6篇关于变分模态分解的计算机毕业论文

今天分享的是关于变分模态分解的6篇计算机毕业论文范文, 如果你的论文涉及到变分模态分解等主题,本文能够帮助到你 基于边缘计算的睡眠质量检测研究 这是一篇关于BCG信号

今天分享的是关于变分模态分解的6篇计算机毕业论文范文, 如果你的论文涉及到变分模态分解等主题,本文能够帮助到你

基于边缘计算的睡眠质量检测研究

这是一篇关于BCG信号,变分模态分解,睡眠分期,边缘计算的论文, 主要内容为睡眠是人们日常生活中必不可少的活动之一。人的一生大约有1/3的时间是在睡眠中度过的。高质量的睡眠可以使精神和身体机能受到保护,提高机体免疫力,减少患病几率。无拘束、无扰检测是睡眠质量检测技术发展的主流方向。采用微动压电睡眠检测床垫进行睡眠分期,具有非束缚,低功耗,易获取等优势,是一种非常好的辅助医院检查的睡眠质量检测手段。但是当前的睡眠质量检测设备大多基于云计算的方式,数据实时性和一致性无法得到保证,并且对生理信号的检测精度不足,导致睡眠分期的准确度不足。针对上述问题,本文设计并实现了一种基于边缘计算的睡眠质量检测系统。该系统采用“端-边-云”的系统架构,利用16通道压电陶瓷传感器采集压力信号,在嵌入式终端进行信号预处理和数据特征粗提取,然后将提取的参数发送到边缘服务器,在边缘服务器进行睡眠分期的判别,最后通过基于Django架构的后台系统实现数据的存储,睡眠质量检测结果可以在PC端和安卓端进行显示。在生理信号提取部分,针对常用提取方法精度不足和经验模态分解模态混叠严重的问题,本文提出了一种基于变分模态分解的心率提取方法,提高了提取精度,解决了模态混叠的问题。在睡眠分期部分,考虑到睡眠分期的时序特点,将信号的前一时刻特征作为辅助特征输入睡眠检测模型,利用时序卷积神经网络进行建模,提高了睡眠分期的准确度。本文实现的基于边缘计算的睡眠质量检测系统,在缓解嵌入式终端存储、计算的瓶颈的同时,还能够实现实时、高精确度的睡眠质量检测,为睡眠障碍筛查和睡眠健康管理提供技术手段。

雷达有源干扰识别方法的研究与实现

这是一篇关于雷达有源干扰识别,变分模态分解,深度学习,特征融合,雷达有源干扰仿真与识别系统的论文, 主要内容为雷达在现代电子战中发挥着至关重要的作用,随着电子对抗与反对抗的较量愈演愈烈,复杂电磁环境下,雷达有源干扰的人工提取特征困难以及低干噪比下的识别率较低的问题亟需解决。为了对雷达有源干扰信号采取有效的反制措施,首先需要准确地识别出干扰信号所属的类别,然后对应采取有效的抗干扰措施,目前干扰识别的方法主要是基于信号特征提取的,可以划分为传统的模式识别方法以及基于深度学习的方法。为此,本文基于变分模态分解的模式识别算法以及基于卷积网络和门控循环网络的深度学习算法,设计出了两种抗噪性能好并且识别率较高的干扰识别算法用于解决以上问题,其中传统的模式识别方法一般具有较强的可解释性,而深度学习方法的可解释性相对较弱。具体研究内容如下:(1)对几种常见的雷达有源压制和欺骗干扰进行了建模研究和分析,然后介绍了几种经典的干扰识别算法,并分析了每种算法的优缺点。(2)针对变分模态分解算法对于信号的分解层数不合理导致识别率较低的问题,提出了一种基于麻雀搜索算法(SSA)优化变分模态分解(VMD)参数和信号特征增强的雷达有源干扰识别算法(SVMD_PE_Non Zeros)。实验结果表明,相较于未改进的变分模态分解算法(VMD),改进后的方法能有效的提升识别率,且非零处理的信号增强方法在雷达信号处理领域也具有很好的工程应用价值,在-10~10d B的全干噪比范围内,算法的识别准确率达到98.18%。(3)针对传统的模式识别方法需要对数据进行复杂的预处理且识别率较低的问题,提出了一种基于多尺度全卷积网络(Multiscale and Fully Convolutional Neural Network,MFCN)和门控循环网络(Gated Recurrent Unit,GRU)相并联的干扰识别算法。这是一种端对端的深度神经网络模型,输入干扰信号的原始时域序列,不需要对数据进行复杂的预处理,即可提取信号在时间和空间上的融合特征,进而对信号实现分类识别。实验结果表明,随着干噪比的逐渐增加,网络的识别准确率也逐渐提升;在-10~10d B的全干噪比范围内,网络的整体识别率为99.4%,干噪比为-6d B以上时识别准确率接近100%。(4)开发了基于干扰模型以及深度学习干扰识别算法的雷达有源干扰仿真与识别系统。系统的开发环境为windows10,开发工具使用Matlab R2021b自带的Appdesigner软件设计工具箱,此工具箱可以帮助用户利用图形系统更加方便的设计出美观简洁的GUI。系统的主要功能包括:雷达有源干扰信号仿真功能、干扰信号的识别功能以及数据集信号的识别功能。实验结果表明,本系统的相关功能均可正常运行。

