小波包变换广义回归神经网络同时分辨三种有机化合物的重叠光谱

文章结合两种化学计量学技术,研制了一种小波包变换广义回归神经网络(WPTGRNN)方法,对光谱严重重叠的三种有机化合物进行同时测定.该法结合小波包变换(WPT)和广义回归神经网络(GRNN)改进了除噪质量和预测能力.通过最佳化,选择了小波函数、小波包分解水平及GRNN的平滑因子.偏最小二乘(PLS)法用于比较研究,编制了三个程序(PWPTGRNN,PGRNN和PPLS)进行相关计算.结果表明,WPTGRNN法是成功的且优于GRNN及PLS方法,与GRNN方法比较所有组分质量浓度的预测值与实际值的相对预测标准误差由4.0%降低为2.3%.     

Elman回归神经网络同时定量测定三种酚类化合物

应用Elman回归神经网络(ERNN)对光谱严重重叠的对-硝基苯酚,邻-硝基苯酚和2,4-二硝基苯酚体系的同时定量测定进行了研究,并与多变量线性回归(MLR)法作了比较。编制了PERNN和PMLR程序执行有关计算。通过最佳化确定了Elman回归网络的结构和参数。ERNN和MLR法所有组分的相对预测标准偏差(RSEP)分别为3.1%和2 027.3%,实验结果显示对于分辨严重重叠光谱本法是成功的。ERNN法是解决局部最小和提高收敛速度的一种有价值的工具,亦可用于分析全光谱而不只限于选取少数特征值。本法为不经预先分离同时测定严重重叠的分子光谱体系提供了新的途径。     

小波包变换潜变量回归同时测定钐和钇

采用小波包变换潜变量回归(WPLVR)方法,同时测定了钐和钇。该法结合小波包变换和潜变量回归改进了除噪质量。信号的小波包表述提供了一个局部时频描述, 因此在小波域, 除噪质量可以改善。潜变量是把小波包处理过的信号投影到正交基本征矢量上获得。潜变量可由原始变量的线性组合来表示。使用该法, 人们可从没有选择性的全光谱数据中获得极有选择性的信息。通过最佳化,选择了小波函数及小波包分解水平(L)。编制了两个程序(PWPLVR)和(PFTLVR)执行WPLVR和傅里叶变换潜变量回归(FTLVR)法计算。试验结果表明两种方法都是成功的,且WPLVR法更优于FTLVR法。     

基于连续偏振光谱技术与嵌入型灰色神经网络的稻种发芽率检测方法研究

针对稻种发芽率传统检测方法周期长,近红外光谱检测技术等无损检测方法受稻种自然颜色及含水量影响大的问题,通过连续偏振光谱结合嵌入型灰色神经网络(IGNN)的方法建立稻种发芽率预测模型。对检测连续偏振光谱运用经典模式分解(EMD)和小波包变换进行去噪处理,根据去噪效果选择EMD去噪。利用主成分分析(PCA)提取去噪后的连续偏振光谱特征,结合偏最小二乘法回归(PLSR)、反向传播神经网络(BPNN)、径向基神经网络(RBFNN)和IGNN分别构建稻种发芽率预测模型,建模结果显示10 min检测时间点IGNN预测模型精度最高,预测集相关系数RP=0.985,预测集均方根误差(RMSEP)为0.771。研究结果表明基于连续偏振光谱技术结合嵌入型灰色神经网络的方法实现稻种发芽率快速无损检测是可行的且精度较高。     

基于化学计量法对荧光光谱重叠的维生素B1、B2和B6的测定

利用直接正交信号校正( DOSC)-小波包变换(WPT)-偏最小二乘法(PLS)(DOSC-WPT-PLS)新方法对荧光光谱严重重叠的维生素B1、B2和B6三组分混合体系进行了同时测定.设计了 PDOSCWPTPLS程序执行相关计算,并将三种化学计量学方法(DOSC-WPT-PLS、WPT-PLS和PLS)进行了比较....     

基于提升小波变换的矿物油荧光光谱去噪研究

矿物油的使用是造成雾霾等空气污染问题的重要原因。矿物油荧光光谱检测系统光谱消噪处理的有效性和快速性是在线实时监测系统的热点问题。研究应用提升算法小波变换(LWT)矿物油荧光光谱去噪的方法。与传统的离散小波变换(DWT)相比,提升小波变换将现有的小波滤波器分解成基本的构造模块,分步骤完成变换,结构简单,运算速度快。在矿物油荧光光谱去噪过程中具有运算量低、原位运算和便于实现的特点,有效解决了传统小波变换在这方面的不足。提升算法的小波变换、传统离散小波变换和经验模态变换(EMD)分别运用到0#柴油、97#汽油、煤油三种矿物油的荧光光谱去噪中,评价去噪效果指标的信噪比(SNR)、重构均方根误差(RMSE)和波形相似度(NCC)证明了提升方法小波变换用于矿物油荧光光谱去噪的有效性。同时,提升算法变换能提高构造的灵活性和运算的简单性使消噪时间降低62%,证明了提升算法的小波变换运用到矿物油荧光光谱去噪中的快速性,适于矿物油实时消噪处理系统。     

