参考文献 |
致谢 |
附录 |
(4)时频域分形维数分析的光谱信号重叠峰解析算法(论文提纲范文)
引言 |
1 相关研究进展 |
2 算法实现 |
2.1 将光谱信号转换到小波时频域 |
2.2 对小波时频域信号进行分形维数计算 |
2.3 谱峰识别 |
2.4 独立峰提取 |
3 结果与讨论 |
3.1 分离度的影响 |
3.2 小波母函数的影响 |
4 结论 |
(5)基于超声图像特征的HIFU治疗中组织损伤检测方法研究(论文提纲范文)
中文摘要 |
英文摘要 |
第一章 绪论 |
§1.1 本研究课题的背景及意义 |
§1.2 HIFU治疗原理及作用机制 |
§1.3 HIFU技术的研究背景及现状 |
§1.4 HIFU损伤检测方法 |
§1.5 研究目标及主要内容 |
§1.5.1 研究目标 |
§1.5.2 主要内容 |
第二章 超声图像采集与预处理 |
§2.1 超声图像的采集 |
§2.1.1 实验系统设计 |
§2.1.2 实验方法与过程 |
§2.2 超声图像预处理 |
§2.2.1 图像去噪处理 |
§2.2.2 图像灰度化处理 |
§2.2.3 灰度图像差值处理 |
§2.3 本章小结 |
第三章 基本理论 |
§3.1 小波分析 |
§3.1.1 小波变换 |
§3.1.2 小波分形维 |
§3.2 信息熵 |
§3.3 条件熵 |
§3.4 相关系数 |
§3.5 支持向量机(SVM) |
§3.5.1 算法原理 |
§3.5.2 LIBSVM参数设置 |
§3.6 本章小结 |
第四章 基于超声图像特征的组织损伤检测 |
§4.1 基于超声差值图像特征参量检测组织损伤 |
§4.1.1 实验数据处理过程及方法 |
§4.1.2 基于小波分形维的组织损伤辨识 |
§4.1.3 基于小波分形维确定组织损伤阈值 |
§4.1.4 基于信息熵的组织损伤辨识 |
§4.1.5 基于信息熵确定组织损伤阈值 |
§4.2 基于HIFU辐照前后图像相关性检测组织损伤 |
§4.2.1 实验数据处理过程及方法 |
§4.2.2 基于条件熵的组织损伤辨识 |
§4.2.3 基于条件熵确定组织损伤阈值 |
§4.2.4 基于相关系数的组织损伤辨识 |
§4.2.5 基于相关系数确定组织损伤阈值 |
§4.3 本章总结 |
第五章 基于LDA与超声图像特征的组织损伤检测 |
§5.1 线性判别分析(LDA) |
§5.2 基于LDA与超声差值图像特征参量检测组织损伤 |
§5.2.1 数据处理方法 |
§5.2.2 仿真结果分析 |
§5.3 基于LDA与HIFU辐照前后图像的相关性检测组织损伤 |
§5.3.1 数据处理方法 |
§5.3.2 仿真结果分析 |
§5.4 本章小结 |
第六章 总结与展望 |
§6.1 本论文的主要工作与总结 |
§6.2 未来工作展望 |
参考文献 |
致谢 |
攻读硕士学位期间主要科研成果 |
(6)小波分形算法在旋转机械振动信号特征提取中的应用(论文提纲范文)
1 分形维数及GP算法 |
1.1 分形维数 |
1.2 关联维数和GP算法 |
2 小波分形算法 |
2.1 小波分形组合可行性 |
2.2 小波分形算法 |
3 实验验证 |
3.1 数据获取 |
3.2 信号特征提取 |
3.2.1 基于GP算法的分形理论信号特征提取 |
3.2.2 基于小波分形算法的信号特征提取 |
3.3 比较和分析 |
4 结论 |
(7)旋转机械碰摩声发射故障诊断研究(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 研究背景 |
1.2 声发射技术概述 |
1.2.1 声发射技术发展历程和现状 |
1.2.2 声发射技术的特点和应用领域 |
1.2.3 声发射信号经典处理技术 |
1.2.4 声发射技术的优点 |
1.3 论文结构安排 |
第二章 故障信号分析方法及碰摩声发射试验系统 |
2.1 傅里叶变换 |
2.1.1 傅里叶变换定义 |
2.1.2 傅里叶变换特性 |
2.2 小波变换 |
2.2.1 小波变换定义 |
2.2.2 小波变换性质 |
2.2.3 小波变换与傅里叶变换的比较 |
2.3 分形理论 |
2.3.1 分形的定义 |
2.3.2 分形的性质 |
2.3.3 常用的维数及其测量方法 |
2.4 碰摩声发射试验系统 |
2.4.1 转子碰摩实验台 |
