一、光学小波变换中的Mexican-hat小波母函数特性（论文文献综述）
石冲[1]（2021）在《基于频谱分析和小波包熵值技术的压浆密实度检测研究》文中提出在预应力混凝土桥梁施工过程中,水泥浆液质量不佳,波纹管孔道堵塞,施工人员灌浆操作不当等诸多因素均会导致孔道压浆不密实,甚至出现大面积的空洞缺陷,而孔道压浆质量的好坏直接影响着桥梁的使用寿命。本文使用有限元软件模拟了不同缺陷工况下孔道压浆密实度的检测过程,对时域数据进行频谱分析和小波包熵值计算,得出的主要结论如下:（1）首先,建立了五种不同板厚下不同缺陷直径的有限元模型。对时域数据进行频谱分析,拟合出适用于评估0.2m至0.4m板厚下混凝土强度为C55的频率与压浆密实度的关系式,结果表明:随着缺陷直径的减小（密实度增大）,频率则会增大,频谱分析的方法对较小缺陷的检出能力具有一定局限性。其次,建立了板厚为0.316m规则缺陷边界的有限元模型。拟合出适用于评估0.316m板厚下混凝土强度为C55的频率与压浆密实度的关系式,结果表明:随着规则缺陷边界的升高（密实度增大）,频率则会增大。再次,针对实际工程中压浆缺陷形状不规则的特性,建立了板厚为0.316m不规则缺陷边界的有限元模型。结果表明:频谱分析无法对相同缺陷分界处下不规则缺陷边界的工况进行区分。（2）对河北省某桥梁进行了孔道压浆密实度检测。将评估0.2m至0.4m板厚混凝土强度为C55的频率和压浆密实度拟合公式的计算结果,评估0.316m板厚混凝土强度为C55的频率和压浆密实度拟合公式的计算结果,分别与检测结果进行对比分析,证明了两个拟合公式在实际工程中具有一定的可行性。（3）以有限元模型为研究对象,计算各工况下的小波包熵值。结果表明:在不同缺陷直径的工况中,熵值随着缺陷直径的减小而增大,且相比频谱分析可以识别出更小的缺陷。在规则缺陷边界的工况中,熵值随着缺陷边界的升高而增大。在不规则缺陷边界的工况中,熵值依然随着不规则缺陷边界的升高而增大,实现了对相同缺陷分界处下不规则缺陷边界工况的区分。
江文超[2]（2020）在《基于小波变换与BP神经网络的分布式发电并网被动式孤岛检测方法的研究》文中研究指明随着分布式发电系统的规模不断增大,分布式发电系统对原供电网络的影响也越来越大,需要考虑多个方面的因素。其中,孤岛检测是分布式发电系统稳定运行必须考虑的一个重要问题。现有主动式孤岛检测技术因其注入信号对电网的扰动,降低了电能质量,同时因为多逆变器情形下所注入扰动信号的稀释效应,导致难以准确测量孤岛状态,所以研究人员将目光转向了被动式孤岛检测方法。传统被动式孤岛检测技术需要时间检测特征信号来进行判断,导致检测速度慢,检测盲区较大,无法识别功率匹配情况下的孤岛状态。针对传统被动式孤岛检测方法存在的问题,本文分析了孤岛效应产生的机理,引入小波变换和神经网络技术,提出了基于小波变换和BP神经网络的被动式孤岛检测算法,利用小波的数据挖掘特点和神经网络的强大模式识别能力,实现了更快的检测速度和更小的检测盲区。论文主要研究工作和创新如下:（1）针对孤岛产生的机理做了详细推导,分析了有功功率、无功功率失配时对PCC点电压幅值和频率的影响,接着分析了过/欠压和过/欠频两种传统被动式孤岛检测方法的原理和存在问题,说明了反孤岛测试电路中的负载品质因数。（2）针对孤岛检测特征向量难以选取的问题,在介绍小波变换理论的基础上,根据小波基函数一般选取原则和瞬态非平稳信号的最优小波基选择方法得到最优小波基,并使用最优小波基分解采样信号,构建了本文的孤岛检测特征向量,通过仿真验证了所选取特征向量的有效性。（3）针对不同状态下孤岛检测向量难以区分的问题,引入BP神经网络模式识别分类技术,并根据所选取的孤岛信号特征向量构建了孤岛测试所需的BP神经网络模型,依次确定了神经网络的节点数、隐层数和激活函数等关键参数。（4）针对传统被动式孤岛检测方法存在的功率匹配时难以检测的问题,提出了两种基于小波变换和BP神经网络的被动式孤岛检测算法,并在Matlab/Simulink上搭建了10k W级别分布式发电多逆变器孤岛检测算法验证平台,对所提出孤岛检测算法在各种负载参数实验条件和非孤岛干扰状态下的有效性进行了仿真验证。
王彦文[3]（2020）在《基于小波法的锅炉炉膛声波法测量重建研究》文中指出长期以来,世界能源中煤炭燃烧问题一直是能源中的主要构成部分,煤炭的燃烧属于大量的,能给我们带来能量和资源的同时,也产生了比较严重的污染问题。电站锅炉燃煤锅炉系统复杂,锅炉属于高温低压状态,且煤炭燃烧过程具有瞬态变化、湍流、燃烧环境恶劣、燃烧设备庞大等特征,燃烧环境极其复杂。因此炉膛燃烧过程的具体测量将是一项世界性的难题。对于锅炉中煤炭燃烧的空气动力场的研究将显得非常重要,充分了解了燃烧过程的流场及温度场,对于减少环境污染,提高燃烧效率将有举足轻重的意义。锅炉炉内的空气动力场的优化特性决定了锅炉的运行效率。有效和自适应的炉膛动力场测量技术是必需的,但目前还没有得到有效的利用。声学测量方法是非接触式的和全场的测量方法。本文提出了一种带有自适应重建算法的模型,用于空气动力场的声学测量。它利用小波在空间和尺度的自适应聚焦特性。采用少数几个典型的具有显式表达式之一的二维连续墨西哥帽小波作为二维小波基函数,以利用声音波传播时间数据重建炉膛空气动力场。另一方面,由于所测量的声学时间数据稀少,因此将会在重建过程中形成病态方程组,此过程使用了正则化矩阵方法,且在重建炉膛动力场方面获得了令人满意的解决方案。在该算法中,在每一个基函数尺度因子下,遍历一系列正则化因子以实现流场的局部优化重建;然后,通过遍历一系列小波尺度因子,得到一个最优尺度,以给出测量流场的全局最优小波尺度因子以及相关的最优正则化因子。其中,根据经验提出了比较新颖的伪信息熵目标函数用来确定最优正则化因子和尺度因子。在总体框架相同的情况下,将小波模型下流场重建结果与和高斯函数作为基函数流场重建的结果进行了比较。小波函数模型方法分别通过仿真和实验进行验证,结果表明,此方法可以提供可靠且更好的重建结果。还有,本文提出的小波模型可望适用于任何形式的复杂流场。
