Search Results - "вейвлет-преобразование"

Source: Journal of the Russian Universities. Radioelectronics; Том 28, № 1 (2025); 65-76 ; Известия высших учебных заведений России. Радиоэлектроника; Том 28, № 1 (2025); 65-76 ; 2658-4794 ; 1993-8985

Subject Terms: интервал ортогональности, non-stationary radio channel, OFDM signal, harmonic wavelet transform, fast computational algorithms, channel noise, orthogonality interval, нестационарный канал радиосвязи, OFDM-сигнал, гармоническое вейвлет-преобразование, быстрые вычислительные алгоритмы, канальный шум

File Description: application/pdf

Relation: https://re.eltech.ru/jour/article/view/970/824; Технология OFDM: учеб. пособие для вузов / М. Г. Бакулин, В. Б. Крейнделин, А. М. Шлома, А. П. Шумов. М.: Горячая линия–Телеком, 2021. 360 с.; Егоров В. В., Тимофеев А. Е. Установление частотно-временно́ й синхронизации в многочастотных КВ-системах передачи данных // Электросвязь. 2013. № 7. С. 41–44.; Синхронизация в радиосвязи и радионавигации: учеб. пособие для вузов / Б. И. Шахтарин, В. В. Сизых, Ю. А. Сидоркина и др. М.: Горячая линия–Телеком, 2011. 278 с.; Прокис Дж. Цифровая связь. М.: Радио и связь, 2000. 800 с.; Егоров В. В., Клионский Д. М. Применение гармонического вейвлет-преобразования при обработке OFDM-сигналов в нестационарном радиоканале // Цифровая обработка сигналов. 2024. № 2. С. 57–63.; Ifeachor E. C., Jervis B. W. Digital signal processing: a practical approach. 2nd ed. New Jersey: Prentice Hall, 2004. 960 p.; Солонина А. И., Арбузов С. М. Цифровая обработка сигналов. Моделирование в Matlab: учеб. пособие. СПб.: БХВ-Петербург, 2008. 816 с.; Основы цифровой обработки сигналов: курс лекций. 2-е изд. / А. И. Солонина, Д. А. Улахович, С. М. Арбузов, Е. Б. Соловьева. СПб.: БХВ-Петербург, 2005. 768 с.; Оппенгейм А., Шафер Р. Цифровая обработка сигналов. 3-е изд.: М.: Техносфера, 2012. 1048 с.; Гоулд Б., Рабинер Л. Теория и применение цифровой обработки сигналов. М.: Мир, 1978. 848 с.; Цифровая обработка сигналов и MATLAB / А. И. Солонина, Д. М. Клионский, Т. В. Меркучева, С. Н. Перов. СПб.: БХВ-Петербург, 2013. 512 с.; Солонина А. И. Цифровая обработка сигналов в зеркале MATLAB. СПб.: БХВ-Петербург, 2018. 560 с.; Mallat S. G. A wavelet tour of signal processing. Heidelberg: Academic Press, 1998. 577 p.; Смоленцев Н. К. Вейвлет-анализ в Matlab. 3-е изд. М.: ДМК Пресс, 2010. 448 c.; Daubechies I. Ten lectures of wavelets. Cham: Springer-Verlag, 1992. 341 p.; Чуи К. Введение в вейвлеты. М.: Мир, 2001. 412 c.; Фрейзер М. Введение в вейвлеты в свете линейной алгебры / пер. с англ. М.: Бином. Лаб. знаний, 2007. 487 с.; Percival D. B., Walden A. T. Wavelet methods for time series analysis. Cambridge: Cambridge University Press, 2006. 569 p.; Newland D. E. Harmonic wavelet analysis // Proc. of the Royal society of London, Series A (Mathematical and Physical Sciences). 1993. Vol. 443, № 1917. P. 203–225. doi:10.1098/rspa.1993.0140; Newland D. E. An introduction to random vibrations, spectral and wavelet analysis. 3rd ed. New York: Prentice Hall, 1996. 503 p.; Newland D. E. Harmonic and musical wavelets // Proc. of the royal society of London (Mathematical and Physical Sciences). 1994. Vol. 444, № 1922. P. 605–620. doi:10.1098/rspa.1994.0042; Орешко Н. И., Геппенер В. В., Клионский Д. М. Применение гармонических вейвлетов в задачах обработки осциллирующих сигналов // Цифровая обработка сигналов. 2012. № 2. С. 6–14.; Орешко Н. И., Клионский Д. М. Характеристики реальных вейвлет-фильтров применительно к гармоническому вейвлет-преобразованию // Цифровая обработка сигналов и ее применения (DSPA-2013): тез. докл. 15-й Междунар. конф., Москва, 27–29 марта 2013. М., 2013. С. 302–306.; https://re.eltech.ru/jour/article/view/970

