导读:本文包含了小波包分解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,分解,神经网络,向量,调光,功率,卷积。
小波包分解论文文献综述
周意贺,张秀珩,王航,苏放[1]（2019）在《基于小波包分解与SVM的气阀故障诊断研究》一文中研究指出往复式压缩机是石油化工生产的关键设备,它的安全平稳运行与气阀的工作状态息息相关。为实现往复式压缩机气阀故障的快速诊断,利用小波包分解提取故障特征,基于SVM方法对气阀故障进行了识别,利用网格搜索进行参数寻优,搭建了小波包分解与支持向量机SVM联合诊断压缩机气阀故障的模型,验证了支持向量机SVM诊断压缩机气阀故障的有效性。简化了传统由经验人员判断气阀故障类型的过程,为压缩机气阀故障分析、气阀维修与更换等实际问题提供了理论依据。(本文来源于《光电技术应用》期刊2019年05期）
刘晓琳,刘成江,徐志超[2]（2019）在《基于小波包分解的风储协调控制策略》一文中研究指出风电的规模化发展对系统带来了较大影响,利用储能进行风电波动的平抑可以提高其并网可靠性。首先,应用小波包分解算法平抑风电波动,并通过与经验模态分解算法的对比,分析其优越性。然后通过希尔伯特黄变换(HHT)获取总储能的主要频率作为截止频率,进而实现储能总功率在锂电池和超级电容器(SC)之间分配。最后,基于某风电场的功率数据分析了小波包分解方法的有效性。(本文来源于《电力电子技术》期刊2019年09期）
王宁,罗汝斌,廖俊,李珺,蒋祎[3]（2019）在《基于小波包分解的BP神经网络的短期风速预测》一文中研究指出针对风速信号不稳定而引起的风速预测精度不高问题,文章提出了一种短期风速预测方法,其通过小波包分解将不稳定的风速信号转化为相对稳定的风速信号,再对其进行BP神经网络预测,从而提高短期风速预测精度。仿真计算结果表明,基于小波包分解的BP神经网络的短期风速预测模型的平均绝对百分比误差(MAPE)、均方根误差(RMSE)、平均绝对误差(MAE)均低于其他短期风速预测方法的各项误差,在短期风速预测中具有一定的优越性。(本文来源于《控制与信息技术》期刊2019年04期）
刘旭南,赵丽娟,付东波,张飞飞[4]（2019）在《采煤机截割部传动系统故障信号小波包分解方法研究》一文中研究指出采煤机主要通过截割部上的滚筒截割煤岩,若其传动系统发生故障将导致采煤工作中断,造成巨大的经济损失。以MG2×70/325采煤机为依托,采用PRO/E建立了断齿、裂纹齿轮和缺陷轴承等常见故障模型,利用ANSYS及ADAMS建立了引入故障形式的采煤机截割部刚柔耦合虚拟样机模型,提取各惰轮轴轴向和径向受力数据,作为建立故障诊断系统的样本。用Coif4小波对数据进行小波包分解,求各子带能量值,作为神经网络输入向量,结合Elman神经网络建立采煤机截割煤岩时的故障诊断模型,仿真结果表明:该方法可有效地诊断传动系统的故障零件和类型,对于复杂工况下,采煤机故障检测以及在线实时监测具有一定的指导意义。(本文来源于《振动与冲击》期刊2019年14期）
荆体凯,马皓,胡耀国[5]（2019）在《基于小波包分解与决策树的滚子链状态检测研究》一文中研究指出本文提出一种基于小波包分解与决策树相结合的检测方法对滚子链的磨损状态进行检测。该方法首先使用小波包理论对信号进行n(n=3)层小波分解,提取小波系数,并根据系数求解各个频段的能量,并构造特征向量,然后使用决策树策略对滚子链的状态进行判断。实验表明,通过小波包分解和决策树相结合的检测方法能够很好地识别滚子链的磨损状态。(本文来源于《现代信息科技》期刊2019年13期）