曲怡霖[4]（2020）在《利用环境振动的直升机旋翼桨叶损伤检测方法研究》文中认为旋翼是为直升机飞行提供升力的核心构件,旋翼桨叶在服役期内受力情况十分复杂,极容易发生损坏。桨叶处于振动的工作环境,可直接利用振动作为外部激励获得输出响应。因此本文重点研究在振动环境下的直升机旋翼桨叶损伤检测方法。论文首先利用改进的小波包节点重构算法对振动响应信号进行分解,提取小波包相对能量为原始损伤特征。其次,应用流形学习技术对原始特征进行降维处理,去除原始特征中的冗余和噪声信息,实现二次特征提取。再次,设计了两种自适应集成神经网络,一种用来识别桨叶的损伤类别,一种用来识别桨叶的损伤位置和损伤程度。最后,搭建了实验平台,以复合材料缩比尺寸的桨叶试件为研究对象,开展了直升机桨叶的损伤识别试验,并根据试验结果,分析了不同特征选取方法和降维方法对识别结果的影响。研究显示,小波包能量特征能准确揭示桨叶的损伤状况;在开展桨叶损伤类型识别时,SNE降维方法的识别具有较高的准确率,而在识别桨叶损伤程度和损伤位置时,PCA降维方法的识别效果较好。自适应集成神经网络相较于单个传感器对应的神经网络而言,显着提高了识别的准确率。
白建侠[5]（2019）在《双压电振子周期扰动主动控制湍流边界层减阻的实验研究》文中研究表明湍流边界层的壁面摩擦阻力是总阻力的主要来源。要减小壁面摩擦阻力,就要抑制相干结构的猝发过程。近壁区的条带结构和流向涡构成的自维持过程是壁湍流产生和维持的关键所在,对其中的任何一个环节加以控制,都可以达到抑制湍流、减小壁面摩擦阻力的目的。本文采用热线测速（Hot wire anemometer,HWA）实验技术,利用小波变换等信号分析方法,验证了湍流边界层外区超大尺度相干结构的存在性,并研究了湍流边界层相干结构的减阻机制。以沿展向布置的双压电陶瓷（Piezoelectric,PZT）振子为动作器,分别采用开环和闭环主动控制方案,实现了壁湍流相干结构开环及闭环主动控制减阻。采用双丝热线探针,对湍流边界层的流向和法向两个分量的脉动速度信号进行测量。通过对不同速度分量进行小波变换,分析了近壁区和外区流向和法向脉动速度分量的分尺度湍动能随尺度的分布。在外区发现流向脉动速度和法向脉动速度的能量最大尺度随法向坐标远离壁面增大,相干结构的平均猝发周期也相应增加,说明在外区存在超大尺度的相干结构。分析近壁区和外区能量最大尺度相干结构的喷射和扫掠事件对应的条件相位平均波形,发现外区的条件相位波形较近壁区均发生了改变,雷诺应力负的幅值显着降低,雷诺应力表现为正负交替的波动现象。自主设计了压电振子开环主动控制方案,通过交流变频电源对压电振子施加不同电压幅值和振动频率的交流电,利用安装于壁面上的展向布置的双压电振子的同步和异步振动方式,实现了双压电振子的同步和异步振动对壁湍流多尺度相干结构的主动控制。当压电振子的振动频率（160 Hz）接近相干结构能量最大尺度对应的频率时,双压电振子的异步振动实现了对流向涡的有效干扰和调制,打破了壁湍流的自维持机制,减小了壁面摩擦阻力。通过引入扰动雷诺数Red（28）?A2f/?表征扰动特征,发现在异步100 V/160 Hz工况中当Red=0.54时最大减阻率18.54%。异步控制160 Hz工况湍动能曲线均出现两个较为明显的极大值及一个极小值,且概率密度函数曲线均出现周期性的波动,说明压电振子的异步振动对壁湍流相干结构产生周期性的调制作用。条件相位波形被干扰,压电振子160 Hz异步振动产生的周期性的扰动对相干结构的调制作用明显增强。随着法向位置增大,调制作用减弱。把湍流速度脉动信号分成大尺度和小尺度,160 Hz振动频率下压电振子的扰动增强小尺度的湍流强度,调整了近壁区的能量分布,将大尺度能量转移到小尺度中。说明压电振子的扰动通过将部分大尺度高速流体破碎为小尺度结构来实现减阻。随着流向位置远离压电振子,压电振子的振动对于湍流边界层的作用逐渐减弱。以mu-level法为猝发事件的检测准则,用热线敏感丝传感器、单片机控制器和双压电振子动作器进行闭环控制,达到湍流边界层减阻的目的。采用安装在壁面上的沿展向布置的双压电振子的异步振动方式,通过对压电振子输入三种不同的振动频率,得到最大减阻率为16.03%。闭环控制结果表明,与开环控制相比,闭环中控制压电振子振动的电能为原来的25%,得到的减阻效果与开环接近。三种异步控制中,能量最大尺度附近的湍动能发生变化。发现压电振子的振动频率为160 Hz时,减阻率达到最大。加入条件检测后,100 V/160 Hz异步控制工况的条件相位平均波形周期变小,幅值变大。
焦影影[6]（2019）在《基于脑电和眼电信号的驾驶员睡意检测研究》文中研究指明疲劳驾驶是道路交通事故的主要诱因之一。大多数驾驶员在驾驶过程中都有过打瞌睡的经历,驾驶员无意识的入睡会高风险地导致惨重的交通事故的发生。因此,研究如何有效地检测出驾驶员进入睡眠的开始状态对于降低交通事故的发生具有重要的科学意义和实际的应用价值。本研究的主要目的是寻找能够表示驾驶员进入睡眠的生理指标并提出相应的检测算法,从而实现对睡眠开始状态的检测。由于脑电信号一直被公认为是检测疲劳的‘金标准’,而眼电信号相对于脑电信号有着更高的信噪比和易采集的特点,所以我们研究基于脑电和眼电信号的驾驶员睡意检测。自脑电被发现以来,关于睡眠中脑电和眼电的研究得到了广泛的关注和不断的发展。在睡眠研究中,脑电信号Alpha波的衰减被认为是进入睡眠最可靠的生理标志。此外,慢速眼动的出现也标志着睡眠的开始。因此,在本研究中,我们重点考察驾驶员打瞌睡时脑电信号Alpha波和眼电信号中慢速眼动的变化规律和特点,探讨它们是否可以作为驾驶员进入睡眠的可靠的生理标志并提出相应的检测算法,以实现对这些生理指标的自动检测。本文的主要贡献和创新点如下:1.我们设计了模拟驾驶实验。实验的目的是为了诱发出类似睡眠中的脑电信号Alpha波衰减和慢速眼动,从而考察这些能够指示睡眠开始状态的生理指标在疲劳驾驶过程中的特点。其次,为了开发实用的基于脑电和眼电信号的可穿戴疲劳驾驶检测设备,在实验中我们只使用了少量电极采集脑电和眼电信号。