一、基于傅立叶变换和小波变换的信号处理（论文文献综述）
王普惠[1]（2021）在《基于机器学习的量化投资决策研究与应用》文中研究指明量化投资通过计算机对大量金融数据进行分析,根据建立的投资决策模型进行交易判断以及交易执行,能够迅速更新全方位的实时数据,理性决策,平衡分险与收益,及时把握机会进行交易。随着互联网和大数据技术的迅速发展,面对如今复杂多变的金融市场和琳琅满目的金融产品及其衍生品,单单依靠传统的量化投资策略已无法满足市场需求。针对上述问题,部分研究者和从业者在完成传统投资向量化投资的转变后,继续开始向人工智能量化投资逐步过渡,将机器学习、深度学习等算法应用于量化投资领域。新的量化投资方法业绩更加稳定,市场规模和份额不断扩大,得到越来越多投资者的信赖。针对复杂的金融市场信号,本文利用信号分解技术,将有效的金融信号从复杂的市场噪声中分离出来,获得不同频率的信号组合,从中挖掘有价值的信息。同时利用神经网络对时间序列的趋势进行预测,获得趋势信息。针对特定的沪深300股指期货,设计相应的量化策略,与机器学习模型进行融合,形成一个有效的量化投资决策模型。为构建一个适合股指期货市场的量化投资决策模型,建立基于CEEMDAN-LSTM量化投资决策模型,本文进行如下工作:将信号分解技术、机器学习技术和CTA量化投资策略进行结合,构建基于机器学习的量化投资决策模型——CEEMDAN-LSTM量化投资决策模型;使用沪深300股指期货1分钟市场行情数据作为测试数据,构建CEEMDAN-LSTM量化投资决策模型;利用CEEMDAN信号分解技术得到的高频噪声序列和低频趋势序列,连同沪深300股指期货市场交易数据,使用LSTM神经网络进行趋势预测,结合股指期货市场交易规则和量化投资策略,构建CEEMDAN-LSTM量化投资决策模型,最终得到一个夏普比率较高,最大回撤较小的量化投资决策模型,实现发挥不同算法自身的优越性和避免单一算法具有一定缺陷的目标,得到性能更高的算法模型。
杨钰琳[2]（2021）在《基于次声波的特定事件探测系统的设计与实现》文中研究说明很多自然事件和人工事件发生时都能产生次声波,例如雷电、台风、化学爆炸等。次声波作为全球禁核组织开展核查的重要效应之一,具有传播远、不易衰减的特点。因此研究次声波的信号特征和基于它的事件识别具有重要意义。本文对特定事件的异常次声波信号进行研究,综合傅立叶变换、小波变换、希尔伯特黄变换三种信号处理技术与信息熵理论,分别提取了次声波信号的时域特征、频域特征和时频域特征。同时,使用机器学习模型中的支持向量机SVM进行对比实验,验证不同特征提取算法在次声波分类识别中的有效程度。在分类识别方面,还探究了循环神经网络模型在本研究中的可行性,采用RNN的变体LSTM、GRU模型对信号数据进行分类。实验结果表明,在基于特征提取的SVM算法中,信号经希尔伯特黄变换后计算的特征分类效果最好;在基于神经网络的分类实验中,LSTM的分类结果优于GRU。为了充分利用数据,本文探究了数据融合技术在本课题中的应用,对比了不同级别数据融合的特点,并基于数据级融合提出具体实现方案,采用自适应加权平均算法求得来自多传感器次声波数据的融合曲线。除此,本文基于时延估计定位算法,进行了多传感器三角阵仿真定向实验。本文结合研究结果,根据需求分析,按功能将基于次声波的特定事件探测系统划分为系统管理、事件分析、数据融合、事件展示四个模块。针对上述模块,分别进行了业务逻辑分析、接口设计、数据库设计,并对各功能点进行编码开发。实现了对用户上传的次声波信号文件的备份存储、分析与分析结果管理,同时还考虑到系统使用中的安全性,融入了权限管理。
曹志伟[3]（2021）在《基于广义S变换传递比的时变索力识别》文中进行了进一步梳理对于服役期的桥梁结构来说,时变索力识别是进行斜拉桥拉索极限状态安全评定和疲劳累积损伤评价的基础。传统基于振动法的索力测试方法无法对变化的索力进行实时识别,基于此,本文采用基于广义S变换传递比方法,并将该方法应用于时变索力识别中,从而为时变索力识别提供了新的思路。本文主要内容包括:首先讨论了不同参数选择对于改进的S变换窗函数的影响,并针对所采用的双参数广义S变换给出了基于聚集度准则的参数优化方法。与传统的时频分析方法相比,广义S变换保留了S变换多分辨率、无损可逆及较高的时频聚集度的优良特性,其分析结果更符合非平稳信号分析的要求。其次给出了基于广义S变换传递比的时频分析方法。结合广义S变换在时频分析领域的优势,将传递比概念拓展至时频域。利用基于广义S变换的自功率谱和互功率谱,基于H1估计模型给出了广义S变换传递比的计算方法。此方法不依赖输入假设,在实际应用中表现出了较好的抗噪能力。通过构建白噪激励的三自由度时变结构的仿真模型,对响应信号的分析结果表明,基于广义S变换传递比方法能够较好地揭示结构的时变特性,时频谱具有明显连续的能量脊线,且具有较好的噪声抑制特性。最后将广义S变换传递比方法应用于时变索力的识别。数值模拟中通过对索的两组不同位置的振动加速度响应信号进行广义S变换传递比计算,然后采用动态规划法对广义S变换传递比时频谱进行脊线提取,进而实现对索的一阶瞬时频率的识别,并换算得到时变索力。试验中由于采用冲击激励,相较于小波变换和广义S变换来说,采用广义S变换传递比方法进行瞬时频率识别能够更好地抑制背景噪声影响,从而达到较为精确的索力识别效果。
王扬[4]（2021）在《基于深度学习的结构健康监测声发射信号分类研究》文中认为声发射技术具有对损伤敏感、受几何构造影响小、探测距离远等优势,适用于土木工程结构的在线监测。利用声发射进行结构健康监测需要通过声发射信号的定量分析达到损伤识别、定位和评估的目的。声发射信号包含材料的动态微观损伤信息,不同损伤机理的信号通常具有不同的瞬时频率成分。本文针对声发射信号定量分析的需求,提出基于时频分析和深度学习的声发射信号分类方法。采用小波变换研究声发射信号的时频能量分布,然后建立卷积神经网络深度学习模型自动提取信号的时频特征,并对不同损伤机理的信号进行分类,从而实现结构的损伤识别与定量评估。本文的主要研究内容包括:（1）提出了基于时频分析和深度学习的声发射信号分类研究思路,并对相关理论基础和研究现状进行综述。介绍小波变换的基本理论,包括连续小波变换、同步挤压小波变换、经验小波变换,并对比各类小波变换的优缺点;介绍卷积神经网络的基本原理、网络结构、训练方法和优化途径。