为了监测黄瓜采摘后贮藏期间品质的变化, 借助不同贮藏日期贮藏室气氛的3D荧光数据, 提出了一种特征荧光信息(特征激发与特征发射波长)提取方法, 实现了黄瓜贮藏期间品质的监测。 首先, 对3D荧光数据进行去除瑞利散射和多项式Savitzky-Golar(SG)平滑降噪预处理, 有效消除了散射和噪声信号的影响。 其次, 对预处理后的3D荧光数据进行主成分分析(PCA)得到主成分矩阵, 并运用各主成分变量构造Wilks统计量, 选取了最小值对应的主成分(第11主成分, PC11); 根据构造该主成分的各原始变量(激发波长)的组合系数大小提取了8个特征激发波长。 然后, 采用10 nm的间隔对发射光谱进行了波段划分, 运用小波包分解(WPD)对每个波段进行了3尺度分解, 计算了各波段分解后的小波包能量, 综合8天试验结果选择能量最高的发射波段作为初选发射波段。 采用偏最小二乘回归(PLS)结合黄瓜理化指标(硬度、 叶绿素含量和失重率)对初选的发射波段进行了分析, 依据回归系数精选了7个特征发射波长, 简化了计算。 同时, 根据黄瓜硬度数据初步找到了其变化趋势的转折点; 根据黄瓜叶绿素含量变化曲线及一阶导数, 发现了叶绿素下降趋势最显著的点, 并结合试验过程中的感官观察结果, 确定第5个贮藏日为黄瓜品质突变日, 并选择第5个贮藏日为监测基准日。 最后, 采用提取的特征荧光信息计算不同贮藏天数与监测基准日之间的马氏距离(MD), 构建MD监测模型。 结果表明, 随着贮藏时间越来越接近监测基准日, MD值则逐渐减小到0, 与黄瓜贮藏过程中品质变化进程相符。 上述多变量统计分析融合小波包能量的特征波长提取方法和应用特征荧光信息构建的MD监测模型有望成为黄瓜贮藏过程中品质监测的一种可行方法。

Low energy impact can induce invisible damage of carbon fiber reinforced polymer (CFRP). The damage can seriously affect the safety of the CFRP structure. Therefore, damage detection is crucial to the CFRP structure. Impact location information is the premise of damage detection. Hence, impact localization is the primary issue. In this paper, an impact localization system, based on the fiber Bragg grating (FBG) sensor network, is proposed for impact detection and localization. For the completed impact signal, the FBG sensor and narrow-band laser demodulation technology are applied. Wavelet packet decomposition is introduced to extract available frequency band signals and attenuate noise. According to the energy of the available frequency band signal, an impact localization model, based on the extreme learning machine (ELM), is established with the faster training speed and less parameters. The above system is verified on the 500 mm × 500 mm × 2 mm CFRP plate. The maximum localization error and the minimum localization error are 30.4 mm and 6.7 mm, respectively. The average localization error is 14.7 mm, and training time is 0.7 s. Compared with the other machine learning methods, the localization system, proposed in this paper, has higher accuracy and faster training speed. This paper provides a practical system for impact localization of the CFRP structure.

采用相位敏感型光时域反射仪的分布式光纤传感系统对除尘器内滤袋进行实时监测.通过对光纤在除尘器滤袋内敷设方式的设计, 实现了对除尘器内滤袋的定位.对6种类型的破袋内光纤振动信号进行采集, 且当这些滤袋没有破损时, 对其光纤振动信号也进行采集.采用小波包分解法计算了滤袋内光纤振动信号的信息熵和相关系数, 并将两参数合并构成二维特征参量.分析了在不同的二维特征参量下, 好袋内光纤振动信号和破袋内光纤振动信号之间的特征差别.以类型3滤袋信号特征样本作为训练样本对反向传播神经网络进行训练, 然后对6种类型的滤袋信号特征样本进行识别, 结果显示该方法对6种类型的滤袋具有较高的识别稳定性, 且平均滤袋识别率分别达到96.2%、88.7%、98.4%、98.5%、98.5%、98.5%.