2.我们发现了一种脑电信号Alpha波的衰减-消失现象。此现象指Alpha波在闭眼时期逐渐并持续衰减直到完全消失。此现象在模拟驾驶过程中频繁出现,它不同于睡眠中的间歇性衰减的模式,是一种普遍的模式。此模式的出现表明驾驶员已开始进入睡眠。3.我们提出了一种新的基于小波变换的脑电和眼电信号特征提取方法。脑电Alpha波具有显着的局部震荡特点,眼电信号具有局部突变特点,我们根据脑电和眼电信号的不同特点选择不同的小波基和小波变换方式,实现对脑电和眼电信号局部特性的有效表示。4.我们提出了一种基于Alpha波的驾驶员睡意检测方法。我们通过检测两种Alpha波现象,即Alpha波阻断现象和Alpha波衰减-消失现象,识别驾驶员的两种状态:放松清醒与睡眠开始。该方法首先使用基于复Morlet母小波的连续小波变换,准确定位Alpha波的开始点与结束点。在检测到结束点时,我们使用可以处理时间依赖信息的长短期记忆网络（LSTM）对其进行分类。此外,在个体对个体的建模策略中,我们探讨了一种基于生成式对抗网络（CWGAN）对垂直眼电上的两类眼电信号进行样本扩充的方法,以提升LSTM的分类性能。实验结果表明,我们所提出的基于Alpha波的驾驶员睡意检测方法,能够有效检测Alpha波的开始点和结束点,并在结束点上能够以很高的精度区分两种Alpha波现象,从而确定驾驶员的两种不同的状态:放松清醒与睡眠开始。5.我们提出了一种检测慢速眼动的方法用于识别驾驶员的睡眠开始。我们将慢速眼动的检测问题看作不均衡的两类分类问题,使用小波变换等多种特征提取方法对两类数据进行特征提取,并使用重采样、SMOTE以及最小最大模块化网络来处理这种不均衡的两类分类问题。
蔡俊雄[7]（2018）在《基于同步压缩小波变换的储层预测方法研究》文中进行了进一步梳理在地震资料的处理和解释中,时频分析技术一直是学者们研究的热点和重点,该技术可以描述信号瞬时频率与时间二者之间的关系,可以提取出地震信号中丰富的隐藏信息。在实际运用中,常用的时频分析方法有短时傅里叶变换、连续小波变换、三参数小波变换、S变换、希尔伯特-黄变换、魏格纳-威利分布等,尽管这些方法在处理实际信号时一般能取得较好效果,但是它们部分会有时频分辨率不高、不具有可逆性、依赖小波基函数等一系列缺点,另一方面,随着地震资料越来越复杂,处理解释精度要求越来越高,传统的时频方法几乎不能满足目前的处理解释要求了,所以出现了一种高时频分辨率、能量聚焦性强和鲁棒性强的时频分析方法—同步压缩小波变换（CSWT）。本文首先从同步压缩小波变换的数学原理出发,介绍了该算法的的数学推导过程和常用的数学性质。然后通过理论信号模型来分析小波基函数的类型及其参数选择对算法的影响,结果表明该算法分析信号时,对小波基函数类型不敏感,对中心频率较为敏感且能得到时频分辨率远高于常规时频分析方法的得到的时频谱;接下来验证了该算法具有很好的鲁棒性、可逆性和抗噪性,这是传统的时频分析方法所不具有的优点。所以通过分析可知,选择合适的参数,可以使得该算法在处理地震信号时能取得比传统时频分析方法更好的效果。其次,本文基于同步压缩小波变换去噪算法的缺点,提出了一种改进算法,即联合CEEMD和同步压缩小波变换的去噪算法,简称CEEMD-CSWT去噪算法,理论模型和实际资料分析表明,该算法能很好地去除随机噪音,且具有很好的保幅效果。最后,本文介绍了谱分解和吸收衰减梯度的原理以及分析同步压缩小波变换在薄层含油气检测中的可行性。然后,利用实际原始地震资料进行验证,首先利用CEEMD-CSWT去噪算法对原始地震剖面进行去噪处理,再利用同步压缩小波变换进行谱分解,利用薄层瞬时谱的‘低频异常’现象,很好的检测出了油气,并将其结果与CWT、ST的相对比,体现了本文方法的优越性。另一方面,还利用左、右斜率法提取出实际地震剖面的低、高频吸收衰减梯度属性,并将其与CWT提取的属性图进行综合对比,再次验证了该方法在储层预测中的有效性和优越性。
崔德宇[8]（2018）在《基于小波神经网络的锂离子电池SOC估算技术研究》文中指出当今世界正面临日趋严重的两大问题:能源短缺与环境恶化。寻找基于低碳能源的,更绿色、更高效的交通运输方案已成为社会研究热点。作为交通运输的重要组成部分,汽车行业迎来了发展与变革的新时期,推进新能源汽车发展已经成为了历史必然选择。作为电动汽车主要能量载体的动力电池不容置疑地成为新能源汽车研究与发展前沿。锂离子电池由于其高能量密度、高输出功率、循环性能好、无记忆效应等优点而成为电动汽车的首选能量载体。然而制造或使用过程中,各电芯之间存在不可忽视的个体差异,电芯差异性直接影响动力电池包的性能并将产生安全性问题。因此,对所有电芯进行管理与控制的电池管理系统十分重要。电池电量状态（State of charge,SOC）作为电池管理系统的核心参数,其估算过程更是重中之重,已然成为新时代的研究热点。本文以锂离子电池为研究对象,搭建了实验平台并对电池进行多模拟工况特性测试,通过大量的实验分析并验证基于所研究的改进型小波神经网络模型的SOC估算算法性能。本文主要内容如下:1)开展了将离散小波变换与自适应小波神经网络相结合的混合型自适应小波神经网络的理论分析,并通过实验证明,基于混合型自适应小波神经网络的SOC估算的精确性、鲁棒性和稳定性等性能指标较好;2)对多层自适应小波神经网络开展了较为深入理论研究,探索和分析了隐含层数对网络逼近能力的影响,并应用于对锂离子电池的SOC估算过程。通过实验分析并研究基于多层自适应小波神经网络的SOC估算算法性能,并通过对输出结果进行分析,得到对基于自适应小波神经网络的SOC算法的通用改进方法;3)以粒子群优化算法、利文贝格-马夸特（Levenberg-Marquardt,L-M）算法作为小波神经网络的学习算法,并通过应用于SOC估算,对比分析学习算法的实际应用效果。4)基于混合型多层自适应小波神经网络,对变温工况进行了初步分析与实验,一定程度上证明基于神经网络的SOC估算算法具有易于建模与适用性强的优点。随着人工智能技术在各行各业得到广泛应用,智能化已成为时代发展的必然趋势。基于神经网络技术的智能SOC估算算法也必将成为智能电池管理系统的基石。因此,本文所研究的基于改进型小波神经网络的一系列智能SOC估算算法有着重要意义。
