XiaoMi-AI文件搜索系统
World File Search System小波
使用现场声学传感和小波图信号分析进行基于线的定向能量沉积过程中的监测和缺陷检测
本研究的目的是利用现场传感器数据检测基于焊丝的定向能量沉积 (W-DED) 过程中的缺陷形成。本研究研究的 W-DED 类似于金属惰性气体电弧焊。W-DED 在工业上的应用受到限制，因为该过程易受随机和环境干扰的影响，这些干扰会导致电弧不稳定，最终导致缺陷形成，如孔隙度和不理想的几何完整性。此外，由于 W-DED 部件尺寸较大，很难使用 X 射线计算机断层扫描等非破坏性技术在处理后检测缺陷。因此，本研究的目标是使用从安装在电弧附近的声学传感器获取的数据来检测 W-DED 部件中的缺陷形成。为了实现这一目标，我们开发并应用了一种新颖的小波集成图论方法。该方法从受噪声污染的声学传感器数据中提取一个称为图拉普拉斯菲德勒数的单一特征，随后在统计控制图中跟踪该特征。使用这种方法，可以检测到各种类型缺陷的发生，误报率低于 2%。这项工作展示了使用高级数据分析进行 W-DED 现场监测的潜力。2022 作者。由 Elsevier Ltd. 出版。这是一篇根据 CC BY 许可证开放获取的文章（http://creativecommons.org/licenses/by/4.0/）。
采用新颖的经验 Riglit 小波变换对脑图像进行稳健的多模态融合网络
机器学习对于模式识别很有用，如果允许它访问患者数据，它可以注意到人类医生可能忽略的模式，这可以用来预测一个人是否有患上医生无法预料到的疾病的风险。在本文中，作者提出了一种经验 Riglit 小波变换算法。在该算法中，作者融合了从 Ridgelet 和 Little wood 经验小波变换获得的 CT 和 MR 图像的滤波器组。融合使用了四种可能的组合。图像边界被评估为性能参数。这些参数有助于理解给定 CT 和 MR 图像中的小元素和细节。本文的目的是通过融合使用不同组合的 CT 和 MR 图像来对图像中的特定模式进行分类和提取。通过使用相同技术获得的融合 CT-MT 图像的滤波器组来验证所提出的算法。
采用自适应小波脑电图的智能运动想象检测系统
摘要：运动想象 (MI) 任务的分类为残障人士与脑机接口环境的连接提供了一种强大的解决方案。精确选择脑电图 (EEG) 信号的可调 Q 小波变换 (TQWT) 的均匀调谐参数是一项艰巨的任务。因此，本文提出了稳健的 TQWT，用于自动选择最佳调谐参数，以准确分解非平稳 EEG 信号。探索了三种进化优化算法来自动调整稳健 TQWT 的参数。使用分解的均方误差的适应度函数。本文还利用拉普拉斯分数进行通道选择以选择主通道。使用最小二乘支持向量机分类器的不同核对从稳健 TQWT 子带中提取的重要特征进行分类。径向基函数核提供了 99.78% 的最高准确率，证明了所提出的方法优于使用相同数据库的其他最先进方法。
基于自适应小波包分解的光伏混合储能系统控制策略 朱万璐，杨叶，支鹏飞 *，Zh
江苏科技大学自动化系，镇江 212000 * E-mail: zhipengfei@just.edu.cn 收稿日期: 2022年8月23日 / 接受日期: 2022年9月22日 / 发表日期: 2022年10月10日 本文基于频域分析了光电场输出功率波动特性，并提出了一种基于自适应小波包分频的光电功率分配方法，该方法合理分配了低频、中频和高频能量在不同储能元件之间的分布。结合超级电容器和锂电池的储能特性，设计了一种超级电容器和锂电池的协调控制策略，有效抑制了光伏功率波动对电网的影响。与光伏原有功率相比，本文提出的方法大大降低了光伏功率的波动，从而使最终并网功率区域平滑，从而使电网和储能组件稳定安全发展。最后通过某光电场实测数据的半实物仿真验证了该方法的有效性。关键词：混合储能；协调控制策略；自适应小波包分解1.引言
基于深度第二代小波自动编码器的曲波池化脑病理分类
神经系统疾病代表与人类神经系统相关的异常。它们还包含中枢神经系统、脊髓或大脑的生化、解剖或电改变。这些疾病会引发不同的症状。及早诊断此类变化对于治疗是必要的，目的是限制疾病进展。本文介绍了一种精确的 CAD 系统来对脑 MRI 进行分类，该系统克服了模式分类中的关键问题，例如在训练阶段提取某些特征。我们的贡献是融合第二代小波 (SGW) 网络和深度学习架构，从而提出了用于模式分类的新型监督特征提取方法。我们的新型架构允许通过重建深度堆叠的第二代小波自动编码器来对数据集类别进行分类。将曲波池化 (CP) 与 Adam 梯度计算方法相结合可以提高自动编码器的准确性。在本研究中，我们利用 Haar 曲线波 (CurvPool-AH) 和 Shannon 曲线波 (CurvPool-AS) 构建了 Adam CP。该网络可以通过多个 SGW 自动编码器实现，最终在最后一层使用一个 Softmax 分类器。我们还发现 CurvPool 表现相当不错
稳态母小波的视觉评估——...
