压电波动法监测土壤含水率的可行性研究

基础工程施工的安全性常以基坑稳定性为前提,而土壤的含水率是边坡稳定性的关键因素。但是,土体内部含水率的观测困难,很难实时了解土体内部水分的变化情况。目前对土壤含水率进行监测的方法较少,故而迫切需要一种对土体结构含水率进行实时监测的方法。该文通过制作简易土箱,利用压电智能骨料并结合压电波动法对土箱内土壤进行含水率监测,获得了不同含水率下的压电信号及小波包能量。基于小波包分析方法发现,压电信号幅值及对应的小波包能量指数与土壤含水率呈正相关关系,且土壤含水率越大,小波包能量指数的上升速率越慢,并在其含水率接近饱和时基本不再变化,验证了该土壤含水率监测方法具有良好可行性。     

基于小波包分析的ECG信号降噪

在临床医学检测上,心电信号(ECG)是一种典型的人体生理信号,在采集时常伴有工频干扰、基线漂移和肌电干扰等影响。为后续能进行有效诊断,必须对采集的ECG信号进行预处理。文中介绍了一种基于小波包分析的ECG信号降噪方法,首先根据熵标准选择最佳小波包基,然后对ECG信号进行多层小波包分解,最后对分解系数进行阈值量化后得到重构信号。通过对胎儿ECG信号的仿真实验,结果表明,小波包分析方法比傅里叶变换和小波变换等具有更好的降噪效果。     

基于小波包能量熵的鱼类识别研究

提出了一种基于小波包能量熵作为鱼体回波声信号的识别特征量,用以实现不同种类鱼体的分类识别。通过在消声水池中完成鲫鱼、草鱼和鲳鱼三种不同种鱼体的回波声数据提取采集实验,进行了数据预处理,并利用小波包能量熵算法计算鱼体回波声信号的识别特征量,再分别通过BP神经网络和支持向量机两种分类器进行了分类,分类识别效果较好,识别率分别达到了76.1%和82.2%。验证了小波包能量熵对于鱼体回波声信号识别的有效性。     

小波包特征能量算子与多核函数组合KPCA的声目标识别

提出了一种小波包特征能量算子和多核函数组合KPCA的声目标特征参数提取方法。首先对声目标信号采用小波包能量特征算子进行特征参数提取,然后将组合核函数应用于核主成分分析。实验数据表明,基于小波包能量特征和多核函数组合KPCA特征参数不仅大大降低了特征向量的维数,并且有效地提高了识别率,降低了计算复杂度。     

声发射信号的小波阈值降噪研究

声发射技术检测到的信号是一种非平稳信号,而对于含有噪声的非平稳信号降噪效果较好的方法是小波分析法。通过理论分析和试验研究,论述了基函数和阈值的选取对声发射信号小波降噪效果的影响,分析了声发射信号降噪过程中小波变换和小波包变换的区别,以及小波节点能量与信号降噪效果的联系。     

基于DSP的最优小波包基算法的实现

小波包分析能够为信号提供一种更加精细的分析方法,它将频带进行多层次划分,对多分辨分析没有细分的高频部分进一步分解,并能够根据被分析信号的特征,自适应地选择相应频带,使之与信号频谱相匹配,从而提高时-频分辨率。为了能在DSP嵌入式设备中应用小波包分析方法进行信号处理,首先讨论小波包分解的过程和最优基及代价函数的选择方法,然后提出一种在DSP上实现香农熵代价函数的小波包分解算法的方法,并在浮点型DSP TMS320C6713B上实现了此算法。最后针对具体的数字信号进行小波包分解和最优基选择的实验,实验结果证明了该方法的正确性和高效性。     

基于小波包分析的激光雷达信号消噪算法的研究

针对激光雷达回波信号所含噪声的特点,提出并详细论述了一种能够对激光雷达回波信号进行有效消噪的小波包平均阈值变换方法。该方法通过求取最优小波包基的每个结点的阈值,并进行平均后作为全局阈值来实现小波包消噪。为了验证该方法的有效性,对包含高斯白噪声的模拟信号进行了仿真消噪,并对米氏散射激光雷达系统实际探测得到的大气回波信号进行了消噪处理。同时,将该方法与小波全局阈值消噪、小波包默认阈值的消噪效果进行了对比分析。仿真结果和实验结果表明,基于平均阈值的小波包消噪方法能够有效降低激光雷达回波信号中所含噪声,并且其消噪效果明显优于另外两种小波分析方法。     

基于小波包分析的辐射源特征提取和识别算法

提出了一种基于小波包的变换方法。该方法通过对不同脉内调制方式进行频带能量的提取,并引入支持向量机来完成对辐射源的分类。该小波包变换对信号局部的时频特征具有较好的分辨率。仿真结果表明,文中的小波包变换信号时频特征的分析精度优于传统算法。     

利用小波包提取雷达信号特征的方法研究

提出了两种基于小波包理论的雷达信号特征提取方法,即基于小波包的最佳子空间熵特征和基于小波包的多尺度能量特征的提取方法,并详细阐述了这两种方法的基本原理和实现过程,最后通过对雷达信号的特征提取,验证了这两种方法的可行性。     

基于发动机冷试的非平稳信号分析与特征提取

联合时频是分析非平稳信号的有力工具,文章通过几种时频分析如STFT、Wigner-Ville分布、小波变换和小波能量商,对发动机冷试振动信号进行分析。结果表明:STFT、WV、及WT均能一定程度反应信号的时频分布,STFT频率分辨率有限,WV分布存在一定的交叉干扰项,小波变换能够在各个尺度对信号进行观察,小波包能量商能够清楚地观察信号的能量分布,能够作为发动机状态的特征向量。     