（2）针对钢轨裂纹声发射监测问题,进行监督学习的信号分类研究,提出了一种基于同步挤压小波变换和多分支卷积神经网络的信号分类方法,用于钢轨运营噪声、车轮冲击、裂纹扩展三类典型信号的识别。由于三类声发射信号较为相似,采用同步挤压小波变换能够更加清晰地揭示信号的时频能量分布;然后建立多分支卷积神经网络提取不同频带的能量分布特征,提升分类的正确率;进而通过迁移学习和贝叶斯超参数优化,实现超强噪声下钢轨裂纹的识别。最后,通过现场钢轨裂纹实验和实验室疲劳实验获得的5200个声发射信号所组成的数据集,验证所提出方法的有效性。（3）针对高强螺栓连接状态声发射监测问题,进行无监督学习的信号分类研究,提出了一种基于经验小波变换和卷积神经网络-高斯混合模型的信号分类方法,用于高强螺栓静摩擦传力、相对滑移及螺杆弹性变形、螺杆塑性变形及断裂三个受力阶段的状态识别。由于三个阶段的声发射信号存在微观机理交叉,采用经验小波变换能够自适应地划分信号的特征频带;然后建立卷积神经网络模型对信号进行时频特征提取和数据降维;进而将获得的特征向量输入高斯混合模型聚类,并结合材料失效机理分析,实现高强螺栓不同受力阶段典型声发射信号的识别。最后,通过实验室高强螺栓连接构件剪切破坏实验获得的7282个声发射信号所组成的数据集,验证所提出方法的有效性。
贾通[5]（2020）在《沥青路面智能压实系统关键技术研究》文中研究说明压实是沥青混合料密实成型和路用功能实现的关键环节,直接影响沥青路面的强度、稳定性和抗疲劳性能。因此,沥青路面施工中必须重视和加强压实质量控制。目前,沥青路面的压实质量管理仍以事后检验为主,难以及时了解压实状况并进行过程控制。因而,能够连续监测和实时反馈压实状态的智能压实逐渐引起关注。本文以沥青路面施工的碾压过程为对象,重点围绕“机-料”耦合系统建模分析、振动压实反馈信号处理、压实状态感知和智能压实质量评价等内容进行智能压实系统关键技术研究。首先,阐述了沥青混合料的压实机理,分析了压实过程中三种阻力的作用原理,提炼了共振状态下压实效果较好的规律;采用一维流变模型分析了沥青混合料在碾压施工过程中的流变力学行为,建立了振动压实“机-料”耦合系统非线性模型,并分别在线性、非线性和一般情况下进行了模型分析。研究表明,当振动参数确定时,沥青混合料对压实机具的抵抗力与振动轮的惯性力之间呈线性关系;通过量测振动轮反馈响应的变化信息,可进一步分析沥青混合料结构的变化情况,进而获取压实状态,为智能压实监测提供了理论基础。其次,通过旋转压实试验,提取了碾压次数与压实度之间的对数关系;提出了一种新型室外振动压实试验方法,克服了施工现场中试验设计的困难;进行了室外和现场试验,采集了振动压实反馈信号。基于双处理器架构设计了车载检测单元,提出了一种低成本协同定位方案,满足了碾压检测和定位的需求;开发了道路施工远程监控系统,实现了沥青路面施工参数的连续实时无损监测。然后,对振动压实反馈信号进行处理和分析。基于汉明窗设计了有限冲击响应数字带通滤波器,有效地抑制了高频噪声成分,同时保证了原始信号的线性相位特性;采用多项式最小二乘法进行趋势项消除,利用五点三次平滑法进行平滑处理,去除了零点漂移和杂波毛刺,平滑了振动信号波形。针对振动反馈信号的非线性非平稳特性,采用集合经验模态分解（EEMD）方法对信号进行分解,通过希尔伯特-黄变换（HHT）方法提取了有效IMF分量,并进行时频分析。研究表明,经验模态分解方法以本征模态函数为“基函数”重构信号,可提高信号质量,减小频谱泄露、栅栏效应等误差,具有自适应性强、信噪比好等优点。进而,根据Parseval能量守恒定理,提出基于能量分布的压实感知方法和新指标振动压实能量值（VCVe）。在振动信号处理结果的基础上,计算获取了压实计值（CMV）、连续压实值（CCV）、VCVe值。研究表明,随着碾压次数的增加,CMV、CCV和VCVe指标值均呈逐步增大趋势;VCVe与碾压次数的相关关系优于CMV和CCV,改善了谐波分析指标的稳定性和一致性;VCVe、CMV、CCV指标之间具有独立性,可单独或联合用于压实监测;与常规取芯检测方法相比,CMV、CCV和VCVe指标可以反映沥青混合料压实状态的变化过程,虽不宜直接用作质量验收标准,但可用于压实状态感知和压实质量过程控制。最后,融合多源压实监测数据,基于支持向量机（SVM）和隐马尔可夫模型（HMM）进行智能压实质量评价。选择了训练样本特征,进行了数据预处理,基于实时动态（RTK）GPS标定系统进行了样本数据标识;采用模糊C均值方法计算了样本数据的隶属度,抑制了噪声和孤立点的影响;设计了模糊支持向量机分类器,有效地进行了压实状态分类,准确率可达72.6%;利用RTK-GPS定位数据计算获取了隐含压实状态序列,采用SVM状态分类结果作为观察序列,基于最大似然估计算法计算了HMM参数;获取了转移概率矩阵和观测概率矩阵,根据HMM解码算法计算了碾压施工过程的隐含状态序列,其准确率为78.3%;与FSVM压实状态分类相比,SVM-HMM的准确率有较大改善,实现了碾压全程的智能压实质量评价。本文基本实现了沥青路面压实的连续无损感知和智能质量评价等初级智能压实技术,对智能压实反馈控制系统尚未深入探索。未来,可结合人工智能、自适应馈控等理论研究高级智能压实技术,促进交通基础设施智能建设的发展。
夏冬[6]（2020）在《基于堆栈自编码器的脉搏信号的去噪和检测研究》文中指出心率是人体最重要的生理参数之一,在临床诊断与病人的健康监护上起很大作用。心率异常是多种心血管疾病的高危因素,通过监测心率,可以提前预防很多心血管疾病的发生。目前,测量心率最准确的方法有心电图和脉搏血氧饱和度传感器等,医院中精度高但使用不便的心电图仪已不能满足人们对心脏进行日常监护的需求。因此基于光电容积脉搏波（Photo Plethysmo Graphy,简称PPG）技术的可穿戴式心率测量设备被广泛应用于心率监测领域。基于PPG的穿戴心率检测系统成本较低,应用比较普遍,但易受干扰,测量精度有待提高。PPG信号采集过程中,往往包含工频干扰、基线漂移、肌电噪声等信号,针对当前动态心率测量方法中存在心率监测准确度不高的缺点,提出使用深度学习算法对PPG信号去噪与心率检测。堆栈降噪自编码网络是一种无监督的深度学习模型,通过类似于深度网络的逐层叠加机制,由若干个降噪自编码器堆叠起来而成。