基于小波包变换和数学形态学结合的光谱去噪方法研究

对反射光谱数据进行去噪是提高光谱信息准确度的前提。传统时域平滑和频域去噪方法存在诸多缺点,本文首次将广义形态滤波方法用于可见近红外光谱的去噪处理,并提出基于小波包变换和数学形态学结合的光谱去噪方法。使用USGS光谱库中的植被光谱进行实验,采用信噪比(SNR)、均方误差根(RMSE)、波形相似度(NCC)和平滑度(SR)四个指标来评估去噪效果。结果表明,小波包最佳基阈值法和广义形态滤波法都能较好地保持波形和平滑度,广义形态滤波法能较好地消除幅值较大的随机噪声,但其对连续随机噪声中幅值较小的噪声成分不能有效消除; 而小波包最佳基阈值法不能有效消除幅值较大的噪声成分; 二者结合的方法组合了这两者的优点,使得幅值较大、较小的噪声成分都能较好地消除,同时还提高了相似度和平滑度指标,充分表明小波包最佳基阈值与广义形态滤波结合的方法是一种更好的可见光近红外光谱去噪方法。     

提升小波包和改进BP神经网络相融合的新故障诊断算法

针对传统的小波变换和BP神经网络应用于故障诊断中存在自适应性差、效率低等问题,提出一种提升小波包和改进BP神经网络相融合的新故障诊断算法;利用插值细分思想,设计了提升小波包的预测算子和更新算子,结合传统小波包算法和提升模式的原理,完成了提升小波包算法的设计,并将该算法应用于故障信号的消噪和能量特征量的提取;利用遗传算法优化标准BP神经网络的初始权值和阈值,采用L-M算法优化标准BP神经网络的搜索方式;以美国凯斯西储大学提供的滚动轴承实验数据,将新算法应用于实验中,分析结果表明:新故障诊断算法比传统的BP神经网络算法具有收敛速度快、诊断精度高等实效性。     

利用自相关函数与平稳小波变换的^(252)Cf源驱动核材料质量识别方法北大核心CSCD

以252Cf中子源驱动噪声分析测量法为依据,利用中子脉冲信号自相关函数与被测核材料(252 U)质量的关系,设计了一种基于神经网络的核材料质量识别方法,探索借助时域特征进行质量识别的有效性。利用平稳小波变换抑制中子统计涨落对自相关函数带来的影响,利用分布式Elman神经网络对不同质量核材料的自相关函数样本进行训练和识别,并研究了有限样本前提下不同子网个数对最终识别结果所造成的影响。对4种核材料质量共计120组样本进行的实验,结果表明:在理想实验条件下,平稳小波变换抑制了统计涨落对信号自相关函数的影响;分布式Elman神经网络能够较好地识别自相关函数的特征,分辨不同质量的核材料,平均识别误差小于0.1。     

结点阈值小波包变换图像去噪新算法

小波包变换是小波变换的推广,可视为普通小波函数的线性组合,具有灵活的时频分析能力,随着分解层数的增加,小波包分解能够在所有的频率范围聚焦。提出一种应用结点阈值小波包变换的新型图像去噪算法。利用小波包变换对含噪图像进行分解,在图像信号的子带层次上进行结点阈值操作,采用软阈值的方法进行阈值处理,结点噪声采用谱熵法估计,并使用峰值信噪比评估去噪后的图像质量。实验结果表明,相比于使用其它阈值方法的小波包图像去噪算法,该算法具有更好的图像去噪性能。     

Determination of the elastic constants of a composite plate using wavelet transforms and neural networks

An inverse method based on a combination of the wavelet transform and artificial neural networks is presented. The method is used to recover the elastic constants of a fiber-reinforced composite plate from experimental measurements of ultrasonic Lamb waves generated and detected with lasers. In this method, the elastic constants are not recovered from the dispersion curves but rather directly from the measured waveforms. Transient waveforms obtained by numerical simulations for different elastic constants are used as input to train the neural network. The wavelet transform is used to extract the eigenvectors from the Lamb wave signals to simplify the structure of the neutral network. The eigenvectors are then introduced into a multilayer internally recurrent neural network with a back-propagation algorithm. Finally, experimental waveforms recoded on a titanium-graphite composite plate are used as input to recover the elastic constants of the material.     

基于遗传粒子群算法的模拟电路故障诊断方法研究

提出一种基于小波包分解、归一化处理、遗传粒子群优化算法(GAPSO)和BP神经网络相结合的模拟电路故障诊断新方法。该方法使用小波包分解获取各尺度函数空间上的能量特征信息作为特征向量输入神经网络。利用遗传粒子群算法优化BP神经网络的权值和阀值,有效克服BP神经网络极易陷入局部极小等缺陷。通过Multisim仿真电路实例,比较GAPSO-BP和BP神经网络的诊断结果,验证了该方法的有效性。     

Analysing the structure of the optical path length of a supersonic mixing layer by using wavelet methods

The nano-particle-based planar laser scattering(NPLS) technique is used to measure the density distribution in the supersonic mixing layer of the convective Mach number 0.12,and the optical path difference(OPL),which is quite crucial for the study of aero-optics,is obtained by post processing.Based on the high spatiotemporal resolutions of the NPLS,the structure of the OPL is analysed using wavelet methods.The coherent structures of the OPL are extracted using three methods,including the methods of thresholding the coefficients of the orthogonal wavelet transform and the wavelet packet transform,and preserving a number of wavelet packet coefficients with the largest amplitudes determined by the entropy dimension.Their performances are compared,and the method using the wavelet packet is the best.Based on the viewpoint of multifractals,we study the OPL by the wavelet transform maxima method(WTMM),and the result indicates that its scaling behaviour is evident.     