Availability: https://re.eltech.ru/jour/article/view/970
https://doi.org/10.32603/1993-8985-2025-28-1-65-76

View record from BASE

8

Academic Journal

Использование сверточных вейвлет-блоков в задаче классификации изображений

Source: Журнал Белорусского государственного университета: Математика, информатика, Iss 2, Pp 93-103 (2024)

Subject Terms: вейвлеты, классификация изображений, дискретное вейвлет-преобразование, QA1-939, нейронные сети, глубокое обучение, Mathematics

Access URL: https://doaj.org/article/727bae6262a84c63b572bad68947cdbd

View record at OpenAIRE Full Text Finder

9

Academic Journal

Enhancing Image Processing with a Wavelet-based Convolutional Neural Network Model

Authors: Liyanage, Pasindu Maduranga Lekam Wasam, Kruglova, Larisa, Ranasinghe, Naduni

Subject Terms: wavelet transformation, извлечение признаков, feature extraction, convolutional neural networks, deep learning, вейвлет-преобразование, обработка изображений, сверточные нейронные сети, глубокое обучение, image processing

10

Academic Journal

An In-depth Look into Combining Image Processing and Wavelet Transformation

Authors: Liyanage, Pasindu, Kruglova, Larisa

Subject Terms: wavelet transformation, mathematical foundation, вейвлет-преобразование, обработка изображений, математические основы, image processing

11

Academic Journal

Способы увеличения скорости непрерывного вейвлет-преобразования при решении задач декомпозиции и реконструкции сигналов: Ways to Increase the Speed of Continuous Wavelet Transform in Solving Problems of Signal Decomposition and Reconstruction

Source: Vestnik of Volga State University of Technology. Series Radio Engineering and Infocommunication Systems. :42-51

Subject Terms: algorithm, decomposition, reconstruction, реконструкция, Fourier transform, вейвлет-преобразование, декомпозиция, преобразование Фурье, алгоритм, wavelet transform

12

Academic Journal

Diagnostics of Ship Engines Based on Wavelet Neural Network and Image Scanning Using Programmable Logic Circuit ; Диагностика судовых двигателей на основе вейвлет-нейронной сети и сканирования изображений с помощью программируемой логической логической схемы

Authors: A. I. Epikhin, S. I. Kondratiev, E. V. Khekert, А. И. Епихин, С. И. Кондратьев, Е. В. Хекерт

Source: World of Transport and Transportation; Том 21, № 6 (2023); 110-118 ; Мир транспорта; Том 21, № 6 (2023); 110-118 ; 1992-3252

Subject Terms: предиктивное обслуживание, ships, engine, wavelet transform, image, network, predictive maintenance, суда, двигатель, вейвлет-преобразование, изображение, сеть

