由于模擬電路的多樣性、非線性和離散性等特點(diǎn)，模擬電路的故障診斷呈現(xiàn)復(fù)雜、難以辨識(shí)等問題。針對(duì)已有方法的數(shù)據(jù)不平衡，提出了一種支持向量機(jī)集成的故障診斷方法。使用小波變換方法提取特征向量，在多類別支持向量機(jī)的基礎(chǔ)上，設(shè)計(jì)了模擬電路的最小二乘支持向量機(jī)預(yù)測(cè)模型，實(shí)現(xiàn)了對(duì)模擬電路的狀態(tài)的故障預(yù)測(cè)。將該方法應(yīng)用于Sallen-Key帶通電路進(jìn)行故障預(yù)測(cè)試驗(yàn)，結(jié)果表明，該方法比單一支持向量機(jī)、徑向基神經(jīng)網(wǎng)絡(luò)、BP神經(jīng)網(wǎng)絡(luò)和APSVM有更好的分類和泛化性能，故障診斷準(zhǔn)確率更高。
標(biāo)簽： LS-SVM 集成 模擬電路 故障檢測(cè)
上傳時(shí)間： 2013-10-31
上傳用戶：417313137
針對(duì)信號(hào)檢測(cè)中經(jīng)常存在的噪聲污染問題，利用小波分解之后可以在各個(gè)層次選擇閾值，對(duì)噪聲成分進(jìn)行抑制，手段更加靈活。本文介紹了小波變換的一般理論以及在信號(hào)降噪中的應(yīng)用，分析了被噪聲污染后的信號(hào)的特性；利用MATLAB軟件進(jìn)行了信號(hào)降噪的模擬仿真實(shí)驗(yàn)并在降噪光滑性和相似性兩個(gè)方面體現(xiàn)出小波變換的優(yōu)勢(shì)。本文分別使用了不同類型的小波和相同類型小波下不同閾值對(duì)信號(hào)進(jìn)行了降噪．仿真結(jié)果表明小波變換具有良好降噪的效果。
標(biāo)簽： 小波分析 信號(hào)降噪 中的應(yīng)用
上傳時(shí)間： 2013-10-19
上傳用戶：alex wang
對(duì)脈搏波的完全分析是建立在含有少量噪聲且較為清晰的脈搏波信號(hào)中，然而在采集脈搏波信號(hào)時(shí)容易受到多種干擾的影響，使其提取出來的脈搏波含有大量的噪聲，因此降噪處理顯得尤為必要。同時(shí)，脈搏波中含有人體生理病理信息，不同的人將表現(xiàn)為不同的特征，可以看出確定脈搏波特征點(diǎn)對(duì)于分析人體生理健康很有意義。針對(duì)信號(hào)去噪問題采用小波變換和多分辨率分析的方法，該方法在時(shí)域和頻域都能表征信號(hào)局部信息的能力，且具有對(duì)信號(hào)具有自適應(yīng)性。運(yùn)用極值法確定出脈搏波的峰值點(diǎn)，然后再根據(jù)峰值點(diǎn)確定出其他特征點(diǎn)的位置，實(shí)驗(yàn)證明該方法能夠增加特征點(diǎn)的檢出率。
標(biāo)簽： 脈搏波 信號(hào)降噪 特征點(diǎn)識(shí)別
上傳時(shí)間： 2013-10-12
上傳用戶：shirleyYim
提出了一種基于仿生小波變換和模糊推理的變步長自適應(yīng)濾波語音降噪算法。該算法首先用仿生小波變換法對(duì)包含噪聲的語音信號(hào)進(jìn)行小波分解，以分離出來的噪聲信號(hào)作為自適應(yīng)濾波器的輸入，選擇基于模糊推理變步長自適應(yīng)算法對(duì)帶噪聲語音信號(hào)進(jìn)行降噪處理，最終實(shí)現(xiàn)語音信號(hào)的信噪分離，去除語音信號(hào)中的噪聲。仿真結(jié)果表明，該方法對(duì)語音信號(hào)有較為明顯的降噪效果。
標(biāo)簽： 仿生 小波變換 模糊推理 語音降噪
上傳時(shí)間： 2013-10-14
上傳用戶：戀天使569
為去除腦電信號(hào)采集過程中存在的噪聲信號(hào)，提出了基于小波閾值去噪的腦電信號(hào)去噪。以小波閾值降噪為基礎(chǔ)，首先利用db4小波對(duì)腦電信號(hào)進(jìn)行5尺度分解，然后采用軟、硬閾值與小波重構(gòu)的算法進(jìn)行去噪。通過對(duì)MIT腦電數(shù)據(jù)庫中的腦電信號(hào)進(jìn)行仿真，結(jié)果表明，采用軟閾值方法有效去除了噪聲，提高了腦電信號(hào)的信噪比。
標(biāo)簽： 小波分析 腦電信號(hào)
