一、Matrix Expression of the Orthogonal Wavelet (Packets) Transform（论文文献综述）
王雪[1]（2020）在《基于小波变换和神经网络的系泊缆力预测方法研究》文中提出在经济全球化的形势下,海运行业飞速发展,随之而来的是船舶数量增加、开敞式码头大规模加速建设。在这些开敞式码头中受气候和水域条件等多方面影响,船舶系泊时断缆事件频有发生,这些断缆事件造成了很大的经济损失和人员伤亡情况。为了避免断缆事件的发生,保障船舶系泊作业的安全,对船舶系泊缆力进行预测是不可或缺的行业需求。文中首先为提高系泊缆力预测准确性设计实现了Db-GRU算法,在该算法中先采用了小波变换中的Daubechies小波对非线性特征显着的系泊缆力数据进行处理,再将处理后的数据通过循环神经网络RNN中的门控循环单元GRU进行预测操作,最后将预测得到的结果进行重构运算得到本文想要的预测数据。在实现该算法的实验中本文发现使用该算法进行预测的准确性明显高于直接将系泊缆力数据通过GRU进行预测的准确性,且预测结果和真实数据不存在误差过大影响判断的情况。随后本文考虑到船舶系泊时在短时间内就可以产生大量缆力数据,为验证Db-GRU算法在面对大量数据时的分析能力和预测效果与之前一样,特选择在大数据Hadoop平台下使用MapReduce并行计算框架面向大量数据进行实验验证。从实验运行的结果中本文可以看出在MapReduce下面向百万级数据量时本文的Db-GRU系泊缆力预测模型预测的准确率依然可以保证。最后本文为加速预测效率特对算法进行改进提出了基于量子计算的Db-GRU系泊缆力预测模型,在量子模型中本文将原本使用的Daubechies小波和GRU与量子计算相结合生成量子Daubechies小波和QGRU,再将量子Daubechies小波和QGRU结合生成本文的改进预测模型。本部分通过理论说明该算法可在保证原有算法准确率的基础上明显提高预测速度,随着量子计算的进一步发展,完全可以将改进后的模型应用于实际工程实践中对船舶系泊缆力进行预测。
刘诗源[2]（2020）在《矿井提升机传动系统故障诊断与健康管理关键技术研究》文中研究表明矿井提升机作为连接矿山井下生产系统和地面的关键通道,一旦发生故障,将直接影响矿山生产人员的生命安全和矿井的生产能力。因此,实现矿井提升机的故障诊断与健康管理具有重要意义和巨大经济价值。近年来,随着信号分析方法、数据挖掘以及人工智能技术的不断发展,基于数据驱动的故障诊断方法获得广泛关注,目前已成为实现智能故障诊断的主要研究方向之一。本文以矿井提升机传动系统为研究对象,通过对数据驱动故障诊断方法的国内外研究现状进行分析,研究传动系统中逆变器、轴承和驱动电机三个关键部件的故障诊断方法。由于提升机传动系统结构复杂,还需要在实现零部件故障状态识别后,进一步分析挖掘故障原因。基于数据驱动的故障诊断方法主要针对设备不同故障类型的不同零部件,在不同生命周期与工况条件下,实现故障状态的有效识别,但未能挖掘引发故障的深层次原因。基于本体的故障诊断能够从宏观层面对故障诊断知识进行建模,挖掘引发故障的深层次原因,因此,需研究将基于数据驱动的故障诊断与基于本体的故障诊断相结合,实现从模式识别到故障知识推理与诊断的全过程。针对以上问题开展研究工作,主要内容包括:（1）研究了基于自适应电周期划分和随机森林的NPC三电平逆变器故障诊断方法。基于NPC三电平逆变器的电路及故障分析,提出了一种主要依赖于输出电流信号特性的自适应电周期划分算法（Adaptive Electrical Period Partition,AEPP）,对变化周期的三相电流信号划分电周期,再利用最大重叠离散小波变换（Maximal Overlap Discrete Wavelet Transform,MODWT）对各电周期信号进行分解,结合Park矢量模（Park’s Vector Modulus,PVM）归一化的低频分量,计算11种统计参数,构建原始统计特征集。基于随机森林分类器构建NPC三电平逆变器开路故障诊断模型,分别采用仿真实验数据和逆变器故障实验平台数据进行实验分析,实验结果表明,在电机变速过程中,所提出的故障诊断模型对变周期三相电流故障信号具有较好诊断性能,能够取得理想的故障诊断准确率。（2）研究了基于敏感特征选取与最大局部边界准则的提升机轴承故障诊断方法。研究基于双树复小波包变换（Dual-Tree Complex Wavelet Packet Transform,DTCWPT）的振动信号分析方法,利用DTCWPT分解振动信号,基于终端节点的重构信号及其Hilbert包络谱,提取统计特征,构成原始特征集。为从高维原始特征集中选取更有利于轴承故障模式识别与分类的敏感特征构建特征子集,提高故障诊断的准确率,提出一种基于特征聚类与特征间相关系数的敏感特征选取方法（Sensitive Features Selection by Feature Clustering and Correlation Coefficient between Features,FSFCC）,对各统计特征的故障状态敏感度进行量化分析,选取敏感度高的特征构建特征子集。为减少高维特征集中冗余和干扰特征,降低计算复杂度,提高数据可分性,提出了一种最大局部边界准则（Maximum Local Margin Criterion,MLMC）的特征降维方法,通过映射变换获得原始高维特征集的低维表达,并提高特征集的判别性能。在支持向量机（Support Vector Machine,SVM）分类器基础上,结合FSFCC和MLMC,构建OFS-FSFCC-MLMC-SVM轴承故障诊断模型,采用美国凯斯西储大学轴承故障数据与美国Spectra Quest公司的SQI-MFS机械故障综合模拟试验台轴承故障数据进行不同工况下故障诊断实验分析,实验结果表明,FSFCC方法能够有效选取敏感特征,MLMC方法能够降低计算复杂度、减少冗余和干扰特征并提高特征数据集的可分性,使用FSFCC和MLMC能够明显提高诊断模型在不同工况下故障诊断的准确率。（3）研究基于敏感特征迁移学习的提升机轴承故障诊断。针对目前基于数据驱动的故障诊断方法存在的两点局限,（1）多数基于数据驱动的故障诊断模型,是在训练数据集与测试数据集之间具有相同分布的假设下构建的,而工业场景下,变工况设备的测试数据与训练数据存在分布差异,会对实现理想故障诊断性能造成困难。（2）由于实际工业场景下存在变工况与故障的多样性,难以获取足量实际故障状态下的有标签训练样本,在一定程度上限制了智能故障诊断方法在实际工业场景下的应用。因此,在对迁移成分分析（Transfer Component Analysis,TCA）研究的基础上,提出改进TCA（Modified Transfer Component Analysis,MTCA）的特征迁移学习方法,增加了对不同域数据间条件分布差异的考虑和最小化数据类内散度的优化目标,实现降低域间分布差异的同时增强判别性能。在基于DTCWPT的轴承振动信号分析方法和故障敏感特征选取方法FSFCC基础上,结合MTCA方法,构建轴承故障诊断模型OFS-FSFCC-MTCA-SVM。通过实验分析,表明所提出的MTCA方法能够有效降低不同域间分布差异,增强域数据的判别性能,提高使用源域数据训练的故障诊断模型的域适应能力,使故障诊断模型在不同工况下的故障诊断能够取得理想的性能。（4）研究基于类内特征迁移学习与多源信息融合的提升机驱动电机故障诊断。研究基于EEMD的电机故障振动信号与定子电流信号分析方法,选取有效IMF分量,结合包络谱与边际谱分量,提取统计特征,构建原始特征集。在对分层迁移学习（Stratified Transfer Learning,STL）研究的基础上,提出一种改进STL（Modified Stratified Transfer Learning,MSTL）的特征迁移学习方法。分别基于SVM分类器和随机森林分类器构建驱动电机故障诊断模型OFS-MSTL-SVM和OFS-MSTL-RF,采用Spectra Quest公司的SQI-MFS机械故障综合模拟试验台驱动电机故障振动信号和电流信号进行实验分析,实验结果表明,驱动电机在不同工况下,所提出的方法能够有效提高故障诊断准确率,但是不同故障诊断模型利用不同源信号进行故障诊断的性能存在差异,可能存在片面性,因此,提出基于D-S证据融合理论的驱动电机故障诊断框架,在OFS-MSTL-SVM与OFS-MSTL-RF模型基础上,利用D-S证据理论进行决策级融合,融合故障诊断结果表明,所提出的多源信息融合框架能够进一步提高故障诊断准确率。（5）研究将基于数据驱动的故障诊断与基于本体的故障诊断相结合,实现从模式识别到故障知识推理与诊断的全过程。在对提升机传动系统故障诊断知识分析总结基础上,构建故障本体知识库,利用Neo4j图数据库对故障本体知识库进行可视化显示与存储。采用语义映射方法,将基于数据驱动的故障状态识别结果和故障本体知识库中的故障现象实例关联,实现两类方法的优势互补,挖掘引发故障的深层次原因。最后在上述工作的基础上,设计并开发了矿井提升机传动系统故障诊断与健康管理系统,系统包含四个模块,分别是系统操作管理、历史设备故障信息、基于数据驱动的提升机传动系统故障状态识别、基于故障诊断本体知识库的故障原因分析与系统健康管理。