本文对堆栈自编码器进行脉搏信号的去噪和检测展开了研究,其中第一部分是脉搏信号的去噪和心率测量,另一部分是心率异常检测研究。本文主要内容如下:（1）对PPG信号去噪,即如何消除PPG信号中运动噪声对进行可靠的心率测量的影响。同时,使用PPG信号测量心率。在生理参数检测中,心率可用于监测人体每日的运动量是否超标,也能够为医学诊断提供参考。对比傅里叶变换和小波变换,本文基于堆栈自编码器的脉搏信号的去噪,结合自适应阈值（ADT）方法计算心率,从而实现对运动状态下干扰严重的PPG信号进行心率测量。（2）使用PPG信号计算心率进行心率异常检测。每个测试者PPG信号都对应其独有特征,深度学习学习到这些特征内在规律。本文采用深度学习卷积神经网络分类方法,判别心率异常或正常的诊断。针对传统心率失常智能诊断中特征学习困难,且需要掌握大量的信号处理方法和诊断经验,提出直接从PPG信号数据出发对心率失常状态进行分类识别的新方法。该方法由于免除了智能诊断的显式特征提取阶段,从而能够减少人工参与因素,摆脱了对大量信号处理技术与诊断经验的依赖。实验所研究的方法对心率异常检测的实现具有较好的识别能力,能够完成心率失常特征的自适应提取,增强了医疗心率信号去噪和异常检测的智能性。
巩腾飞[7]（2020）在《基于小波分析的电机AGC质量控制方法设计》文中指出(AGC)Automatic Generation Control,自动发电控制,也称之为电力系统频率与有功功率的自动控制（以下简称AGC）,它指的是当发电机机组在给定的出力调整范围内,自动追随电网调度系统下发的指令,按照某个给出的调节速率,实时调整发电机功能出力,以满足电力系统频率和线性功率的控制要求。当发电机的电能功率发生了变化,那么不仅仅是因为发电机自身的电磁特性引起的,更多时候是因为电力系统的负荷特性所引起的,而电网系统中负荷特性的信号偏差一般是难以控制的,这也正是因为过大的信号偏差从而引起电力系统频率发生不规则的波动。本文以自动发电控制为课题,以基于小波分析的电机AGC控制为对象,研究其质量控制方法,设计并开发基于小波分析的质量控制系统,希望能够为电机自动发电控制AGC质量控制中存在的缺陷提供一种有效的解决方案。为了可以进一步提升小波变换精度,本文研究了小波变换算法,运用了基于小波变换算法的回归、分析,包括:基于小波分析的电机AGC的确定及处理函数的研究,电机AGC质量控制机理的仿真,不同发电转速条件下的基于小波分析的电机AGC的密度估计、回归估计;对基于小波分析的电机AGC质量控制方法进行分析并建立仿真模型,并进行了小波分析,克服了小波算法的缺陷,提高了小波变换算法的精度,并且提升了基于小波分析的电机AGC的质量控制方法的精准度。本课题内主要进行了以下四个方面的探讨:（1）论述了小波分析理论,解释小波分析与傅里叶变换的关系,并分析两者在信号解析理论中的差别并进行详细阐述,运用了小波变换的样本估计方法,分析研究基于小波分析的电机AGC质量控制方法。（2）论述了基于小波分析的电机AGC质量控制方法,并运用小波变换方法对其进行分析研究并提出相关参数,制定电机自动发电ACG模型参数质量控制方案。（3）运用MATLAB/Simulink软件建立基于小波分析的电机自动发电控制AGC质量控制仿真模型,并进行不同转速条件的仿真,以便于分析其动态响应。（4）对基于小波分析的电机AGC质量控制方法在不同转速条件的模型进行分析,提取信号,并运行小波分析的回归估计对该信号进行分析,进过验证,可以得出了该质量控制方法是有效的。论文以小波分析理论为基础,论述了一种基于小波分析的自动发电控制AGC质量控制方法,进行了分析研究,得出一些解决问题的思路,希望为减少电力系统频率波动,降低电网频率噪声提出一点建议,同时也希望能够给传统的电机AGC质量控制方法提供一些改进,为今后实现电网信号稳定提供重要的参考依据。
韩玉斌[8]（2020）在《基于STM32的振动信号采集系统研究与实现》文中研究表明旋转机械设备在工业生产中有着举足轻重的作用,一旦出现故障,可能给企业以及社会带来严重的影响。因此,加强旋转机械设备振动测试技术的研究,对于保障旋转机械设备的安全稳定运行,具有重要的意义。本文在分析现有的旋转机械设备振动分析方法的基础上,利用STM32、LabVIEW以及MATLAB实现了振动信号采集分析系统。整个系统由下位机数据采集系统和上位机数据分析系统组成。下位机首先完成了信号采集模块、数据存储模块、LCD显示模块和串口数据传输模块的硬件电路设计;然后利用ADXL345加速度计进行振动信号采集,采集完成后通过SPI总线传输到STM32,在STM32中实现了数据的存储、频谱显示以及串口传输。频谱的计算采用了ARM官方提供的CMSIS-DSP库。在上位机LabVIEW中,利用VISA节点实现了下位机到上位机的数据传输,在LabVIEW中完成振动信号显示和频谱分析。最后,调用MATLAB脚本,利用内积变换分析法实现了傅立叶相关变换和莫莱特小波变换。内积变换分析法作为一种应用范围广阔的分析方法,它将傅立叶分析、相关卷积分析和小波分析都纳入一个统一的体系,可以对时变和时不变信号进行频域分析、滤波分析和尺度分析等,并能针对各种不同动态信号进行正确的分析和处理。最后对加速度校准仪产生的单频信号和构造得到的仿真信号做了详细的分析,验证了系统各个环节的合理性,并对实测的燃气轮机振动信号进行分析,给出了机组振动状态的评价。