File Description: application/pdf

Relation: https://mirtr.elpub.ru/jour/article/view/2620/4389; https://mirtr.elpub.ru/jour/article/view/2620/4390; Tianlong Lu, Zhen Lu, Yuchuan Gao, Lei Shi, Huaiyin Wang, Tianyou Wang. Investigation on suitable swirl ratio and spray angle of a large-bore marine diesel engine using genetic algorithm. Fuel, 2023, Vol. 345, 128187. DOI:10.1016/j.fuel.2023.128187.; Епихин, А. И. Подход нечеткой кластеризации в распределенных информационных системах судовых двигателей. Морские интеллектуальные технологии. – 2023. – № 2–1 (60). – С. 75–79. DOI:10.37220/MIT.2023.60.2.008.; Marko, K. A., Bryant, B., Soderborg, N. Neural network application to comprehensive engine diagnostics. In: IEEE International Conference on Systems, Man and Cybernetics, Chicago, IL, 1992, pp. 1016–1022.; Глушков С. П., Жидких В. О. Выбор вейвлетобразующей функции для анализа динамических характеристик сигнала двигателя внутреннего сгорания // Вестник Сибирского государственного университета путей сообщения. – 2017. – № 1 (40). – С. 51–56. [Электронный ресурс]: http://www.stu.ru/particular/get_teamwox_file.php?id=28121&ext=.pdf [полный текст номера]. Доступ 20.11.2023.; Shatnawi, Y., Al-Khassaweneh, M. Fault Diagnosis in Internal Combustion Engines Using Extension Neural Network. IEEE Transactions on Industrial Electronics, 2014, Vol. 61, Iss. 3, pp. 1434–1443. DOI:10.1109/TIE.2013.2261033 [ограниченный доступ].; Ravikumar, K. N., Madhusudana, C. K., Kumar, H., Gangadharan, K. V. Classification of gear faults in internal combustion (IC) engine gearbox using discrete wavelet transform features and K star algorithm. Engineering Science and Technology, 2022, Vol. 30, 101048. DOI: https://doi.org/10.1016/j.jestch.2021.08.005.; Ghaedi, A., Pour, E. S., Hosseinzadeh, F. Application of the discrete wavelet transform and probabilistic neural networks in IC engine fault diagnostics. Indian Journal of Fundamental and Applied Life Sciences, 2015, Vol. 5 (S1), pp. 1587–1592. [Электронный ресурс]: www.cibtech.org/sp.ed/jls/2015/01/jls.htm (online). Доступ 27.11.2023.; Czech, P., Wojnar, G., Burdzik, R., Konieczny, L., Warczek, J. Application of the discrete wavelet transform and probabilistic neural networks in IC engine fault diagnostics. Journal of Vibroengineering, 2014, Vol. 16, Iss. 4, 1268, pp. 1619–1639. [Электронный ресурс]: https://www.extrica.com/article/15251. Доступ 27.11.2023.; Кириллов А. В., Деста А. Б., Дубесса М. Х., Акалу Й. А. Применение нейронных сетей для диагностики и предупреждения отказов датчиков турбореактивного двухконтурного двигателя. Перспективы науки. – 2021. – № 11 (146). – С. 35–37. EDN: ZBQMDY; Енчев С. В., Товкач С. С. Вейвлет-анализ параметров систем автоматического управления авиационных двигателей. Научный вестник МГТУ ГА. – 2014. – № 204. – С. 90–96. [Электронный ресурс]: https://avia.mstuca.ru/jour/article/view/593. Доступ 27.11.2023.; Monday, H. N., Li, J., Nneji, G. U. [et al]. A wavelet convolutional capsule network with modified super resolution generative adversarial network for fault diagnosis and classification. Complex and Intelligent Systems, 2022, pp. 4831–4847. DOI: https://doi.org/10.1007/s40747-022-00733-6.; Wenliao Du, Jianfeng Tao, Yanming Li, Chengliang Liu. Wavelet leaders multifractal features based fault diagnosis of rotating mechanism. Mechanical Systems and Signal Processing, 2014, Vol. 43, Iss. 1–2, pp. 57–75. DOI: https://doi.org/10.1016/j.ymssp.2013.09.003.; Dong, D. W., Hopfield, J. J., Unnikrishnan, K. P. Neural Networks for Engine Fault Diagnostics. In: Proceedings of the 1997 IEEE Workshop, 1997, pp. 636–644.; Kobayashi, T., Simon, D. L. A Hybrid Neural Network-Genetic Algorithm Technique for Aircraft Engine Performance Diagnostics. In: Proceedings of the 37th AIAA/ASME/SAE/ASEE Joint Propulsion Conference and Exhibit, Salt Lake City, Utah, 2001, paper