搜索资源列表
wavelet-in-signal-processing
- 小波变换在信号处理中的应用,包括分解，去噪，以及检测传感器故障等
gear
- 基于db10四层分解的齿轮的故障特征提取-Decomposition based on the four-db10 gear fault feature extraction
Wavuagnosis
- 小波分解和RBF网络的三极管电路故障诊断Wavelet decomposition and RBF network transistor circuit fault diagnosis-Wavelet decomposition and RBF network transistor circuit fault diagnosis
xiaobosuanfa
- 采样频率 fs=10000 轴承外环故障信号 fid=fopen( bearingout.dat , r ) 故障 N=1024 xdata=fread(fid,N, int16 ) fclose(fid) xdata=(xdata-mean(xdata))/std(xdata,1) 时域波形 figure(1) plot(1:N,xdata) xlabel( 时间 t/n ) ylabel( 电压 V/v )
hhthht
- 希尔伯特-黄变换在电力故障中的应用 内含EMD分解 希尔伯特变换算法-Hilbert- Huang transform in power failure in the application
shipingshangshiyang1
- 求信号的时频熵，对非平稳信号进行emd分解后，求时频熵，得出其故障特征-For the signal s time-frequency entropy, the nonstationary signals are EMD decomposition, and time-frequency entropy, the fault feature
2
- 针对齿轮的故障诊断,提出了一种基于小波特征提取和BP神经网络的诊断系统,利 用小波分解后各频段能量的分布作为特征向量输入神经网络。试验表明该方法能准确地诊断出齿 轮的故障,具有广泛的应用前景 - Aimed at the gear fault diagnosis, a diagnosis systemwhich based on thewavelet for picking up character and BP neural network are proposed, the
41
- 基于小波包的信号瞬态成分检测与提取方法及其应用,提出基于小波包分解特征表示和瞬态特征重 建方法并应用于汽车变速器齿轮的故障诊断,结果表明基于小波包分解的信号特征表示方法能有效检测信号中瞬 态成分的存在,瞬态成分的重建结果有效地表示了齿轮的故障状态。 -The detection and extraction of signal transients through wavelet packets decomposition are studied and signal trans
2005local-mean-decomposition
- 2005年J.S.Smith提出的局域均值分解LMD(Local mean decomposition)的原始文献，该方法可用于故障诊断、特征提取、振动信号分析等多领域，是较EMD更为温和的一种自适应算法，目前是热门研究方法。-This is the original article about LMD——Local mean decompositon. Ihis method is a novel adaptive decomposition. It is more better than E
emd
- emd经验模态分解 对振动信号进行emd分解后可以得到若干个imf,然后便可以进行希尔伯特黄变换，判断故障。-emd, it is used to analyse a signal
1xy7z.ZIP
- 小波分解和最小二乘支持向量机的风机齿轮箱故障诊断Wavelet decomposition and least square support vector machine fan fault diagnosis of gear box-Wavelet decomposition and least square support vector machine fan fault diagnosis of gear box
56465456456465waveletpackage
- 基于matlab的小波包分解应用于机械振动信号的故障分析-Used in failure analysis of mechanical vibration signals based on the Matlab wavelet packet decomposition
OCD--code
- 通过对集成误差公式的理论分析，提出了一种能主动引导个体网络进行差异性学习的集成网络学习算法。该方法通过对集成误差的分解，使个体网络的训练准则函数中包含个体网络误差相关度的因素，并通过协同训练，引导个体网络进行差异性学习。该方法在基于油气分析的变压器故障诊断的实验结果表明，该方法的故障诊断准确率优于传统的三比值法与BP神经网络，其性能也比经典的集成方法Bagging和Boosting方法更稳定可靠。-A learning algorithm is proposed in this paper by
ADL-code
- 通过对集成误差公式的理论分析，提出了一种能主动引导个体网络进行差异性学习的集成网络学习算法。该方法通过对集成误差的分解，使个体网络的训练准则函数中包含个体网络误差相关度的因素，并通过协同训练，引导个体网络进行差异性学习。该方法在基于油气分析的变压器故障诊断的实验结果表明，该方法的故障诊断准确率优于传统的三比值法与BP神经网络，其性能也比经典的集成方法Bagging和Boosting方法更稳定可靠。-A learning algorithm is proposed in this paper by
LEMDA
- LABVIEW下实现自动的EMMD分解，广泛应用于故障诊断系统 -The LABVIEW under to achieve automatic EMMD decomposition, widely used in fault diagnosis system
convwavepacket_fenjie
- 这是自己编的卷积型小波包的分解程序，用于机械故障特征提取，实现了克服Mallat算法数据量减少和产生虚假频率的缺陷-Own series of convolution type of wavelet packet decomposition procedures for mechanical fault feature extraction to overcome the defects of the the Mallat algorithm decrease in the amount of
wavelet-packet-de_re
- 用小波工具箱函数实现小波包的分解与重构，非常适合与机械故障特征提取。-Wavelet packet decomposition and reconstruction, and is ideal for mechanical fault feature extraction using wavelet toolbox functions.
24
- 将高阶时频表示引入机械故障诊断领域。介绍了Wigner 高阶矩谱(WHOS)的概念、定义。针对多分量信号Wigner 高阶矩谱的交叉项会产生“虚假信号”,结合局域波法, 提出了一种抑制WHOS交叉项的新方法。首先对复杂信号进行预处理, 利用局域波分解方法把其分解成有限个具有单分量特性的基本模式分量,然后对每个基本模式分量计算WHOS。该方法能有效抑制WHOS时频分布的交叉项。通过仿真实验和转子的故障实验,以Wigner 双谱为例, 验证了该方法的实用性,为故障诊断的特征提取提供了新的工具-Hig
bp神经网络，小波变化
- 小波变换提取特征信号用bp神经网络进行故障诊断(Bp neural network is used for fault diagnosis of feature signal extracted by wavelet transform)
核主元分析（Kernel principal component analysis ，KPCA）在降维、特征提取以及故障检测中的应用
- 主要功能有： （1）训练数据和测试数据的非线性主元提取（降维、特征提取） （2）SPE和T2统计量及其控制限的计算 （3）故障检测 KPCA的建模过程（故障检测）： （1）获取训练数据（工业过程数据需要进行标准化处理） （2）计算核矩阵 （3）核矩阵中心化 （4）特征值分解 （5）特征向量的标准化处理 （6）主元个数的选取 （7）计算非线性主成分（即降维结果或者特征提取结果） （8）SPE和T2统计量的控制限计算