基于小波散射变换与IRCA-ICA-Res结合的电压源控制型静止同步补偿系统的故障诊断

1

作者 毕贵红 张靖超 +3 位作者 赵四洪 陈仕龙 孔凡文 陈冬静 《电力系统保护与控制》 北大核心 2025年第8期144-158,共15页

为了充分利用电压源控制静止同步补偿器(voltage source controlled static synchronous compensator,VSC-STATCOM)IGBT开路故障电流信号中包含的时频信息,以提高IGBT故障诊断和识别的准确性,提出了一种基于小波散射变换(wavelet scatte... 为了充分利用电压源控制静止同步补偿器(voltage source controlled static synchronous compensator,VSC-STATCOM)IGBT开路故障电流信号中包含的时频信息,以提高IGBT故障诊断和识别的准确性,提出了一种基于小波散射变换(wavelet scattering transform,WST)与改进残差通道注意力(improved residual channel attention,IRCA)模块、改进坐标注意力(improved coordinate attention,ICA)模块和残差神经网络(residual neural network,Resnet)相结合的新算法—WST-IRCA-ICA-Res。首先,运用Matlab/Simulink平台仿真不同工况下VSC-STATCOM模块22类故障类型,获取故障样本集。其次,利用WST对故障信号进行自动鲁棒的特征提取,构建包含时频信息的特征矩阵。最后,利用IRCA-ICA-Res模型对特征矩阵进行深层次提取、强化和识别。实验结果表明,所提方法具有较强的抗噪性能,能够高精度识别IGBT故障类型。 展开更多

关键词 小波散射变换 注意力模块 神经网络 故障诊断 时频信息

在线阅读 下载PDF 职称材料

基于小波散射变换的RC框架结构震后损伤异常智能检测

2

作者 康帅 王自法 +3 位作者 周荣环 贺东青 俞叶 李一民 《建筑科学与工程学报》 北大核心 2025年第2期27-38,共12页

基于传统方法的地震损伤评估存在精度和效率低的问题,为实现基于结构地震响应观测数据的震后结构损伤快速评估,并有效解决数据类型不平衡的问题,提出基于时频分析与卷积自编码(CAE)模型的损伤异常数据检测方法。首先应用小波散射变换对... 基于传统方法的地震损伤评估存在精度和效率低的问题,为实现基于结构地震响应观测数据的震后结构损伤快速评估,并有效解决数据类型不平衡的问题,提出基于时频分析与卷积自编码(CAE)模型的损伤异常数据检测方法。首先应用小波散射变换对原时域信号进行处理,生成时频数据;然后建立相应的卷积自编码网络模型,将时频数据输入CAE模型进行重构训练,根据重构误差确定异常判断阈值;基于该阈值精准区分数据中的异常值,并将计算结果与基于时域输入方法的计算结果进行对比分析,最后验证该方法在噪声环境下的有效性。结果表明:基于CAE模型的异常检测方法可以很好地识别损伤数据集中的异常序列,召回率达到了90%以上,且在小波散射变换作用下的异常检测效果更好;时频分析结合CAE模型的损伤异常数据检测方法极大地提升了震后损伤评估的效率,基于小波散射变换的耗时仅为基于传统时域输入方法的1/3,该方法在噪声作用下也表现出较高的检测精度。 展开更多