no. AIAA‑2001–3763.; Sadollah, A., Travieso-Gonzalez, C. M. [Eds]. Recent Trends in Artificial Neural Networks: from Training to Prediction. London, IntechOpen, 2020, 150 p. ISBN 978-1-78985-420-6.; Luo, Qiwu; Yigang, He; Sun, Yichuang. Timeefficient fault detection and diagnosis system for analog circuits. Automatika, 2018, Vol. 59, pp. 303–311. DOI:10.1080/00051144.2018.1541644.; Ma, Y., Han, R., Wang, W. Prediction-Based Portfolio Optimization Models Using Deep Neural Networks. IEEE access, 2020, Vol. 8, pp. 115393–115405. DOI:10.1109/ACCESS.2020.3003819.; Song, J., Xue, G., Pan, X., Ma, Y., Li, H. Hourly Heat Load Prediction Model Based on Temporal Convolutional Neural Network. IEEE access, 2020. Vol. 8, pp. 16726–16741. DOI:10.1109/ACCESS.2020.2968536.; Yüce, A., Nur Deniz, F., Tan, N.Interactive Analysis of Integer Order Approximation Methods in LabVIEW Environment. 1st International Mediterranean Science and Engineering Congress (IMSEC 2016), Çukurova University, Congress Center, October 26–28, 2016, Adana / TURKEY, paper ID 686, pp. 2357–2365. [Электронный ресурс]: https://www.researchgate.net/profile/Furkan-Deniz/publication/348326399_Kesir_dereceli_transfer_fonksiyonlari_icin_tamsayi_dereceli_yaklasim_yontemlerinin_LabVIEW_ortaminda_interaktif_analizi_Interactive_Analysis_of_Integer_Order_Approximation_Methods_in_LabVIEW_Environme/links/5ff82609a6fdccdcb83b7523/Kesir-dereceli-transferfonksiyonlari-icin-tamsayi-dereceli-yaklasim-yoentemlerininLabVIEW-ortaminda-interaktif-analizi-Interactive-Analysis-ofInteger-Order-Approximation-Methods-in-LabVIEWEnvironm.pdf?_tp=eyJjb250ZXh0Ijp7ImZpcnN0UGFnZSI6InB1YmxpY2F0aW9uIiwicGFnZSI6InB1YmxpY2F0aW9u In19. Доступ 27.11.2023.; Ruiz de Miras, J. Fractal Analysis in MATLAB: ATutorial for Neuroscientists. In: A. Di Ieva (ed.). The Fractal Geometry of the Brain, Springer Series in Computational Neuroscience, 2016, pp. 523–532. DOI:10.1007/978-1-4939-3995-4_33.; Yue Gao, Dai-Jun Zhang, Cui-Na Jiao, Ying-Lian Gao, Jin-Xing Liu. Spatial Domain Identification Based on Graph Attention Denoising Auto-encoder, 2023. In: Advanced Intelligent Computing Technology and Applications: 19th International Conference, ICIC 2023, Zhengzhou, China, August 10–13, 2023, Proceedings, Part III, pp. 359–367. DOI: https://doi.org/10.1007/978-981-99-4749-2_31.; Abdelmaksoud, M., Torki, M., El-Habrouk, M., Elgeneidy, M. Convolutional-neural-network-based multisignals fault diagnosis of induction motor using single and multi-channels datasets. Alexandria Engineering Journal, 2023, Vol. 73, pp. 231–248. DOI:10.1016/j.aej.2023.04.053.; Jian Zhang, Yangqian Meng, Dai Liu, Long Liu, Xiuzhen Ma, Changzhao Jiang, Xiannan Li, Li Huang. Modelling and multi-objective combustion optimization of marine engine with speed maintaining control target. Thermal science and engineering progress, 2023, Vol. 41, pp. 12–18. DOI:10.1016/j.tsep.2023.101852.; Chao Luo, Haiyue Wang. Fuzzy forecasting for long-term time series based on time-variant fuzzy information granules. Applied soft computing, 2020, Vol. 88, pp. 65–72. DOI:10.1016/j.asoc.2019.106046 [ограниченный доступ].; Zhou, W., Wu, J., Liu, A., Zhang, W. A., Yu, L. Neurodynamics-based distributed model predictive control of a low-speed two-stroke marine main engine power system. ISA Transactions, 2023, Vol. 138, pp. 341–358. DOI:10.1016/j.isatra.2023.03.006.; Zhenyi Kuai, Guoyong Huang. Fault Diagnosis of Diesel Engine Valve Clearance Based on Wavelet Packet Decomposition and Neural Networks. Electronics, 2023, Vol. 12, 353. DOI:10.3390/electronics12020353.; Ofner, A. B., Kefalas, A., Posch, S., Pirker, G., Geiger, B. C. In-cylinder pressure reconstruction from engine block vibrations via a branched convolutional neural network. Mechanical systems and signal processing, 2023. Vol. 183, 109640. DOI:10.1016/j.ymssp.2022.109640.; https://mirtr.elpub.ru/jour/article/view/2620

