基于白化检验和3􀀁 准则的小波阈值去噪算法

基于小波变换的阈值去噪法是去除数字信号中自噪声的有效算法。其中，分解层数、门限阈值以及阈值函数的选取是关键。本文分析了白噪声和有用信号的小波变换系数的特点，在此基础上提出了一种分解层数的自适应确定方法以及一种基于3σ准则的各层小波空问阈值的选取方法，并结合硬阈值和软阈值方法各自的优缺点，提出了一种改进的小波系数阈值估计的模型。仿真结果表明，该方法具有较好的去噪效果，尤其适用于强噪声背景下弱信号的检测。     

基于新阈值函数及最优尺度的小波去噪研究

在Donoho D L和Johnstone I M提出的小波阈值去噪算法的基础上,首先构造了一种新的阈值函数。与传统软、硬阈值函数相比,新阈值函数不但连续,而且高阶可导,克服了硬阈值函数不连续及软阈值函数中小波估计系数与分解系数之间存在恒定偏差的缺陷。同时,为了获得更好的去噪效果,提出了基于白噪声?字2检验确定小波最优分解尺度的方法。最后,通过数值仿真实验,证明了基于白噪声?字2检验方法的有效性;在最优分解尺度下,新阈值函数在信噪比增益和最小均方误差意义上均优于传统阈值函数。     

基于奇异谱分析的最优分解层数确定算法

将奇异谱分析理论引入小波阈值算法中实现了一种基于奇异谱分析的自适应最优分解层数确定算法。通过对比不同信噪比下带噪信号的奇异谱分布情况,根据小波系数的奇异谱特性来确定最优分解层数。经测试,该算法可以根据带噪信号受噪声干扰情况自适应地确定最优分解层数,有效提高了语音增强效果并且避免了不必要的硬件资源浪费。     

基于自适应分解层数和阈值的小波去噪算法

为了更好地降低电能质量扰动信号中的噪声,提出了一种基于自适应分解层数和阈值的小波去噪算法.通过计算小波细节系数的峰值比,自适应地确定最佳小波分解层数,根据各层细节系数中有用信息和噪声信息的分布特性以及细节系数的正、负峰值比,动态调整各层细节系数的上、下阈值.应用Matlab对暂态振荡和脉冲信号进行去噪处理,并与传统硬、软阈值算法和一种改进小波阈值算法相比.结果表明:本文提出的自适应分解层数和阈值的小波去噪算法得到的信噪比和均方根误差均优于以上3种方法,重构后信号更接近原始信号,并且较好地保留了扰动期间信号的特征信息.     

一种改进的EMD硬阈值去噪算法

为了提升基于经典小波阈值的EMD去噪算法的性能,利用高斯白噪声的统计特征提出了一种改进的硬阈值去噪算法;首先将含噪信号进行EMD分解,把第一个固有模态函数作为高频噪声直接去除并估算出其他IMF中高斯白噪声的能量,然后根据硬阈值去噪的原理,利用滤除掉的样本点包含的能量等于白噪声的能量确定出合适的阈值;该方法能根据样本点自适应地确定阈值;最后通过对含噪正弦信号和仿真心电信号的去噪实验证实了改进后的阈值使算法去噪效果有明显提升。     

基于最优小波基选取的掘进机振动信号去噪方法

为了提高掘进机振动信号小波包去噪的效果,最大限度避免噪声对信号特征提取的影响,提出了基于最优小波基选取的掘进机振动信号去噪方法。该方法以信号频谱为分析依据,首先确定了小波包分解的最优分解层数,再选择最优小波基函数,实现了对掘进机振动信号的实时处理,去噪效果达到了最佳。现场试验结果也验证了该方法的有效性。     