上傳時(shí)間： 2014-12-23
上傳用戶：如果你也聽說
針對(duì)齒輪故障特征信號(hào)具有強(qiáng)噪聲背景、非線性、非平穩(wěn)性特點(diǎn)，提出采用形態(tài)梯度小波對(duì)齒輪振動(dòng)信號(hào)進(jìn)行降噪。首先使用形態(tài)梯度小波把齒輪振動(dòng)信號(hào)分解到多個(gè)尺度上，然后對(duì)各層的細(xì)節(jié)系數(shù)進(jìn)行軟閾值方法降噪處理，對(duì)經(jīng)過處理后的小波系數(shù)進(jìn)行重構(gòu)。對(duì)降噪后的齒輪振動(dòng)信號(hào)采用S變換多分辨率時(shí)頻分析，能夠從具有良好的時(shí)頻分辨率的S變換譜圖提取齒輪故障特征。通過仿真試驗(yàn)和故障軸承的信號(hào)分析證明，該方法具有短時(shí)傅里葉變換和小波變換的優(yōu)點(diǎn)，不存在Wigner-Ville分布的交叉干擾和負(fù)頻率，能有效地提取隱含在噪聲中的齒輪故障特征，適合齒輪故障的在線監(jiān)測(cè)和診斷。
標(biāo)簽： 梯度 小波降噪 S變換 齒輪故障
上傳時(shí)間： 2013-11-01
上傳用戶：AISINI005
介紹了一種新型線性自動(dòng)跟蹤工頻陷波器的電路結(jié)構(gòu)。該陷波器應(yīng)用于電子束曝光機(jī)束流測(cè)量電路中，用來抑制工頻干擾對(duì)測(cè)量精度的影響。基于對(duì)自動(dòng)跟蹤陷波器的基本工作原理分析，陷波器采用了頻率/電壓轉(zhuǎn)換器與壓控帶阻濾波器相結(jié)合的設(shè)計(jì)方案，成功地解決了工頻頻偏對(duì)常規(guī)工頻陷波器濾波性能的嚴(yán)重影響問題。提出了提高抑制工頻干擾能力的設(shè)計(jì)要點(diǎn)和電路調(diào)試方法。通過性能指標(biāo)的測(cè)試和長期實(shí)際運(yùn)行應(yīng)用，證明陷波器滿足了電子束測(cè)量中對(duì)工頻干擾進(jìn)行強(qiáng)抑制的要求，提高了電子束曝光機(jī)的制版質(zhì)量。
標(biāo)簽： 自動(dòng)跟蹤 工頻陷波器
上傳時(shí)間： 2013-11-13
上傳用戶：天涯
介紹了一種橫向Ka波段寬帶波導(dǎo)-微帶探針過渡的設(shè)計(jì)，基于有限元場(chǎng)分析軟件Ansoft HFSS對(duì)該類過渡的設(shè)計(jì)方法進(jìn)行了研究。最后給出了Ka波段內(nèi)的優(yōu)化數(shù)據(jù)。仿真結(jié)果表明，該寬帶波導(dǎo)-微帶探針過渡在26.5G~40 GHz內(nèi)插入損耗小于0.065 dB，達(dá)到了設(shè)計(jì)目標(biāo)。
標(biāo)簽： Ka波段 波導(dǎo) 微帶探針
上傳時(shí)間： 2014-05-27
上傳用戶：gxy670166755
目前，被廣泛使用的經(jīng)典邊緣檢測(cè)算子有Sobel算子，Prewitt算子，Roberts算子，Log算子，Canny算子等等。這些算子的核心思想是圖像的邊緣點(diǎn)是相對(duì)應(yīng)于圖像灰度值梯度的局部極大值點(diǎn)。然而，當(dāng)圖像中含有噪聲時(shí)這些算子對(duì)噪聲都比較敏感，使得將噪聲作為邊緣點(diǎn)。由于噪聲的干擾，不能檢測(cè)出真正的邊緣。一個(gè)擁有良好屬性的的邊緣檢測(cè)算法是每個(gè)研究者的追求。利用小波交換的特點(diǎn)，設(shè)計(jì)了三次B樣條平滑濾波算子。通過利用這個(gè)算子，對(duì)利用小波變換來檢測(cè)圖像的邊緣進(jìn)行了一定的研究和理解。
標(biāo)簽： 小波變換 圖像邊緣檢測(cè) 中的應(yīng)用
上傳時(shí)間： 2013-10-13
上傳用戶：kqc13037348641
基于555定時(shí)器的高精度鋸齒波發(fā)生器設(shè)計(jì)
標(biāo)簽： 555 定時(shí)器 高精度 鋸齒波發(fā)生器
上傳時(shí)間： 2013-10-08
上傳用戶：88mao
蟲蟲下載站版權(quán)所有 京ICP備2021023401號(hào)-1