裴然[3]（2020）在《带钢热连轧过程故障检测与诊断方法研究》文中研究指明带钢热连轧过程是钢铁生产中的重要环节,生产过程的正常运转关系到生产的安全性和产品质量。针对带钢热连轧过程的故障检测与诊断,由于系统的复杂性,无法建立精确的数学模型,因此采用基于多元统计分析的故障检测与诊断方法。该类方法不需要明确系统的结构和原理,仅需要对过程数据进行分析和处理,就可以判断系统的运行状态。由于各种因素的影响,实际测得的带钢热连轧过程数据具有非高斯性和非线性,而独立元分析方法不需要数据服从高斯分布,因此将重点研究基于独立元分析方法的故障检测。在此基础上,通过引入核函数,采用核独立元分析方法对带钢热连轧过程进行故障检测。仿真结果表明,基于核独立元分析方法比独立元分析方法的故障检测准确性平均提高了35.26%。为了提高故障检测的准确性,提出了小波包结合改进核独立元分析的方法。小波包分析方法可以去除实测数据中的噪声干扰,为后续建立系统模型提供更准确的数据。通过在核独立元分析方法中引入超松弛因子,解决快速固定点算法初始权值随机赋值的问题,以提高算法收敛的稳定性。在带钢热连轧过程上的仿真结果表明,小波包结合改进核独立元分析方法在无故障样本点的平均假报警率降低了7.24%,验证了该方法的有效性。针对带钢热连轧过程非线性数据诊断困难的问题,提出利用改进核Fisher判别分析方法进行故障诊断。通过引入距离函数对类间距进行加权,解决类间距差异大导致分类结果不好的问题。在带钢热连轧过程上的仿真结果表明,改进类间距的核Fisher判别分析方法比传统核Fisher判别分析方法的故障诊断准确率平均提高了6.38%。图25幅;表4个;参55篇。
初广前[4]（2019）在《基于认知无线电的频谱感知与检测技术研究》文中认为电磁频谱是稀缺的自然资源。随着无线通信技术,第五代、第六代移动通信技术的发展,无线频谱资源短缺的矛盾日益加剧,而无线频谱固定分配的机制进一步加剧了电磁谱供不应求的矛盾。频谱这种用命令方式分配的机制是导致频谱利用率在时间和空间上低的根本原因。授权无线频谱相对低的利用率表明当前的频谱短缺主要是由于被授权的无线频谱没有得到充分的利用,而不是无线频谱真正的物理短缺。严重的无线频谱短缺困境,迫切期望一种新的技术产生,以解决当前无线频谱资源供不应求的矛盾,在这种背景下,认知无线电技术诞生。频谱感知是认知无线电实现其功能的基础功能,在前人探讨的基础上,进一步研究了认知无线电频谱检测方法,主要研究内容及创新如下:1)研究了广义衰落信道下多天线协作频谱感知与检测,提出了用MGF方法推导了单天线κ-μ衰落信道的平均检测概率的闭式表达式,分析了单天线κ-μ衰落信道的频谱感知性能。在此基础上,推导了广义衰落信道多天线协作的平均检测概率的闭式表达式,分析了广义衰落信道下的多天线协作频谱感知性能。具体而言,分析了κ-μ衰落信道下最大比合并（MRC,Maximum Ratio Combining）多天线分集的频谱感知性能,分析了κ-μ衰落信道下平方率合并（SLC,Square Law Combining）多天线分集的频谱感知性能,分析了η-μ衰落信道下等增益合并（EGC,Equal Gain Combining）多天线分集的频谱感知性能。理论分析和仿真结果表明:MRC多天线分集方式以高的计算复杂度为代价,呈现出比SLC多天线分集方式更好的检测性能。2)研究了多用户多天线协作的频谱感知与检测,提出了两步复合协作频谱感知与检测技术。该两步复合协作频谱感知与检测技术是基于两步复合的设计思想,第一步针对经典软数据协作网络负载大的缺点,认知用户独立执行软数据协作频谱感知,获得主用户是否存在的一比特局部判决.第二步在第一步软数据协作的基础上认知用户执行经典硬决定协作频谱感知。这样可以达到硬决定协作和软数据协作的折中,既减小了网络负载,又提高了频谱检测性能。在Nakagami-m信道下,采用SLC多天线软协作,我们推导了两步复合协作频谱感知的平均检测概率表达式,分析了提出的两步复合协作频谱感知的频谱感知性能,仿真结果表明:提出的两步复合协作频谱感知的频谱感知性能比经典的硬决定协作频谱感知性能有显着地改善。更进一步,在广义κ-μ衰落信道下,采用MRC和SLC多天线软协作,我们也推导了两步复合协作频谱感知的平均检测概率表达式,分析了在κ-μ衰落信道下提出的两步复合协作频谱感知的频谱感知性能,仿真结果也表明:提出的两步复合协作频谱感知的频谱感知性能比经典的硬决定协作频谱感知性能有显着地改善。综上述所述,提出的两步复合协作频谱感知方案不管是在特殊的Nakagami-m信道下,还是在广义κ-μ的衰落信道下,都呈现出良好的检测性能,体现了特殊与一般的统一。提出的两步复合协作频谱感知方案,兼有硬决定融合和软数据融合的优点,是一种性价比高的可用于实际的频谱感知方案。3)研究了基于小波分析和压缩感知的认知无线电频谱感知与检测,首先,提出了小波熵认知无线电频谱感知与检测技术。推导了小波熵的计算表达式。根据小波变换和小波包变换理论,小波熵频谱感知比小波包熵频谱感知有较低的算法复杂度。根据信息不增性原理,小波熵频谱感知比小波包熵频谱感知有较低的检测概率,理论分析和仿真结果表明小波熵频谱感知也是一种性价比高的可用于实际的频谱感知方案。接着,提出了基于卡尔曼滤波的稀疏信号稀疏阶估计技术。稀疏信号的稀疏阶是一个未知时变的重要参数,在压缩感知理论中,稀疏信号的稀疏阶通常认为是已知的,并且取统计最大值,这是不符合实际的。仿真结果表明:我们提出的基于卡尔曼滤波的稀疏信号稀疏阶估计技术,能够把稀疏信号的稀疏阶可靠地估计出来,有了稀疏信号的稀疏阶,就可以减小稀疏信号的重构误差,为进一步改善频谱感知性能奠定基础。
刘晓曼[5]（2019）在《多正则化罚项的图像复原模型及数值实现》文中指出数字图像处理是当今热门的交叉学科研究领域之一,涉及计算数学、信息科学、计算机技术及其他应用科学.图像处理涵盖了不同的研究内容,包括图像复原（不完全数据的图像重建、完全数据的图像重建）、图像增强（去噪、去模糊）、图像压缩、图像编码与解码、图像分块、图像修补、彩色图像处理等方向.图像处理技术在介质成像、地理遥感、航空航天成像、目标检测和监控、信息传递等领域有着广泛的应用.描述这类问题的数学模型本质上可以归结于不适定问题的有效的数值求解,涵盖了偏微分方程、最优化理论、正则化方法、数值计算等不同的数学学科方向,是当前应用数学和计算数学的热点研究领域之一.由于成像模型的不同以及给定成像数据的差异,这类问题无论是从理论分析上,还是从数值计算上,都有许多亟待研究的问题.广义上的图像复原,包括对完全或不完全数据的图像去噪去模糊的重建过程,是一个比通常意义下的图像增强问题范围更广的一类图像处理问题.图像复原的主要难点之一,是从不完全的噪声数据中去除噪音的同时,捕获图像特征,例如界面和纹理.本论文主要研究由不完全频域噪声数据重建图像的问题,并用于医学图像的有效恢复,即通过不完全的数据重构出可识别的、可利用的医学图像.处理过程既要对得到的噪声进行去噪,又要尽可能的保持图像应有的界面特征.主要研究工作是通过建立三种带有多个正则化罚项的图像复原模型,分别对带有加性噪声、乘性噪声污染的分片光滑图像、医学核磁共振图像进行了基于不完全数据采样的恢复重建.在建立有效算法的同时,给出了多个正则化参数选取准则、算法稳定性、收敛性的理论分析.本论文主要由以下五章组成.第一章,概述了国内外与本文研究相关的背景和已有工作,介绍了本课题所用的图像复原模型和多个正则化罚项的数学表示;介绍了压缩感知理论,包括稀疏表示、模型与算法的构建、测量矩阵的构造等,在此基础上提出了本文采用的不完全频域数据的随机带状采样方案,并阐明了本文的主要研究内容和工作创新点.第二章,研究了带有加性噪声的分片光滑图像基于不完全频域数据的图像复原问题.