首次提出将小波分解应用于非平稳时间序列的预测中,通过小波分解将非平稳时间序列分解为多层近似意义上的平稳时间序列,并且用AR(n)模型对分解后的时间序列进行预测,进而得到最终的预测结果.将该方法应用于压缩机轴承座磨损的趋势预测中,通过与基于BP网络的预测方法相比较表明:该方法预测精度高,而且预测速度快,可以有效地应用设备状态的预测和设备故障趋势的分析中

利用多分辨率分析,我们已构造出尺度函数和小波函数小本章将研究函数的小波分 解。我们将在第一节首先给出两种分解式,并导出计算小波系数的 Mallat算法。在第二 节将讨论小波的消失矩,它的光滑性以及与滤波函数mo()在w=处的零点的重数的 关系。第三节将用小波系数刻划函数的正则性

8.1 从傅里叶变换到小波变换的时频分析法 8.2 小波变换分类 8.3 小波变换的多分辨分析特性 8.4 尺度函数与小波 8.5 小波变换的快速实现 8.6 图像的多分辨分解与重建 8.7 小波变换在图像边缘检测中的应用 8.8 小波变换在图像去噪中的应用 8.9 小波变换在图像融合中的应用

针对非线性、非平稳信号的数据压缩问题,提出了一种基于自适应形态小波的轧机电气信号压缩方法.结合电气信号的形态特征,采用中值算子作为形态小波的更新算子对信号进行分解,从而实现根据信号的局部形态特征,自适应地调整形态小波分解的更新算子.工业现场实际轧机电气信号的数据压缩实验证明:利用这种形态小波信号压缩方法,可以获得高压缩比的信号,并能保留信号的形态特征;同时,这种形态小波信号压缩方法运算量小,可以应用到实时性要求较高的在线监测系统中

提出一种互为Hilbert变换对的小波代数构造方法.这种互为Hilbert变换对的小波基的构造是从构造小波的充要条件入手,利用延迟滤波器的思想,把问题化为代数方程组求解.该方法可以避免进行谱分解.经实验证实:由基于本文构造的小波对的对偶树复小波变换可以得到比离散小波变换更好的特征提取效果

针对大型齿轮箱低速轴故障信息难以提取的问题,采用小波分析方法对故障数据进行处理以实现信号在时/频域的局域性分析,将其无冗余、无泄漏地分解到一组具有紧支撑性的小波基上.文中采用小波分层突变系数作为判别故障隐患的特征值,并对该特征值进行趋势分析.结果表明:小波变换能有效捕捉冲击信号的时域特征和故障发生的时间历程,用小波分层突变系数所做的趋势图能有效地预测故障发展趋势,避免突发故障

提出了一种用于轧辊偏心控制的多分辨小波控制器,它利用小波对轧制力信号进行多分辨分解.机架的轧制力中包含着许多潜在因素的累积影响,比如压下环节的动特性、轧辊偏心、测量噪声、外部干扰等,这些影响体现在不同的尺度上.通过小波的多分辨分解,这些不同尺度上的信息被区分开来,然后在控制中对轧辊偏心进行补偿.仿真实验表明该方法是有效的

概要地叙述了小波、小波包理论,提出了一种用小波包分解和信号重构进行信号滤波的方法.先用小波包分解把信号分解到相邻的不同频率段上,然后用信号重构方法对各个频率段上的信号进行重构.以电机的振动信号为例,说明这种方法可以有效地用于信号的滤波

综合局部投影算法及小波变换两者的优点,提出了基于局部投影和小波降噪的弱冲击信号的提取方法.实验结果表明,局部投影算法可以将背景信号和特征信号分解到不同的子空间上,小波降噪可以有效地用于包含尖峰或突变信号的降噪,结合局部投影和小波降噪的弱冲击信号的提取方法对于微弱特征信号的提取是非常有效的

由于基于频域的经典小波变换运算时间较长,不能很好地满足轧辊偏心信号在线实时控制的要求,提出了用提升结构小波变换对偏心信号进行不同分辨率下分解处理的新方法.通过对轧制力信号和厚差信号的分析,利用提升和对偶提升原理将偏心信号从干扰信号和噪声信号中提取出来并通过参数自校正控制实现对轧辊偏心的在线动态控制.仿真结果表明,该方法获得了比较理想的效果,并且在同样数据长度下,提升小波变换运算速度比经典小波变换至少提高1倍以上