2.4.2 声发射信号采集硬件系统 |
2.4.3 声发射信号采集软件系统 |
2.5 本章小结 |
第三章 小波分形在故障诊断中的应用研究 |
3.1 引言 |
3.2 G-P关联维数算法 |
3.2.1 G-P关联维数算法简介 |
3.2.2 关联维数特征提取 |
3.2.3 距离参考值r |
3.2.4 嵌入维数m的提取 |
3.2.5 延迟时间的提取 |
3.3 小波分形算法 |
3.4 实验与分析 |
3.5 本章小结 |
第四章 基于经验小波变换的消噪及故障识别研究 |
4.1 引言 |
4.2 经验小波变换(EWT) |
4.3 仿真信号EWT消噪分析 |
4.4 实验与分析 |
4.5 基于EWT方法的故障诊断 |
4.6 本章小结 |
第五章 傅里叶分解方法在故障诊断中的应用 |
5.1 引言 |
5.2 EMD算法简介 |
5.3 傅里叶分解方法 |
5.4 仿真信号FDM分析 |
5.5 实验与分析 |
5.6 本章小结 |
第六章 总结与展望 |
6.1 总结 |
6.2 展望 |
参考文献 |
致谢 |
攻读硕士学位期间发表论文及专利情况 |
(8)基于小波变换和支持向量机的开关电流电路故障诊断新方法(论文提纲范文)
1 基于小波的分形分析 |
1.1 小波变换原理 |
1.2 分形维数 |
2 核主元分析 |
3 粒子群优化支持向量机 |
4 基于小波变换和核主元分析的SVM故障诊断 |
5 仿真实验 |
5.1 诊断电路和故障设置 |
5.2 小波分形分析方法特征计算 |
5.3 核主元分析特征提取 |
5.4 仿真结果分析 |
6 结束语 |
(9)BTA深孔钻削过程中钻头磨损状态无传感器监测技术研究(论文提纲范文)
摘要 |
Abstract |
1 绪论 |
1.1 课题研究背景及其意义 |
1.2 刀具监测技术的研究现状 |
1.2.1 刀具状态监测方法 |
1.2.2 监测信号特征提取技术 |
1.2.3 状态识别技术 |
1.2.4 国内外研究成果 |
1.3 本文主要研究内容 |
2 BTA深孔钻头磨损状态监测实验系统设计 |
2.1 BTA深孔钻系统简介 |
2.2 深孔钻削中主轴驱动系统原理 |
2.3 深孔钻削状态监测系统的实验设计 |
2.3.1 信号监测实验平台 |
2.3.2 试验方案 |
2.4 BTA深孔钻头磨损规律研究 |
2.4.1 BTA深孔钻常见磨损形式 |
2.4.2 钻头的磨损规律研究 |
2.5 本章小结 |
3 主轴电机电流信号的时域及频域特征提取 |
3.1 时域分析与特征提取方法 |
3.1.1 波形分析 |
3.1.2 统计特征分析 |
3.2 主轴电流信号时域分析 |
3.2.1 电流信号波形分析 |
3.2.2 主轴电流信号时域统计特征分析 |
3.3 频域分析与特征提取方法 |
3.3.1 信号的功率谱估计 |
3.3.2 频域特征参数 |
3.4 电流信号的频域分析 |
3.4.1 空载主轴电流信号频谱分析 |
3.4.2 钻削过程中主轴电流信号频谱分析 |
3.4.3 主轴电流信号的频域特征 |
3.5 本章小结 |
4 主轴电机电流信号的小波分形特征提取 |
4.1 小波分形方法的原理 |
4.1.1 小波变换及多分辨分析 |
4.1.2 分形与分形维数 |
4.1.3 小波分形原理 |
4.2 小波分形特征的具体表征 |
4.2.1 小波分形盒维数的定义及其算法 |
4.2.2 小波分维数的定义和算法实现 |
4.3 主轴电流信号小波分形特征提取 |
4.3.1 仿真信号的小波分析特征分析 |
4.3.2 主轴电机电流信号的小波分形盒维数 |
4.3.3 主轴电机电流信号的小波分维数 |
4.4 本章小结 |
5 基于RVM的深孔钻头磨损状态识别技术研究 |
5.1 相关向量机 |
5.1.1 相关向量机分类模型 |
5.1.2 RVM分类算法实现 |
5.2 核函数与核参数对RVM的影响 |
5.2.1 RVM中常用核函数 |
5.2.2 不同核函数下的RVM仿真识别结果 |
5.2.3 核参数对识别结果的影响 |
5.3 基于RVM的 BTA钻头磨损状态的识别 |
5.3.1 钻头磨损识别RVM模型的训练 |
5.3.2 钻头磨损状态的识别 |
5.4 本章小结 |
6 结论与展望 |
6.1 主要结论 |
6.2 发展与展望 |
致谢 |
参考文献 |
攻读硕士期间发表论文与参与项目 |