拉曼光谱小波阈值去噪最佳分解层数自适应确定方法的研究

拉曼光谱技术是一种广泛应用于食品检测、环境监测和化学分析等领域的高新技术，噪声是影响分析结果准确性的主要原因，因此消除检测过程中的噪声干扰尤为重要。小波阈值去噪具有计算速度快、选基灵活的优点被广泛运用到信号去噪中，最佳分解层数的确定是该方法最重要内容之一。对白噪声与实际噪声的差异性和共性进行研究与分析，结合小波分解原理和小波系数变化规律，提出基于小波细节系数能量比值的最佳分解层数自适应确定方法，在整个小波阈值去噪过程中，只需要进行一次阈值处理和小波重构。通过仿真和实验验证了该方法的可行性和正确性，结果表明该方法可以更快速、更准确地找到最佳的分解层数，可以缩短拉曼光谱仪等光学检测仪器的分析时间、提高分析结果的准确性和仪表的智能化、自动化程度。     

基于小波分析的交通数据自适应消噪算法研究

针对实际采样环境中存在的各种干扰,以及交通数据的非平稳特性,在交通数据小波变换特性分析的基础上,提出基于小波分析的交通数据自适应消噪算法:对交通数据进行小波分解,然后对高频系数的自相关函数进行白噪声检验,从而确定小波分解的层数和阈值。采用实际检测交通流数据,对算法的有效性进行了验证分析。     

基于排列熵的振动信号小波包阈值去噪研究

工程实践中的振动信号往往存在噪声干扰而导致信号特征信息无法显露,传统小波包软、硬阈值函数去噪形式固定,无法依据信号小波包分解系数的噪声干扰情况进行调整.据此,提出一种新的介于软、硬阈值函数之间的改进小波包阈值函数,并将排列熵作为信号含噪情况表征参数引入阈值函数中.对信号小波包系数进行排列熵计算,并依据该值对阈值函数进行自适应调整,使得新的阈值函数能够对含噪较多的小波包系数进行大尺度收缩而对含实际信号特征较多的小波包系数尽可能地保留,从而达到最佳的去噪效果.对滚动轴承振动实验信号的去噪分析,并与其他方法进行对比,验证了该方法的有效性与优越性.     

Hilbert-Huang变换在语音去噪中的应用

研究语音信号噪声抑制问题,针对噪声污染干扰正确语音的传输,传统采用的HHT噪声抑制方法有多尺度滤波和阈值去噪,对所有的IMF分量进行处理,没有将IMF分量中的有用信号和噪声信号区别开来,去噪效果受到抑制.为使去噪效果更好,提出一种新的基于能量分析的阈值去噪方法,对含噪信号经过Hilbert-Huang变换后的IMF分量,对于信号和噪声能量分布的特点进行能量分析,将加噪信号中有用信号和噪声信号分离开,再利用阈值去噪方法完成去噪.通过仿真,可观察出语音信号的噪声得到了抑制,能够准确识别语音信号,并且比小波方法简单,不用选择小波基和确定分解层数,不用选择判断阈值,就能够达到或接近小波去噪的水平.     

基于EMD和小波阈值滤波降噪的MATLAB仿真

本文对经验模式分解(EMD)时频分析进行研究,具体的讲述了EMD算法相关基本概念以及EMD分解方法,同时分析了EMD的改进方法,提出了基于EMD与小波阈值滤波结合进行信号降噪的方法,根据这一方法对非平稳、非线性信号在高斯白噪声下进行了降噪,最后基于MATLAB仿真对小波阈值降噪、基于EMD的小波阈值降噪法进行了比较.仿真结果表明,后者效果好.     

Detrended fluctuation thresholding for empirical mode decomposition based denoising

Signal decompositions such as wavelet and Gabor transforms have successfully been applied in denoising problems. Empirical mode decomposition (EMD) is a recently proposed method to analyze non-linear and non-stationary time series and may be used for noise elimination. Similar to other decomposition based denoising approaches, EMD based denoising requires a reliable threshold to determine which oscillations called intrinsic mode functions (IMFs) are noise components or noise free signal components. Here, we propose a metric based on detrended fluctuation analysis (DFA) to define a robust threshold. The scaling exponent of DFA is an indicator of statistical self-affinity. In our study, it is used to determine a threshold region to eliminate the noisy IMFs. The proposed DFA threshold and denoising by DFA–EMD are tested on different synthetic and real signals at various signal to noise ratios (SNR). The results are promising especially at 0 dB when signal is corrupted by white Gaussian noise (WGN). The proposed method outperforms soft and hard wavelet threshold method.     