文云[9]（2016）在《提高目标联合变换相关识别性能的研究》文中研究说明目标识别在民用、国防领域中处于十分着重要的地位。光学相关器的快速验证和数据识别,为我们提供了简便的方法。传统的光学识别方法主要有:匹配滤波器、联合变换相关器等。由于传统的光学识别系统在使用中受到诸多实际问题的制约和困扰,如何提高系统的识别性能是一个值得关注的问题。联合变换相关器易于实现且适合用于目标的实时探测,但通常相关峰不高且不尖锐,识别力低。本文将数学变换应用于光学系统中,针对提高联合变换相关识别性能问题,将小波变换、对数极坐标-梅林变换和光学联合变换相关器相结合,利用计算机快速变换功能,开展了目标实时探测和畸变不变识别性的研究。主要工作如下:1、将光学图像识别技术应用于生物目标的探测,用光学小波变换识别多个血红细胞,以提高系统的识别力。在光学联合变换相关器中,通过空间频谱面上的小波滤波可以实现光学小波变换,构建光学小波联合变换相关器。Matlab仿真结果表明,与传统的联合变换相关器相比,由于小波变换的引入,相关峰尖锐,峰噪比明显增强,峰的半宽度显着减小,在多目标识别中不同位移目标不易受干扰,提高了目标探测能力。2、将光学图像识别技术应用于尺度和角度同时变化的畸变目标的探测。利用梅林变换,识别不同尺度的目标;利用极坐标转换,解决旋转图像识别问题。先利用计算机对畸变目标进行对数极坐标-梅林变换预处理,结合联合变换相关器构建尺度、旋转图像的识别系统。Matlab仿真结果表明,与传统相关器对畸变图像的不可识别性相比较,对数极坐标-梅林变换的引入,可以同时排除因位移、尺度、旋转变化造成的干扰,实现畸变目标的相关识别探测。3、将光学小波联合变换相关器和对数极坐标-梅林变换相结合,提出基于光学小波联合变换相关器的畸变图像识别系统。该系统对光学图像具有较高的识别力,并可实现图像的尺度和旋转不变识别。将参考图像和待测图像进行对数极坐标-梅林变换预处理后作为光学小波联合变换相关器的输入图像,空间频谱面上的小波滤波函数经计算机选择合适的参量,在输出面上得到二者的很好的互相关峰。Matlab仿真结果表明,该系统同时排除了由图像尺度变化和旋转造成的干扰,并得到很好的峰噪比和识别力。
文云,黄晓菁[10]（2016）在《利用光学小波变换对血红细胞识别的Matlab仿真》文中研究表明将光学图像识别技术应用于生物目标的探测,用光学小波变换识别多个血红细胞,以提高系统的识别力。在光学联合变换相关器中,通过空间频谱面上的小波滤波可以实现光学小波变换,构建光学小波联合变换相关器。Matlab仿真结果表明,与传统的联合变换相关器相比,由于小波变换的引入,相关峰尖锐,峰噪比明显增强,峰的半宽度显着减小,在多目标识别中不同位移目标不易受干扰,提高了目标探测能力。
二、光学小波变换中的Mexican-hat小波母函数特性（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：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（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。
三、光学小波变换中的Mexican-hat小波母函数特性（论文提纲范文）
（1）基于频谱分析和小波包熵值技术的压浆密实度检测研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 孔道压浆密实度无损检测方法 |
| 1.3 压浆密实度检测频谱分析的国内外研究现状 |
| 1.4 结构损伤小波包熵值分析等技术的国内外研究现状 |
| 1.5 研究内容及创新点 |
| 1.6 技术路线 |
| 第二章 冲击回波法基本原理 |
| 2.1 应力波理论 |
| 2.2 应力波的激发与传播 |
| 2.2.1 应力波的激发 |
| 2.2.2 应力波的传播 |
| 2.3 应力波的波速与波长 |
| 2.4 敲击信号影响范围及缺陷检出能力 |
| 2.5 冲击回波法测试原理 |
| 2.6 冲击回波法信号分析 |
| 2.6.1 时域分析 |
| 2.6.2 频域分析 |
| 2.7 本章小结 |
| 第三章 压浆缺陷检测的有限元仿真及频谱分析 |
| 3.1 有限元软件ABAQUS |
| 3.1.1 有限元软件简介及模块选择 |
| 3.1.2 模型基本假设 |
| 3.1.3 参数设置 |
| 3.1.4 网格划分 |
| 3.1.5 冲击荷载 |
| 3.2 有限元模型的验证 |
| 3.3 不同缺陷直径的有限元模型 |
| 3.3.1 板厚0.2m的模型仿真结果 |
| 3.3.2 板厚0.25m的模型仿真结果 |
| 3.3.3 板厚0.3m的模型仿真结果 |
| 3.3.4 板厚0.35m的模型仿真结果 |
| 3.3.5 板厚0.4m的模型仿真结果 |
| 3.3.6 不同缺陷直径模型仿真结果分析 |
| 3.4 规则缺陷边界的有限元模型 |
| 3.4.1 规则缺陷边界模型仿真结果 |
| 3.4.2 规则缺陷边界模型仿真结果分析 |
| 3.5 不规则缺陷边界的有限元模型 |
| 3.5.1 不规则缺陷边界模型仿真结果 |
| 3.5.2 不规则缺陷边界模型仿真结果分析 |
| 3.6 工程实例 |
| 3.6.1 检测设备 |
| 3.6.2 检测过程 |
| 3.6.3 检测结果及分析 |
| 3.7 本章小结 |
| 第四章 有限元模型小波包熵值分析 |
| 4.1 傅里叶变换 |
| 4.1.1 傅里叶级数 |
| 4.1.2 连续傅里叶变换 |
| 4.1.3 离散傅里叶变换 |
| 4.1.4 短时傅里叶变换 |
| 4.1.5 快速傅里叶变换 |
| 4.2 小波分析 |
| 4.2.1 连续小波变换 |
