基于多尺度分解的次声波信号特征的提取

次声波论文 多尺度分解论文
论文详情
摘要第3-4页
ABSTRACT第4-5页
第1章 绪论第8-13页
    1.1 研究背景及意义第8-9页
        1.1.1 次声波简介第8-9页
        1.1.2 次声波研究背景及意义第9页
    1.2 研究现状第9-12页
        1.2.1 次声波研究现状第9-10页
        1.2.2 次声波的研究方法第10-12页
    1.3 研究内容和工作安排第12-13页
第2章 信号分析及特征提取方法第13-30页
    2.1 傅立叶变换第13-15页
        2.1.1 傅立叶变换第13-15页
        2.1.2 应用实例第15页
    2.2 小波变换第15-19页
        2.2.1 小波函数第16-17页
        2.2.2 连续小波变换第17页
        2.2.3 离散小波变换第17-18页
        2.2.4 应用实例第18-19页
    2.3 希尔伯特黄变换第19-24页
        2.3.1 本征模态函数第20页
        2.3.2 经验模式分解第20-21页
        2.3.3 Hilbert变换和Hilbert变换谱分析第21-22页
        2.3.4 应用实例第22-24页
    2.4 局部特征尺度分解第24-29页
        2.4.1 内禀尺度分量第24-25页
        2.4.2 局部特征尺度分解第25-27页
        2.4.3 应用实例第27-29页
    2.5 本章小结第29-30页
第3章 次声波信号的特征提取第30-39页
    3.1 次声波信号数据选取第30-31页
    3.2 次声波信号的多尺度分解第31-35页
        3.2.1 次声波信号的小波分解第31-33页
        3.2.2 次声波信号的经验模式分解第33-34页
        3.2.3 次声波信号的局部特征尺度分解第34-35页
    3.3 次声波信号的特征提取第35-38页
        3.3.1 自相关函数第35-36页
        3.3.2 线性预测倒谱系数第36-37页
        3.3.3 梅尔频率倒谱系数第37-38页
    3.4 本章小结第38-39页
第4章 次声波信号分类实验第39-51页
    4.1 支持向量机第39-44页
        4.1.1 机器学习第39-40页
        4.1.2 统计学习理论第40-41页
        4.1.3 支持向量机第41-44页
        4.1.4 核函数第44页
    4.2 次声波信号分类实验第44-50页
        4.2.1 分类实验的一般步骤第44-45页
        4.2.2 实验步骤第45-47页
        4.2.3 实验结果第47-50页
    4.3 本章小结第50-51页
第5章 结论与展望第51-53页
    5.1 工作总结第51页
    5.2 未来展望第51-53页
致谢第53-54页
参考文献第54-56页
论文购买
论文编号ABS4443607,这篇论文共56页
会员购买按0.30元/页下载,共需支付16.8
不是会员,注册会员
会员更优惠充值送钱
直接购买按0.5元/页下载,共需要支付28
只需这篇论文,无需注册!
直接网上支付,方便快捷!
相关论文

点击收藏 | 在线购卡 | 站内搜索 | 网站地图
版权所有 艾博士论文 Copyright(C) All Rights Reserved
版权申明:本文摘要目录由会员***投稿,艾博士论文编辑,如作者需要删除论文目录请通过QQ告知我们,承诺24小时内删除。
联系方式: QQ:277865656