基于注意力机制和生成对抗网络的心电信号去噪方法研究

这是一篇关于心电信号,噪声处理,变分模态分解,注意力机制,CycleGAN的论文, 主要内容为12导联心电图(Electrocardiogram,ECG)常用于心脏健康状况检查,记录了心脏兴奋的电活动过程,但由于其成本高、操作复杂、携戴不方便等问题,不适合用于常规动态心电监测。动态心电图(Hotel)经常用于长时程心电监测,但在复杂的动态环境下,采集的心电信号易受到运动伪影和基线漂移等各种噪声的严重干扰,导致心电数据质量差。因此,本文设计了一套单导联心电数据采集系统,针对心电数据采集存在的噪声进行去噪算法研究,降低运动噪声伪影干扰,对于心脏疾病的预防具有重要意义。本论文主要进行了以下工作:(1)设计了一套可穿戴式心电数据采集系统。系统由电源管理模块、心电采集模块、数据处理模块、延时开关模块四部分组成,完成对心电信号的采集,并使用蓝牙实时传输。对采集系统进行测试与分析,在系统功耗测试中,计算出系统的理论工作时长,并通过实测记录表明,在满电状态下系统可连续工作42小时,满足长时程监测需求;以静坐和慢走作为信号采集测试场景,通过该系统采集的心电信号可满足临床诊断需求,具有明显可识别的QRS复合波、P波和T波。(2)提出基于变分模态分解(Variational Mode Decomposition,VMD)的心电去噪算法。变分模态分解、离散小波变换(Discrete Wavelet Transform,DWT)、非局部均值滤波(Non-Local Mean,NLM)更适合于对ECG中某个波段的噪声进行去除,结合了三种算法的优点,将含噪ECG信号通过VMD分解为高频分量和低频分量,利用DWT阈值法滤除高频分量噪声,NLM滤除低频分量噪声,重构出的信号能够实现对ECG的有效去噪。实验结果表明,提出的去噪方法明显优于对比方法,在输入噪声信噪比(SNR)为5d B的高斯白噪声下,去噪信号的信噪比改进(SNRimp)至少提升20.92%。(3)提出融合高效通道注意力机制模块(Efficient Channel Attention Network,ECA-Net)和循环一致性生成对抗网络(Cycle-Consistent Generative Adversarial Networks,Cycle GAN)的心电信号去噪算法。针对信号采集过程中受运动而产生的运动伪影和基线漂移等噪声,采用一维卷积神经网络提取心电数据的时域特征,在主干网络嵌入ECA-Net,强化ECG中的关键性特征,抑制噪声信息,优化模型的去噪效果。结合L1范数和最大差分函数优化损失函数,能够捕获信号的全局特征和局部特征,抑制最大局部误差,从而更好地拟合训练数据。在公开数据集下,当输入SNR为5d B时,单一类型噪声去噪后的SNRimp平均提升了32.96%,混合类型噪声的SNRimp平均提升了33.93%,同时具有较低的均方根误差(RMSE)和根差百分比(PRD),优化后的去噪模型泛化能力和去噪性能更强。在运动环境下对实测的心电数据进行噪声去除分析,实验结果表明,该方法能够有效的抑制心电信号运动伪影干扰,提升实测心电信号质量。本论文设计了一套可穿戴式心电采集系统,并提出基于VMD的心电去噪算法、融合ECA-Net和Cycle GAN的心电去噪算法,能够解决长时程动态心电监测不方便和采集信号不准确的问题,满足长时程心电监测需求,对于心脏疾病和心脏猝死的早期预防具有重要的研究意义。