关键词 小波散射变换 异常检测 震后损伤 深度学习 框架结构

在线阅读 下载PDF 职称材料

基于小波散射变换和MFCC的双特征语音情感识别融合算法 被引量：3

3

作者 应娜 吴顺朋 +1 位作者 杨萌 邹雨鉴 《电信科学》 北大核心 2024年第5期62-72,共11页

为了充分挖掘语音信号频谱包含的情感信息以提高语音情感识别的准确性,提出了一种基于小波散射变换和梅尔频率倒谱系数(Mel-frequency cepstral coefficient,MFCC)的排列熵加权和偏差调整规则的语音情感识别融合算法(PEW-BAR)。算法首... 为了充分挖掘语音信号频谱包含的情感信息以提高语音情感识别的准确性,提出了一种基于小波散射变换和梅尔频率倒谱系数(Mel-frequency cepstral coefficient,MFCC)的排列熵加权和偏差调整规则的语音情感识别融合算法(PEW-BAR)。算法首先获取语音信号的小波散射特征和梅尔频率倒谱系数的相关特征;然后按尺度维度扩展小波散射特征,利用支持向量机得到情感识别的后验概率并获得排列熵,并使用排列熵对后验概率进行加权;最后采用一种偏差调整规则进一步融合MFCC的相关特征的识别结果。实验结果表明,在EMODB、RAVDESS和eNTERFACE05数据集上,与传统的基于小波散射系数的语音情感识别方法相比,该算法将ACC分别提高了2.82%、2.85%和5.92%,将UAR分别提升了3.40%、2.87%和5.80%,IEMOCAP上提高了6.89%。 展开更多

关键词 语音情感识别 小波散射变换 排列熵 MFCC 模型融合

在线阅读 下载PDF 职称材料

基于小波散射变换的煤矿瓦斯和煤尘爆炸声音识别方法 被引量：5

4

作者 余星辰 李小伟 《煤炭科学技术》 EI CAS CSCD 北大核心 2024年第S01期70-79,共10页

为解决煤矿瓦斯与煤尘爆炸灾害报警方法误报率和漏报率高等问题,提高煤矿瓦斯和煤尘爆炸感知准确率,提出了基于小波散射变换的煤矿瓦斯和煤尘爆炸声音识别方法:在煤矿井下重点监测区域安装矿用拾音设备,实时采集设备工作声音和环境音;... 为解决煤矿瓦斯与煤尘爆炸灾害报警方法误报率和漏报率高等问题,提高煤矿瓦斯和煤尘爆炸感知准确率,提出了基于小波散射变换的煤矿瓦斯和煤尘爆炸声音识别方法:在煤矿井下重点监测区域安装矿用拾音设备,实时采集设备工作声音和环境音;将采集到的声音通过小波散射变换得到小波散射系数,构建声音信号的小波散射系数图,通过计算小波散射系数图的图像灰度梯度共生矩阵得到由小梯度优势、大梯度优势、能量、灰度平均、梯度平均、灰度均方差、梯度均方差、相关性、灰度熵、梯度熵、混合熵等构成的十一维特征参数,构成表征该声音信号的特征向量,输入到支持向量机(SVM)中训练得到煤矿瓦斯和煤尘爆炸声音识别模型;对待测声音信号同样提取其小波散射系数图的灰度梯度共生矩阵得到十一维特征向量,输入到训练好的煤矿瓦斯和煤尘爆炸声音识别模型中进行声音识别分类,并进行试验验证。采取声音信号的特征提取试验,分析了不同声音的小波散射图及其特征参数分布特点,瓦斯和煤尘爆炸声音的小波散射系数图及其十一维特征向量与煤矿井下其他声音差异明显,证明了所提特征提取方法的可行性;通过贝叶斯优化完成支持向量机超参数优化试验,选取更符合训练模型的超参数,识别试验结果表明,所提方法的识别率为95.77%,明显优于其他对比算法,能够满足煤矿瓦斯和煤尘爆炸识别的需求。 展开更多

