基于PSO优化小波神经网络的无人机动力系统故障诊断模型

针对传统小波神经网络对无人机动力系统的故障信号降噪和识别能力差以及网络收敛速度慢、训练精度不高的问题,构建了基于改进粒子群算法(PSO)优化小波神经网络的无人机动力系统故障诊断模型。该模型运用软、硬阈值函数组合改进的新阈值函数和改进PSO优化小波神经网络的方式,克服重构信号不连续或严重失真的问题,优化了小波神经网络初始权值和阈值,使模型能够实现快速、准确分析和识别故障类型,具有较好的故障预测和诊断能力。本文中通过对比不同阈值函数的降噪能力和PSO、GA、ACO对小波神经网络的改进效果,比较BP神经网络、传统小波神经网络、PSO优化小波神经网络的故障诊断预测效果,验证了本文中构建的PSO优化小波神经网络故障诊断模型远优于其他对比模型,具有故障识别和降噪能力强、收敛速度快、训练精度高的优点,在无人机动力系统的故障诊断领域,具有较好的可行性和有效性。     

基于改进的软阈值小波包网络的电力信号消噪

为了克服传统软、硬阈值在信号消噪中存在的不足,首先构造了一种新的软阈值函数,并将小波包变换和神经网络相结合;然后,基于改进的软阈值小波包网络对实际采集电力信号进行消噪。MATLAB仿真结果表明:改进的软阈值小波包网络比传统硬、软阈值小波包消噪的信噪比高,且均方根误差小,是一种非常有效的电力信号消噪方法。     

平稳小波去噪算法中的参数选择

为研究平稳小波变换去噪算法在工程应用时如何选择小波基、小波系数处理方法和阈值计算方法的参数以取得最优去噪效果,通过仿真实验,对比不同小波基、不同小波系数处理方法及不同阈值计算方法对平稳小波变换去噪算法去噪效果的影响,对算法的参数选择问题进行研究。实验结果表明：相比其他滤波器组,大部分情况下Daubechies 小波基对应的滤波器组去噪效果更好;信号信噪比较低时选用软阈值法,信噪比较高时选用硬阈值法;使用阈值法处理小波系数,信号信噪比不高的情况下应采取固定阈值法来确定阈值,信号信噪比较高时应采取无偏风险估计法。     

基于UPF的WNN学习算法及其应用

为改善小波网络(WNN)的非线性建模能力,提出一种基于改进无迹粒子滤波(UPF)的WNN学习算法。算法先引入最小偏度策略减少无迹变换(UT)的Sigma采样个数,改进无迹Kalman滤波(UKF);再用改进UKF算法选取粒子滤波的重要性密度函数,构成新型UPF;最后,将SUPF作为WNN的学习算法进行训练和测试。实验表明,基于新采样策略UPF与基本UPF的WNN模型精度总体接近,但速度更快,效率更高,某型军用飞机气动力建模也验证了算法的有效性与可行性。     

基于ICEEMDAN和小波阈值的Φ-OTDR信号去噪算法

针对分布式光纤声波传感系统信号信噪比较低的问题,提出了一种改进的自适应噪声完全集成经验模态分解方法。改进方法利用样本熵和小波阈值去噪算法,从高噪声分量中提取有效成分。通过改进的自适应噪声完全集成经验模态分解(ICEEMDAN,Intrinsic Computing Expressive Empirical Mode Decomposition With Adaptive Noise)对实际采集的信号进行分解,计算样本熵,将其中的含噪分量进行小波阈值去噪,最后与未处理的信号分量进行重构。实验结果表明,对实采的信号进行降噪处理后,信噪比提高了5.34 dB,均方误差降低了0.014 8,波形互相关系数提高了5.7%。与其他常用的去噪方法相比,该方法不仅在信噪比方面表现更优秀,而且在均方误差和波形互相关系数方面也具有更好的性能,能够更好地保留有用信号。     

小波分析模式辨识的几个重要问题

小波分析是模式辨识研究中十分有用的工具,基于小波分析的基本原理和方法,提出并分析了模式辨识中的几个重要问题。     

矢量偏差小波函数（Ⅱ）

基于数学辩证法思想,提出了一种新的小波变换即矢量积小波变换、这种变换对信号处理尤其是高信信号处理十分有用。建立了矢量小波函数、矢量尺度函数和偏差小波函数,它们适合信号分析与处理。分析并提出了一种新的信号表示,并用最优控制理论实现了数值测试,结果表明该方法明显优于传统方法。     

小波分析电子签名系统

成功开发了小波分析电子签名系统。运用快速小波变换理论和生物识别技术提取人体指纹特征,转化为指纹特征码嵌入电子文本,解决了信息传输的安全问题,对因特网的身份认证、信息认证有重要指导作用。     

基于无线传输的匿声对讲系统的设计

设计了采用接触式有源抗噪送话器和气导式／有源抗噪受话器组的小型无线传输模块匿声对讲系统,说明了具体设计思路和方案,并对类似产品进行了比较。结果表明,该系统能达到较好的技术指标,适应面宽,对部队小组舜口单兵作战匿声通信,有较强的实际意义。