往复式压缩机是石油化工生产的关键设备, 它的安全平稳运行与气阀的工作状态息息相关。为实现往复式压缩机气阀故障的快速诊断, 利用小波包分解提取故障特征, 基于SVM方法对气阀故障进行了识别, 利用网格搜索进行参数寻优, 搭建了小波包分解与支持向量机SVM联合诊断压缩机气阀故障的模型, 验证了支持向量机SVM诊断压缩机气阀故障的有效性。简化了传统由经验人员判断气阀故障类型的过程, 为压缩机气阀故障分析、气阀维修与更换等实际问题提供了理论依据。

针对现有人脸识别方法在光照变化、表情变化及噪声干扰等情况下识别率下降的问题，本文将主成分分析 (PCA)，图像的小波包分解 (WPD)和稀疏表示分类 (SRC)等算法结合起来进行研究分析，提出了一种融合小波包细节子图及稀疏表示 (FW-SRC)的人脸识别方法。该方法首先将图像小波包分解以后的子图像进行加权融合，对融合后的图像进行特征提取并构造特征空间，然后用样本在特征空间上的投影集构造稀疏字典，最后通过对人脸图像的稀疏表示实现分类识别。采用 Yale B、AR和 CMU PIE人脸库分别进行了光照、表情及噪声鲁棒性的测试，实验结果表明本文方法不仅提高了人脸识别率，而且在光照强度变化、表情变化以及噪声干扰的情况下具有良好的识别性能。

提出将小波包辅助下子带分解的独立成分分析用于高光谱混合像元盲分解.利用小波包分解改进独立成分分析技术，并考虑到高光谱数据的特点提出了高光谱混合像元盲分解方法，该方法能克服独立成分分析方法要求端元光谱统计独立带来的问题.利用两组合成数据和三组室内实测数据对本算法进行测试，证明了本算法能较为准确的提取端元光谱波形和端元丰度，其准确度明显优于独立成分分析方法.该方法为高光谱遥感影像的盲分解提供了一条新的途径.

基于裂变中子(252Cf)对裂变链(235U系统)依存关系, 在对252Cf中子裂变信号的测量原理及信号特点分析基础上, 开展了基于支持向量机的中子裂变信号时频特征分析及识别研究工作。采用小波分解和去噪小波包分解方法, 提取不同状态下随机核信号的时频能量特征, 借助于统计学习理论的支持向量机(SVM)分类器原理进行训练和分类。研究结果表明: 通过直接小波分解或去噪小波包分解, 以获取核信号特征的方法是有效的; 去噪小波包分解特征提取方式, 较之直接小波分解特征提取方式更能反映中子裂变核系统的内部特征和规律; 基于SVM核信号样本的分类, 训练后的SVM分类器有着大于70%以上的正确率, 且较好地克服了训练样本数较少的问题, 验证了方法的可行性和有效性。

针对振动型结构健康监测方法的特点，搭建了基于非平衡M-Z干涉仪和相位载波解调技术的光纤光栅损伤识别系统。运用小波包分解振动信号，建立了基于小波包节点能量相对变化率之和的结构损伤识别指标；介绍了统计过程控制原理，推导了使用均值-极差控制图分析损伤识别指标，识别结构连续损伤的过程。实验测试了铝制简支梁结构处于健康状态和3种损伤状态下的各40次振动信号。信号时域图显示各状态振动信号持续时间均约为0.05 ms，幅值基本相同。依据结构健康状态下的统计过程控制限 (12.85,41.35)进行了均值-极差控制图损伤识别分析，结果表明，搭建的损伤识别系统能连续地对结构进行健康监测。

手背静脉识别利用静脉血管分布的网络结构实现个人身份鉴定,是一种新兴的生物特征识别技术。分析了静脉成像原理,设计了静脉图像采集系统,并建立了具有较高质量的手背静脉图像数据库。在身份识别过程中,首先对手背静脉图像进行滤波和灰度归一化等预处理,然后对图像进行二级小波包分解,并利用得到的细节图像提取手背静脉的纹理特征,最后将k近邻分类器和支持向量机相结合实现了个人身份识别。在识别模式下利用建立的手背静脉图像数据库对本系统进行了性能测试,实验结果表明该系统具有较高的识别性能,其正确识别率达99.07%,应用前景十分广阔。