(10)柴油机曲轴主动再制造特征参数分析方法(论文提纲范文)
致谢 |
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 课题研究的背景与意义 |
1.2 国内外研究的发展现状 |
1.2.1 柴油机状态分析的研究现状 |
1.2.2 小波分形技术的研究现状 |
1.3 论文总结 |
1.3.1 论文研究的主要内容 |
1.3.2 论文结构安排 |
第二章 在线监测曲轴主动再制造特征分析 |
2.1 再制造的相关概念 |
2.1.1 再制造工程的概念 |
2.1.2 再制造与原始制造、维修、再循环的对比 |
2.2 主动再制造的相关概念 |
2.2.1 主动再制造的定义 |
2.2.2 主动再制造的时域分析 |
2.3 曲轴主动再制造特征参数分析 |
2.3.1 曲轴的可再制造失效形式分析 |
2.3.2 曲轴磨损失效规律分析 |
2.3.3 在线监测曲轴磨损状态的可行性 |
2.4 基于小波分形技术的主动再制造状态监测 |
2.5 本章小结 |
第三章 含间隙曲轴连杆机构动态特性分析 |
3.1 实验台架 |
3.2 基于虚拟样机技术的间隙机构建模 |
3.2.1 仿真三维模型的建立 |
3.2.2 仿真模型中气缸压力的施加 |
3.2.3 间隙运动副碰撞力分析 |
3.2.4 曲轴-连杆-活塞系统的建模流程 |
3.2.5 不同间隙时的仿真结果分析 |
3.3 曲轴连杆机构磨损故障动态特性分析 |
3.3.1 曲轴与连杆运动副磨损松动动态特性分析 |
3.3.2 连杆与活塞运动副磨损松动动态特性分析 |
3.4 本章小结 |
第四章 小波分形理论在曲轴磨损状态识别中的应用研究 |
4.1 小波分析概述 |
4.1.1 多分辨分析 |
4.1.2 小波包分析 |
4.2 振动信号的故障特征信息提取方法 |
4.2.1 小波包频带相对能量提取 |
4.2.2 信号的时域特征参数指标 |
4.3 小波分析在柴油机故障分析中的应用 |
4.3.1 小波基函数的选择 |
4.3.2 基于多分辨率分析的柴油机故障特征提取与诊断 |
4.3.3 基于小波包分析的柴油机曲轴磨损状态特征提取与分析 |
4.4 曲轴磨损故障的分形诊断方法 |
4.4.1 分形理论概述 |
4.4.2 简述关联维数的计算 |
4.4.3 柴油机磨损故障关联维数计算与分析 |
4.5 基于小波分形技术的曲轴磨损状态分析 |
4.5.1 小波分形技术原理简介 |
4.5.2 小波分形技术在曲轴磨损状态分析中的应用 |
4.5.3 实例分析 |
4.6 基于BP神经网络的曲轴磨损状态预测 |
4.6.1 BP神经网络简介 |
4.6.2 预测曲轴磨损状态 |
4.7 本章小节 |
第五章 总结与展望 |
5.1 总结 |
5.2 展望 |
参考文献 |
攻读硕士学位期间的学术活动及成果情况 |
四、Wavelet fractal character of overlapping signal(论文参考文献)
- [1]基于地面光谱水稻重金属胁迫监测光谱特征尺度识别[J]. 黄芝,刘湘南,赵爽,张仙. 中国农业科技导报, 2020(12)
- [2]旋转机械故障的全信息融合时频分析技术研究[D]. 宋圣霖. 郑州大学, 2020
- [3]顾及数据源、反演模型与尺度差异的区域MODIS LAI产品校正方法[D]. 马雨佳. 中国地质大学(北京), 2019(02)
- [4]时频域分形维数分析的光谱信号重叠峰解析算法[J]. 陶维亮,刘艳,王先培,吴琼水. 光谱学与光谱分析, 2017(12)
- [5]基于超声图像特征的HIFU治疗中组织损伤检测方法研究[D]. 陈华. 湖南师范大学, 2017(06)
- [6]小波分形算法在旋转机械振动信号特征提取中的应用[J]. 何珊,梁红梅,蒋劲,肖志怀. 武汉大学学报(工学版), 2017(01)
- [7]旋转机械碰摩声发射故障诊断研究[D]. 张瑞. 东南大学, 2016(04)
- [8]基于小波变换和支持向量机的开关电流电路故障诊断新方法[J]. 张镇,段哲民,龙英. 南京航空航天大学学报, 2016(05)
- [9]BTA深孔钻削过程中钻头磨损状态无传感器监测技术研究[D]. 彭超. 西安理工大学, 2016(08)
- [10]柴油机曲轴主动再制造特征参数分析方法[D]. 周洁. 合肥工业大学, 2016(02)