关键词 瓦斯和煤尘爆炸 声音识别 图像特征 小波散射 支持向量机 贝叶斯优化

在线阅读 下载PDF 职称材料

基于小波散射卷积神经网络的结构损伤识别 被引量：7

5

作者 马亚飞 李诚 +2 位作者 何羽 王磊 涂荣辉 《振动与冲击》 EI CSCD 北大核心 2023年第14期138-146,共9页

损伤识别是结构状态评估领域的关键问题之一,对确保结构安全性有重要意义。深度学习算法在基于振动的结构损伤识别方面带来了许多突破,但从海量数据中挖掘结构损伤关键信息仍是亟待解决的技术难题。该研究提出了基于一维卷积神经网络(on... 损伤识别是结构状态评估领域的关键问题之一,对确保结构安全性有重要意义。深度学习算法在基于振动的结构损伤识别方面带来了许多突破,但从海量数据中挖掘结构损伤关键信息仍是亟待解决的技术难题。该研究提出了基于一维卷积神经网络(one-dimensional-convolutional neural network,1D-CNN)深度学习的结构多类型损伤识别模型,采用小波散射变换对1D-CNN架构第一层卷积滤波器进行替换,通过散射系数实现输入层原始数据降维与特征提取,结合CNN卷积层、激活层和池化层实现监测数据特征增强处理。在此基础上,结合1D-CNN全连接层与Softmax函数实现特征数据分类,从而实现结构多类型损伤定位与定量高效识别。通过钢桁架结构和斜拉桥两种数值模型对上述框架进行了验证。结果表明:与普通卷积神经网络模型相比,基于小波散射卷积神经网络的结构损伤识别精度显著提升,损伤分类准确率达95.0%以上。随着传感数据环境噪声比例的增加,小波散射卷积神经网络损伤分类准确率虽略有下降,但仍保持较高精准度,说明该方法具有较强的鲁棒性抗噪能力。 展开更多

关键词 结构状态评估 深度学习 小波散射变换 卷积神经网络(CNN) 损伤识别

在线阅读 下载PDF 职称材料

基于小波散射网络的聚乙烯管道热熔接头缺陷太赫兹识别 被引量：6

6

作者 徐继升 任姣姣 +4 位作者 张丹丹 顾健 张霁旸 李丽娟 薛竣文 《光子学报》 EI CAS CSCD 北大核心 2023年第1期137-148,共12页

采用频率范围为0.25~2.5 THz的反射式脉冲太赫兹时域光谱系统,对聚乙烯管道热熔接头缺陷进行了无损检测。利用PE100板材之间的热熔焊接模拟实际聚乙烯管道的热熔焊接,分别制作了标准热熔焊接和冷焊、过焊、未熔合和夹杂热熔缺陷接头样... 采用频率范围为0.25~2.5 THz的反射式脉冲太赫兹时域光谱系统,对聚乙烯管道热熔接头缺陷进行了无损检测。利用PE100板材之间的热熔焊接模拟实际聚乙烯管道的热熔焊接,分别制作了标准热熔焊接和冷焊、过焊、未熔合和夹杂热熔缺陷接头样件。通过太赫兹系统逐点扫描,并对接头位置进行了波形及峰度成像分析。其中未熔合和夹杂热熔缺陷样件与标准焊接样件在波形上有明显差别;冷焊、过焊、未熔合及夹杂热熔缺陷在峰度成像图中可见明显缺陷轮廓。针对标准焊接和夹杂、未熔合热熔缺陷构建第一类小波散射网络-卷积神经网络缺陷识别模型进行缺陷定性分析,其缺陷识别率均可达到98%以上。针对标准焊接和夹杂金属、粗沙、树枝缺陷构建第二类缺陷识别模型进行定量识别,其缺陷识别相对误差均在7.42%以下。 展开更多