曾靖[9]（2020）在《基于模拟小波变换的电子耳蜗信号处理技术研究》文中研究表明电子耳蜗是通过外科手术植入的电子设备,是目前唯一能够有效的帮助重症耳聋患者重拾听觉的医学设备。其工作原理是利用植入内耳的电极,绕过内耳受损的部分,用电流直接刺激残余的听神经,即可为全聋患者提供声音输入。近些年,相关学者一直致力于基于小波变换的电子耳蜗CIS（Continuous Interleaved Sampling）语音信号处理方案的研究,克服了带通滤波器组的参数调整复杂的问题。然而,采用数字方式实现的小波变换需要A/D转化,增加了系统的功耗和体积,不利于全植入式电子耳蜗的发展。为满足低功耗、微型化耳蜗植入芯片的需求,本文提出一种模拟小波变换的技术用于电子耳蜗CIS语音信号处理方案。本文的主要工作及创新有以下几点:第一,根据生物耳蜗的频率分析特性和模拟小波变换理论基础,提出了分析特性与实际耳蜗类似的模拟小波的逼近方法。首先,利用最小均方误差准则来评判小波函数的逼近效果,实现对模拟小波数学模型的构造。然后,对于构造的模拟小波优化数学模型,提出一种基于混合模拟退火算法的小波逼近方法。仿真实验结果表明,基于混合模拟退火算法的模拟小波逼近方法在逼近精度、计算复杂度等方面更具优越性。第二,研究了CIS语音信号处理方案中的语音信号分频段处理,设计了高斯模拟小波滤波器组。采用混合模拟退火算法求解构造的高斯小波基函数的优化数学模型,并根据拉普拉斯变换性质及CIS语音信号处理方案各通道中对应的尺度因子,得到模拟高斯小波滤波器组。实验结果表明,设计的模拟高斯小波滤波器组不仅满足系统的稳定性,而且具有高斯小波滤波器的优良性质,能很好地代替数字小波变换实现语音信号的分频段处理。第三,针对CIS语音信号处理方案中的希尔伯特变换法提取包络存在的不足,提出了一种模拟复Morlet小波变换的语音信号包络提取方法。根据模拟小波变换原理,构造出用于CIS方案语音信号包络提取的模拟复Morlet小波基函数的数学模型,求解得到模拟复Morlet小波的逼近函数。然后,根据拉普拉斯变换性质,得到多尺度模拟复Morlet小波滤波器组。实验结果表明,该方法替希尔伯特变换实现CIS方案中的信号包络提取具有可行性。
孙文卿[10]（2020）在《基于多源信息融合的风电滚动轴承故障诊断研究》文中研究说明风电作为一种储能丰富、低碳无污染的绿色能源,是解决生态环境问题和能源短缺的重要选择。近年来,我国风电累计装机容量和新增装机容量均位列全球第一,装机规模和单机容量也在不断的提高。随着风电事业的迅猛发展,机组部件的故障率也受到越来越多的关注。对机组进行实时有效的评估,避免重大事故的发生,是风电领域研究的热点。风电滚动轴承是风电传动系统的关键部件,在运行中承受着很强的时变载荷和冲击载荷,经常出现故障导致机组停运。大数据时代下,将统计学习模型与风电领域海量运行数据相结合,运用多源信息融合的方法,能够全面地把握风电关键部件的健康状态、减少故障诊断过程中对专业知识的依赖。基于此,本文提出了基于多源信息融合的风电滚动轴承故障诊断方法。主要内容如下:（1）介绍了风电传动链模拟试验台的组成部件及相应的信号采集系统,分析了振动信号和声发射信号（Acoustic Emission,AE）的故障敏感程度。（2）提出了滚动轴承多视角特征提取方法。针对传统方法的特征集维度低、单视角特征无法全面把握轴承状态的问题,将Tsfresh和信号处理技术相结合,从时域、频域和时频域的角度,考察信号的原始波形、频谱、包络谱、经验模态分解（Empirical Mode Decomposition,EMD）分量以及连续小波变换（Continuous wavelet transform,CWT）二维系数矩阵,构造了高维的特征集。实验证明了振动与声发射信号特征的互补性以及振动信号多视角特征的有效性。（3）基于机器学习模型,提出了特征融合的方法。针对轴承振动信号高维特征集中无效特征和冗余特征的问题,将随机森林模型和自编码模型相结合对高维特征进行筛选和降维。首先,利用随机森林模型计算出每一个特征的重要度并将特征排序,选择合适数量的重要特征并剔除与故障诊断关联较小的特征;然后将选择出的特征送入到自编码器中进行非线性映射实现降维,进一步减少特征中的冗余;最后将形成的冗余小的低维特征集作为分类模型的输入进行诊断。实验中利用凯斯西储大学的轴承振动信号数据来构造高维特征集并进行特征融合,进而对9种不同的轴承故障状态进行分类识别,结果表明,与PCA、KPCA和LLE等常见的融合模型相比,该方法具有最佳的分类准确率。（4）针对齿轮箱中滚动轴承与其他部件的复合故障现象,提出了基于第6类比例冲突分配规则（Proportional conflict redistribution No.6,PCR6）的多模型融合的故障诊断方法。为保证子模型差异性,选择支持向量机、逻辑斯蒂回归、梯度提升树和深度信念网络等4种子模型进行初步诊断,并输出每个样本的分类概率;然后将子模型分类概率进行匹配和折扣后送入到PCR6中进行最后的决策融合。实验结果证明,该方法取得了比常见投票表决法和Stacking方法更加可靠和稳定的诊断结果。
二、基于傅立叶变换和小波变换的信号处理（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、基于傅立叶变换和小波变换的信号处理（论文提纲范文）
（1）基于机器学习的量化投资决策研究与应用（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 国内外研究现状 |
| 1.3 论文主要研究工作 |
| 1.4 论文结构安排 |
| 第二章 基于机器学习量化投资研究理论基础 |
| 2.1 引言 |
| 2.2 金融数据 |
| 2.2.1 金融数据概述 |
| 2.2.2 股指期货数据概述 |
| 2.2.3 金融数据波动性 |
| 2.3 信号分解方法 |
| 2.3.1 傅立叶变换 |
| 2.3.2 小波变换 |
| 2.3.3 经验模态分解 |
| 2.4 时间序列预测方法 |
| 2.4.1 时间序列分析概述 |
| 2.4.2 时间序列分析方法 |
| 2.4.3 神经网络概述 |
| 2.4.4 神经网络理论方法 |
| 2.5 量化投资策略 |
| 2.5.1 投资策略概述 |
| 2.5.2 CTA量化投资策略 |
| 2.6 本章小结 |
| 第三章 基于CEEMDAN信号分解的量化研究 |
| 3.1 引言 |
| 3.2 信号分解方法比较 |
| 3.2.1 金融数据信号分解 |
| 3.2.2 信号分解方法对比 |
| 3.2.3 信号分解仿真实验比较 |
| 3.3 基于CEEMADAN的股指期货信号分解 |
| 3.3.1 实验设计 |
| 3.3.2 实验数据 |
| 3.3.3 对照实验 |
| 3.4 实验结果及分析 |
| 3.5 本章小结 |
| 第四章 基于CEEMDAN-LSTM预测的量化研究 |
| 4.1 引言 |
| 4.2 时间序列分解方法比较 |
| 4.2.1 金融时间序列预测 |
| 4.2.2 金融时间序列预测方法对比 |