Availability: https://mirtr.elpub.ru/jour/article/view/2620
https://doi.org/10.30932/1992-3252-2023-21-6-13

View record from BASE

13

Academic Journal

Sensitivity Study of Feature Vectors Formed on the Basis of Multiple Scale Transformations of Processed Images ; Исследование чувствительности векторов признаков, сформированных на основе кратномасштабных преобразований обрабатываемых изображений

Authors: D. V. Vasilieva, Д. В. Васильева

Contributors: The author would like to thank Prof. Dr. S.V. Dvornikov for his help in writing the article., Автор выражает благодарность профессору, доктору технических наук С.В. Дворникову за помощь в написании статьи.

Source: Journal of the Russian Universities. Radioelectronics; Том 27, № 3 (2024); 20-29 ; Известия высших учебных заведений России. Радиоэлектроника; Том 27, № 3 (2024); 20-29 ; 2658-4794 ; 1993-8985

Subject Terms: контрастность признаковых пространств, wavelet transform of signals, contrast of feature spaces, вейвлет-преобразование сигналов

File Description: application/pdf

Relation: https://re.eltech.ru/jour/article/view/882/769; Автоматизация процедур обнаружения лесных пожаров по результатам обработки видео / Д. В. Васильева, С. В. Дворников, С. А. Якушенко, С. С. Дворников // Науч.-аналитич. журн. "Вестник Санкт-Петербургского ун-та ГПС МЧС России". 2023. № 4. С. 47-58. doi:10.61260/2218-130X-2024-2023-4-47-58; Мелентьев В. В., Мателенок И. В., Смирнова А. С. Визуализация радиолокационных сигнатур морского льда для контроля обстановки в арктических акваториях // Системы контроля окружающей среды. 2023. № 2(52). С. 18-26. doi:10.33075/2220-58612023-2-18-26; Князев Н. А., Лаврова О. Ю. Спутниковый мониторинг распространения нефтяного загрязнения вдоль Сирийского побережья, вызванного аварией в городе Банияс 23 августа 2021 года // Современные проблемы дистанционного зондирования Земли из космоса. 2022. Т. 19, № 1. С. 295-301. doi:10.21046/2070-7401-2022-19-1-295-301; Корнилов В. Д. Мировой танкерный флот. Морские вести России. 2014. № 13. URL: https://morvesti.ru/analitika/1692/31948/ (дата обращения 26.02.2024).; Алексенко А. И., Касаткина А. С. Вопросы ответственности судовладельца за ущерб от загрязнения нефтепродуктами с морских судов // Вестн. РУДН. Сер. Юр. науки. 2022. Т. 26, № 3. С. 678-694. doi:10.22363/2313-2337-2022-26-3-678-694; Свецкий А. В. Правовая охрана морской среды от разливов нефти и нефтепродуктов // Юр. исследования. 2023. № 3. С. 1-12. doi:10.25136/24097136.2023.3.39944; Алексеев Д. В., Лентарев А. А Статистический анализ разливов нефти и нефтепродуктов на море // Вестн. гос. ун-та морского и речного флота им. адмирала С. О. Макарова. 2023. Т. 15, № 6. С. 959-970. doi:10.21821/2309-5180-2023-15-6-959-970; Баранов А. А., Никитина А. В., Симонина О. А. Исследование возможности использования сетей мобильной связи общего пользования для передачи видеоданных с борта БЛА // Тр. учеб. заведений связи. 2022. Т. 8, № 1. С. 16-26. doi:10.31854/1813-324X-2022-8-1-16-26; Аббасов И. Б. Современные тенденции мониторинга водной среды прибрежных акваторий // Экологическая безопасность прибрежной и шельфовой зон моря. 2019. № 1. С. 29-39. doi:10.22449/2413-5577-2019-1-29-39; Zatsepa S. N., Ivchenko V. V., Solbakov A. A. SPILLMOD - a CFD model for information support of marine oil spill response // J. of Oceanological Research. 