基于静态小波分解的多尺度机加工表面图像滤波

由于在机械加工过程中机械振动和噪声回波的相干性，机加工表面图像上会存在白噪声，为了削弱这些噪声的影响。提出了一种基于静态小波分解的自适应阈值滤波方法，该方法首先将机加工图像分解至静态小波域，然后在静态小波域中将噪声的小波系数收缩至零，将此基于Mallat的静态分解滤波算法应用于机加工图像白噪声滤波，并与另外三种典型图像滤波算法进行比较，结果表明，该方法不仅可以有效的去除噪声，而且还可以保持图像的精密纹理结构。     

小波去噪仿真研究与实验

小波分析对于信号处理具有十分重要的作用.使用Mallat小波变换方法在已知噪声频率范围情况下对信号处理效果较好,但无法消除信号中的大量未知白噪声.引入SURF阈值,对小波进行过滤处理,可以有效过滤白噪声.设计基于SURF阈值改进的Mallat变换法进行去噪实验,得出结果并与单一Mallat小波变换法结果进行对比,得出改进后的Mallat小波变换法可以去除大量白噪声,使信号更加光滑、保真.     

基于小波方差分解的混沌时间序列噪声估计和阈值去噪

针对小波噪声处理时重视信号的分解而忽略噪声特性的问题,利用小波变换的方差分解功能对白噪声的小波系数方差进行分析,提出一种新的小波噪声估计和阈值去噪方法。该方法以时间序列第一、二层的小波方差来估计噪声水平,通过计算出噪声方差在各层小波系数上的分布来确定软阈值。对Lorenz、Chen等混沌系统的仿真结果表明,该方法有较好的效果。其后对上证指数和上海天然胶期货日收盘价序列进行去噪处理,验证了该方法的有效性。     

基于EEMD和二代小波变换的表面肌电信号消噪方法

为了更好地消除混杂在表面肌电信号(sEMG)中的噪声,提出了一种基于总体平均经验模式分解(EEMD)和二代小波变换的sEMG消噪新方法。首先对信号加入白噪声处理后进行经验模态分解(EMD),然后对高频的内蕴模式函数(IMF)分量进行二代小波阈值消噪处理,最后把处理后的高频IMF分量与低频IMF分量进行叠加,重构后的信号即为去噪信号。实验结果表明,该方法融合了二代小波与EEMD的优点,能更好的消除噪声,最大限度的保留有用信号,并具有更高的信噪比。     

基于自适应小波阈值的心电信号降噪方法

多尺度分析对于小波阈值的选取以及小波函数的设计依赖性较强,针对不同个体心电信号的降噪效果差异性较大。提出一种自适应的小波阈值计算和选取方法,该方法在启发式阈值优化方法基础上融入了小波分解层数和层级影响因子,通过动态调整每一层小波系数的阈值计算函数实现更加合理的信号分解与降噪处理。实验结果表明所提出算法在心电信号降噪效果方面获得了较好的表现,能够满足临床应用需求。     

基于阈值的小波域语音降噪新算法

提出了一种新的基于阈值的小波域语音降噪算法。采用小波包对含噪语音进行分解，克服了传统的正交小波变换的缺陷。采用自适应阈值的方法，对每一尺度上的噪声最大量进行去噪，保留有用信号，可以进一步提高信噪比，仿真实验表明，该方法有更好的去噪效果。     

基于阈值的小波域语音增强新算法

提出了一种新的基于阈值的小波域语音增强算法,采用Bark尺度小波包对含噪语音进行分解,以模拟人耳的听觉特性.采用结点阈值法,用基于谱熵的方法估计结点噪声,实验表明,该算法在多种噪声,尤其是有色噪声和非平稳噪声条件下均有较好的语音增强效果.