| 4.3 基于CEEMDAN-LSTM的股指期货预测实验 |
| 4.3.1 实验设计 |
| 4.3.2 实验数据 |
| 4.3.3 对照实验 |
| 4.3.4 评估指标 |
| 4.4 实验结果及分析 |
| 4.5 本章小结 |
| 第五章 基于CEEMDAN-LSTM模型的量化投资策略 |
| 5.1 引言 |
| 5.2 基于CEEMDAN-LSTM模型的量化投资决策模型实验 |
| 5.2.1 量化投资策略建模 |
| 5.2.2 实验设计 |
| 5.2.3 实验数据 |
| 5.2.4 对照实验 |
| 5.2.5 评价指标 |
| 5.3 实验结果与分析 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 论文工作总结 |
| 6.2 后续工作展望 |
| 参考文献 |
| 致谢 |
（2）基于次声波的特定事件探测系统的设计与实现（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 国内外相关研究 |
| 1.3 本文研究内容 |
| 1.4 本文组织架构 |
| 第二章 次声信号特定事件探测分析相关理论 |
| 2.1 信号处理 |
| 2.1.1 傅立叶变换介绍 |
| 2.1.2 小波变换介绍 |
| 2.1.3 希尔伯特黄变换介绍 |
| 2.2 分类识别 |
| 2.2.1 支持向量机 |
| 2.2.2 循环神经网络 |
| 2.3 Web系统开发 |
| 2.3.1 Java和Spring Boot框架 |
| 2.3.2 Python和Flask框架 |
| 2.3.3 Vue.js框架 |
| 2.4 本章小结 |
| 第三章 次声信号的特征提取与分类算法研究 |
| 3.1 数据格式分析 |
| 3.2 基于次声波信号的特征提取 |
| 3.2.1 时域特征提取 |
| 3.2.2 频域特征提取 |
| 3.2.3 时频域特征提取 |
| 3.3 分类识别算法模型 |
| 3.3.1 基于支持向量机的分类算法模型 |
| 3.3.2 基于循环神经网络变体LSTM、GRU的分类算法模型 |
| 3.4 本章小结 |
| 第四章 数据融合的探究 |
| 4.1 数据融合 |
| 4.1.1 各级别数据融合方案 |
| 4.1.2 基于加权平均算法的数据级融合 |
| 4.2 多传感器时延定位 |
| 4.2.1 多传感器时延定位算法 |
| 4.2.2 多传感器时延定向仿真实验 |
| 4.3 本章小结 |
| 第五章 基于次声波的特定事件探测系统的设计 |
| 5.1 需求分析 |
| 5.1.1 需求概述 |
| 5.1.2 系统用户角色与总体用例图 |
| 5.1.3 功能性需求 |
| 5.1.4 非功能性需求 |
| 5.2 系统设计 |
| 5.2.1 系统管理模块设计 |
| 5.2.2 事件分析模块设计 |
| 5.2.3 数据融合模块设计 |
| 5.2.4 历史事件展示模块设计 |
| 5.3 接口设计 |
| 5.4 数据库设计 |
| 5.5 本章小结 |
| 第六章 基于次声波的特定事件探测系统的实现 |
| 6.1 功能模块实现 |
| 6.1.1 系统管理模块实现 |
| 6.1.2 特定事件分析模块实现 |
| 6.1.3 数据融合模块实现 |
| 6.1.4 历史事件展示模块实现 |
| 6.2 系统测试 |
| 6.3 本章小结 |
| 第七章 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 参考文献 |
| 致谢 |
（3）基于广义S变换传递比的时变索力识别（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 索力识别方法研究现状 |
| 1.2.1 索力识别方法 |
| 1.2.2 频率法索力识别 |
| 1.3 时频分析方法研究现状 |
| 1.4 本文研究内容 |
| 第二章 时频分析方法 |
| 2.1 短时傅里叶变换 |
| 2.2 小波变换 |
| 2.3 S变换 |
| 2.3.1 S变换的定义 |
| 2.3.2 S变换数值化计算 |
| 2.4 广义S变换 |
| 2.4.1 广义S变换的推导 |
| 2.4.2 广义S变换参数优化方法 |
| 2.5 数值分析 |
| 2.6 本章小结 |
| 第三章 基于广义S变换传递比的时频分析方法 |
| 3.1 传递比 |
| 3.1.1 传递比基本理论 |
| 3.1.2 传递比的估计方法 |
| 3.2 基于广义S变换的传递比 |
| 3.2.1 基于广义S变换的传递比算法 |
| 3.2.2 广义S变换传递比计算过程 |
| 3.3 算例分析 |
| 3.3.1 时变结构的响应计算 |
| 3.3.2 三自由度时变结构仿真 |
| 3.4 本章小结 |
| 第四章 基于广义S变换传递比的索力识别 |
| 4.1 基于广义S变换传递比的瞬时频率识别 |
| 4.1.1 谱峰识别法 |
| 4.1.2 动态规划法 |
| 4.2 拉索索力实时识别方法 |
| 4.3 时变索力识别数值模拟 |
| 4.3.1 恒定拉力振动信号分析 |
| 4.3.2 变化拉力振动信号分析 |
| 4.4 时变索力拉索模型实验 |
| 4.4.1 索力呈线性变化 |
| 4.4.2 索力呈正弦变化 |
| 4.4.3 脊线提取及索力换算 |
| 4.5 本章小结 |
| 第五章 结论和展望 |
| 5.1 结论 |
| 5.2 展望 |
| 参考文献 |
| 攻读硕士学位期间的学术活动及成果情况 |
（4）基于深度学习的结构健康监测声发射信号分类研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 基于声发射的结构健康监测研究综述 |
| 1.2.1 声发射技术的基本原理 |
| 1.2.2 声发射信号分析方法 |
| 1.2.3 声发射检测技术的应用 |
| 1.3 基于深度学习的数据分类研究综述 |
| 1.4 本文研究的主要内容 |
| 第二章 声发射信号分类基本理论 |
| 2.1 引言 |
| 2.2 小波分析 |
| 2.2.1 连续小波变换 |
| 2.2.2 同步挤压小波变换 |
