导读:本文包含了多小波分析论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:小波,图像,核磁共振,分解,极大值,特征,组织。
多小波分析论文文献综述
徐豹之[1]（2019）在《基于多小波分析及证据推理的隧道超前水平钻孔参数预报方法研究》一文中研究指出超前水平钻孔参数预报是最直接、有效的一种短程隧道预报方法,该方法通过掌子面水平钻进获取的钻进速度、旋转速度、推进压力和扭矩等参数,利用4个参数与围岩的相关性,推断掌子面前方具体围岩情况。目前在参数预报研究中对围岩岩性及构造的划分不细致,其结果与实际围岩存在一定误差,且无法较为准确的区分开岩性及构造。本文以小川隧道钻进过程中获取的参数为基础,采用了小波去噪、多小波分析和证据推理等方法对功速比曲线进行了深入的研究,以达到对掌子面前方围岩岩性及构造较为准确的划分。主要做了以下工作:(1)采用了小波去噪方法对现场钻进试验获取的含噪声参数曲线进行去噪处理,可以有效的获取曲线特征,并利用去噪处理后钻进参数的相关性引入功速比公式。(2)通过连续小波变换和边缘检测方法对功速比曲线进行多小波匹配,将多小波匹配结果结合掌子面描述和钻进参数曲线对围岩岩性及部分构造进行划分。结果表明,功速比曲线多小波匹配分析可以较为准确的划分围岩岩性及部分构造。(3)针对多小波分析在围岩构造划分中存在“不确定”和“不知道”部分,引入了具有直接表达其能力的证据推理方法。经过证据推理判断得到的不确定围岩段构造类别可信度高。并与钻孔取芯预报法和TSP预报法划分结果对比,得知本文方法划分结果优于其他两种方法。(4)将本文的研究方法应用到工程实例中,验证了本文方法的准确性和可行性。因此,将其引入隧道超前水平钻孔参数预报法中可以提高预报结果的准确性,使其可以更好的服务于隧道施工与建设,为以后的研究提供了借鉴和参考。(本文来源于《长安大学》期刊2019-04-28）
王雪[2]（2017）在《基于多小波分析的捣固车滚动轴承故障诊断的研究》一文中研究指出铁路因为其安全、运输量大而成为主要交通运输方式之一,而捣固车主要就是针对铁路进行作业与维修的。捣固车由于工作环境及工作强度的问题会产生不同的故障,而滚动轴承作为重要的零部件,其故障的发生会影响捣固车的正常运行。因此,非常需要针对捣固车滚动轴承的故障诊断开展研究。本文就捣固车滚动轴承的故障振动信号先进行了基于改进多小波阈值的故障信号降噪,并在此基础上研究了一种基于总体经验模态和能量熵结合的故障特征提取方法,后就故障诊断采用了模糊神经网络的分类方法,并进行仿真实验分析。本文先介绍了小波分析和多小波分析的理论,在此基础上提出了一种改进阈值函数的多小波阂值降噪方法,并研究了一种基于总体经验模态和能量熵相结合的故障特征提取方法,将两者都应用到捣固车滚动轴承故障信号的分析中。首先针对信号先进行多小波函数和预处理方法的选取,并将相关系数和低频峭度比作为评价标准,然后采用改进阂值函数对含噪信号进行多小波分层降噪,最后利用总体经验模态分解得到降噪信号的多个IMF分量,并采用能量熵构成故障特征向量。在介绍了模糊神经网络的相关理论后,研究了基于自适应模糊神经网络在捣固车滚动轴承故障分类的应用,并通过与BP神经网络方法进行结果对比分析。实验结果表明改进的多小波阈值降噪方法可以达到更好的降噪效果,而且本文所采用的故障特征提取方法能够很好的为后续故障诊断提供丰富、准确的故障特征信息。并且基于自适应模糊神经网络可以很好的应用到捣固车滚动轴承的故障类型的识别中。(本文来源于《昆明理工大学》期刊2017-03-01）