俞颂华[6]（2019）在《基于小波包分解的MFCC在复杂环境声音识别中的应用》一文中研究指出在现今,人工智能的发展越来越快,声音识别作为其中的一种技术自然也是逐渐成熟。但在复杂场景中会存在噪声干扰而导致识别难度加大,而在这些场景(例如城市)中的声音一般包含着许多信息,如何对于这部分声音进行识别便成一个需要被克服的问题。在复杂场景下,面对形形色色的声音更是对传统声音识别模型的一个极大的挑战。本文采用了google的声学数据集中存在的孩童玩闹声、狗吠声、海浪声、鸣笛声、链锯声以及电钻声进行了识别分类,本文主要采用模板匹配法,以预处理、特征提取、模型分类识别的步骤进行声音识别,其中预处理方面将通信技术中的能量检测技术引入声音识别领域;特征提取方面提出了一种基于小波包分解的MFCC特征提取方法;模型分类方面改良了卷积神经网络模型针对一维的声音信号的特征图输入方法,减少计算时间。本文主要做了以下工作:(1)在预处理方面,以声音信号中的信号特性,对比信号检测中的单节点频谱感知算法中的单节点频谱感知技术、匹配滤波检测以及能量检测,包括并不限于叁者之间的难易程度、简单程度以及优缺点,最终采用能量检测来进行预处理。能量检测预处理方法将声音当成信号处理,首先将目标信号输入滤波器中,对通过滤波器的目标型号进行模平方以及累加操作得到输入信号在本段时间内所产生的能量,接着计算此能量与噪声方差之比,将其与设置好的门限值进行对比以及筛选,最终得到筛选后存在有用信号的目标信号。(2)采用了以Mel倒谱系数结合小波包分解的特征提取方法。传统的Mel倒谱系数模拟人的听觉系统,在常规的声学识别中发挥着很好的作用。但是对于一些特殊的场景,它的稳定性、抗噪性差强人意,因此在本文中将其与小波包变换和代替传统MFCC中的傅里叶变换,首先对目标信号进行分帧、加窗,接着采用结合Mel尺度的小波包变换分解,经过归一化处理、对数运算和离散余弦变换之后得到目标声音信号的特征参数,借此能够既模仿人耳的识别能力,又对于复杂环境的情况下存在着一定的抗噪性。(3)由于声音信号属于一维信号,因此优化卷积神经网络,在结构上进行改变、调整,并将其与传统的声音识别模型进行比较以及探究不同采样方法在复杂环境下对于识别率会有什么变化。实验结果表明:本文提出的模型方法比起传统的声音识别模型,其识别率会更加高;在噪声环境下最大值采样相较于均值采样能够保留更多的目标信号特征,从而取得较好的识别结果。(本文来源于《南宁师范大学》期刊2019-05-01）
高崇杰[7]（2019）在《基于小波包分解的光储联合系统容量优化和储能控制策略的研究》一文中研究指出随着社会发展的不断加速以及化石能源的日益紧缺,光伏等可再生能源已成为人们关注的焦点。但光伏固有的随机性和间歇性严重影响了电力系统的安全稳定运行,对光伏发电实施有效的控制已成为实现其大规模推广的关键。此外,随着电力市场化改革的进一步深入,光伏参与市场竞争已成为一种必然,且光伏在市场中具备竞争力的关键在于其能否按照合同预期计划出力。因此,合理的储能配置,有效的控制策略,进而实现光伏功率波动的平抑并使其按照计划曲线出力具有重要的现实意义。本文根据现有各类储能响应时间的快慢将储能分为6类,并给出不同储能相应的响应频率区间。以所提储能分类为基础,通过小波变换将光伏电站功率需求信号进行多层次划分,利用频谱分析方法求取满足功率补偿要求的各类储能容量需求,以此实现光伏电站储能容量精细化配置。提出一种以光伏电站出线功率偏差控制为考核目标的光伏电站控制性能评价标准(Photovoltaic Control Performance Standard,PCPS),以所提控制性能评价标准为基础,以光伏电站实际出力与计划出力的偏差作为控制目标并根据光伏出力偏差控制阈值进行分区域控制,提出适用于光伏电站出线功率平抑的分场景光储联合系统储能控制策略。基于小波包变换对控制功率偏差信号的分层次、多频带划分,求取相应频率区间的各类储能需求量,并根据所提控制策略调控储能补偿功率需求。通过对国内某光伏电站特征天出力情况进行仿真分析,结果表明所提策略能使光伏电站出力曲线与预期计划相契合,验证了所提方法的有效性和实用性。(本文来源于《广西大学》期刊2019-05-01）