| 2.2.3 经验小波变换 |
| 2.3 卷积神经网络 |
| 2.3.1 卷积层 |
| 2.3.2 池化层 |
| 2.3.3 全连接层 |
| 2.3.4 卷积神经网络的优化方法 |
| 2.4 本章小结 |
| 第三章 基于监督学习的钢轨裂纹监测声发射信号分类 |
| 3.1 引言 |
| 3.2 钢轨裂纹监测声发射数据概述 |
| 3.2.1 实验过程 |
| 3.2.2 数据描述 |
| 3.3 基于同步挤压小波和多分支卷积神经网络的声发射信号分类方法 |
| 3.4 结果与讨论分析 |
| 3.4.1 声发射源机理分析 |
| 3.4.2 多分支卷积神经网络的分类结果 |
| 3.5 本章小结 |
| 第四章 基于无监督学习的高强螺栓连接状态监测声发射信号分类 |
| 4.1 引言 |
| 4.2 高强螺栓状态监测声发射数据概述 |
| 4.2.1 实验过程 |
| 4.2.2 数据描述 |
| 4.3 基于经验小波和卷积神经网络-高斯混合模型的声发射信号分类方法 |
| 4.4 结果与分析 |
| 4.4.1 卷积神经网络-高斯混合模型的分类结果 |
| 4.4.2 声发射源机理分析 |
| 4.5 本章小结 |
| 第五章 结论与展望 |
| 5.1 结论 |
| 5.2 展望 |
| 参考文献 |
| 攻读硕士学位期间的学术活动及成果情况 |
（5）沥青路面智能压实系统关键技术研究（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 国内外研究概况 |
| 1.2.1 智能压实发展和研究现状 |
| 1.2.2 沥青路面智能压实关键技术 |
| 1.2.3 振动压实机理和碾压模型研究动态 |
| 1.2.4 压实参数检测和数据处理研究动态 |
| 1.2.5 压实检测指标和质量评价研究动态 |
| 1.3 主要研究内容及技术路线 |
| 1.3.1 主要研究内容 |
| 1.3.2 拟采取的技术路线及实施方案 |
| 第二章 沥青路面振动压实“机-料”耦合模型 |
| 2.1 沥青混合料压实机理和压实特性 |
| 2.1.1 沥青混合料压实机理 |
| 2.1.2 沥青混合料压实特性 |
| 2.2 沥青混合料振动压实“机-料”耦合模型 |
| 2.2.1 振动压实原理与“机-料”耦合模型结构 |
| 2.2.2 沥青混合料碾压流变特性与“机-料”耦合模型 |
| 2.3 沥青路面振动压实“机-料”耦合模型分析 |
| 2.3.1 线性振动压实系统分析 |
| 2.3.2 非线性振动压实系统分析 |
| 2.3.3 一般情况下振动压实系统分析 |
| 2.4 本章小结 |
| 第三章 沥青路面振动压实试验设计与监测 |
| 3.1 室内压实模拟试验 |
| 3.1.1 室内马歇尔击实试验 |
| 3.1.2 室内旋转压实试验 |
| 3.2 室外压实模拟试验 |
| 3.2.1 小型振动压路机 |
| 3.2.2 小型试验路设计 |
| 3.2.3 沥青混合料设计 |
| 3.2.4 振动压实试验过程 |
| 3.2.5 振动压实试验结果 |
| 3.3 现场振动压实试验 |
| 3.4 远程监控系统实现 |
| 3.4.1 车载单元设计 |
| 3.4.2 施工参数监测 |
| 3.4.3 测速定位系统 |
| 3.4.4 监控管理系统 |
| 3.4.5 客户端口设计 |
| 3.5 本章小结 |
| 第四章 基于EMD的沥青路面振动压实反馈信号处理 |
| 4.1 信号采集和预处理 |
| 4.1.1 振动信号采集 |
| 4.1.2 振动信号滤波 |
| 4.1.3 振动信号预处理 |
| 4.1.4 滤波和预处理实例 |
| 4.2 振动信号分析方法 |
| 4.2.1 傅里叶分析 |
| 4.2.2 短时傅里叶分析 |
| 4.2.3 小波变换分析 |
| 4.2.4 HHT变换分析 |
| 4.2.5 分析方法比较 |
| 4.3 振动反馈信号处理分析 |
| 4.3.1 EEMD分解 |
| 4.3.2 瞬时频率分析 |
| 4.3.3 时频频谱分布 |
| 4.3.4 频谱参数提取 |
| 4.4 本章小结 |
| 第五章 基于能量分布的沥青路面压实状态感知方法 |
| 5.1 压实质量检测指标 |
| 5.1.1 传统检测指标 |
| 5.1.2 智能压实指标 |
| 5.1.3 压实指标比较 |
| 5.2 室外试验压实状态感知 |
| 5.2.1 压实背景试验分析 |
| 5.2.2 静压振压影响比较 |
| 5.2.3 压实遍数影响分析 |
| 5.2.4 振动压实状态感知 |
| 5.2.5 压实指标评价分析 |
| 5.3 现场试验压实状态感知 |
| 5.3.1 单点碾压结果分析 |
| 5.3.2 整体碾压结果分析 |
| 5.4 本章小结 |
| 第六章 基于SVM-HMM的沥青路面智能压实质量评价 |
| 6.1 特征选择与预处理 |
| 6.1.1 评价流程和特征选择 |
| 6.1.2 UWB/GPS协同定位 |
| 6.1.3 样本数据预处理 |
| 6.1.4 样本数据标识 |
| 6.2 基于SVM的智能压实状态分类 |
| 6.2.1 支持向量机原理 |
| 6.2.2 模糊支持向量机 |
| 6.2.3 智能压实状态分类 |
| 6.3 基于HMM的智能压实质量评价 |
| 6.3.1 隐马尔可夫模型 |
| 6.3.2 智能压实质量评价 |
| 6.4 本章小结 |
| 第七章 结论与展望 |
| 7.1 主要研究工作与研究结论 |
| 7.2 主要创新点 |
| 7.3 进一步研究设想 |
| 致谢 |
| 参考文献 |
| 作者简介 |
（6）基于堆栈自编码器的脉搏信号的去噪和检测研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 引言 |
| 1.1 研究背景 |
| 1.2 研究目的与意义 |
| 1.3 本文研究内容 |
| 1.4 本文结构安排 |
| 1.5 本章小结 |
| 第2章 国内外研究现状 |
| 2.1 脉搏波 |
| 2.1.1 脉搏波特征点 |
| 2.1.2 脉搏波特征参数提取 |
| 2.1.3 光电容积脉搏波描记法 |