| 4.2.2 离散小波变换 |
| 4.2.3 多分辨率分析 |
| 4.3 小波包分析 |
| 4.4 常用小波函数及选择 |
| 4.5 小波包信息熵理论及构造方法 |
| 4.6 不同缺陷直径模型的小波包熵值求解及分析 |
| 4.7 规则缺陷边界模型的小波包熵值求解及分析 |
| 4.8 不规则缺陷边界模型的小波包熵值求解及分析 |
| 4.9 本章小结 |
| 第五章 结论与展望 |
| 5.1 本文主要结论 |
| 5.2 研究工作展望 |
| 参考文献 |
| 致谢 |
（2）基于小波变换与BP神经网络的分布式发电并网被动式孤岛检测方法的研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题研究背景和意义 |
| 1.2 孤岛效应的含义和危害 |
| 1.3 国内外研究现状 |
| 1.4 孤岛检测标准 |
| 1.5 本文主要内容 |
| 第二章 光伏发电系统被动式孤岛检测的相关问题 |
| 2.1 引言 |
| 2.2 孤岛效应的理论分析 |
| 2.2.1 孤岛效应的产生机理 |
| 2.2.2 功率失配对PCC点电压幅值、频率的影响 |
| 2.2.3 孤岛检测的本质 |
| 2.3 传统被动式孤岛检测方法分析及其存在问题 |
| 2.3.1 过/欠电压(OVP/UVP)孤岛检测方法 |
| 2.3.2 过/欠频率(OFP/UFP)孤岛检测方法 |
| 2.3.3 过/欠压和过/欠频检测方法存在问题 |
| 2.4 孤岛测试中的并联RLC负载品质因数Q_f |
| 2.4.1 品质因数Q_f的定义 |
| 2.4.2 品质因数Q_f对孤岛检测的影响 |
| 2.5 本章小结 |
| 第三章 基于小波变换的孤岛检测特征量提取 |
| 3.1 引言 |
| 3.2 小波变换理论基础 |
| 3.2.1 傅立叶变换 |
| 3.2.2 小波变换 |
| 3.2.3 小波包变换 |
| 3.3 孤岛检测中的小波分解函数 |
| 3.3.1 常用小波基函数 |
| 3.3.2 小波基函数的选择 |
| 3.4 孤岛对PCC点电压谐波的影响 |
| 3.5 孤岛检测特征量构建 |
| 3.6 本章小结 |
| 第四章 BP神经网络分类器设计 |
| 4.1 引言 |
| 4.2 BP神经网络概述 |
| 4.2.1 M-P神经元模型 |
| 4.2.2 BP神经网络结构 |
| 4.3 BP神经网络的工作原理和训练过程 |
| 4.4 BP神经网络建模设计 |
| 4.4.1 BP神经网络算法实现步骤 |
| 4.4.2 确定输入层和输出层的节点数 |
| 4.4.3 确定隐层数及其节点数 |
| 4.4.4 确定神经元激活函数 |
| 4.5 本章小结 |
| 第五章 基于小波变换和BP神经网络的孤岛检测算法验证 |
| 5.1 引言 |
| 5.2 训练样本集的构建 |
| 5.3 基于小波变换和BP神经网络的孤岛检测算法验证 |
| 5.3.1 孤岛检测特征量提取 |
| 5.3.2 孤岛检测算法原理及平台建模 |
| 5.3.3 不同测试条件下的孤岛检测验证结果分析 |
| 5.4 基于小波变换和BP神经网络的改进孤岛检测算法验证 |
| 5.4.1 孤岛检测特征量提取 |
| 5.4.2 不同测试条件下的孤岛检测验证结果分析 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 本文结论 |
| 6.2 展望 |
| 参考文献 |
| 攻读硕士学位期间的学术活动及成果情况 |
（3）基于小波法的锅炉炉膛声波法测量重建研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题研究的背景和意义 |
| 1.2 炉膛动力场测量技术概况 |
| 1.2.1 激光光学法测量 |
| 1.2.2 声波法测量 |
| 1.3 声学法测量技术国内外研究现状 |
| 1.4 本课题主要研究内容 |
| 2 声波法测量理论基础 |
| 2.1 声波法测量炉膛速度场研究 |
| 2.1.1 声波断面二维场传感器布置与测量路径的选择 |
| 2.1.2 声波时间差的实验测量及模拟计算 |
| 2.2 小波函数 |
| 2.2.1 小波函数发展概况 |
| 2.2.2 小波函数性质及分类 |
| 2.2.2.1 小波函数分类 |
| 2.2.2.2 小波函数性质 |
| 2.2.3 二维小波基函数选择 |
| 3 声波法速度场重建方法研究 |
| 3.1 炉膛断面二维速度场重建 |
| 3.1.1 速度场重建原理 |
| 3.1.2 重建算法研究 |
| 3.2 算法中参数优化的指标函数选择 |
| 3.2.1 信息熵 |
| 3.2.2 优化目标函数 |
| 4 重建结果分析 |
| 4.1 声学测量系统8传感器重建结果 |
| 4.2 声学测量系统12传感器重建讨论 |
| 5 总结与展望 |
| 5.1 全文总结 |
| 5.2 进一步研究展望 |
| 参考文献 |
| 个人简历与硕士期间研究成果 |
| 致谢 |
（4）利用环境振动的直升机旋翼桨叶损伤检测方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题的研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.3 本文的主要研究内容和章节安排 |
| 第二章 小波包变换和特征选取方法研究 |
| 2.1 小波变换理论 |
| 2.1.1 连续小波变换 |
| 2.1.2 离散小波变换 |
| 2.2 小波包变换理论 |
| 2.2.1 小波包变换的分解 |
| 2.2.2 分解层数的选择 |
| 2.2.3 母小波的选择 |
| 2.3 基于时频域的旋翼桨叶特征提取 |
| 2.3.1 基于时域的特征提取方法 |
| 2.3.2 基于频域的特征提取方法 |
| 2.4 改进小波包能量的节点重构算法 |
