神经网络以及小波分析法在汽车发动机故障检修中有什么应用

汽车是我们生活中常用的将交通工具，那么神经网络和小波分析法在汽车发动机故障检修中有什么应用呢？大家请看我接下来详细地讲解。

一，小波分析在故障检修中的应用

小波包分解与故障特征提取。缸盖表面的振动信号由一系列瞬态响应信号组成，分别代表气缸的振动源响应信号:1为气缸的燃烧激励响应;2是排气阀打开时的节流阀冲击。气门间隙异常时,振动信号的能量大于目前冲击力作用时,振动信号的主要组件目前离冲击力稳定的振动信号和噪声,信号能量相对较小。因此，可以利用每个频带的能量变化来提取故障特征，通过小波包分解系数{4]得到频带的能量。

二，神经网络在故障检修中的作用

神经网络与故障识别的基本原理。人工神经网络以其大规模并行处理、分布式存储、自组织、自适应和自学习的能力，以及适合于处理不准确或模糊的信息而备受关注5]。其中，最成熟的是BP神经网络。值，直到输出接近理想输出信号6。因此，BP神经网络可以以任意精度逼近任意有限维函数，适用于模式识别。现在对每个工况信号取5个样本，按照⒉部分所述步骤对35组样本信号进行编程，提取样本信号的能量特征向量。

三，小波分析法和神经网络应用总结

为了实现柴油机气门机构的非解体故障诊断，本文将对测量的气缸盖振动信号进行小波阈值降噪预处理。然后根据信号的频率特性，对信号进行时频分析后进行小波包分解。所构造的能量特征向量准确地反映了气门间隙状态下缸盖振动信号能量的变化。实验表明，利用能量特征向量，BP神经网络能更准确地完成从振动信号空间到气门间隙状态空间的非线性映射，能更好地满足柴油机状态检测和故障诊断的要求。

对高光谱遥感影像进行分类，通过分类的精确度和对微量信息的识别能力来检验小波包分解降噪后的效果。本章基于二进制编码算法监督分类的同时对原始图像和第四层分解并降噪后图像进行分类，以此检验降噪的效果。其中，二进制编码分类技术是根据实验波段数据低于波谱平均值，将实验数据每一像元的各个波段值与该像元的波谱平均值比较并分别编码为0或1，继而使用 “异或” 逻辑函数对每一种编码的参考波谱和编码的数据波谱进行比较，生成分类的效果图像。

在图版15中，红色代表金属材料地物，绿色代表植被，土**代表裸地，灰色代表飞机场，**为其他地物，黑色是未分类信息，可见：A处，图（a）将飞机场上的小飞机归为其他地物，而图（b）能够识别为金属材料地物；B处，两图同样可以识别飞机，但图（b）对飞机的轮廓识别更为清晰，另外，B处图（a）将飞机场部分信息归为了金属类，而图（b）明显减弱了这种错误的识别；C处，花坛周围本应该是裸地部分，图（a）将大部分划为飞机场地物，而图（b）就能很好地识别。

图48 影像AVIRIS各小波包分解层的高频系数绝对值直方图

因此，从图版15的两幅图像可以看出，降噪后的图像对地物的识别能力更强。

图像处理包括很多方式，看你需要做什么样的处理，图像在matlab中就是二维矩阵表示，一般表示像素，如果源图像很模糊，看不清，表明有噪声，需要进行降噪处理，降噪方式有很多，我现在接触的是小波包和小波降噪方式，就是将图像矩阵用小波变换分解， 一般高频为噪声，设置噪声阈值，然后进行降噪处理，高于这个阈值的信息便去掉，这个阈值的设定根据经验和不断试验得出，没有统一的规定；

还有就是图像信息的压缩，比如要传输某图像，需要将图像小波分解，分解后的图像信息也要进行压缩处理，将明显影响图像特征的信息保留，去除传输过程中不必要的信息，这样接收方可以方便的根据图像明显的特征将其重构，这也是图像处理的一种方式

另外还有灰度级别变换，求灰度直方图，局部图像预处理等，你可以在网上搜搜，有很多相关资料

小波包分解树的节点合并

T = wpjoin(T,N)

[T,X] = wpjoin(T,N)

T = wpjoin(T)