2022. Vol. 50, № 2. P. 72-105. doi:10.29006/1564-2291.JOR-2022.50(2).4; Егорова К. В., Соколов С. С. Безопасная система мониторинга разливов нефти с использованием беспилотных летательных аппаратов // Информационная безопасность регионов России (ИБРР-2023): XIII Санкт-Петерб. межрегион. конф., Санкт-Петербург, 25-27 окт. 2023 г. / Санкт-Петерб. общество информатики, вычислительной техники, систем связи и управления. СПб., 2023. С. 197-198.; Смирнов Ю. Д., Добрынин О. С. Разработка беспилотных летательных аппаратов для проведения экологического мониторинга // Зап. Горного инта. 2014. Т. 207. С. 213-216.; Обнаружение морских дронов в оптическом диапазоне / Д. В. Васильева, С. А. Якушенко, С. С. Дворников, А. А. Погорелов, С. В. Дворников // Морской вестн. 2023. № 4 (88). С. 90-92.; Vasilyeva D. V., Dvornikov S. V., Yakushen-ko S. Al., Dvornikov S. S. АШотайоп of detection procedures based on the results of processing images from video surveillance systems // Тез. докл. III Междунар. форума "Математические методы и модели в высокотехнологичном производстве". Ч. 1 / ГУАП. СПб., 2023.; Формирование векторов признаков сигналов из вейвлет-коэффициентов их фреймовых преобразований / С. В. Дворников, Д. В. Степынин, А. С. Дворников, А. П. Букарева // Информационные технологии. 2013. № 5. С. 46-49.; Формирование векторов признаков для систем видеонаблюдения / Д. В. Васильева, С. С. Дворников, Ю. Е. Толстуха, П. С. Обрезков, С. В. Дворников // Вопр. радиоэлектроники. Сер. Техника телевидения. 2023. № 4. С. 62-68.; Громов Ю. Ю., Ищук И. Н., Родионов В. В. Применение искусственного интеллекта в задачах обработки данных дистанционного мониторинга // Тр. Междунар. конф. по компьютерной графике и зрению "Графикон". 2023. № 33. С. 727-735. doi:10.20948/graphicon-2023-727-735; Дворников С. В., Кудрявцев А. М. Теоретические основы частотно-временного анализа кратковременных сигналов / Военная акад. связи. СПб., 2010. 240 с.; Синтез фазоманипулированных вейвлет-сигналов / С. В. Дворников, С. С. Манаенко, С. С. Дворников, А. А. Погорелов // Информационные технологии. 2015. Т. 21, № 2. С. 140-143.; Obraztsov V., Moqi Sun. Possible Methodological Options for Development of Pattern Recognition Theory // Communications in Computer and Information Science. 2019. Vol. 1055. P. 64-73. doi:10.1007/978-3-030-35430-5_6; Пат. RU 2261476 C1 G06K 9/00. Способ распознавания радиосигналов / В. А. Аладинский, С. В. Дворников, А. М. Сауков, А. Н. Симонов. Опубл. 27.09.2005.; Дворников С. В. Теоретические основы синтеза билинейных распределений энергии нестационарных процессов в частотно-временном пространстве (обзор) // Тр. учеб. заведений связи. 2018. Т. 4, № 1. С. 47-60.; Нгуен Чонг Н., Подстригаев А. С. Распознавание сигналов в автокорреляционном приемнике // Вестн. связи. 2022. № 5. С. 36-40.; Дворников, С. В., Дворников С. С., Спирин А. М. Синтез манипулированных сигналов на основе вейвлет-функций // Информационные технологии. 2013. № 12. С. 52-55.; Васильева Д. В., Дворников С. В., Дворников С. С. Обоснование технических требований к РЛС обнаружения // Вопр. радиоэлектроники. Сер. Техника телевидения. 2023. № 4. С. 97-104.; Способ сжатия графических файлов / С. В. Дворников, А. А. Устинов, И. Н. Оков, А. Б. Царелунго, М. О. Дворовой, В. В. Цветков // Вопр. радиоэлектроники. Сер. Техника телевидения. 2017. № 4. С. 77-86.; Дворников С. В., Сауков А. М. Метод распознавания радиосигналов на основе вейвлет-пакетов // Науч. приборостроение. 2004. Т. 14, № 1. С. 85-93.; Дворников С. В., Дворников С. С., Марков Е. В. Модифицированные импульсные последовательности на основе кодов Баркера // Тр. учеб. заведений связи. 2022. Т. 8, № 1. С. 8-14. doi:10.31854/1813-324х-2022-8-1-8-14; https://re.eltech.ru/jour/article/view/882