| 2.5 本章小结 |
| 第三章 基于流形学习的数据降维技术研究 |
| 3.1 流形学习的基本原理 |
| 3.2 流形学习算法 |
| 3.2.1 两种典型的流形学习降维算法 |
| 3.2.1.1 等度量映射算法(Isomap) |
| 3.2.1.2 局部线性映射算法(LLE) |
| 3.2.2 局部切空间排列算法(LTSA) |
| 3.2.3 随机近邻嵌入算法(SNE) |
| 3.2.4 t-分布随机近邻嵌入算法(t-SNE) |
| 3.3 流形学习算法的对比 |
| 3.4 本章小结 |
| 第四章 基于多源信息融合的集成神经网络损伤识别 |
| 4.1 信息融合技术概述 |
| 4.2 常见的融合算法 |
| 4.2.1 加权平均法 |
| 4.2.2 贝叶斯推理 |
| 4.2.3 D-S证据理论 |
| 4.2.4 人工神经网络法 |
| 4.3 改进集成神经网络的自适应决策融合方法 |
| 4.3.1 子神经网络的基本结构与设计 |
| 4.3.2 构建集成神经网络的分类模型 |
| 4.3.3 引入自适应预融模块的决策融合网络 |
| 4.4 本章小结 |
| 第五章 桨叶故障诊断实验及结果分析 |
| 5.1 直升机桨叶损伤的理论基础 |
| 5.1.1 复合材料桨叶的受损机理 |
| 5.1.2 复合材料桨叶的损伤形式 |
| 5.2 故障诊断流程 |
| 5.3 实验平台的搭建和实验开展 |
| 5.3.1 硬件选取及系统搭建 |
| 5.3.2 桨叶振动实验的开展 |
| 5.4 桨叶损伤特征提取 |
| 5.4.1 基于改进小波包的节点能量特征提取 |
| 5.4.2 时域特征提取 |
| 5.4.3 基于流形学习的二次特征提取技术 |
| 5.5 桨叶损伤类型的识别 |
| 5.5.1 对比研究不同特征选取方法的分类效果 |
| 5.5.2 对比研究不同降维方法的分类效果 |
| 5.6 桨叶损伤位置和损伤程度的识别 |
| 5.6.1 设计识别损伤位置和损伤程度的集成神经网络 |
| 5.6.2 对比研究不同特征选取方法对损伤位置和损伤程度的识别效果 |
| 5.6.3 对比研究不同降维方法对损伤位置和损伤程度的识别效果 |
| 5.7 本章小结 |
| 第六章 总结与展望 |
| 6.1 全文工作总结 |
| 6.2 研究未来展望 |
| 参考文献 |
| 致谢 |
| 在学期间的研究成果及发表的学术论文 |
（5）双压电振子周期扰动主动控制湍流边界层减阻的实验研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 字母注释表 |
| 第一章 绪论 |
| 1.1 湍流边界层相干结构概述 |
| 1.1.1 湍流边界层 |
| 1.1.2 湍流边界层分层模型 |
| 1.1.3 壁湍流相干结构 |
| 1.1.4 准流向涡与自维持机制 |
| 1.1.5 壁湍流减阻研究概述 |
| 1.2 小波变换概述 |
| 1.2.1 傅里叶变换 |
| 1.2.2 小波变换 |
| 1.2.3 小波分析能量最大准则 |
| 1.2.4 小波系数模极值法 |
| 1.3 湍流实验技术概述 |
| 1.3.1 湍流实验技术 |
| 1.3.2 热线测速优势 |
| 1.4 本文主要工作及框架 |
| 1.4.1 本文主要工作 |
| 1.4.2 本文结构框架 |
| 第二章 实验设备与技术 |
| 2.1 热线测速技术原理 |
| 2.2 实验测量系统 |
| 2.3 实验仪器与设备 |
| 2.3.1 实验风洞 |
| 2.3.2 实验平板 |
| 2.3.3 IFA300 恒温热线风速仪 |
| 2.3.4 单丝边界层热线探针 |
| 2.3.5 交流变频电源 |
| 2.3.6 自动控制坐标架 |
| 2.3.7 校准器 |
| 2.4 压电陶瓷振子 |
| 2.4.1 压电材料 |
| 2.4.2 压电陶瓷 |
| 2.4.3 PZT振子的悬臂梁模型 |
| 2.4.4 压电振子的主要参数 |
| 第三章 湍流边界层外区超大尺度相干结构的实验研究 |
| 3.1 研究目的 |
| 3.2 实验介绍 |
| 3.2.1 实验装置 |
| 3.2.2 实验参数 |
| 3.3 实验结果与讨论 |
| 3.3.1 平均速度剖面 |
| 3.3.2 小波分析结果 |
| 3.4 本章小结 |
| 第四章 双压电振子开环主动控制减阻的实验研究 |
| 4.1 研究目的 |
| 4.2 实验介绍 |
| 4.2.1 实验设备及装置 |
| 4.2.2 实验工况及参数 |
| 4.3 实验结果与讨论 |
| 4.3.1 平均速度剖面 |
| 4.3.2 减阻率与振子振幅 |
| 4.3.3 湍动能 |
| 4.3.4 FFT谱分析 |
| 4.3.5 小波分析 |
| 4.3.6 不同流向位置能量尺度分布 |
| 4.4 本章小结 |
| 第五章 双压电振子闭环主动控制减阻的实验研究 |
| 5.1 研究目的 |
| 5.2 实验介绍 |
| 5.2.1 闭环控制系统 |
| 5.2.2 实验工况 |
| 5.3 实验结果与讨论 |
| 5.3.1 湍流边界层平均速度剖面 |
| 5.3.2 减阻率及相对振动时间 |
| 5.3.3 平均猝发频率 |
| 5.3.4 小波系数等值云图 |
| 5.3.5 分尺度能量分布 |
| 5.3.6 条件相位平均波形 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 主要结论 |
| 6.2 本文创新点 |
| 6.3 展望 |
| 参考文献 |
| 发表论文和参加科研情况说明 |
| 致谢 |
（6）基于脑电和眼电信号的驾驶员睡意检测研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 疲劳驾驶检测研究进展 |
| 1.2.1 基于驾驶员面部特征的检测方法 |
| 1.2.2 基于车辆行驶特征的检测方法 |