基于光纤传感的非接触式心肺信号监测系统研究与实现

这是一篇关于非接触式,宏弯损耗,光纤传感,变分模态分解,心肺信号监测的论文, 主要内容为心肺信号是生命体征中极其重要的部分,实现居家监测心肺信号有助于提前预警相关心血管和呼吸系统疾病。随着我国人口老龄化进程的不断加速,我国已成为世界上老年人口最多的国家。同时,现代社会带给年轻人巨大的生活压力,处于亚健康状态的年轻人口逐步增多。上述人群均需要一种便捷、准确的居家健康监测手段来实现自身健康状态的监测,以便提前发现身体健康异样,及时接受治疗。本文基于此背景,受企业委托,研究并实现了基于光纤传感的非接触式心肺信号监测系统。为满足操作方便、准确度高等居家心肺信号监测需求,监测设备需要在安全、无感、舒适的场景下进行心肺信号的采集与分析。本文通过基于单模光纤宏弯损耗原理的光纤传感器实现非接触式心肺信号传感,针对传感信号特征设计信号调理采集硬件电路,研究心肺信号处理算法,设计数据显示上位机,构建基于光纤传感技术的心肺信号监测系统。主要研究内容如下:(1)基于光纤宏弯的心肺信号传感方法研究。分析单模光纤的结构及光学传导特性等基本原理,研究单模光纤的宏弯损耗传感原理,设计用于心肺信号传感的光纤宏弯传感垫;分析基于光纤宏弯传感垫的心肺信号传感原理及信号特征;构建用于信号处理的心肺信号数据集。(2)心肺信号处理算法研究。研究心肺信号预处理算法,分析心肺信号的特征,设计在床、离床和体动等传感状态的判定方法;研究心肺信号降噪算法;研究生命体征提取算法,针对心肺信号频率区分度不足、心动周期频率缺失等问题,设计基于变分模态分解改进的包络分解和多模态融合算法,提取心跳周期与呼吸周期;设计自适应阈值寻峰算法实现心跳信号和呼吸信号的峰值识别,完成心跳速率和呼吸速率两大生命体征监测。(3)心肺信号监测系统实现及系统性能测试与分析。完成心肺信号系统硬件设计及嵌入式软件开发,实现光纤宏弯传感垫采集心肺信号的数字化,同时基于MATLAB设计用于数据显示的上位机程序,实现心肺信号监测系统构建;设计心肺信号监测系统功能性测试、心跳速率监测性能测试、呼吸速率监测性能测试和整晚睡眠监测测试等实验,对本文研究的心肺信号系统的准确性和有效性进行验证。测试结果表明,本系统监测心率的平均误差为0.56±0.41 bpm,呼吸速率监测的平均误差为0.47±0.48 bpm。