[T,X] = wpjoin(T)

T为小波分解树，N为需要合并的节点，X为节点系数。

y = conv2(x(:)',f(:)',shape);用法不对吧，不能直接用shape吧，应该换成'full','same'或'valid'。不知道你这是自己编的还是某个脚本程序运行matlab本身的库函数出现的这些问题。

由小波包理论可知，小波包分解层数并非越多越能详细的分离出图像的噪声，随着分解层数的增多，运算量增大，原有信息丢失严重，因此，选择最佳的分解层数对于高光谱数据的去噪与分类有着重要的作用。

奇异值分解（Singular Values Decomposition，SVD）的过程是：设小波分解获得的细节系数（即高频系数）构成一个矩阵序列 ｛aij，i＝1，2，…，m；j＝1，2，…，n｝1～N（蔡铁等，2006），即：

图44 高光谱影像的小波包最佳分解层数获取算法及降噪研究思路

图45 AVIRIS原始高光谱影像

高光谱遥感影像信息提取技术

对矩阵A进行奇异值分解：

高光谱遥感影像信息提取技术

则

高光谱遥感影像信息提取技术

式中：U，V分别为m阶酉矩阵和n阶酉矩阵；H为Hermite矩阵；Δ＝diag（λ1，λ2，…，λr），奇异值矩阵△中，λ1≥λ2≥…≥λr＞0，它表示了序列m×n的能量方向；r为矩阵维数。

高光谱遥感是利用高光谱分辨率技术获取光谱维信息，因此可基于光谱维进行光谱知识、光谱显微的微量成分遥感等技术研究，实现光谱分析和地物特征提取。小波包变换既能同时对低频分量和高频分量进行分解，也克服了小波变换时间分辨率高时频率分辨率低的缺陷，所以对包含大量中、高频信息的高光谱影像数据能够进行更好的时频局部化分析，在高光谱数据光谱分析中具有一定的科学意义和研究发展趋势。

小波包分解区别于小波分解的独特优点是既能对低频信息进行分解又能对高频信息进行分解，由于噪声主要集中在高频部分，所以为实现更好的消除噪声提供了可能性。而小波包分解最主要的关键点是小波基的选择和最佳分解层数的确定。本章研究出一种确定小波包分解层数的判定算法和获取模型，即：首先将高光谱遥感影像三维信息在symlet8小波基下进行1～N层小波包分解，提取各层分解的高频系数，对每一层的高频系数进行奇异值分解，将奇异特征值进行特定的函数组合，并且反演回归函数曲线，根据回归函数曲线的拐点确定最佳的分解层数，继而在最佳分解层数的前提下，对高频信息进行软阈值的降噪处理，并通过软阈值降噪的方法验证了新方法的正确性；通过影像分类实验的比较，结果显示取得了较好的地物识别能力。同时，经过对另一景小麦条锈病虫害高光谱影像的处理，验证了本章所提出的新方法具有比较大的普适性，当然并不能保证该方法能够适用于所有的高光谱遥感影像，因为不可能选择对所有的影像进行验证，本章只能说明该方法具有较好的普遍适应性。

本章所提出的运用奇异特征值结合判定函数判断最佳小波包分解层数的优点在于：(1)不用知道各层分解的结果就可以判断最佳分解层数，简化了计算步骤；(2)通过奇异特征值分解可以得到高光谱影像的特征矩阵，能用更简化的形式表示影像的基本信息，便于后续处理，如主成分分析，压缩，去噪，分类等；(3)同时开展在空间域和光谱维的三维环境下进行计算，减少了影像有用信息的丢失和忽略，从而使结果更精确。

先对各节点的系数进行求平方和，一般来说，值比较大的即为在那节点对应频段能量较大的，即可作为所说的特征尺度，利用wprcoef即可对任一节点进行重构，即结果为只含有节点对应频段的信号，不知这样解释是否清楚

以上就是关于神经网络以及小波分析法在汽车发动机故障检修中有什么应用全部的内容，包括:神经网络以及小波分析法在汽车发动机故障检修中有什么应用、图像分类显示降噪效果、图像预处理和小波去噪有什么关系等相关内容解答，如果想了解更多相关内容，可以关注我们，你们的支持是我们更新的动力！