建立了带有频域数据匹配项、全变差正则化罚项以及空间域中的Frobenius范数罚项的泛函模型,并给出了此泛函极小化解的性质和正则化解的误差估计.进而提出了一种双循环算法来复原分片平滑图像.在此算法中用带有不动点方法的Bregman迭代格式求解对应泛函的非线性欧拉-拉格朗日方程.利用迭代过程中系数矩阵的分块对称性质,通过分块串行计算加速双循环迭代格式的数值实现.数值实验证明了该模型和双循环迭代格式的可行性和保留良好边缘的有效性,表明随机采样的带噪频域数据可以获得令人满意的重建图像.第三章在随机带状采样下,利用带有乘性噪声的不完全频域数据进行图像复原.基于小波基函数展开下图像的稀疏性质,建立了带有频域数据匹配项、l1稀疏罚项和全变差罚项的优化模型.这两个罚项分别体现了对复原图像的稀疏性保持和复原图像的边界保持.对这一类带有双罚项的优化问题,提出了一种正则化参数的选取策略,并对复原图像的重建误差进行了估计.创造性地构造了双循环迭代格式,其中使用Bregman迭代格式构造外循环,空域上最小化带有频域数据匹配项的目标泛函;Bregman迭代每一步中的泛函极小值通过内循环算法迭代求出,包括了直接迭代、带有Tikhonov正则化罚项的伴随共轭梯度法.由于正则化迭代矩阵的特殊结构,这种空域双循环迭代格式是稳定且有效的.数值实验支持了理论分析结果.第四章,对带有简化型l1稀疏罚项和全变差罚项的图像复原模型研究了一种交替迭代格式.首先提出带有两个非线性正则化罚项的无约束优化模型,采用不同的光滑化近似函数（Charbonnier函数和Huber函数）,对正则化罚项进行光滑化近似.进而基于交替迭代和增广拉格朗日乘子法的思想,把梯度算子看作一个新变量,提出了约束优化模型,构造了循环嵌套的交替迭代格式.该格式中的第一个子优化问题,通过阈值收缩可得解析解;第二个子优化问题,是极小化带有正则化罚项的修正拉格朗日泛函,利用带有自适应的正则化参数的非线性欧拉-拉格朗日方程计算出线性近似解.由于欧拉方程系数矩阵的特殊结构和对惩罚项的光滑近似,所提出的迭代格式是稳定且有效的.理论上首次证明了该迭代格式的收敛性,指出由该格式产生的迭代序列是几乎收敛的.数值实验表明,在较短时间内,基于简化型多正则化罚项图像复原模型的循环嵌套交替迭代格式可有效复原分片光滑图像和医学图像及其旋转图像.最后,在第五章总结了本论文的主要研究工作,并对未来可拓展的研究方向作出了分析和展望.
戴安群[6]（2019）在《基于非合作通信的盲均衡研究》文中认为信号传输过程中,码间串扰的存在会导致传输质量下降,接收端必须通过相应的处理,尽可能地恢复出原始信号,盲均衡技术在这一处理过程着极其重要的应用,传统的自适应均衡必须提供训练序列,传输效率低下,而盲均衡技术克服了这种缺陷,直接根据接收信号和均衡输出信号就可以恢复出原发送序列,本文深入分析各种常用盲均衡方法,主要研究内容包括:1、经典低阶盲均衡算法最初的盲均衡算法虽然隐形使用了四阶累积量,但是经过了简化处理,主要是使用二阶统计量,算法原理简单,计算过程不繁琐,使用范围也广泛,本文主要研究常用Bussgang类盲均衡算法（常数模、Goard和Sato算法）及其修正算法,包括引导判决----最小均方算法（DD-LMS）、最小均方误差（MMSE）算法以及递归最小二乘法（RLS）和分数间隔（FSE）盲均衡算法。由浅入深,从原理和实现过程分析各种算法的特点,并结合仿真结果探讨其性能优劣。2、基于高阶统计量和高阶谱盲均衡算法低阶统计量中,不包含信号相位信息,为使信号中的信息能够得到充分利用,在盲均衡方法中引入高阶统计量和高阶谱,尤其是对非高斯信号的处理表现更为出色,因为它能够有效过滤信道中的高斯噪声。本文主要研究高阶累计量和高阶谱的基本特点,并以此为基础,分析四二阶累计量及倒三谱初始化的盲均衡算法,超指数算法是一类典型的应用高阶累积量的方法,其收敛性能的提高是以计算复杂度为代价的。3、基于小波变换盲均衡算法小波变换以动态窗函数来分析各个节点的信号,尤其是对信号局部特征的提取性能极好,其窗函数特性跟时间及频率之间有对应关系,还能形成正交基。本文还研究小波变换的特性及其在盲均衡中的应用,以单通道小波变换盲均衡方法为基础,针对耗时及误差性能的不足,提出双通道模型,并给出具体实施过程,结合仿真结论,对比单通道模型,证明提出的方法在性能表现上更佳。
俞啸[7]（2017）在《数据驱动的滚动轴承故障特征分析与诊断方法研究》文中进行了进一步梳理滚动轴承作为旋转机械设备的关键部件,一旦发生故障会严重影响机械设备的安全稳定运行。振动信号的时频分析是实现滚动轴承故障特征分析的有效手段,但经时频分析得到的初始特征集中存在冗余和干扰信息,需要从中选取出故障状态敏感的特征;信号特征空间维数较高,需要利用降维方法得到状态表达能力更强的低维特征空间;传统模式识别方法难以适应高维特征空间与状态空间之间复杂的映射关系,深度学习方法具有高维特征自适应分析能力,适合于故障状态高维特征空间的智能分析,相关的应用研究处于起步阶段。针对以上问题开展研究工作。（1）研究基于集成经验模态分解（Ensemble Empirical Mode Decomposition,EEMD）的振动信号时频分析方法,利用EEMD将振动信号分解为本征模态函数（Intrinsic Mode Function,IMF）,获取振动信号的希尔伯特边际谱（Hilbert marginal spectrum,HMS）,HMS中蕴涵了振动信号的频率分布情况,提出将HMS作为故障诊断模型的初始特征。为了减少HMS中的冗余和干扰信息,降低输入空间维数,提出基于滑动窗口和兰德指数的HMS故障状态特征频率带提取方法WMSC（Window Marginal Spectrum Clustering）,完成HMS中敏感故障特征频率带的选取。建立基于SVM的滚动轴承故障诊断模型HMS-WMSC-SVM,轴承故障实验台振动信号分析结果表明该模型可以获得较高的轴承故障状态识别准确率,并且具有较强的噪声抑制能力。（2）进一步研究振动信号EEMD分析方法,针对IMFs、Hilbert包络谱（Hilbert Envelope Spectrum,HES）及HMS信号统计参数,开展故障模式识别方法的研究。提出了基于调整的兰德指数（Adjusted Rand Index,ARI）与标准差（Standard Deviation,STD）的特征选择方法FSASR（Features Selection by Adjusted Rand Index and Standard Deviation Ratio）,FSASR采用ARI与STD的比值作为统计参数状态敏感度评价指标,实现统计参数故障状态敏感度的量化分析。针对高维特征空间的数据冗余问题,在LFDA（Local Fisher Discriminant Analysis,LFDA）方法的基础上提出了一种支撑边界局部Fisher判别分析（SM-LFDA）方法,使得高维统计特征空间的低维映射具备更高的故障状态表达能力。结合支持向量机（Support Vector Machine,SVM）、K最近邻算法（K-Nearest Neighbor,KNN）、集成方法（Ensemble Method）三种常用的模式识别方法,建立滚动轴承故障诊断模型,轴承故障实验台振动信号分析结果表明FSASR方法能够有效筛选出故障敏感特征,SM-LFDA方法可以提高基于EEMD的故障诊断模型状态识别准确率。（3）研究基于最大重叠离散小波包变换（Maximum overlap discrete wavelet package transform,MODWPT）的振动信号时频分析方法,对MODWPT分解后的小波包节点进行单支重构,得到不同频率范围的重构信号,计算单支重构信号及其HES的统计参数作为故障状态的初始特征,利用提出的FSASR方法完成故障敏感特征的选取。研究无监督流行学习方法邻域保持嵌入（Neighborhood preserving embedding,NPE）,提出加入类别信息的监督NPE方法SNPEL,在此基础,结合SVM、KNN和EM三种模式识别方法,建立滚动轴承故障诊断模型。实验结果进一步表明了FSASR方法能够有效筛选出故障敏感特征,SNPEL方法可以提高基于MODWPT的故障诊断模型状态识别准确率。（4）通过多种降维方法与模式识别方法的实验分析可知,降维方法可以得到高维特征空间的低维表示,模式识别方法可以实现故障状态的判识,但是不同的降维方法和模式识别方法对不同类型的特征空间分析能力表现不一。利用深度学习方法在高维数据处理和非线性数据分析方面的优势,研究基于深度置信网络（Deep Belief Networks,DBN）的故障状态识别方法,在基于EEMD和MODWPT的振动信号分析、统计参数分析及敏感特征选取方法FSASR的基础上,分别建立EEMD-FSASR-DBN和MODWPT-FSASR-DBN故障状态识别模型。实验分析结果表明基于DBN的滚动轴承故障诊断模型可以有效提高故障状态识别准确率,并且对FSASR方法适应能力较强。综上所述,本文提出了WMSC和FSASR方法,以减少时频分析后的初始特征空间中的干扰和冗余信息;提出了SM-LDA和SNPEL方法,以提升低维映射空间的状态表达能力;建立基于DBN的故障状态识别模型,提高模式识别方法对特征空间的适应能力,形成了完整的基于数据驱动的滚动轴承故障特征分析与诊断方法体系。实验分析结果表明,本文提出的方法可以有效提高故障状态识别准确率,并具有较强的适应能力。