陈静[3]（2016）在《基于多小波分析和分型理论的输电线路故障特征提取研究》一文中研究指出将多小波分析和分形理论应用于输电线路故障特征参数的提取中。首先采用凯伦布尔变换对提取的故障电流进行相模变换,对得到的模分量进行GHM多小波变换求取模极大值从而得到故障选相参数,然后采用关联维数计算出不同初始角、不同故障距离下故障电流的分形维数作为故障类型检测的特征参数。仿真结果表明不同类型故障的分形维数差异很大,同一故障分形维数具有一定的相似性。因此,通过提取故障点电流的模极大值和分形维数可以进行线路故障检测。(本文来源于《黑龙江科技信息》期刊2016年11期）
廖强[4]（2016）在《约束独立分量和多小波分析在滚动轴承故障诊断中的应用》一文中研究指出当今,科学技术的发展日新月异,各种先进的旋转机械设备不断朝着复杂、高速、重载和精密的方向发展。此类设备通常应用于电力、冶金、石化等国民经济重要的支柱性产业中,其在运营当中面临着严苛的工作环境。滚动轴承做为旋转机械的重要组成部分,具有极为广泛的应用,也是一种最容易失效的部件。旋转机械设备在运行过程当中,一旦滚动轴承发生故障,轻则可能破坏整台设备,影响正常生产经营,直接导致巨额经济损失;重则可能造成灾难性的后果,发生人员伤亡及设备损毁事件,对社会产生极为严重的负面影响。因此,如何在现有机械故障诊断方法的基础上加以创新和提高,不断地丰富和发展机械故障诊断技术,真正做到对事故的早期预警,具有极为重要的意义。对滚动轴承在运转过程中产生的振动信号进行分析是滚动轴承故障诊断的主要方法之一,其过程主要包括以下叁个步骤:1)采集故障振动信号;2)提取故障特征;3)故障类型识别。在此过程中,最为关键的一步就是如何从采集的观测信号中提取出滚动轴承的故障特征信息。本文以滚动轴承为研究对象,采用先进的信号处理工具:约束独立分量分析和多小波分析方法,对滚动轴承故障特征信号的提取进行了相关研究,其主要研究内容如下:(1)针对滚动轴承在运转期间故障信号往往具有周期性冲击的特点,根据源信号的统计独立性和期望信号的某些先验信息,选用基于方波参考信号的约束独立分量分析方法来提取滚动轴承的故障信号。给出了约束独立分量分析方法中选取参考信号应满足的必要条件。基于方波参考信号的约束独立分量分析算法以Fast ICA算法为基础,将与滚动轴承的故障特征频率相等的方波参考信号作为约束条件,使得算法朝着期望信号的方向收敛。鉴于经典Fast ICA算法只具备二阶收敛速度,为了提高算法运算效率,对经典Fast ICA算法的基础上,引入了一种五阶收敛速度的牛顿迭代格式,使得改进后的约束独立分量分析算法具有五阶收敛速度。仿真和试验结果表明,基于方波参考信号的约束独立分量分析方法能够很好地提取滚动轴承的故障特征信号,并且在算法收敛速度方面要快于传统的Fast ICA算法。(2)以Fast ICA算法为基础,提出了基于滚动轴承故障理论模型的约束独立分量分析算法。该算法是通过滚动轴承故障理论模型生成参考信号。尽管故障理论模型与实际故障并不完全一致,但模型误差却不影响算法朝着期望信号的方向收敛。与基于方波参考信号约束独立分量分析算法相比,缩短了算法运行时间,主要原因在于滚动轴承故障理论模型比方波信号更接近于故障信号。(3)以健壮独立分量分析算法为基础,结合故障信号的某些先验信息,提出了约束健壮独立分量分析方法。该算法通过引入期望信号与参考信号的接近性函数,提出了约束健壮独立分量分析对比函数。与传统的基于峭度的Fast ICA算法相比,该算法的优点是:1)通过引入参考信号,使得该算法能够直接朝着期望信号的方向收敛,提高了算法的运算效率;2)通过引入最优步长技术,使得每一次迭代运算都有全局最优解;3)由于该算法对于输入信号无需进行预白化处理,缩短了算法的运算时间。