表 4 分别列出了每个参与者使用能量、熵和方差特征的分类器性能。给出了每个母小波和特征集的最高准确度。性能最成功的分类器算法在准确度之下给出。表 4 的最后一列还给出了平均分类器准确度。在这些准确度最高的算法中，集成学习器算法的准确度最高，达 43 次。
基于分割技术和小波变换的脑肿瘤分类
本文旨在提供使用磁共振图像 (MRI) 对脑肿瘤进行分割和分类的更好方法。在本文中，小波特征是通过使用连续小波变换 (2D-CWT) 将概率密度函数 (PDF) 转换为频谱图图像而形成的，这是一种简单的特征提取方法，而特征提取方法 (PDF 和 2D-CWT) 正在提高性能。此外，为了提高分割性能，使用形态学操作分割图像并使用卷积神经网络 (CNN) 作为分类器。在 BraTS2019 数据集上，该方法的性能是根据 F1 分数和肿瘤区域分割准确度来评估的。这取得了最好的结果，准确度和 F1 分数分别为 97.37% 和 97.43%。
使用遗传编程进行跌倒检测的脑电图小波分类
自主检测身体跌倒的能力是实现更好独立生活的众多支持技术之一。这项工作探索了如何利用遗传编程来开发机器学习管道，以通过 EEG 脑波活动对跌倒进行分类。11 种身体活动（5 种跌倒类型和 6 种非跌倒活动）被聚类为是否发生跌倒的二元分类问题。在探索机器学习模型并对其进行调整以获得更好的 k 倍分类准确度、精确度、召回率和 F1 分数之前，先从脑波中提取小波特征。结果表明，仅从 EEG 脑波数据中，通过遗传编程发现的解决方案就可以检测到跌倒，平均准确度为 89.34%，精确度为 0.883，召回率为 0.908，F1 分数为 0.895。所有三种遗传编程解决方案都选择了主成分分析的进一步步骤，以便从计算出的小波特征中提取额外的特征，每个步骤的迭代次数分别为 6、3 和 7，并且都采用随机奇异值分解方法。最终通过接收者操作特性和精确度-召回率曲线分析最佳模型。提供了每个遗传编程管道的 Python 代码。
比特币挖矿的能源消耗和全球二氧化碳排放：小波相干分析
比特币挖矿一直受到许多当局和决策者的关注，因为过度使用能源会对环境和气候造成影响。因此，本研究的目的是调查比特币挖矿的能源消耗与全球碳排放指数之间的一致性关联。对 2012 年至 2021 年期间的小波一致性进行了分析，以调查这些关系。研究结果表明，2013 年之前，比特币挖矿的能源消耗与全球碳排放指数在不同频率和不同时间范围内存在同相关联。2013 年之后，一致性关联结果表明，比特币挖矿的能源消耗与全球碳排放之间没有关联。更令人惊讶的是，在 2018 年初，这种关联以 (16-32) 周的频率反相，当时比特币价格大幅下跌，比特币挖矿业务无利可图。这种反相关联可能是由于世界上大多数政府都对加密货币挖矿对环境的影响表示担忧，这可能会对这些国家的矿工公司关闭产生重大影响。因此，这项研究建议加密货币矿工应该认真对待挖矿碳足迹对环境的影响，并使用风能和太阳能等替代能源为其运营提供动力。此外，该研究建议比特币矿工将用于验证和保护比特币交易的软件代码从“工作量证明”系统转换为“权益证明”系统，该系统被认为可以将功耗降低 99%，从而减少碳排放。