潘永兵[8]（2017）在《小波非平稳风速模型及实测验证》文中提出随着交通的不断发展,越来越多的大跨度桥梁需要建造,其柔性大、阻尼小的特点随之呈现,风致效应的影响就越发突出。对风场的现场实测是风效应研究的基础也是最真实的手段,而风速场特性的研究则是为风场模拟以及风荷载设计提供了可靠的参数。本文依托国家自然科学基金项目《山区大跨悬索桥非平稳高湍流风效应研究》（编号:51508060）,以某大跨度悬索桥的强风环境为研究背景,结合风场实测数据,采用MATLAB作为分析工具,基于小波非平稳风速模型对其非平稳风速场特性加以分析。主要的研究内容如下:（1）对风速场基本特性以及其计算方法加以阐述,并对传统的平稳和非平稳的风速模型在计算风场参数时的不同之处进行了比较,总结了其相应的理论模型。（2）对信号分析与处理常用方法进行了综述,比较了它们各自的特点以及适用性,对小波分析的基本理论知识做了简要阐述,并对MATLAB语言工具箱中正交以及双正交小波的概念作了简要的介绍,并比较了其优缺点与适用范围。（3）基于谐波合成法并采用不同调制函数叠加模拟了一大跨斜拉桥的非平稳随机风场,采用正交或双正交小波对非平稳风速的时变均值进行提取并与理论均方差进行对比。结果证明:dbl0与coif5小波的趋势项提取具有较高精度,更适合于非平稳风速的时变平均值提取。（4）基于小波分析的非平稳风速模型,并结合某大跨度悬索桥的现场实测风速,对某大跨度悬索桥的风场特性进行了分析。研究表明:基于db10和coif5小波的非平稳风速模型适合描述非平稳风场特性。（5）基于局部平稳小波过程模拟了某大跨悬索桥3/4跨处桥面的某1h非平稳风速,并与实测风速以及基于谐波合成法模拟并叠加常幅值余弦函数的非平稳风速进行了对比,结果表明:局部平稳小波过程对描述非平稳随机过程拥有更好的适应性。论文基于小波非平稳风速模型,对某大跨悬索桥的实测风场特性进行了分析,并利用局部平稳小波过程模拟非平稳风速场得到一些有用的结论,为以后非平稳风速场特性研究提供了参考价值。
刘飞[9]（2017）在《基于小波包和广义回归神经网络的高压直流故障信号分析与应用》文中认为多馈入直流输电系统在我国的快速发展虽然扩大了输电容量,但也使得输电系统变得复杂化,交直流系统间电气量的互相影响更为复杂,交流和直流故障都可能影响整个系统的稳定运行。这就对高压直流输电的故障诊断系统提出了更高的要求,有必要对直流输电系统故障时故障信号分析及故障诊断方法进行研究。由于直流输电系统故障后的暂态信号包含着大量的故障信息,因此如何分析并提取故障信号的暂态特征并将其应用于故障诊断就显得尤为重要。本文采用小波包（Wavelet Packet Decomposition,WPD）分析故障信号,结合广义回归神经网络（General Regression Neural Network,GRNN）形成一种故障诊断方法,并将其应用到直流线路接地故障测距和换相失败故障辨识中,取得了较好的结果。主要研究内容如下:1)理论分析了发生不同故障的暂态信号存在着差异,据此提出区分这两种故障的判据;在PSCAD中建立HVDC输电系统仿真模型,仿真分析发生这两种故障后信号的暂态变化,验证了区分判据的有效性。2)为了对直流线路故障进行准确定位,研究了基于WPD和GRNN的直流线路故障测距新方法。由于不同故障距离下行波频谱暂态能量差异较大,首先利用WPD进行故障信号预处理,提取故障暂态能量特征;然后利用GRNN拟合能量与距离的非线性关系实现HVDC输电线路故障测距。采用相同样本建立BPNN线路故障测距模型,比较两种模型的测距结果。3)为了准确地辨识换相失败故障及引起换相失败的原因,研究了基于WPD和GRNN的换相失败故障辨识新方法。首先利用WPD量化不同的故障信号特征,然后利用两种GRNN输出结构来辨识各种引发换相失败的故障,比较不同输出结构下的准确率。同时比较了GRNN与BPNN辨识模型在不同训练样本量下的结果,验证两种模型对不同训练样本的适应性。
邓飞跃[10]（2016）在《滚动轴承故障特征提取与诊断方法研究》文中进行了进一步梳理随着科学技术的迅猛发展和现代化大生产的日益普及,旋转机械不断朝着大型化、复杂化、高速化和自动化方向发展,这对设备的运行安全提出了更高的要求。滚动轴承作为旋转机械中应用最为广泛的部件之一,直接决定着整个机械系统能否正常可靠运行,深入开展滚动轴承故障诊断和状态检测技术的研究,对有效避免生产中重大事故的发生,具有重要的学术意义和工程应用价值。本文在详细论述滚动轴承故障信号降噪、特征提取、复合与智能故障诊断研究现状的基础上,从振动信号分析与处理方法着手,针对滚动轴承故障特征提取与诊断中所涉及的几个关键问题进行了深入研究,在滚动轴承故障特征提取、微弱故障诊断、复合故障特征分离、故障模式智能识别和运行状态检测方面取得了一些研究成果,论文的创新点及主要工作如下：（1）传感器采集的滚动轴承故障振动信号频率成分比较复杂,在无关频率成分及噪声的干扰下,轴承故障特征常常难以准确提取。针对此问题,本文基于倒谱预白化和奇异值分解重构提出了一种故障特征提取方法。该方法通过倒谱预白化处理轴承故障信号,消除了信号中离散频率成分和谐波分量的干扰；然后进行奇异值分解,并基于奇异值最大差分谱重构信号,有效滤除了信号中的干扰噪声。实验证明,该方法能准确提取滚动轴承的故障特征。（2）在恶劣的工作环境下,滚动轴承振动信号中常混杂有强烈的背景噪声,尤其是故障特征较为微弱时,极易被噪声所掩盖,轴承故障难以诊断。因此,本文基于自适应多尺度自互补Top-Hat变换提出了一种轴承微弱故障诊断方法。形态学自互补Top-Hat变换滤波器处理轴承故障信号时,能够抑制信号中的强背景噪声,并有效增强轴承的故障冲击特征。同时,为达到兼顾抗噪性和信号细节保持性的目的,构建了多尺度形态学滤波器,通过比较不同尺度下滤波信号的故障特征能量比,自适应确定了最优结构元素的尺度。（3）滚动轴承出现复合故障时,在单通道振动信号中轴承不同元件的故障特征彼此混杂,难以分离。为解决此问题,本文基于改进谐波小波包分解提出了一种轴承复合故障特征分离方法。该方法可以根据需要对信号频带进行任意划分,克服了传统谐波小波包分解后子信号个数及带宽范围受二进制划分的缺陷,通过计算子信号中各单一故障信号的权重因子,重构分离出轴承各单一故障信号,有效实现了滚动轴承复合故障特征的分离。（4）针对以故障模式识别与运行状态检测为主要内容的滚动轴承智能诊断问题,本文采用Hermitian小波对轴承信号进行连续小波变换,再结合样本熵理论,提出以时间-小波能量谱样本熵作为特征参数,对轴承智能诊断进行研究。该方法将时间-小波能量谱样本熵作为轴承不同工况下样本信号的特征向量,通过支持向量机分类算法实现了轴承不同故障模式的智能识别。之后将时间-小波能量谱样本熵用于滚动轴承运行状态检测,计算全寿命周期实验数据的时间-小波能量谱样本熵,按照时间顺序排列,绘制出了轴承运行状态曲线,通过判断曲线走势可有效诊断出轴承早期故障的发生。
二、Matrix Expression of the Orthogonal Wavelet (Packets) Transform（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、Matrix Expression of the Orthogonal Wavelet (Packets) Transform（论文提纲范文）
（1）基于小波变换和神经网络的系泊缆力预测方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 选题背景与意义 |