仿真和试验结果表明该算法不论是在运行速度方面还是在算法精度方面都要优于传统的基于峭度的Fast ICA算法。(4)提出了一种多小波预处理的约束独立分量分析算法。该算法对初始信号先期进行多小波降噪处理以提高信号的信噪比。之后应用约束独立分量分析方法提取故障特征信号。与小波独立分量分析(W-ICA)算法相比较,该算法优势如下:1)采用多小波降噪技术,比传统的单小波降噪效果更加明显,原因在于多小波具有单小波不能同时具有的对称性、紧支性、正交性和高阶消失矩等特点;2)引入方波参考信号,使得算法直接收敛于期望信号。仿真和试验结果表明多小波降噪效果要优于单小波降噪,多小波预处理的约束独立分量分析比小波独立分量分析(W-ICA)算法运算效率更高。(5)针对多小波所具有多个小波函数的特性,在机械设备复合故障诊断过程中多小波可同时匹配多个故障特征信号,因此具备了一次性提取出多个故障特征信息的能力。在多小波理论基础上,提出了提升多小波包算法。以最小化信号残差为目标函数,对提升框架的预测算子和更新算子进行优化,实现了提升小波基自适应地匹配输入信号。并且对输出信号进行Hilbert变换处理,能够同时输出多个故障信号,一次性提取复合故障。应用该方法提取滚动轴承内圈-滚动体和外圈-滚动体两种复合故障信号,试验结果表明该方法是可行的、有效的。(本文来源于《电子科技大学》期刊2016-04-01）
何永峰[5]（2015）在《基于多小波分析的图像优化去噪方法研究》一文中研究指出针对传统单小波在对称性、正交性、有限支撑等特性上的不足,提出一种基于多小波分析的图像优化去噪方法。对图像进行预滤波处理操作,消除多小波的不恰当离散性。对待处理信号经预滤波处理后产生的四个分量进行多小波变换处理。采用Visu shrink方法与基于stein无风险估计的Sureshrink方法对阈值进行确定。保持总像素量不变,给出多小波分解及重构系统框图。以S=2的多小波为例对多小波变换进行分析。分别完成行滤波和列滤波。对噪声方差进行预测,完成对原始图像多小波系数的方差的估计,对尺度参数和阈值进行计算。仿真实验结果表明,所提方法能够有效去除图像噪声,进一步增强了图像的信噪比。(本文来源于《科技通报》期刊2015年12期）
李文斌[6]（2011）在《基于多小波分析的滚动轴承故障诊断方法研究》一文中研究指出多小波又称向量小波,是在传统小波分析的基础上发展起来的一种新的小波构造理论。它是由多个小波基函数张成的函数空间,能够同时具备对称性、正交性、紧支撑性和高阶消失矩等特性,因而在模式识别、信号除噪方面比单小波分析更具优势。本文将多小波分析引入滚动轴承的故障诊断,研究内容如下:(1)为了使一维振动信号与多小波的r维空间相匹配,本文首先围绕信号的预处理方法展开讨论。以GHM多小波和CL多小波为研究对象,以信号重构误差和低频平均能量比为评价标准,分别针对仿真信号和实测振动信号,确立了最佳的多小波函数及相应的预处理方法。(2)基于GHM多小波及系数重复行的预处理方式,研究了故障信号的降噪算法。为了避免阈值选择对降噪效果的干扰,本文分别将自适应阈值和奇异值分解技术与多小波分析相结合。通过轴承故障的仿真信号、实验信号以及工程数据的分析验证,表明多小波的降噪效果明显优于单一小波,而且更易于识别滚动轴承的早期故障特征。(3)为了充分利用多小波分解后的各子带信息,本文研究了基于多小波包的故障诊断方法。以Shannon熵为代价函数,完成了对多小波包最优基的搜索和识别。在此基础上,将其与自适应阈值和奇异值分解的降噪方法相结合,利用不同故障模式(改变点蚀大小)下的轴承振动信号验证了降噪方法的有效性。