关键词 太赫兹 无损检测 聚乙烯热熔接头 小波散射网络 缺陷识别

在线阅读 下载PDF 职称材料

基于CM-OMEMD和小波散射网络的语音情感识别 被引量：7

7

作者 孙聪珊 马琳 李海峰 《信号处理》 CSCD 北大核心 2023年第4期688-697,共10页

语音情感识别(Speech Emotion Recognition,SER)是人机交互的重要组成部分,具有广泛的研究和应用价值。针对当前SER中仍然存在着缺乏大规模语音情感数据集和语音情感特征的低鲁棒性而导致的语音情感识别准确率低等问题,提出了一种基于... 语音情感识别(Speech Emotion Recognition,SER)是人机交互的重要组成部分,具有广泛的研究和应用价值。针对当前SER中仍然存在着缺乏大规模语音情感数据集和语音情感特征的低鲁棒性而导致的语音情感识别准确率低等问题,提出了一种基于改进的经验模态分解方法(Empirical Mode Decomposition,EMD)和小波散射网络(Wavelet Scattering Network,WSN)的语音情感识别方法。首先,针对用于语音信号时频分析的EMD及其改进算法中存在的模态混叠问题(Mode Mixing)和噪声残余问题,提出了基于常数Q变换(Constant-Q Transform,CQT)和海洋捕食者算法(Marine Predator Algorithm,MPA)的优化掩模经验模态分解方法(Optimized Masking EMD based on CQT and MPA,CM-OMEMD)。采用CM-OMEMD算法对情感语音信号进行分解,得到固有模态函数(Intrinsic Mode Functions,IMFs),并从IMFs中提取了可以表征情感的时频特征作为第一个特征集。然后采用WSN提取了具有平移不变性和形变稳定性的散射系数特征作为第二个特征集。最后将两个特征集进行融合,采用支持向量机(Support Vector Machine,SVM)分类器进行分类。通过在含有七种情感状态的TESS数据集中的对比实验,证明了本文提出的系统的有效性。其中CM-OMEMD减小了模态混叠,提升了对情感语音信号时频分析的准确性,同时提出的SER系统显著提高了情绪识别的性能。 展开更多

关键词 语音情感识别 小波散射网络 优化掩模经验模态分解方法 模态混叠

在线阅读 下载PDF 职称材料

基于小波散射分解变换的煤矿微震信号智能识别 被引量：12

8

作者 樊鑫 程建远 +3 位作者 王云宏 栗升 段建华 王盼 《煤炭学报》 EI CAS CSCD 北大核心 2022年第7期2722-2731,共10页

微震信号是一种典型的时变非平稳信号,微震监测系统在高噪声环境下采集信号的信噪比偏低,影响了微震事件的识别准确率和精度,现有的微震事件识别方法仍然存在低速率、高时延、低精度等问题。以小波理论为基础,提出利用小波散射分解变换... 微震信号是一种典型的时变非平稳信号,微震监测系统在高噪声环境下采集信号的信噪比偏低,影响了微震事件的识别准确率和精度,现有的微震事件识别方法仍然存在低速率、高时延、低精度等问题。以小波理论为基础,提出利用小波散射分解变换提取微震事件和噪声信号的特征,计算2类信号的特征系数,并构成相应的特征矩阵;基于微震信号低频特性、不可预知性和突发瞬态性的特点,对比分析了小波散射分解变换结构的主要参数:时不变尺度、散射分解次数和质量因子对特征矩阵维数的影响;通过调整参数的大小有效控制特征矩阵维数,提高运算效率,最终选择出最优的特征矩阵,利用SVM分类对360组煤矿微震信号进行分类识别。实验结果表明:①小波散射系数构成的特征矩阵可以有效区分微震事件信号与噪声信号,且事件信号特征系数变化趋势具有突变性,噪声信号特征系数变化趋势表现为无序性;②采用3次小波散射分解变换构成的特征矩阵,可有效表征微震事件信号与噪声信号的差异特征,提高程序运算效率,而随着变换次数增加,事件信号的低频部分更明显;③在时不变尺度和变换次数确定的情况下,为得到最优特征矩阵,各阶小波散射变换的质量因子选择不宜过大。 展开更多