| 1.1.1 选题背景及问题提出 |
| 1.1.2 选题目的及意义 |
| 1.2 国内外研究方法及现状 |
| 1.2.1 船舶系缆力研究方法 |
| 1.2.2 国外研究现状 |
| 1.2.3 国内研究现状 |
| 1.3 课题研究的内容和方法 |
| 1.3.1 研究内容 |
| 1.3.2 主要研究方法 |
| 本章小结 |
| 第二章 相关理论和技术 |
| 2.1 小波变换 |
| 2.1.1 小波变换发展历程 |
| 2.1.2 小波变换定义 |
| 2.1.3 小波函数种类 |
| 2.2 循环神经网络 |
| 2.2.1 循环神经网络发展历程 |
| 2.2.2 循环神经网络特点 |
| 2.2.3 LSTM和 GRU循环神经网络 |
| 2.3 大数据平台Hadoop |
| 2.3.1 Hadoop平台发展历程 |
| 2.3.2 Hadoop的特性 |
| 2.3.3 Hadoop组件及功能 |
| 2.4 量子计算 |
| 2.4.1 量子计算发展历程 |
| 2.4.2 量子计算相关概念 |
| 2.4.3 量子计算机的优势 |
| 本章小结 |
| 第三章 基于Daubechies和 GRU的系泊缆力预测模型设计 |
| 3.1 Daubechies-GRU系泊缆力预测模型设计 |
| 3.1.1 Daubechies小波 |
| 3.1.2 门控循环单元GRU |
| 3.1.3 Db-GRU系泊缆力预测模型流程设计 |
| 3.2 Daubechies-GRU系泊缆力预测模型实验验证与结果分析 |
| 3.2.1 实验方案设计 |
| 3.2.2 实验过程 |
| 3.2.3 实验结果分析 |
| 本章小结 |
| 第四章 基于Hadoop的 Db-GRU系泊缆力预测模型 |
| 4.1 基于Hadoop的 Db-GRU系泊缆力预测模型设计 |
| 4.1.1 MapReduce并行计算框架 |
| 4.1.2 MapReduce下的Db-GRU模型设计 |
| 4.2 基于Hadoop的 Db-GRU系泊缆力预测模型实验验证与结果分析 |
| 4.2.1 实验方案设计 |
| 4.2.2 实验平台安装 |
| 4.2.3 实验过程 |
| 4.2.4 实验结果分析 |
| 本章小结 |
| 第五章 基于量子计算改进的Db-GRU系泊缆力预测模型 |
| 5.1 量子算法 |
| 5.1.1 量子相位估计算法 |
| 5.1.2 量子搜素算法 |
| 5.2 量子小波变换算法 |
| 5.2.1 量子小波与小波包算法 |
| 5.2.2 量子Haar小波变换算法 |
| 5.3 量子神经网络 |
| 5.3.1 量子神经网络的发展及其优势 |
| 5.3.2 量子M-P神经元 |
| 5.4 量子Db-GRU系泊缆力预测模型设计 |
| 5.4.1 量子Daubechies-(Db4)小波变换算法 |
| 5.4.2 量子门控循环单元 |
| 5.4.3 量子Db-GRU系泊缆力模型设计 |
| 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表的学术论文 |
| 致谢 |
（2）矿井提升机传动系统故障诊断与健康管理关键技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 引言 |
| 1.1 研究背景与意义 |
| 1.2 机械设备故障诊断方法分类 |
| 1.2.1 基于分析模型的故障诊断方法 |
| 1.2.2 基于定性经验知识的故障诊断方法 |
| 1.2.3 基于数据驱动的故障诊断方法 |
| 1.3 国内外研究现状 |
| 1.4 研究内容与创新之处 |
| 1.4.1 研究内容安排 |
| 1.4.2 创新之处 |
| 2 基于自适应电周期划分和随机森林的NPC三电平逆变器故障诊断 |
| 2.1 引言 |
| 2.2 三电平逆变器的电路及故障分析 |
| 2.2.1 矿井提升机变频器的结构 |
| 2.2.2 三电平逆变器的故障分析 |
| 2.3 逆变器故障信号预处理与自适应电周期划分 |
| 2.4 基于MODWT的信号处理与特征提取 |
| 2.4.1 帕克矢量模 |
| 2.4.2 小波变换 |
| 2.4.3 最大重叠离散小波变换 (Maximal Overlap Discrete Wavelet Transform,MODWT) |
| 2.4.4 特征提取 |
| 2.5 随机森林分类器 |
| 2.5.1 随机森林原理 |
| 2.5.2 随机森林算法 |
| 2.6 基于自适应电周期划分与随机森林的NPC三电平逆变器故障诊断框架 |
| 2.7 实验验证 |
| 2.7.1 实验设置 |
| 2.7.2 实验分析 |
| 2.8 本章小结 |
| 3 基于敏感特征选取与最大局部边界准则的提升机轴承故障诊断 |
| 3.1 引言 |
| 3.2 轴承故障诊断机理 |
| 3.3 基于DTCWPT的轴承故障信号处理 |
| 3.3.1 DTCWPT |
| 3.3.2 Hilbert包络谱与边际谱 |
| 3.4 基于特征聚类与特征间相关系数的敏感特征选取 |
| 3.4.1 k-means聚类算法 |
| 3.4.2 皮尔逊相关系数 |
| 3.4.3 敏感特征选取方法 |
| 3.5 最大局部边界准则的特征降维方法 |
| 3.5.1 LDA |
| 3.5.2 LFDA |
| 3.5.3 MMC |
| 3.5.4 最大局部边界准则 |
| 3.6 支持向量机 |
| 3.7 基于敏感特征选取与最大局部边界准则的轴承故障诊断框架 |
| 3.8 实验验证 |
| 3.8.1 基于美国凯斯西储大学轴承数据实验设置 |
| 3.8.2 基于美国凯斯西储大学轴承数据实验分析 |
| 3.8.3 基于SQI-MFS轴承数据实验设置 |
| 3.8.4 基于SQI-MFS轴承数据实验分析 |
| 3.9 本章小结 |
| 4 基于敏感特征迁移学习的提升机轴承故障诊断 |
| 4.1 引言 |
| 4.2 迁移成分分析 |
| 4.3 改进迁移成分分析的特征迁移学习 |
| 4.4 基于敏感特征迁移学习的轴承故障诊断框架 |
| 4.5 实验分析 |
| 4.5.1 基于美国凯斯西储大学轴承数据实验分析 |
| 4.5.2 基于SQI-MFS轴承数据实验分析 |
| 4.6 本章小结 |
| 5 基于类内特征迁移学习与多源信息融合的提升机驱动电机故障诊断 |
| 5.1 引言 |
| 5.2 电机故障类型与信号特性分析 |
| 5.2.1 异步电机常见故障类型分析 |
| 5.2.2 异步电机常见故障信号特性分析 |
| 5.3 基于EEMD的电机故障信号处理 |
| 5.3.1 EMD |
| 5.3.2 EEMD |
| 5.4 改进分层迁移学习的类内特征迁移学习 |
| 5.4.1 分层迁移学习 |
| 5.4.2 改进分层迁移学习 |
| 5.5 基于类内特征迁移学习的驱动电机故障诊断 |
| 5.5.1 故障诊断框架 |
| 5.5.2 实验设置 |
| 5.5.3 实验分析 |
| 5.6 基于D-S证据融合理论的驱动电机故障诊断 |
| 5.6.1 D-S证据理论基本概念 |
| 5.6.2 D-S证据理论基本过程 |
| 5.6.3 基于D-S证据融合理论的驱动电机故障诊断框架 |
| 5.6.4 实验分析 |
| 5.7 本章小结 |
| 6 矿井提升机传动系统故障诊断与健康管理系统 |
| 6.1 引言 |
| 6.2 提升机传动系统故障知识表示 |
| 6.2.1 本体概述 |
| 6.2.2 提升机传动系统故障知识分析 |
| 6.3 基于本体和故障信号分析的语义映射方法 |
| 6.3.1 概念模型 |
| 6.3.2 数学模型 |
| 6.3.3 语义映射方法 |
| 6.4 提升机传动系统故障本体知识库的创建 |
| 6.4.1 知识图谱与图数据库 |
| 6.4.2 提升机传动系统故障本体知识库构建 |
| 6.5 系统总体设计与应用 |
| 6.5.1 系统功能模块 |
| 6.5.2 软件开发与系统应用 |
| 6.6 本章小结 |
| 7 结论与展望 |
| 7.1 结论 |
| 7.2 展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（3）带钢热连轧过程故障检测与诊断方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 引言 |