(4)针对正常轴承以及0.5-5mm的内、外圈点蚀共9类分析模式,构造了故障程度识别因子。其中,以多小波包分解和谱峭度分析作为特征提取的主要方法,进而结合特征系数的复杂度计算,完成了9种状态的模式识别,从中可以发现内、外圈故障不同的演变趋势。(5)基于理论研究,利用LabVIEW与Matlab联合开发了一套融合多小波分析方法的故障监测与诊断系统,通过6307滚动轴承的模拟故障实验,验证了该系统的实用性及可靠性。(本文来源于《北京工业大学》期刊2011-06-01）
桑雪芹[7]（2010）在《基于多小波分析理论的图像融合技术研究》一文中研究指出小波分析是在短时傅立叶变换的基础上发展起来的一种具有多分辨率特性的局部分析方法,它通过伸缩、平移等运算对信号进行多尺度细化分析,从信号中提取有效信息,是分析非平稳信号的有力工具。小波分析在时域和频域都具有表征信号局部信息的能力,并可根据实际分析的需要,动态调节时间窗和频率窗的形状和大小。因此,小波分析在局部时频分析中具有很强的灵活性,被喻为时频分析的显微镜。小波分析在图像处理中有着重要的应用,包括图像压缩,图像去噪,图像检索,图像融合和视频流等。本文首先详细地介绍了小波分析及其理论,特别是离散小波变换和多分辨率分析并以单小波的发展史和基础理论为出发点,介绍多小波的发展及多小波分析理论知识,同时,介绍了多小波的四种特性,这些理论是图像融合的基础。随着图像传感器技术的发展,图像融合作为一种有效的信息融合技术在很多领域都得到了广泛的应用。图像融合技术是将多个传感器收集的关于同一目标的多幅图像经过图像处理,提取多幅源图像的数据,融合在同一图像中,本文主要研究内容是基于多小波分析理论的图像融合技术研究。本文系统地介绍图像融合产生背景和发展现状,以及图像融合在各个领域中的应用；针对基于多小波分析理论的像素级图像融合方法,给出了图像融合效果的主观和客观评价参数；分析了小波分解层数的选取对图像融合结果的影响；详细介绍了几种常用的高、低频小波系数融合规则；在设计融合规则问题上,对多小波变换分解得到的低频子带系数和高频子带系数分别采用了不同的设计方案；用试验数据作对比,客观检验小波融合方法和其他的图像融合方法,并且提出了一种新的多小波图像融合算法,最后文章用完整的实验和多个数据结果证明了本文所提出方法的有效性和可行性。(本文来源于《中国海洋大学》期刊2010-05-01）
李鑫环,陈立潮,张英俊,赵勇[8]（2009）在《一种基于平衡多小波分析与SOFM的图像分割算法研究》一文中研究指出针对目前MRI脑图像分割算法在图像分割速度和精度上不理想的问题,提出了一种将平衡多小波分析与SOFM相结合的BMSOFM算法。该算法在对MRI脑图像进行平衡多小波分析的基础上,用SOFM对图像聚类,最终得到分割结果。对不同分辨率的MRI脑图像的仿真实验表明,在高分辨率的情况下,BMSOFM不但加快了分割的速度,而且提高了聚类精确度,分割效果得到明显改善。(本文来源于《计算机与数字工程》期刊2009年11期）
李鑫环,陈立潮,赵红艳,赵勇[9]（2009）在《基于多小波分析与SOFM的MR图像分割算法研究》一文中研究指出有效地实现MRI脑图像的分割是临床疾病诊断的一个难题。针对目前MRI脑图像分割算法在图像分割的速度和精度上不理想的问题,提出了一种将多小波分析与SOFM相结合的MWSOFM算法。该算法先对MRI脑图像进行多小波分解得到小波系数金字塔,再用SOFM算法对图像从塔顶开始从上往下逐层进行聚类,最终得到分割结果。对不同分辨率的MRI脑图像的仿真实验表明,在高分辨率的情况下,MWSOFM不但加快了分割的速度,而且提高了聚类精确度,分割效果得到明显改善。(本文来源于《计算机技术与发展》期刊2009年09期）