| 2.2 PPG信号的去噪方法 |
| 2.2.1 小波变换 |
| 2.2.2 小波变换多尺度空间下的脉搏波预处理 |
| 2.3 心率和心率检测方法 |
| 2.3.1 心率与心率变异性 |
| 2.3.2 心率变异性分析 |
| 2.3.3 心率检测算法 |
| 2.4 深度学习网络模型 |
| 2.4.1 深度学习框架 |
| 2.4.2 自动编码器(AUTOENCODER) |
| 2.4.3 降噪自动编码器(DENOISING AUTOENCODER) |
| 2.4.4 堆栈降噪自编码网络 |
| 2.5 基于深度学习的脉搏波信号分类 |
| 2.6 本章小结 |
| 第3章 基于堆栈自编码器的PPG信号去噪和心率测量 |
| 3.1 PPG信号实验数据获取 |
| 3.1.1 校企合作单位的数据集 |
| 3.1.2 MIT-BIH数据库及数据获取 |
| 3.2 PPG信号的去噪 |
| 3.2.1 傅里叶变换信号去噪 |
| 3.2.2 小波变换信号去噪 |
| 3.2.3 堆栈自编码器网络模型 |
| 3.2.4 基于堆栈自编码器的PPG信号去噪 |
| 3.3 PPG信号的心率测量 |
| 3.3.1 基于秒表的脉搏心率测量 |
| 3.3.2 基于小米运动手环的PPG信号心率测量 |
| 3.3.3 基于自适应阈值(ADT)和pan_tompkin算法的心率测量 |
| 3.4 本章小结 |
| 第4章 基于深度学习的PPG信号心率异常检测 |
| 4.1 PPG信号深度学习心率异常检测 |
| 4.1.1 PPG信号特征提取 |
| 4.1.2 PPG信号心率异常检测 |
| 4.2 本章小结 |
| 第5章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 附录 |
（7）基于小波分析的电机AGC质量控制方法设计（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 缩略语对照表 |
| 第一章 绪论 |
| 1.1 课题研究的背景和意义 |
| 1.2 国内外同类课题研究现状 |
| 1.3 本课题主要工作 |
| 1.4 本文的组织结构 |
| 1.5 本章小结 |
| 第二章 小波分析与样本估计 |
| 2.1 小波分析理论 |
| 2.1.1 小波分析 |
| 2.1.2 高维连续小波变换 |
| 2.1.3 离散小波变换 |
| 2.2 快速傅立叶变换及其MATLAB应用 |
| 2.3 小波变换的样本估计 |
| 2.3.1 密度估计 |
| 2.3.2 回归模型 |
| 2.3.3 基于小波变换的回归估计 |
| 2.4 本章小结 |
| 第三章 基于小波分析的电机AGC质量控制方法的仿真分析 |
| 3.1 电机AGC质量控制的分析方法 |
| 3.2 电机AGC质量控制方法的仿真模型建立 |
| 3.3 不同发电转速下电机AGC质量控制的仿真模型的建立 |
| 3.4 本章小结 |
| 第四章 不同转速条件下电机AGC质量控制模型的小波仿真分析 |
| 4.1 不同转速条件下的电机AGC质量信号的提取 |
| 4.2 不同转速条件下电机AGC质量控制信号的回归估计与实现 |
| 4.3 不同转速条件下的电机AGC质量控制方法的回归估计 |
| 4.4 不同转速条件下的电机AGC质量控制方法的奇异性分析 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（8）基于STM32的振动信号采集系统研究与实现（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 创新点摘要 |
| 第一章 绪论 |
| 1.1 旋转机械振动测试的研究意义 |
| 1.2 振动信号分析技术的研究现状 |
| 1.3 振动信号采集系统的研究现状 |
| 1.4 本论文的主要研究内容 |
| 第二章 内积变换原理 |
| 2.1 引言 |
| 2.2 尺度函数 |
| 2.2.1 相位函数 |
| 2.2.2 辛克函数 |
| 2.2.3 互补辛克函数 |
| 2.2.4 傅立叶函数 |
| 2.3 小波函数 |
| 2.3.1 小波函数的一般形态 |
| 2.3.2 定外形小波函数 |
| 2.3.3 傅立叶小波函数 |
| 2.4 时变分析原理 |
| 2.4.1 加窗傅立叶变换 |
| 2.4.2 相似性变换原理 |
| 2.4.3 相关变换 |
| 2.4.4 傅立叶相关变换 |
| 2.4.5 小波变换 |
| 2.5 本章小结 |
| 第三章 振动信号采集系统的硬件设计 |
| 3.1 信号采集系统的总体设计 |
| 3.2 信号采集模块设计 |
| 3.3 数据存储模块设计 |
| 3.4 LCD显示模块设计 |
| 3.5 串口发送模块设计 |
| 3.6 本章小结 |
| 第四章 振动信号采集系统的软件设计 |
| 4.1 下位机软件总体设计 |
| 4.1.1 初始化设计 |
| 4.1.2 数据采集模块软件设计 |
| 4.1.3 串口数据传输模块软件设计 |
| 4.1.4 LCD显示模块软件设计 |
| 4.1.5 数据存储模块软件设计 |
| 4.2 上位机软件设计 |
| 4.2.1 串口接收软件设计 |
| 4.2.2 频谱分析软件设计 |
| 4.2.3 信号参数软件设计 |
| 4.2.4 傅立叶相关变换软件设计 |
| 4.2.5 莫莱特小波变换软件设计 |
| 4.2.6 上位机软件界面设计 |
| 4.3 本章小结 |
| 第五章 系统测试与分析 |
| 5.1 单频测试 |
| 5.2 仿真测试 |
| 5.3 实测数据分析 |
| 5.3.1 评价机组振动的国家标准 |
| 5.3.2 各测点振动速度色谱图 |
| 5.3.3 机组振动状态的评价 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 参考文献 |
| 发表文章目录 |
| 致谢 |
（9）基于模拟小波变换的电子耳蜗信号处理技术研究（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 电子耳蜗结构原理及组成 |