| 第1章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 带钢热连轧技术的发展 |
| 1.2.2 故障诊断方法概述 |
| 1.3 多元统计分析方法的故障检测与诊断 |
| 1.3.1 主元分析方法 |
| 1.3.2 偏最小二乘方法 |
| 1.3.3 独立元分析方法 |
| 1.3.4 规范变量方法 |
| 1.4 主要研究内容及结构 |
| 第2章 基于核独立元分析的带钢热连轧过程故障检测 |
| 2.1 ICA方法 |
| 2.1.1 ICA方法的基本原理 |
| 2.1.2 基于ICA方法的过程检测 |
| 2.2 KICA方法 |
| 2.2.1 核函数方法 |
| 2.2.2 KICA方法的基本原理 |
| 2.2.3 基于KICA方法的过程检测 |
| 2.3 仿真与分析 |
| 2.4 本章小结 |
| 第3章 基于改进KICA方法的带钢热连轧过程故障检测 |
| 3.1 数据预处理 |
| 3.1.1 小波包定义 |
| 3.1.2 小波包的分解与重构 |
| 3.2 基于超松弛因子改进的Fast ICA算法 |
| 3.2.1 Fast ICA算法 |
| 3.2.2 超松弛因子改进基于负熵的Fast ICA算法 |
| 3.3 小波包去噪结合改进的Fast KICA故障检测 |
| 3.4 仿真与分析 |
| 3.4.1 数据的消噪 |
| 3.4.2 故障检测仿真 |
| 3.5 本章小结 |
| 第4章 基于改进KFDA方法的带钢热连轧过程故障诊断 |
| 4.1 核Fisher判别分析方法 |
| 4.1.1 FDA方法 |
| 4.1.2 KFDA方法 |
| 4.2 基于改进KFDA的故障诊断 |
| 4.2.1 改进类间距 |
| 4.2.2 故障诊断 |
| 4.2.3 基于改进KFDA方法的故障诊断步骤 |
| 4.3 仿真与分析 |
| 4.4 本章小结 |
| 结论 |
| 参考文献 |
| 致谢 |
| 导师简介 |
| 企业导师简介 |
| 作者简介 |
| 学位论文数据集 |
（4）基于认知无线电的频谱感知与检测技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 缩略语表 |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 认知无线电技术 |
| 1.2.1 认知无线电 |
| 1.2.2 认知无线电技术的应用 |
| 1.2.3 认知无线电技术的研究意义 |
| 1.2.4 认知无线电标准化进展 |
| 1.3 认知无线电网络 |
| 1.3.1 认知无线电网络概念 |
| 1.3.2 认知无线电网络研究现状 |
| 1.4 论文研究内容及创新 |
| 1.5 论文组织结构 |
| 1.6 本章参考文献 |
| 第二章 认知无线电频谱感知及基本理论 |
| 2.1 频谱检测 |
| 2.1.1 频谱检测概述 |
| 2.1.2 经典的频谱检测技术 |
| 2.2 协作频谱感知 |
| 2.2.1 协作频谱感知类型 |
| 2.2.2 常见认知无线电网络衰落信道模型 |
| 2.2.3 常见认知无线电网络协作分集技术 |
| 2.3 频谱检测面临的困难和问题 |
| 2.4 卡尔曼滤波、留数理论、信息熵和信息不增性原理 |
| 2.5 本章小结 |
| 2.6 参考文献 |
| 第三章 广义衰落信道多天线协作频谱检测技术研究 |
| 3.1 引言 |
| 3.2 广义衰落信道 |
| 3.3 k-μ衰落信道 |
| 3.3.1 k-μ衰落信道模型 |
| 3.3.2 k-μ衰落信道单天线频谱感知性能分析 |
| 3.3.3 MRC分集k-μ衰落信道下频谱感知性能分析 |
| 3.3.4 SLC分集k-μ衰落信道下频谱感知性能分析 |
| 3.4 k-μ衰落信道下频谱感知仿真结果和分析 |
| 3.5 η-μ衰落信道 |
| 3.5.1 η-μ衰落信道模型 |
| 3.5.2 EGC分集η-μ衰落信道下频谱感知性能分析 |
| 3.6 η-μ衰落信道下频谱感知仿真结果和分析 |
| 3.7 本章小结 |
| 3.8 参考文献 |
| 第四章 两步复合协作频谱感知与检测技术研究 |
| 4.1 引言 |
| 4.2 两步复合协作频谱感知系统模型和算法 |
| 4.2.1 软数据协作频谱感知系统模型 |
| 4.2.2 硬决定协作频谱感知系统模型 |
| 4.2.3 两步复合协作频谱感知算法 |
| 4.3 SLC软数据协作频谱感知 |
| 4.4 硬决定合并协作频谱感知 |
| 4.4.1 逻辑OR硬决定合并协作方案 |
| 4.4.2 逻辑AND硬决定合并协作方案 |
| 4.4.3 逻辑MAJORITY硬决定合并协作方案 |
| 4.5 Nakagami-m衰落信道下频谱感知数值结果与分析 |
| 4.6 k-μ衰落信道下的两步复合协作 |
| 4.6.1 k-μ衰落信道下MRC分集接收的两步复合协作 |
| 4.6.2 k-μ衰落信道下SLC分集接收的两步复合协作 |
| 4.7 k-μ衰落信道下频谱感知数值结果与分析 |
| 4.8 本章小结 |
| 4.9 参考文献 |
| 第五章 基于小波分析和压缩感知的非协作频谱检测技术研究 |
| 5.1 引言 |
| 5.2 小波变换、小波包变换和小波包熵 |
| 5.2.1 小波变换 |
| 5.2.2 小波包变换 |
| 5.2.3 小波包熵 |
| 5.3 小波熵频谱感知 |
| 5.3.1 小波熵 |
| 5.3.2 小波熵频谱感知 |
| 5.3.3 小波熵和小波包熵比较分析 |
| 5.3.4 小波熵和小波包熵复杂度分析 |
| 5.3.5 小波分析频谱感知性能比较 |
| 5.4 小波熵频谱感知数值结果与分析 |
| 5.4.1 数值分析参数 |
| 5.4.2 数值结果与分析 |
| 5.5 卡尔曼滤波稀疏阶估计 |
| 5.5.1 稀疏阶估计向量模型 |
| 5.5.1.1 单测量向量模型 |
| 5.5.1.2 多测量向量模型 |
| 5.5.2 卡尔曼滤波稀疏阶估计 |
| 5.5.2.1 单测量向量稀疏阶估计 |
| 5.5.2.2 多测量向量稀疏阶估计 |
| 5.5.2.3 稀疏信号稀疏阶估计意义 |
| 5.6 稀疏信号稀疏阶估计数值结果和分析 |
| 5.7 本章小结 |
| 5.8 参考文献 |
| 第六章 总结与展望 |
| 6.1 论文工作总结 |
| 6.2 未来工作展望 |
| 致谢 |
| 攻读博士学位期间的研究成果 |
（5）多正则化罚项的图像复原模型及数值实现（论文提纲范文）
| 摘要 |
| Abstract |
| 术语与数学符号约定 |
| 第一章 绪论 |
| 1.1 图像处理问题的数学描述 |
| 1.1.1 经典ROF模型 |
| 1.1.2 压缩感知模型 |
| 1.2 压缩感知理论 |
| 1.2.1 信号的稀疏表示 |
| 1.2.2 不完全频域数据重建模型与算法的构造 |
| 1.3 已有的相关工作 |
| 1.3.1 带有单一罚项的图像复原模型 |
| 1.3.2 带有多个罚项的图像复原模型 |
| 1.3.3 图像复原反问题的理论分析 |
| 1.3.4 基于不完全采样数据的图像复原问题 |
| 1.4 本文的工作与创新点 |
| 1.5 本章小结 |
| 第二章 带有l~2-TV罚项的图像复原模型及空域分块双循环迭代格式 |
| 2.1 基于有限频域数据的带有l2-TV罚项的图像复原模型 |
| 2.2 空域分块双循环迭代格式 |
| 2.3 数值模拟 |
| 2.4 本章小结 |
| 第三章 带有l~1-TV罚项的图像复原模型及空域双循环迭代格式 |
| 3.1 带有Charbonnier型近似l~1-TV罚项的图像复原模型 |
| 3.2 多个正则化参数选取与误差估计分析 |
| 3.3 空域双循环迭代格式 |
| 3.4 数值模拟 |
| 3.5 本章小结 |
| 第四章 带有简化型l~1-TV罚项的图像复原模型及循环嵌套的交替迭代格式 |
| 4.1 带有简化型l~1-TV罚项的图像复原模型 |
| 4.2 循环嵌套的交替迭代格式 |
| 4.3 迭代格式的收敛性分析 |
| 4.4 数值模拟 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 致谢 |