王克勇,宋承天,郑链[10]（2008）在《基于多小波分析和数据拟合的小目标跟踪方法》一文中研究指出针对红外序列图像弱小目标的跟踪问题,提出了将多小波分析与数据拟合结合起来的小目标跟踪方法。利用对多小波分析进行目标奇异性的检测,得到了可能的点目标利用数据拟合方法在连续多帧内对每组可能点数据进行拟合,根据运动目标轨迹特性判断出真实目标,进而进行跟踪。仿真试验表明,该方法能有效地实现低信噪比下的小目标稳定跟踪.(本文来源于《光学技术》期刊2008年S1期）
多小波分析论文开题报告
（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：
铁路因为其安全、运输量大而成为主要交通运输方式之一,而捣固车主要就是针对铁路进行作业与维修的。捣固车由于工作环境及工作强度的问题会产生不同的故障,而滚动轴承作为重要的零部件,其故障的发生会影响捣固车的正常运行。因此,非常需要针对捣固车滚动轴承的故障诊断开展研究。本文就捣固车滚动轴承的故障振动信号先进行了基于改进多小波阈值的故障信号降噪,并在此基础上研究了一种基于总体经验模态和能量熵结合的故障特征提取方法,后就故障诊断采用了模糊神经网络的分类方法,并进行仿真实验分析。本文先介绍了小波分析和多小波分析的理论,在此基础上提出了一种改进阈值函数的多小波阂值降噪方法,并研究了一种基于总体经验模态和能量熵相结合的故障特征提取方法,将两者都应用到捣固车滚动轴承故障信号的分析中。首先针对信号先进行多小波函数和预处理方法的选取,并将相关系数和低频峭度比作为评价标准,然后采用改进阂值函数对含噪信号进行多小波分层降噪,最后利用总体经验模态分解得到降噪信号的多个IMF分量,并采用能量熵构成故障特征向量。在介绍了模糊神经网络的相关理论后,研究了基于自适应模糊神经网络在捣固车滚动轴承故障分类的应用,并通过与BP神经网络方法进行结果对比分析。实验结果表明改进的多小波阈值降噪方法可以达到更好的降噪效果,而且本文所采用的故障特征提取方法能够很好的为后续故障诊断提供丰富、准确的故障特征信息。并且基于自适应模糊神经网络可以很好的应用到捣固车滚动轴承的故障类型的识别中。
（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。
多小波分析论文参考文献
[1].徐豹之.基于多小波分析及证据推理的隧道超前水平钻孔参数预报方法研究[D].长安大学.2019
[2].王雪.基于多小波分析的捣固车滚动轴承故障诊断的研究[D].昆明理工大学.2017
[3].陈静.基于多小波分析和分型理论的输电线路故障特征提取研究[J].黑龙江科技信息.2016
[4].廖强.约束独立分量和多小波分析在滚动轴承故障诊断中的应用[D].电子科技大学.2016
[5].何永峰.基于多小波分析的图像优化去噪方法研究[J].科技通报.2015
[6].李文斌.基于多小波分析的滚动轴承故障诊断方法研究[D].北京工业大学.2011
[7].桑雪芹.基于多小波分析理论的图像融合技术研究[D].中国海洋大学.2010
[8].李鑫环,陈立潮,张英俊,赵勇.一种基于平衡多小波分析与SOFM的图像分割算法研究[J].计算机与数字工程.2009
[9].李鑫环,陈立潮,赵红艳,赵勇.基于多小波分析与SOFM的MR图像分割算法研究[J].计算机技术与发展.2009
[10].王克勇,宋承天,郑链.基于多小波分析和数据拟合的小目标跟踪方法[J].光学技术.2008
论文知识图