基于RBF神经网络的强流LIA故障诊断与性能评价技术

 用于流体动力学诊断的强流LIA是庞大而复杂的系统，其性能预测和评估是十分困难的。针对强流LIA大量的单次快脉冲非平稳信号，提出基于小波包分析与RBF神经网络技术相结合实现故障智能诊断和性能评价的方法。该方法以强流LIA高维信号的小波包结点能量提取的特征向量来表征信号平顶、脉宽以及暂态特性。在此基础上，建立了“神龙一号”加速器腔电压及注入器出口束流故障诊断与性能评价原型系统，该系统不仅可进行故障诊断和性能评价，还可探测到加速器运行参数的变化趋势，为加速器的精细维护提供预测信息。     

利用深度神经网络和小波包变换进行缺陷类型分析

超声检测中对缺陷进行类型分析通常取决于操作人员对于特定专业知识的了解及检测经验,从而导致其分析结果的不稳定性和个体差异性。本文提出了一种使用小波包变换提取缺陷特征信息,并应用深度神经网络对得到的信息进行分类识别的方法。利用超声相控阵系统对于不锈钢试块上的通孔、斜通孔和平底孔进行超声检测,并对得到的超声回波波形按照新方法进行分析。实验结果表明,使用小波包变换后的数据进行分类识别能够在提高识别准确率的同时降低神经网络的学习时间,而使用深度神经网络相比通用的BP神经网络以可接受延长学习时间的代价提高了识别的准确率。采用新方法后,缺陷分类正确率提高了21.66%,而网络学习时间只延长了91.9s。在超声检测中使用小波包变换和深度神经网络来对于缺陷进行类型分析,能够排除人为干扰,增加识别准确率,对于实际应用有着极大的意义。      

小波变换与神经网络融合法在油页岩近红外光谱分析中的应用

便携式近红外光谱分析技术可实现油页岩含油率的原位检测,在油页岩资源现场勘查中发挥着重要作用。但是,由于其测得的原始光谱数据量大、冗余信息多,直接建模会影响速度与精度。因此提出一种小波变换与神经网络融合法,先将油页岩全谱数据进行db8小波3级分解,提取其近似系数形成输入矩阵,然后再进行神经网络建模。为了验证有效性,利用30个油页岩合成样品,从中随机选择20个用于训练,另外10个用于预测,并分别使用全谱数据与小波特征数据进行了10次神经网络建模。结果表明,全谱数据建模速度均值为570.33 s,预测残差平方和及相关系数均值分别为0.006 012及0.843 75;而小波神经网络法对应的以上均值为3.15 s, 0.002 048及0.953 19。由此说明小波神经网络法优于全谱数据建模法,为油页岩含油率的快速、高精度检测提供了一种新方法。     

Identification of vehicle suspension shock absorber squeak and rattle noise based on wavelet packet transforms and a genetic algorithm-support vector machine

The squeak and rattle (S&R) noise of a vehicle’s suspension shock absorber substantially influences the psychological and physiological perception of passengers. In this paper, a state-of-the-art method, specifically, a genetic algorithm-optimized support vector machine (GA-SVM), which can select the most effective feature subsets and optimize the model’s free parameters, is proposed to identify this specific noise. A vehicular road test and a shock absorber rig test are conducted to investigate the relationship between these features, and then an approach for quantifying the shock absorber S&R noise is given. Pre-processed signals are decomposed through a wavelet packet transform (WPT), and two criteria, namely, the wavelet packet energy (WPE) and wavelet packet sample entropy (WPSE), are introduced as the feature extraction methods. Then, the two extracted feature sets are compared based on this genetic algorithm. Another advanced method, known as the genetic algorithm-optimized back propagation neural network (GA-BPNN), is introduced for comparison to illustrate the superiority of the newly developed GA-SVM model. The result shows that the WPSE can extract more useful features than the WPE and that the GA-SVM is more effective and efficient than the GA-BPNN. The proposed approach could be retrained and extended to address other fault identification problems.     

一种基于皮肤纹理特征的皮肤分类算法

根据皮肤纹理的深浅、节点数及纹理粗细等主要特征,采用小波包及二维傅里叶变换分析方法和数学形态学分析法实现了皮肤的特征提取。利用小波包分解得到的空间频率信息对二值化纹理图像进行空域滤波去噪,利用基本竞争型人工神经网络进行纹理分类。结果表明,这一方法可获得较理想的分类结果。