关键词 微震监测 小波散射分解 信号分析 特征提取 智能识别

在线阅读 下载PDF 职称材料

基于小波散射深度序列神经网络的制动噪声分类识别

9

作者 姜天宇 靳畅 +1 位作者 李天舒 李阳 《同济大学学报（自然科学版）》 EI CAS CSCD 北大核心 2022年第S01期26-31,共6页

为实现对制动噪声的智能化识别,研究了一种小波散射结合深度序列神经网络的识别方法。采用3层小波散射变换构造出制动噪声相应卡钳振动信号的小波散射多维特征向量。首先,以单层一维卷积神经网络(1DCNN)和单层双向长短时记忆网络(BiLSTM... 为实现对制动噪声的智能化识别,研究了一种小波散射结合深度序列神经网络的识别方法。采用3层小波散射变换构造出制动噪声相应卡钳振动信号的小波散射多维特征向量。首先,以单层一维卷积神经网络(1DCNN)和单层双向长短时记忆网络(BiLSTM)为基础,将小波散射特征以序列形式和分别输入方式进行训练和测试;结果显示,与短时能量和短时平均过零率这类一维序列输入相比,小波散射变换多维特征输入能够大幅提高分类准确率。其次,针对网络欠拟合状况,建立的4层深度1DCNN与3层深度BiLSTM网络相比,其基础网络具有更强的特征捕捉能力,均进一步提高了制动噪声分类准确率。根据分类性能指标F1,4层1DCNN的整体性能均超过3层BiLSTM网络,并且具有训练参数数量较少的优越性。 展开更多

关键词 制动噪声 小波散射 深度学习 一维卷积神经网络 长短时记忆网络

在线阅读 下载PDF 职称材料

基于长短期记忆网络的换流站设备地震损伤识别方法

10

作者 李强 宋云海 +1 位作者 杨洋 张世洪 《高压电器》 北大核心 2025年第4期21-29,共9页

为了提高特高压换流站设备在地震中的损伤识别精度和实时性,文中提出了一种基于长短期记忆网络(LSTM)结合小波散射特征提取的设备损伤识别方法。通过有限元仿真模拟换流站设备在地震中的加速度响应,生成包含不同损伤工况的时程数据。采... 为了提高特高压换流站设备在地震中的损伤识别精度和实时性,文中提出了一种基于长短期记忆网络(LSTM)结合小波散射特征提取的设备损伤识别方法。通过有限元仿真模拟换流站设备在地震中的加速度响应,生成包含不同损伤工况的时程数据。采用小波散射技术对加速度信号进行特征提取,以减少信号噪声并保留损伤特征,再将提取后的特征输入LSTM模型进行损伤识别。结果表明,基于小波散射特征的LSTM网络相比直接使用原始加速度数据,显著提升了识别速度与精度,模型的最终识别准确率达到95%。该方法有效提高了换流站设备地震损伤识别的准确性和效率,为换流站等电力基础设施的健康监测和灾后评估提供了可靠的技术支持,并具有广泛的工程应用潜力。 展开更多

关键词 特高压换流站设备 地震损伤识别 长短期记忆网络 小波散射 深度学习

在线阅读 下载PDF 职称材料

基于光电同轴传感的极耳激光焊虚焊实时检测

11

作者 曾达 吴頔 +4 位作者 彭彪 杜辉 魏于桐 张培磊 占小红 《焊接学报》 EI CAS CSCD 北大核心 2024年第11期110-114,共5页

针对多层铝箔极耳和铝片的搭接形式,首先搭建了基于多波段光电同轴传感的激光焊过程实时监测系统,开展了不同激光功率和离焦量的激光焊试验,实时采集不同激光能量下的多波段光电信号;其次,利用小波散射网络从原始信号中提取出多尺度高... 针对多层铝箔极耳和铝片的搭接形式,首先搭建了基于多波段光电同轴传感的激光焊过程实时监测系统,开展了不同激光功率和离焦量的激光焊试验,实时采集不同激光能量下的多波段光电信号;其次,利用小波散射网络从原始信号中提取出多尺度高维特征,并结合长短期记忆网络实现时间动态建模,最终达到实时检测虚焊缺陷的目标.结果表明,在小样本规模下,构建的WSN-LSTM模型准确率达到99.6%,其分类性能优于其他循环神经网络和轻量化卷积神经网络模型.同时,WSN-LSTM模型轻量化使其在训练时间最短,且平均单个样本处理时间仅为0.15 ms,有利于在动力电池产线快速部署,并实现虚焊缺陷的实时检测. 展开更多