张鹏,张峰,梁军,徐震,杨志鹏[8]（2019）在《采用小波包分解和模糊控制的风电机组储能优化配置》一文中研究指出大规模风电并网会对电力系统供需平衡以及电能质量带来巨大的挑战,采用蓄电池和超级电容构建的混合储能系统以平抑风电场输出功率波动可以有效地解决风电并网问题。利用小波包分解的分频技术对风电场不平衡功率进行分解,根据系统所允许的最大频率波动确定了系统自身消纳的高频功率波动分量,以分离出高频分量为目标确定了最优小波包分解层数和分频点,并按照储能系统成本年值最优原则实现了能量型和功率型储能的功率分配和容量配置。为实现蓄电池和超级电容荷电状态(SOC)不越限以及两者之间的配合使用,采用模糊控制算法对混合储能系统的充放电功率指令进行二次修正,保证了储能状态的实时更新和控制策略的长期运行。以某系统的实际风电场为例进行仿真分析,仿真结果验证了该方法的经济性和有效性。(本文来源于《高电压技术》期刊2019年02期）
王俊成,杜晓坤[9]（2019）在《基于小波包分解和模糊神经网络的煤岩界面识别》一文中研究指出针对采用单一传感器信号进行煤岩界面识别可靠性不高的问题,提出一种基于小波包分解和模糊神经网络的煤岩界面识别方法。首先利用小波包分解提取反映采煤机截割状态参数的信号特征,然后利用模糊神经网络进行多信息融合的决策,从而实现煤岩界面的识别,结果表明该方法具有较高的识别精度和可靠性。(本文来源于《科技经济导刊》期刊2019年04期）
张新,郑燕萍,Antoine,AUGEIX,郑晓娇[10]（2019）在《基于小波包分解与机器学习的汽车调光电机异音识别》一文中研究指出为实现汽车调光电机装置异音检测的自动化,本文采用机器学习的方法开展产品异音识别研究。在分析确定产品异音来源的基础上,采集正常件和异音件的振动信号,利用小波包分解,结合时频域分析,在能量谱和时域特征中提取10个特征向量,基于BP神经网络对200个信号样本进行机器学习分类。并对20个样件进行试验,识别汽车调光电机异音的正确率达到96.7%。研究表明,采用机器学习的方法能够有效地识别电机异音,此研究具有工程应用价值。(本文来源于《森林工程》期刊2019年01期）
小波包分解论文开题报告
（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：
风电的规模化发展对系统带来了较大影响,利用储能进行风电波动的平抑可以提高其并网可靠性。首先,应用小波包分解算法平抑风电波动,并通过与经验模态分解算法的对比,分析其优越性。然后通过希尔伯特黄变换(HHT)获取总储能的主要频率作为截止频率,进而实现储能总功率在锂电池和超级电容器(SC)之间分配。最后,基于某风电场的功率数据分析了小波包分解方法的有效性。
（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。
小波包分解论文参考文献
[1].周意贺,张秀珩,王航,苏放.基于小波包分解与SVM的气阀故障诊断研究[J].光电技术应用.2019
[2].刘晓琳,刘成江,徐志超.基于小波包分解的风储协调控制策略[J].电力电子技术.2019
[3].王宁,罗汝斌,廖俊,李珺,蒋祎.基于小波包分解的BP神经网络的短期风速预测[J].控制与信息技术.2019
[4].刘旭南,赵丽娟,付东波,张飞飞.采煤机截割部传动系统故障信号小波包分解方法研究[J].振动与冲击.2019
[5].荆体凯,马皓,胡耀国.基于小波包分解与决策树的滚子链状态检测研究[J].现代信息科技.2019
[6].俞颂华.基于小波包分解的MFCC在复杂环境声音识别中的应用[D].南宁师范大学.2019
[7].高崇杰.基于小波包分解的光储联合系统容量优化和储能控制策略的研究[D].广西大学.2019
[8].张鹏,张峰,梁军,徐震,杨志鹏.采用小波包分解和模糊控制的风电机组储能优化配置[J].高电压技术.2019
[9].王俊成,杜晓坤.基于小波包分解和模糊神经网络的煤岩界面识别[J].科技经济导刊.2019
[10].张新,郑燕萍,Antoine,AUGEIX,郑晓娇.基于小波包分解与机器学习的汽车调光电机异音识别[J].森林工程.2019
论文知识图