| 参考文献 |
| 作者攻读博士学位期间的研究成果、参与的科研项目及学术会议 |
（6）基于非合作通信的盲均衡研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.3 盲均衡系统模型 |
| 1.4 本文的研究内容 |
| 第二章 经典低阶盲均衡算法研究 |
| 2.1 Bassgang类盲均衡算法 |
| 2.1.1 常数模盲均衡算法原理 |
| 2.1.2 Goard算法 |
| 2.1.3 Sato算法 |
| 2.1.4 三种算法性能分析比较 |
| 2.2 最小均方(LMS)算法盲均衡研究 |
| 2.2.1 引导判决-最小均方盲均衡算法原理分析 |
| 2.2.2 DD-LMS盲均衡算法性能评估标准 |
| 2.2.3 仿真分析 |
| 2.3 最小均方误差(MMSE)算法盲均衡研究 |
| 2.3.1 算法原理分析 |
| 2.3.2 算法性能及仿真分析 |
| 2.4 递归最小二乘法(RLS)盲均衡研究 |
| 2.4.1 递归最小二乘法盲均衡原理分析 |
| 2.4.2 RLS盲均衡算法性能分析 |
| 2.4.3 仿真及结果分析 |
| 2.5 分数间隔盲均衡(FSE)算法研究 |
| 2.5.1 分数间隔盲均衡算法原理 |
| 2.5.2 算法性能分析 |
| 2.5.3 仿真分析 |
| 2.6 本章小结 |
| 第三章 高阶谱和高阶累积量盲均衡算法研究 |
| 3.1 高阶累积量盲均衡算法 |
| 3.1.1 高阶累积量概述 |
| 3.1.2 四二阶累计量盲均衡算法原理 |
| 3.1.3 仿真结果及分析 |
| 3.2 倒谱盲均衡算法 |
| 3.2.1 基于高阶谱法的盲均衡算法原理 |
| 3.2.2 倒三谱初始化盲均衡算法 |
| 3.2.3 仿真结果分析 |
| 3.3 超指数盲均衡算法 |
| 3.3.1 超指数算法原理 |
| 3.3.2 仿真结果及分析 |
| 3.4 本章小结 |
| 第四章 基于小波变换盲均衡算法研究 |
| 4.1 小波变换概述 |
| 4.1.1 小波变换的定义及特点 |
| 4.1.2 连续小波变换 |
| 4.1.3 离散小波变换 |
| 4.1.4 小波函数选择 |
| 4.2 正交小波变换盲均衡算法 |
| 4.2.1 均衡器的正交小波表示 |
| 4.2.2 正交变换矩阵表示 |
| 4.2.3 正交小波变换常数模算法及性能分析 |
| 4.2.4 算法仿真及结果分析 |
| 4.3 基于正交小波变换盲均衡算法的改进算法 |
| 4.3.1 基于双通道模型的小波变换修正盲均衡方法原理图 |
| 4.3.2 改进模型实施过程 |
| 4.3.3 修正算法仿真结果及性能分析 |
| 4.4 影响算法性能因素分析及三类算法性能比较 |
| 4.4.1 影响算法性能因素研究分析 |
| 4.4.2 三类盲均衡算法性能比较 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 论文总结 |
| 5.2 论文不足与未来工作展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
（7）数据驱动的滚动轴承故障特征分析与诊断方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 变量注释表 |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.3 研究内容与创新之处 |
| 2 基于EEMD和特征频带选择的故障状态智能识别方法 |
| 2.1 引言 |
| 2.2 EMD |
| 2.3 EEMD |
| 2.4 Hilbert包络谱与边际谱 |
| 2.5 特征频带选择方法 |
| 2.6 支持向量机 |
| 2.7 基于特征频带选择的故障诊断模型 |
| 2.8 实验验证 |
| 2.9 本章小结 |
| 3 基于EEMD和改进LFDA的故障状态智能识别方法 |
| 3.1 引言 |
| 3.2 故障敏感特征选择方法 |
| 3.3 基于改进LFDA的特征降维方法 |
| 3.4 故障模式识别方法 |
| 3.5 基于EEMD和SM-LFDA的故障状态识别框架 |
| 3.6 实验分析 |
| 3.7 本章小结 |
| 4 第四章基于MODWPT和改进NPE的故障状态智能识别方法 |
| 4.1 引言 |
| 4.2 小波基本理论分析 |
| 4.3 基于类别标签的监督NPE方法 |
| 4.4 基于MODWPT和改进NPE的故障状态识别框架 |
| 4.5 实验分析 |
| 4.6 本章小结 |
| 5 基于深信度网络的故障状态智能识别方法 |
| 5.1 引言 |
| 5.2 深度学习 |
| 5.3 深度置信网络 |
| 5.4 受限玻尔兹曼机RBM |
| 5.5 基于深度置信网络的故障状态识别框架 |
| 5.6 实验分析 |
| 5.7 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 |
| 学位论文数据集 |
（8）小波非平稳风速模型及实测验证（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 桥梁风工程概况 |
| 1.2 抗风研究的必要性 |
| 1.3 国内外研究现状与发展动态 |
| 1.3.1 风特性实测 |
| 1.3.2 非平稳风速模拟 |
| 1.4 本文研究的主要内容 |
| 第二章 桥梁风场特性与非平稳风速模型 |
| 2.1 引言 |
| 2.2 大气边界层 |
| 2.3 平均风特性 |
| 2.3.1 平均风速风向 |
| 2.3.2 平均风速廓线 |
| 2.4 湍流风特性 |
| 2.4.1 湍流强度 |
| 2.4.2 阵风因子 |
| 2.4.3 湍流积分尺度 |
| 2.4.4 湍流的功率谱密度函数 |
| 2.4.5 相关性分析 |
| 2.5 风速模型 |
| 2.5.1 平稳风速模型 |
| 2.5.2 非平稳风速模型 |
| 2.6 本章小结 |
| 第三章 小波分析的基本理论与研究 |
| 3.1 引言 |
| 3.2 常用信号分析与处理的方法简介 |
| 3.2.1 傅里叶变换 |
| 3.2.2 短时傅里叶变换 |
| 3.2.3 希尔伯特变换 |
| 3.2.4 经验模态分解法 |
| 3.2.5 希尔伯特-黄变换 |
| 3.2.6 小波变换 |
| 3.3 小波分析的基本理论 |
| 3.3.1 小波变换 |
| 3.3.2 多分辨分析 |
| 3.3.3 小波包分析 |
| 3.3.4 小波基的评价指标 |
| 3.3.5 MATLAB小波工具箱中的正交和双正交小波 |
| 3.4 本章小结 |
| 第四章 非平稳风速场模拟与小波提取精度研究 |
| 4.1 前言 |
| 4.2 谐波合成法模拟脉动风场理论 |
| 4.3 某大跨斜拉桥随机非平稳风场模拟 |
| 4.4 各类型小波提取时变平均值的精度分析 |
| 4.5 本章小结 |
| 第五章 基于小波非平稳风速模型的实测风场特性研究 |
| 5.1 前言 |
| 5.2 某大跨悬索桥工程概况 |
| 5.3 现场实验布置 |
| 5.4 实测风数据的预处理 |
| 5.5 风速风向时变均值提取分析 |
| 5.5.1 时变平均风速 |
| 5.5.2 时变平均风向 |
| 5.6 湍流强度分析 |
| 5.6.1 湍流强度实测计算 |
| 5.6.2 基于小波非平稳风速模型的湍流强度计算 |
| 5.7 湍流积分尺度分析 |
| 5.7.1 湍流积分尺度实测计算 |
| 5.7.2 基于小波非平稳风速模型的积分尺度计算 |
| 5.8 湍流的功率谱密度函数 |
| 5.8.1 顺风向脉动风谱 |
| 5.8.2 竖向脉动风谱 |
| 5.9 本章小结 |
| 第六章 基于局部小波平稳过程的非平稳风速场分析 |
| 6.1 前言 |
| 6.2 非平稳随机过程的局部小波平稳模型 |
| 6.2.1 广义谐和小波 |
| 6.2.2 局部平稳小波模型 |
| 6.3 基于局部平稳小波过程的风速场模拟 |
| 6.4 基于谐波合成法的非平稳风速场模拟 |
| 6.5 基于局部平稳小波过程的非平稳风速场对比分析 |
| 6.6 本章小结 |
| 第七章 结论与展望 |
| 7.1 结论 |