| 1.2.3 基于驾驶员生理信号的检测方法 |
| 1.2.4 基于信息融合的检测方法 |
| 1.3 睡眠开始时期的生理指标 |
| 1.3.1 脑电、眼电简介 |
| 1.3.2 睡眠分期标准 |
| 1.3.3 Alpha波衰减指示睡眠开始 |
| 1.3.4 慢速眼动指示睡眠开始时期 |
| 1.3.5 疲劳驾驶与睡眠 |
| 1.4 本文的研究目标和研究内容 |
| 1.5 本论文结构安排 |
| 第二章 模拟驾驶实验设计与睡意生理指标 |
| 2.1 模拟驾驶实验设计 |
| 2.1.1 被试 |
| 2.1.2 实验过程 |
| 2.1.3 脑电采集的导联 |
| 2.1.4 眼电采集的导联 |
| 2.1.5 数据和视频记录 |
| 2.2 疲劳驾驶中的生理信号 |
| 2.2.1 Alpha波衰减-消失现象 |
| 2.2.2 慢速眼动的出现 |
| 2.2.3 模拟驾驶中的Alpha波特点分析 |
| 2.2.4 模拟驾驶中的慢速眼动特点分析 |
| 2.3 本章小结 |
| 第三章 脑电和眼电信号的降噪处理与特征提取 |
| 3.1 信号伪差处理 |
| 3.1.1 伪差类型 |
| 3.1.2 伪差处理方法及其存在的问题 |
| 3.2 小波变换 |
| 3.2.1 傅里叶变换 |
| 3.2.2 连续小波变换 |
| 3.2.3 离散小波变换 |
| 3.2.4 小波多分辨率分析 |
| 3.3 小波阈值去噪 |
| 3.4 基于小波变换的特征提取 |
| 3.4.1 基于Daubechies的离散小波变换 |
| 3.4.2 基于复Morlet的连续小波变换 |
| 3.4.3 基于Haar的连续小波变换 |
| 3.4.4 基于Mexican Hat小波的突变点分析 |
| 3.5 本章小结 |
| 第四章 分类模型与不均衡分类方法 |
| 4.1 分类模型 |
| 4.1.1 支持向量机 |
| 4.1.2 长短期记忆网络 |
| 4.2 不均衡数据分类方法 |
| 4.2.1 采样方法 |
| 4.2.2 最小最大模块化网络 |
| 4.2.3 生成式对抗网络 |
| 4.3 本章小结 |
| 第五章 基于脑电Alpha波的驾驶员睡意检测 |
| 5.1 研究背景 |
| 5.2 相关工作 |
| 5.2.1 基于生理信号的疲劳驾驶检测 |
| 5.2.2 LSTM网络在生理信号上的应用 |
| 5.3 数据采集和标记 |
| 5.4 两种Alpha波现象的标记 |
| 5.4.1 Alpha波的出现与结束 |
| 5.4.2 Alpha波的时频定位 |
| 5.5 算法框架 |
| 5.5.1 获取小波能量阈值 |
| 5.5.2 检测Alpha波的开始点与结束点 |
| 5.5.3 使用LSTM对结束点进行分类 |
| 5.6 算法执行细节设置 |
| 5.6.1 LSTM分类器的输入特征序列设置 |
| 5.6.2 数据分割、扩充与分类器设置 |
| 5.7 算法执行结果 |
| 5.7.1 检测Alpha波开始点与结束点的性能 |
| 5.7.2 LSTM对Alpha波结束点的分类结果 |
| 5.8 本章小结 |
| 第六章 基于慢速眼动的驾驶员睡意检测 |
| 6.1 研究背景 |
| 6.2 慢速眼动检测方法 |
| 6.2.1 数据采集 |
| 6.2.2 信号相似性分析 |
| 6.2.3 信号预处理 |
| 6.2.4 特征提取 |
| 6.2.5 特征选择 |
| 6.2.6 分类算法 |
| 6.3 检测结果分析 |
| 6.3.1 脑电特征分析 |
| 6.3.2 不均衡分类结果 |
| 6.4 本章小结 |
| 第七章 总结与展望 |
| 7.1 本论文的主要贡献和创新点 |
| 7.2 未来工作展望 |
| 参考文献 |
| 致谢 |
| 攻读博士学位期间发表的学术论文目录 |
| 攻读博士学位期间参加的科研项目 |
（7）基于同步压缩小波变换的储层预测方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 引言 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状和进展 |
| 1.3 本文研究内容 |
| 第二章 常规时频分析方法 |
| 2.1 短时傅里叶变换 |
| 2.2 连续小波变换 |
| 2.3 Wigner-Wille分布 |
| 2.4 三参数小波变换 |
| 2.5 S变换与广义S变换 |
| 2.5.1 S变换 |
| 2.5.2 广义S变换 |
| 2.6 希尔伯特-黄变换 |
| 2.6.1 EMD原理 |
| 2.6.2 希尔伯特-黄变换原理 |
| 2.7 时频谱重排原理 |
| 2.7.1 短时傅里叶谱重排原理 |
| 2.7.2 连续小波变换谱重排原理 |
| 2.8 小结 |
| 第三章 同步压缩小波变换 |
| 3.1 同步压缩小波变换原理 |
| 3.1.1 同步压缩小波变换的算法原理 |
| 3.1.2 同步压缩小波变换的基本性质 |
| 3.1.3 同步压缩小波变换的算法实现 |
| 3.2 同步压缩小波变换的时频特性分析 |
| 3.2.1 可逆性分析 |
| 3.2.2 参数选取分析 |
| 3.2.3 抗噪性分析 |
| 3.3 算法测试 |
| 3.3.1 合成地震记录分析 |
| 3.3.2 实际单道地震信号分析 |
| 3.4 小结 |
| 第四章 基于同步压缩小波变换的地震去噪技术 |
| 4.1 基于CEEMD的同步压缩小波变换的地震随机噪音压制技术 |
| 4.1.1 CEEMD算法原理 |
| 4.1.2 CEEMD-CSWT的去噪原理 |
| 4.1.3 理论信号测试 |
| 4.1.4 实际地震数据测试 |
| 4.2 小结 |
| 第五章 基于同步压缩小波变换的储层预测技术 |
| 5.1 谱分解原理 |
| 5.2 基于CSWT的实际地震资料的瞬时谱分析 |