关键词 光电传感 激光焊 小波散射网络 在线监测 虚焊检测

在线阅读 下载PDF 职称材料

WSD-SVM在工作面底板破坏深度微震事件自动识别中的应用 被引量：7

12

作者 樊鑫 赵晓光 +4 位作者 唐胜利 解海军 程建远 王云宏 王盼 《西安科技大学学报》 CAS 北大核心 2023年第1期160-166,共7页

为解决煤矿微震事件识别中效率低、精度低、可靠性差的问题,将小波散射分解变换与支持向量机相结合,构建微震事件的WSD-SVM智能识别模型。首先,通过小波散射分解变换将微震监测数据分解成高、低频部分,并计算得到小波散射系数,构成散射... 为解决煤矿微震事件识别中效率低、精度低、可靠性差的问题,将小波散射分解变换与支持向量机相结合,构建微震事件的WSD-SVM智能识别模型。首先,通过小波散射分解变换将微震监测数据分解成高、低频部分,并计算得到小波散射系数,构成散射特征矩阵;然后,选择70%的数据输入支持向量机模型进行训练,用得到的识别模型对其余30%的数据进行测试验证,获得识别结果。将山西保德煤矿某工作面微震监测时序数据作为实例,结果表明:WSD-SVM模型能够自动识别全部6个微震事件,用时1.651 s;而传统STA/LTA算法虽然仅用时0.731 s,但未能有效识别出其中的3个低信噪比事件,WSD-SVM模型的自动识别精度高于STA/LTA算法模型识别的精度,但需要较长的计算时长。小波散射分解变换方法的引入能够有效实现监测数据降维,大幅提高识别精度,为微震事件的自动识别提供了新思路。 展开更多

关键词 微震监测 小波散射分解 特征提取 支持向量机 自动识别

在线阅读 下载PDF 职称材料

深度多尺度不变特征网络预测胶质瘤1p/19q缺失状态

13

作者 陈祈剑 王黎 +3 位作者 郭顺超 邓泽宇 张健 王丽会 《软件学报》 EI CSCD 北大核心 2022年第12期4559-4573,共15页

准确预测胶质瘤染色体1p/19q的缺失状态对于制定合适的治疗方案和评估胶质瘤的预后有着重要的意义.虽然已有研究能够基于磁共振图像和机器学习方法实现胶质瘤1p/19q状态的准确预测,但大多数方法需要事先准确勾画肿瘤边界,无法满足计算... 准确预测胶质瘤染色体1p/19q的缺失状态对于制定合适的治疗方案和评估胶质瘤的预后有着重要的意义.虽然已有研究能够基于磁共振图像和机器学习方法实现胶质瘤1p/19q状态的准确预测,但大多数方法需要事先准确勾画肿瘤边界,无法满足计算机辅助诊断的实际需求.因此,提出一种深度多尺度不变特征网络(deep multiscale invariant features-based network,DMIF-Net)预测1p/19q的缺失状态.首先利用小波散射网络提取多尺度、多方向不变特征,同时基于深度分离转聚合网络提取高级语义特征,然后通过多尺度池化模块对特征进行降维并融合,最后在仅输入肿瘤区域定界框图像的情况下,实现胶质瘤1p/19q状态的准确预测.实验结果表明,在不需要准确勾画肿瘤边界的前提下,DMIF-Net预测胶质瘤1p/19q缺失状态的AUC(area under curve)可达0.92(95%CI=[0.91,0.94]),相比于最优的主流深度学习模型其AUC增加了4.1%,灵敏度和特异性分别增加了4.6%和3.4%,相比于最好的胶质瘤分类前沿模型,其AUC与精度分别增加了4.9%和5.5%.此外,消融实验证明了本文所提出的多尺度不变特征提取网络可以有效地提高模型的预测性能,说明结合深度高级语义特征和多尺度不变特征可以在不勾画肿瘤边界的情况下,显著增加对胶质瘤1p/19q缺失状态的预测能力,进而为低级别胶质瘤的个性化治疗方案制定提供一种辅助手段. 展开更多

关键词 胶质瘤 1p/19q 深度学习 小波散射 多尺度不变特征

在线阅读 下载PDF 职称材料