随着城市化进程的不断加快和人们绿色出行意识的增强，公交车逐渐成为大多数市民上班出行的首选交通工具。然而与高铁飞机等交通工具相比，公交车安全监测系统仍不够健全，可能会发生自燃、侧翻、胎压失衡等突发情况。基于此，本项目研究了一种多传感器网络与深度学习技术相融合的公交车智能安全监测系统，旨在及时发现公交车安全隐患，降低危险事故发生率，保证乘客生命安全，提高公交安全水平。

“现代信号处理”是电子与通信工程、信息与通信工程等专业研究生的一门重要专业基础课。针对“现代信号处理”中小波变换知识板块教学面临的问题，提出了小波变换的案例教学法,对基于小波变换的图像去噪和基于经验小波变换的变压器绕组故障诊断两个案例进行了详细阐述。通过引入实践案例培养了研究生的自主学习能力、知识应用能力与工程实践能力。

传统预测模型对碳期货市场数据非平稳、高波动性等复杂特征以及数据间非线性交互关系无法有效反映，难以对碳期货市场作出有效预测。因此，提出引入小波变换（Wavelet Transform）对原始数据进行降噪处理，构建碳期货价格预测混合模型W-MLP和W-CNN。结果显示，相较于传统的神经网络预测模型，纳入小波分析能够有效提升神经网络模型的预测精度和稳定性。

伴随着当下我国电力行业的快速发展，载波通信技术也向着智能化方向迅速过渡，在保证电力系统稳定前提下，大大提高了电力系统智能化程度。大量电力设备投入使用，造成用电负荷日益增加，在电力系统中，载波通信信号能否正常传输是决定能否实现无障碍远程通信重要指标之一，因此，需对通信信号进行智能监测。由于种种原因，目前大部分电力载波通信信号监测系统还局限于只针对本地通信信号的智能监测，无法实现远程监测，局限了智能化电力系统优势发挥。

轨道交通发展较快，轴承作为最重要的零件之一，其性能直接关系到铁路交通的运营效率。尽管轴承的制作工艺已经很成熟，但是在恶劣的工作环境下，还是不可避免的会发生故障，因此，轴承故障诊断系统的研究就显得尤为重要，本文利用BP神经网络进行故障类型识别，通过小波变换，选取合适的小波基函数进行信号的降噪处理，来对故障轴承的振动信号进行识别并判断故障类型。

基于所设计的多波段光电复合探测系统，建立了弹丸穿过光幕时光电探测器在不同波段输出信号的模型。针对每个波段所输出信号中携带噪声信号的特点，选择了一种基于不同小波基函数的改进阈值去噪方法，改善了传统小波去噪函数因间断点导致信号产生震荡的不足，进而获得高信噪比，得到与原始信号高度相关的被动可见光、主动近红外激光和中红外波段的目标过幕信号。同时，通过对滤波处理后信号的分析，提取了脉宽、峰值作为特征向量，根据主动可见光、近红外波激光和中红外波段探测器输出信号的特点，构建了单一波段下基于神经网络的弹丸识别算法，鉴于传统的神经网络算法训练时间较长的问题，结合粒子群优化算法，优化了神经网络模型的寻优性能，给出了粒子群优化后单一波段弹丸识别模型。最后，根据单一波段优化后识别结果，使用D-S证据融合算法，完成了对目标最终的决策。本文主要分析多波段光电复合探测目标融合识别研究。