| 1.2.1 人耳听觉系统的基本结构 |
| 1.2.2 电子耳蜗工作原理介绍 |
| 1.3 国内外研究现状 |
| 1.4 论文结构安排 |
| 第2章 电子耳蜗CIS语音信号处理方案原理 |
| 2.1 引言 |
| 2.2 连续间隔采样方案(Continuous Interleaved Sampling,CIS) |
| 2.3 小波变换 |
| 2.3.1 小波变换的由来 |
| 2.3.2 小波变换的定义 |
| 2.3.3 小波变换在电子耳蜗CIS语音信号处理中的应用 |
| 2.4 本文提出并研究的问题 |
| 2.5 本章小结 |
| 第3章 模拟小波基函数的优化构造 |
| 3.1 引言 |
| 3.2 小波变换的模拟滤波器实现 |
| 3.2.1 模拟滤波器实现小波变换的原理 |
| 3.2.2 小波函数逼近模型的构造 |
| 3.3 混合模拟退火优化算法 |
| 3.3.1 基本模拟退火算法 |
| 3.3.2 局部SQP算法 |
| 3.4 混合模拟退火算法 |
| 3.5 本章小结 |
| 第4章 基于模拟小波变换的电子耳蜗语音处理方案 |
| 4.1 引言 |
| 4.2 基于模拟小波变换的CIS语音信号处理方案 |
| 4.3 用于语音信号分析的模拟小波滤波器组设计 |
| 4.3.1 模拟高斯小波滤波器组设计流程 |
| 4.3.2 高斯模拟小波函数的构造 |
| 4.3.3 模拟高斯小波滤波器组设计及仿真 |
| 4.4 本章小结 |
| 第5章 基于模拟复小波变换的CIS方案语音信号包络提取 |
| 5.1 引言 |
| 5.2 复小波变换的包络提取基本原理 |
| 5.3 基于模拟复小波变换的语音信号包络提取 |
| 5.3.1 复小波的时域逼近 |
| 5.3.2 复小波的共极点逼近 |
| 5.3.3 CIS方案语音信号包络提取仿真 |
| 5.4 基于模拟小波变换的CIS语音信号处理方案的仿真 |
| 5.5 本章小结 |
| 结语 |
| 参考文献 |
| 攻读学位期间主要的研究成果 |
| 致谢 |
（10）基于多源信息融合的风电滚动轴承故障诊断研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 多源信息融合的故障诊断技术研究现状 |
| 1.2.1 多视角特征提取技术 |
| 1.2.2 特征融合研究 |
| 1.2.3 模型融合研究 |
| 1.3 主要研究内容及安排 |
| 第二章 风电机组传动试验系统 |
| 2.1 前言 |
| 2.2 传统系统模拟试验台 |
| 2.2.1 驱动电机和负载电机 |
| 2.2.2 转矩转速传感器 |
| 2.2.3 联轴器 |
| 2.2.4 齿轮箱 |
| 2.2.5 滚动轴承及其典型故障 |
| 2.3 信号采集系统 |
| 2.3.1 振动信号采集系统 |
| 2.3.2 声发射信号采集系统 |
| 2.4 本章小结 |
| 第三章 风电滚动轴承多视角特征提取研究 |
| 3.1 引言 |
| 3.2 Tsfresh介绍 |
| 3.2.1 简单特征 |
| 3.2.2 组合特征 |
| 3.3 频谱及时频分析方法 |
| 3.3.1 傅里叶变换 |
| 3.3.2 Hilbert变换及包络谱分析 |
| 3.3.3 经验模态分解 |
| 3.4 实验验证 |
| 3.4.1 风电传动链试验台3 分类轴承数据集 |
| 3.4.2 凯斯西储大学多分类轴承数据集 |
| 3.5 本章小结 |
| 第四章 基于随机森林和自编码器的滚动轴承多视角特征融合 |
| 4.1 引言 |
| 4.2 特征选择 |
| 4.2.1 随机森林原理 |
| 4.2.2 随机森林特征选择 |
| 4.2.3 支持向量机特征有效性验证 |
| 4.2.4 实验验证 |
| 4.3 自编码非线性降维 |
| 4.3.1 自编码模型 |
| 4.3.2 参数寻优及SVM分类结果分析 |
| 4.4 本章小结 |
| 第五章 基于模型融合的风电机组轴承复合故障诊断 |
| 5.1 引言 |
| 5.2 小波时频特征提取原理 |
| 5.2.1 连续小波变换 |
| 5.2.2 卷积神经网络原理 |
| 5.3 故障诊断子模型 |
| 5.3.1 逻辑斯蒂回归(LR) |
| 5.3.2 深度信念网络(DBN) |
| 5.3.3 梯度提升树(GBDT) |
| 5.4 模型融合算法 |
| 5.4.1 Stacking融合 |
| 5.4.2 第6 类比例冲突分配规则(PCR6) |
| 5.5 实验验证 |
| 5.5.1 构造数据集 |
| 5.5.2 多视角特征集提取 |
| 5.5.3 诊断及融合 |
| 5.5.4 实验结果分析 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士期间研究成果 |
四、基于傅立叶变换和小波变换的信号处理（论文参考文献）
- [1]基于机器学习的量化投资决策研究与应用[D]. 王普惠. 北京邮电大学, 2021(01)
- [2]基于次声波的特定事件探测系统的设计与实现[D]. 杨钰琳. 北京邮电大学, 2021(01)
- [3]基于广义S变换传递比的时变索力识别[D]. 曹志伟. 合肥工业大学, 2021(02)
- [4]基于深度学习的结构健康监测声发射信号分类研究[D]. 王扬. 合肥工业大学, 2021
- [5]沥青路面智能压实系统关键技术研究[D]. 贾通. 东南大学, 2020
- [6]基于堆栈自编码器的脉搏信号的去噪和检测研究[D]. 夏冬. 湖北工业大学, 2020(03)
- [7]基于小波分析的电机AGC质量控制方法设计[D]. 巩腾飞. 西安电子科技大学, 2020(05)
- [8]基于STM32的振动信号采集系统研究与实现[D]. 韩玉斌. 东北石油大学, 2020(03)
- [9]基于模拟小波变换的电子耳蜗信号处理技术研究[D]. 曾靖. 湖南理工学院, 2020
- [10]基于多源信息融合的风电滚动轴承故障诊断研究[D]. 孙文卿. 东南大学, 2020(01)
标签：小波变换论文; 声发射论文; ppg论文; 信号处理论文; matlab小波变换论文;