基于LSTM的轴承寿命预测方法研究与软件实现

这是一篇关于寿命预测,长短期记忆网络,变分模态分解,迁移学习的论文, 主要内容为随着工业数控机床、航空发动机等大型机械设备朝着高精度化、高智能化方向飞速发展,对设备进行健康管理,保证设备安全稳定地工作是极其重要的任务。轴承作为机械设备的关键零部件,其性能将直接决定设备的健康状况。对轴承剩余寿命进行预测,可为设备维修计划提供有效的决策支持,从而避免产生安全事故,这对机械设备的健康管理具有十分重要的意义。目前,信号处理方法和数据驱动方法广泛应用于轴承寿命预测。然而,机械设备长期处在强噪声背景下,其特征信号提取比较困难,传统回归预测精度较低。并且在新工况情况下,数据量少以及模型泛化性能差,为寿命预测带来困难。针对上述问题,本文针对轴承剩余使用寿命预测问题进行了探究,主要工作内容如下:(1)针对实际工况中传统预测方法受轴承信号噪声影响,导致预测精度受限的问题,提出了基于IPVMD-LSTM模型的轴承剩余寿命方法。本文提出的IPVMDLSTM模型,充分考虑轴承循环平稳性和脉冲性的特点,构建了合成指标,以此作为目标函数,通过PSO对VMD进行参数寻优,从而达到了更好的降噪效果,综合性能提升5.83%。同时充分考虑实际工况数据时序性特点,通过长短期记忆网络LSTM提取时序特征进行预测。实验结果显示,本文的IPVMD-LSTM方法在预测精度上有明显提升,其RMSE相较于传统方法降低了2.81%。(2)针对新工况数据量少以及数据特征分布不一致的问题,提出了一种结合MMD和CORAL的多源域迁移(MC-MDA-LSTM)寿命预测模型。本文提出的MC-MDA-LSTM模型通过将已有的多种工况作为多个源域,设计域共享特征提取LSTM网络,并为每个源领域设定特定的特征提取网络,结合MMD和CORAL度量数据分布差异的优点,通过对抗学习的方式对源域和目标域进行领域适配,将两者间的分布进行拉近,从而更好地提取域不变特征。对比传统迁移方法,MAPE和RMSE分别降低了1.67%和2.06%。(3)设计并实现了轴承寿命预测软件。通过Spring Boot和Vue.js搭建软件前后端,进行了需求分析、架构设计、软件测试。该软件提供了可交互可视化界面,便于相关人员进行算法测试和模型训练,大幅提高开发工作效率,并对数据和模型管理提供技术支持,具有较大的使用价值。

基于深度神经网络的抽水蓄能机组稳定性劣化趋势预测研究

这是一篇关于抽水蓄能机组,健康状态模型,劣化状态评估,深度神经网络,变分模态分解,劣化趋势预测,误差校正,预测系统的论文, 主要内容为抽水蓄能电站担负削峰填谷、调频调相、旋转备用等职能,近几年来在我国能源体系中所占比重逐渐上升。抽水蓄能机组是受水力因素、机械因素和电磁因素等影响的复杂设备,且在抽水、发电、调相、备用、停机等多种工况间频繁转换,随着投运时间的增加,机组设备容易出现异常振动、设备疲劳、设备劣化等情况,威胁机组及电站安全。准确解析机组运行状态,开展抽水蓄能机组劣化预测研究,对预防早期故障,保障机组安全稳定运行具有重要意义。本文研究主要围绕抽水蓄能机组稳定性劣化趋势预测展开,研究了深度神经网络相关理论,提出抽水蓄能机组稳定性劣化状态评估方法,建立劣化趋势深度组合预测模型,致力于提升模型预测精度,并将理论应用至实践中,设计了抽水蓄能机组劣化趋势预测系统,有效提升电站运检维护效率。论文的主要工作及创新性成果如下:(1)针对现有机组劣化分析中未能充分考虑工况因素对机组状态影响的问题,研究最大信息系数方法分析工况参数与机组稳定性参数之间相关性,建立了多通道的DNN健康状态模型,准确解析工况参数与机组状态参数之间的映射关系,有效提取抽水蓄能机组在不同工况下各通道稳定性劣化趋势和整体劣化趋势对机组状态进行评估,并结合电站实际数据设计与其他三种算法的对比实验,验证了本文所提健康模型的准确性以及劣化状态评估的可靠度。(2)针对现有劣化趋势预测精度低、预见期短的问题,提出组合深度预测模型,引入变分模态分解算法对波动剧烈的非线性劣化趋势进行分解,对分解后的子模态分别建立GRU预测模型,提出误差预测校正方法对预测结果进行优化,实现对抽水蓄能机组劣化趋势的精准预测,并结合现场数据设计单步预测与多步预测对比实验,结果表明本文所提方法预测精度最高,适用于进行劣化趋势预测。(3)设计并研发了由数据服务层、业务逻辑层和应用服务层组成的三层B/S架构的劣化趋势预测系统,具备劣化趋势预警、时序趋势预警、分析模型预警、辅助分析等深层次、多方面的预警功能,充分弥补了传统状态监测系统单一静态阈值报警的不足,能够较为全面的挖掘机组主要设备的运行状态,对设备异常情况及时的做出预警。

本文内容包括但不限于文字、数据、图表及超链接等)均来源于该信息及资料的相关主题。发布者:毕设驿站 ,原文地址:https://m.bishedaima.com/lunwen/47940.html

相关推荐

发表回复

登录后才能评论