Availability: https://re.eltech.ru/jour/article/view/882
https://doi.org/10.32603/1993-8985-2024-27-3-20-29

View record from BASE

14

Academic Journal

Techniques for Accelerometer Reading Processing on Railway Transport Using Wavelet Transform ; Методы обработки сигналов акселерометров на железнодорожном транспорте с использованием вейвлет-преобразования

Authors: A. M. Boronakhin, A. V. Bolshakova, D. M. Klionskiy, D. Yu. Larionov, R. V. Shalymov, А. М. Боронахин, А. В. Большакова, Д. М. Клионский, Д. Ю. Ларионов, Р. В. Шалымов

Contributors: The study was supported by the Russian Science Foundation grant No. 22-29-01428., Исследование выполнено за счет гранта Российского научного фонда № 22-29-01428.

Source: Journal of the Russian Universities. Radioelectronics; Том 27, № 1 (2024); 6-16 ; Известия высших учебных заведений России. Радиоэлектроника; Том 27, № 1 (2024); 6-16 ; 2658-4794 ; 1993-8985

Subject Terms: вейвлет-скалограмма, continuous wavelet transform, discrete-time wavelet transform, vibro acceleration, vibrational movement, wavelet scalogram, непрерывное вейвлет-преобразование, дискретное вейвлетпреобразование, виброускорение, виброперемещение

File Description: application/pdf

Relation: https://re.eltech.ru/jour/article/view/836/746; Inertial System for Railway Track Diagnostics / А. M. Boronahin, E. D. Bokhman, Yu.V. Filatov, D. Yu. Larionov, L. N. Podgornaya, R. V. Shalymov // Symp. Inertial Sensors and Systems. Karlsruhe, Germany, 18–19 Sept. 2012. German Institute of Navigation (DGON), 2012. P. 17.1–17.20.; Inertial Method of Railway Track Diagnostics Incorporating the Condition of Rolling Surfaces of the Railcar's Wheels / А. M. Boronahin, D. Yu. Larionov, L. N. Podgornaya, A. N. Tkachenko, R. V. Shalymov // 4th Intern. Conf. on Intelligent Transportation Engineering, ICITE 2019. Singapore, 05–07 Sept. 2019. IEEE, 2019. P. 49–53. doi:10.1109/ICITE.2019.8880194; Railway Track Diagnostics by Combined Kinematic and Vibroacoustic Analysis / A. V. Bolshakova, A. M. Boronakhin, D. M. Klionsky, D. Yu. Larionov, A. N. Tkachenko, R. V. Shalymov // Proc. of the 2022 Intern. Conf. on Quality Management, Transport and Information Security, Information Technologies (IT&QM&IS). Saint Petersburg, Russia, 26–30 Sept. 2022. IEEE, 2022. P. 188–192. doi:10.1109/ITQMIS56172.2022.9976711; Peculiarities of Vibration Signal Processing Techniques Application to Inertial Way Diagnostics / A. V. Bolshakova, A. M. Boronakhin, D. M. Klionsky, D. Yu. Larionov, A. N. Tkachenko, R. V. Shalymov // Proc. of the 2023 Intern. Conf. on Quality Management, Transport and Information Security, Information Technologies (IT&QM&IS). Petrozavodsk, 25–29 Sept. 2023. IEEE Russia North West Section (в печати).; Geppener V. V., Klionsky D. M., Oreshko N. I. Classification of telemetric signals and their spectral density estimation with the help of wavelets // Pattern Recognition and Image Analysis: Advances in Mathematical Theory and Applications. 2012. Vol. 22, № 4. P. 576–582. doi:10.1134/S1054661812040098; Newland D. E. An Introduction to Random vibrations, spectral and wavelet analysis, 3rd ed. Harlow: Longman; New York: John Wiley, 1993. 477 p.; Percival D. B., Walden A. T. Wavelet methods for time series analysis. Cambridge: Cambridge University Press, 2000. 594 p.; Newland D. E. Harmonic and musical wavelets. Proc. of the Royal Society of London (Mathematical and Physical Sciences). 1994. Vol. 444, № 1922. P. 605–620. doi:10.1098/rspa.1994.0042; Daubechies I. Ten lectures of wavelets. Philadelphia: Society for Industrial and Applied Mathematics, 1992. 341 p.; Mallat S. A wavelet tour of signal cessing. San Diego: Academic Press, 1998. 577 p.; Декомпозиция на эмпирические моды в цифровой обработке сигналов / Н. И. Орешко, Д. М. Клионский, В. В. Геппенер, А. В. Экало // СПб.: Изд-во СПбГЭТУ "ЛЭТИ", 2013. 164 c.; Клионский Д. М., Геппенер В. В. Технология Гильберта–Хуанга и ее применение в цифровой обработке сигналов. СПб.: Изд-во СПбГЭТУ "ЛЭТИ", 2019. 150 c.; Chui C. K. An Introduction to Wavelets. Academic Press, 1992. 264 p.; Смоленцев Н. К. Вейвлет-анализ в MATLAB. 3-е изд. М.: ДМК Пресс, 2010. 448 c.; Donoho D. L., Johnstone J. M. Minimax estimation via wavelet shrinkage // Annals of Statistics. 1998. Vol. 26, № 3. P. 879–921. doi:10.1214/aos/1024691081; https://re.eltech.ru/jour/article/view/836