| 7.2 展望 |
| 7.3 创新点摘要 |
| 致谢 |
| 参考文献 |
| 在学期间发表的论文着作及取得的成果 |
（9）基于小波包和广义回归神经网络的高压直流故障信号分析与应用（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 HVDC发展现状 |
| 1.2.2 直流故障测距研究现状 |
| 1.2.3 换相失败故障辨识研究现状 |
| 1.2.4 小波包在故障信号分析中的应用 |
| 1.2.5 广义回归神经网络的应用 |
| 1.3 本文的主要工作 |
| 第二章 小波及小波包和广义回归神经网络理论 |
| 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 多分辨率分析与Mallat算法 |
| 2.3 小波包分解 |
| 2.3.1 小波包能量 |
| 2.4 广义回归神经网络 |
| 2.4.1 GRNN模型 |
| 2.4.2 GRNN的优缺点 |
| 2.5 本章小结 |
| 第三章 HVDC输电系统建模与故障分析 |
| 3.1 引言 |
| 3.2 HVDC输电系统建模 |
| 3.3 换相失败和直流线路接地故障分析 |
| 3.3.1 换相失败故障分析 |
| 3.3.2 直流线路故障分析 |
| 3.4 换相失败故障与直流线路接地故障的区分 |
| 3.4.1 直流电流突变量暂态分析 |
| 3.4.2 判断两种故障的判据 |
| 3.5 换相失败与直流线路接地故障的仿真分析 |
| 3.5.1 换相失败仿真分析 |
| 3.5.2 输电线路故障仿真分析 |
| 3.6 本章小结 |
| 第四章 基于WPD和GRNN的线路故障测距 |
| 4.1 引言 |
| 4.2 固有频率与故障距离的关系 |
| 4.2.1 固有频率的产生 |
| 4.2.2 固有频率的提取 |
| 4.2.3 故障距离的计算 |
| 4.2.4 影响故障定位的因素 |
| 4.3 基于小波包能量的故障测距原理 |
| 4.3.1 直流输电线路模量提取 |
| 4.3.2 小波包变换母函数的选取 |
| 4.3.3 故障距离与小波包能量的关系 |
| 4.4 基于小波包能量谱与GRNN神经网络的故障测距 |
| 4.4.1 不同故障点电流特征提取 |
| 4.4.2 GRNN样本获取与预处理 |
| 4.4.3 GRNN训练 |
| 4.4.4 仿真分析 |
| 4.5 本章小结 |
| 第五章 基于WPD和GRNN的换相失败故障辨识 |
| 5.1 引言 |
| 5.2 特征向量的提取 |
| 5.2.1 分解层数的选择 |
| 5.2.2 小波包能量 |
| 5.3 换相失败故障诊断方法 |
| 5.3.1 样本获取 |
| 5.3.2 两种GRNN结果输出模式 |
| 5.3.3 故障诊断算法流程 |
| 5.3.4 仿真分析 |
| 5.4 本章小结 |
| 结论与展望 |
| 参考文献 |
| 攻读硕士学位期间取得的研究成果 |
| 致谢 |
| 附件 |
（10）滚动轴承故障特征提取与诊断方法研究（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 滚动轴承故障诊断概述 |
| 1.2.1 滚动轴承的基本结构 |
| 1.2.2 滚动轴承故障形式及其振动特征 |
| 1.2.3 滚动轴承故障诊断的发展历程 |
| 1.3 滚动轴承故障诊断中几个关键问题的研究现状 |
| 1.3.1 信号降噪问题的研究现状 |
| 1.3.2 故障特征提取的研究现状 |
| 1.3.3 复合故障诊断的研究现状 |
| 1.3.4 智能诊断技术的研究现状 |
| 1.4 论文的主要工作和结构安排 |
| 1.4.1 论文的主要工作 |
| 1.4.2 论文的结构安排 |
| 第2章 基于倒谱预白化和奇异值分解重构的故障特征提取 |
| 2.1 引言 |
| 2.2 倒谱预白化理论 |
| 2.2.1 倒谱定义 |
| 2.2.2 复倒谱与实倒谱 |
| 2.2.3 倒谱预白化 |
| 2.3 奇异值分解和重构 |
| 2.3.1 奇异值理论 |
| 2.3.2 信号的奇异值分解 |
| 2.3.3 信号的奇异值重构 |
| 2.3.4 仿真信号实例分析 |
| 2.4 算法流程 |
| 2.5 滚动轴承信号分析 |
| 2.5.1 实验台介绍 |
| 2.5.2 故障滚动轴承介绍 |
| 2.5.3 实验分析 |
| 2.6 本章小结 |
| 第3章 基于自适应多尺度自互补Top-Hat变换的微弱故障诊断 |
| 3.1 引言 |
| 3.2 数学形态滤波的基本原理 |
| 3.2.1 数学形态基本变换 |
| 3.2.2 自互补Top-Hat变换 |
| 3.3 多尺度自互补Top-Hat变换 |
| 3.3.1 多尺度的意义 |
| 3.3.2 构建多尺度自互补Top-Hat变换 |
| 3.4 结构元素的选择与多尺度的确定 |
| 3.4.1 结构元素形状的选择 |
| 3.4.2 结构元素尺度的确定 |
| 3.5 实验分析 |
| 3.5.1 算法流程 |
| 3.5.2 仿真信号分析 |
| 3.5.3 实验信号分析 |
| 3.6 本章小结 |
| 第4章 基于改进谐波小波包分解的复合故障特征分离 |
| 4.1 引言 |
| 4.2 谐波小波理论 |
| 4.2.1 谐波小波分解 |
| 4.2.2 谐波小波包分解 |
| 4.3 改进的谐波小波分解 |
| 4.3.1 谐波窗分解 |
| 4.3.2 改进的谐波小波包分解 |
| 4.4 轴承复合故障特征分离 |
| 4.4.1 复合故障信号的分解 |
| 4.4.2 权重因子的求解 |
| 4.4.3 单一故障信号的重构 |
| 4.5 仿真信号验证 |
| 4.5.1 滚动轴承内、外圈复合故障仿真信号 |
| 4.5.2 仿真信号复合故障特征分离 |
| 4.6 实验信号验证 |
| 4.7 本章小结 |
| 第5章 基于时间-小波能量谱样本熵的智能诊断研究 |
| 5.1 引言 |
| 5.2 Hermitian小波变换 |
| 5.2.1 Hermitian小波 |
| 5.2.2 时间-小波能量谱 |
| 5.3 样本熵 |
| 5.3.1 熵理论及发展 |
| 5.3.2 样本熵的计算及参数选择 |
| 5.3.3 时间-小波能量谱样本熵 |
| 5.4 滚动轴承故障模式识别 |
| 5.4.1 模式识别流程 |
| 5.4.2 数据长度的选择 |
| 5.4.3 实验分析 |
| 5.5 滚动轴承运行状态检测 |
| 5.5.1 故障对时间-小波能量谱样本熵的影响 |
| 5.5.2 轴承运行状态检测流程 |
| 5.5.3 轴承全寿命周期实验分析 |
| 5.6 本章小结 |
| 第6章 结论与展望 |
| 6.1 论文总结 |
| 6.2 研究展望 |
| 参考文献 |
| 攻读博士学位期间发表的论文及其它成果 |
| 攻读博士学位期间参加的科研工作 |
| 致谢 |
| 作者简介 |
四、Matrix Expression of the Orthogonal Wavelet (Packets) Transform（论文参考文献）
- [1]基于小波变换和神经网络的系泊缆力预测方法研究[D]. 王雪. 大连交通大学, 2020(06)
- [2]矿井提升机传动系统故障诊断与健康管理关键技术研究[D]. 刘诗源. 中国矿业大学(北京), 2020(01)
- [3]带钢热连轧过程故障检测与诊断方法研究[D]. 裴然. 华北理工大学, 2020(02)
- [4]基于认知无线电的频谱感知与检测技术研究[D]. 初广前. 北京邮电大学, 2019(01)
- [5]多正则化罚项的图像复原模型及数值实现[D]. 刘晓曼. 东南大学, 2019(01)
- [6]基于非合作通信的盲均衡研究[D]. 戴安群. 电子科技大学, 2019(12)
- [7]数据驱动的滚动轴承故障特征分析与诊断方法研究[D]. 俞啸. 中国矿业大学, 2017(04)
- [8]小波非平稳风速模型及实测验证[D]. 潘永兵. 重庆交通大学, 2017(04)
- [9]基于小波包和广义回归神经网络的高压直流故障信号分析与应用[D]. 刘飞. 华南理工大学, 2017(06)
- [10]滚动轴承故障特征提取与诊断方法研究[D]. 邓飞跃. 华北电力大学(北京), 2016(02)