| 5.3 基于CSWT的实际地震资料的吸收衰减梯度分析 |
| 5.4 小结 |
| 结论和认识 |
| 参考文献 |
| 攻读硕士学位期间取得的学术成果 |
| 致谢 |
（8）基于小波神经网络的锂离子电池SOC估算技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 电池管理系统 |
| 1.3 SOC估算技术概述 |
| 1.3.1 SOC估算的意义 |
| 1.3.2 SOC估算研究现状 |
| 1.4 研究目标与主要工作 |
| 1.4.1 研究目标 |
| 1.4.2 主要工作 |
| 第2章 SOC估算模型的小波理论基础 |
| 2.1 小波分析的基本概念 |
| 2.2 基于多分辨分析的测量信号特征提取原理 |
| 2.2.1 多分辨分析基本概念 |
| 2.2.2 小波级数、Mallat算法 |
| 2.3 本章小结 |
| 第3章 小波神经网络SOC估算的基础模型 |
| 3.1 神经网络模型 |
| 3.1.1 感知器模型 |
| 3.1.2 神经网络学习规则 |
| 3.2 小波神经网络基础模型 |
| 3.2.1 混合型小波神经网络 |
| 3.2.2 多分辨小波神经网络 |
| 3.2.3 自适应型小波神经网络 |
| 3.3 本章小结 |
| 第4章 改进型小波神经网络SOC估算模型 |
| 4.1 学习算法优化 |
| 4.1.1 粒子群优化算法 |
| 4.1.2 Levenberg-Marquardt算法 |
| 4.2 混合型自适应小波神经网络SOC估算模型 |
| 4.3 多层自适应小波神经网络SOC估算模型 |
| 4.3.1 基于负梯度算法的训练过程 |
| 4.3.2 基于Levenberg-Marquardt算法的训练过程 |
| 4.4 本章小结 |
| 第5章 小波神经网络SOC估算特性分析与实验研究 |
| 5.1 实验平台 |
| 5.2 多模拟工况电池特性测试 |
| 5.3 小波神经网络在电池SOC估算的应用及特性分析 |
| 5.3.1 基于PSO或 L-M的自适应小波神经网络 |
| 5.3.2 基于多层自适应小波神经网络 |
| 5.3.3 基于混合型自适应小波神经网络 |
| 5.3.4 基于混合型多层自适应小波神经网络 |
| 5.4 本章小结 |
| 第6章 总结与展望 |
| 6.1 工作总结 |
| 6.2 工作展望 |
| 参考文献 |
| 致谢 |
| 附录A 一种基于云计算的电动汽车动力电池管理和监控系统 |
| 个人简历、在学期间发表的学术论文与研究成果 |
（9）提高目标联合变换相关识别性能的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 导论 |
| 1.1 研究背景和意义 |
| 1.2 光学识别探测现状 |
| 1.2.1 光学识别系统的发展概况 |
| 1.2.2 图像畸变不变识别的发展概况 |
| 1.3 论文研究内容和安排 |
| 第2章 光学相关识别器 |
| 2.1 引言 |
| 2.2 Vander Lugt滤波器 |
| 2.3 联合变换相关器 |
| 2.4 小结 |
| 第3章 目标识别技术的数字变换研究 |
| 3.1 引言 |
| 3.2 梅林变换法 |
| 3.2.1 梅林变换法 |
| 3.2.2 对数极坐标-梅林变换法 |
| 3.3 小波变换器 |
| 3.3.1 小波变换法 |
| 3.3.2 光学小波联合相关变换器 |
| 3.4 小结 |
| 第4章 计算机模拟图像的相关识别 |
| 4.1 引言 |
| 4.2 多目标识别的仿真探究 |
| 4.2.1 联合变换相关器的仿真识别 |
| 4.2.2 光学小波联合变换相关器的仿真识别 |
| 4.2.3 仿真结果分析 |
| 4.3 畸变目标识别的仿真探究 |
| 4.3.1 改进的旋转、缩放目标识别不变性的仿真 |
| 4.3.2 仿真结果分析 |
| 4.4 用小波变换提高畸变目标识别力的仿真探究 |
| 4.4.1 改进光学小波联合变换对畸变目标识别的仿真 |
| 4.4.2 仿真结果分析 |
| 4.5 小结 |
| 第5章 总结与展望 |
| 5.1 总结工作 |
| 5.2 未来展望 |
| 致谢 |
| 参考文献 |
| 在学期间科研成果情况 |
（10）利用光学小波变换对血红细胞识别的Matlab仿真（论文提纲范文）
| 0 引言 |
| 1 原理 |
| 2仿真实验 |
| 3 结论 |
四、光学小波变换中的Mexican-hat小波母函数特性（论文参考文献）
- [1]基于频谱分析和小波包熵值技术的压浆密实度检测研究[D]. 石冲. 河北大学, 2021(09)
- [2]基于小波变换与BP神经网络的分布式发电并网被动式孤岛检测方法的研究[D]. 江文超. 合肥工业大学, 2020(02)
- [3]基于小波法的锅炉炉膛声波法测量重建研究[D]. 王彦文. 郑州大学, 2020(02)
- [4]利用环境振动的直升机旋翼桨叶损伤检测方法研究[D]. 曲怡霖. 南京航空航天大学, 2020(07)
- [5]双压电振子周期扰动主动控制湍流边界层减阻的实验研究[D]. 白建侠. 天津大学, 2019(01)
- [6]基于脑电和眼电信号的驾驶员睡意检测研究[D]. 焦影影. 上海交通大学, 2019(06)
- [7]基于同步压缩小波变换的储层预测方法研究[D]. 蔡俊雄. 中国石油大学(华东), 2018(07)
- [8]基于小波神经网络的锂离子电池SOC估算技术研究[D]. 崔德宇. 清华大学, 2018(04)
- [9]提高目标联合变换相关识别性能的研究[D]. 文云. 集美大学, 2016(04)
- [10]利用光学小波变换对血红细胞识别的Matlab仿真[J]. 文云,黄晓菁. 集美大学学报(自然科学版), 2016(02)
标签：小波变换论文; 神经网络模型论文; 脑电信号分析论文; matlab小波变换论文; 缺陷管理论文;