Availability: https://re.eltech.ru/jour/article/view/836
https://doi.org/10.32603/1993-8985-2024-27-1-6-16

View record from BASE

15

Academic Journal

Wavelet Processing of Acoustic Emission of VT 1-0 Titanium Alloy under Tension

Authors: A.A. Dmitriev

Source: Izvestiya of Altai State University; No 4(120) (2021): Известия Алтайского государственного университета; 30-34
Известия Алтайского государственного университета; № 4(120) (2021): Известия Алтайского государственного университета; 30-34
Известия Алтайского государственного университета, Iss 4(120), Pp 30-34 (2021)

Subject Terms: discrete wavelet transform, метод главных компонент, principal component analysis, Physics, QC1-999, History (General), 01 natural sciences, titanium alloys, D1-2009, 0103 physical sciences, многомерное дискретное вейвлет-преобразование, титановые сплавы, акустическая эмиссия, acoustic emission

File Description: application/pdf

Access URL: http://izvestiya.asu.ru/article/download/%282021%294-04/8348
http://izvestiya.asu.ru/article/view/(2021)4-04
https://doaj.org/article/bb0a744bce98444db14a7a7e90a3de85
http://izvestiya.asu.ru/article/view/%282021%294-04
http://izvestiya.asu.ru/article/download/%282021%294-04/8348

View record at OpenAIRE

16

Academic Journal

Solving the Inverse Problem of Relationship Between Action Potentials and Field Potentials in Cardiac Cells

Authors: N. G. Ivanushkina, K. O. Ivanko, M. O. Shpotak, Y. V. Prokopenko

Contributors: ELAKPI

Source: Vìsnik Nacìonalʹnogo Tehnìčnogo Unìversitetu Ukraïni Kììvsʹkij Polìtehnìčnij Ìnstitut: Serìâ Radìotehnìka, Radìoaparatobuduvannâ, Iss 85 (2021)

Subject Terms: inverse problem of electrocardiography, технологiя «лабораторiї на чiпi», обратная задача электрокардиографии, вейвлетзнешумлення, МЭМ система, кардиомиоциты, cardiomyocyte, TK5101-6720, кардiомiоцити, метод власних пiдпросторiв, cardiac toxicity assessment, wavelet denoising, action potential, human-induced pluripotent stem cells, индуцированные человеком плюрипотентные стволовые клетки, MEA system, lab-on-chip technology, iндукованi людиною плюрипотентнi стовбуровi клiтини, потенцiал дiї, обернена задача електрокардiографiї, метод собственных подпространств, потенциал действия, внеклеточный потенциал поля, 3. Good health, теорiя поля, field potential, позаклiтинний потенцiал поля, теория поля, вейвлет преобразование, Telecommunication, технология «лаборатория на чипе», БЕМ система