直升机声信号的检测和识别

详细介绍了一种基于小波包和神经网络的新算法，用于对直升机声音信号检测并且识别机型。具体方法是对采集到的声音样本利用小波包分析提取特征向量，把这些特征向量输入反向误差传播（Back Propagation，BP）神经网络训练，用训练好的检测神经网络进行直升机的检测。检测完毕，证实是直升飞机声信号后，再通过识别神经网络区分不同型号直升机。实验表明，此方法能利用小波包时频局部聚焦分析能力和BP神经网络的自适应能力，较好地对不同型号的直升机声信号进行有效地检测和识别。因此。基于小波包和神经网络的直升机检测和识别算法不仅可靠而且是可行的。     

小波包分析在旋转机械故障诊断中的应用

简述了小波包分析的基本原理及其用于故障特征识别的机理,研究了小波包分析在旋转机械故障诊断中的应用。由于此技术能够从复杂的信号中有效地提取微弱的故障特征信号,因此与小波分析相比,分析更为精细简单。实例采用小波包原理对一类旋转信号进行分解重构后,成功地提取了故障特征,体现了小波包分析的优良特性,其结果证明了该方法是行之有效的。     

基于最优小波包基的信号增强算法研究及应用

本文介绍了小波包分析的基本理论以及小波包信号降噪的基本原理,与小波变换相比,小波包变换则是对小波分解中所得到的高频部分再继续细分为一些子频带,具有更精细的信噪分离能力,所以对包含大量中、高频信息的信号能更好地进行时频局部化分析。小波包变换在信号去噪中有着非常重要的应用,因此利用小波包对信号进行消噪也越来越受到科学界的关注。本文的主旨在于研究最优小波包基函数的选取方法,以小波包分析为基础,根据最小代价原理研究信号分解的最佳小波包基,从而在最优小波包基的基础上获得最好的信号增强效果。     

小波分析和小波包在图像消噪中的应用

小波包理论是在小波基础上发展起来的时频分析理论,在图像消噪中取得了较好的应用。文中介绍了小波分析和小波包的基本理论,分析了基于小波和小波包进行图像消噪的方法,利用MATLAB7对相同舍噪图像进行了计算机仿真,并对仿真结果进行了分析。实验表明,图像消噪效果与阈值的选取密切相关,小波包消噪后的效果比小波更好。     

基于Laplace分布的非下采样小波包脉冲星信号消噪

为了提高脉冲星信号的去噪效果,提出了一种基 于非下采样小波包(NWP)分解的局部Laplace模型消噪方法。 首先对真实脉冲星信号进行NWP分解,统计真实脉冲星信号NWP系数的分布特性, 建立真实脉冲星信号小波包系数的Laplace分布模型;然后在Laplace先验概率分布的基础 上,根据最大后 验概率(MAP)估计准则,利用含噪脉冲星信号的小波包系数对真实脉冲星信号的小波包系数 进行有效估算;最后 对估算出的小波包系数进行NWP重构,得到消噪后的脉冲星信号。采用不同 的脉冲星信号进行实 验分析的结果表明,与经典的基于高斯分布的非下采样小波(NSW)消噪和NWP消噪相比,本文 方法可以 更有效地去除噪声,同时更好地保留信号中的微脉冲等细节信息,在信噪比(SNR)、均方根误差(RMSE)、相关系数(CC)和峰值相对误差(REPV)等都 有较好的改善。     

高阶统计量在传动系统故障诊断中的应用

对小波包分解和高阶统计量理论进行了阐述,提出一种基于高阶统计量特征和小波包分析相结合的雷达伺服传动系统故障诊断方法。当传动系统故障发生时,振动信号一般是非平稳和非高斯分布的信号,通常包含较强的噪声。用小波包分析对故障信号进行有针对性分解,并提取出故障特征频率带,然后运用高阶谱对故障特征信号进行分析,能够有效地实现故障诊断。     

小波包原理及其在机械故障诊断中的应用

小波分析是一种日益获得广泛应用的信号处理新技术，它具有良好的时－频局部化特性，因而非常适于分析瞬态或时变信号。利用小波包时机械振动柜号进行分解可以获得信号的时－频分布特性，对于分析以非稳态振动为表征的机械故障提供了有效的分析手段。本文简述了小波和波包的基本概念以及利用小波包对振动信号进行时－频分解的方法。文中给出了利用小波包进行信号处理和故障分析的实例，并与其他诊断方法进行了比较。     

小波包变换在指纹图像压缩中的应用实现

小波包是近年来的一个研究热点,在图像处理方面有着广泛的应用.数据压缩是伴随小波分析产生最早的应用领域.指纹自动识别系统因其本身的特殊性对指纹图像压缩提出了特殊的要求.为此,简要的介绍了小波包变换的基本原理,给出了基于小波包变换的指纹图像压缩方法.     

一种新的基于小波包分解的EEG特征抽取与识别方法研究

为了提高脑思维任务分类精度,提出一种新的脑电特征抽取与识别方法.首先进行小波包分解,然后结合能反映脑电信号在时域与频域上的能量分布特征的小波包熵概念,从小波包库中选择最优小波包基,对各个最优基所对应的小波系数求取统计特性,然后根据不同脑思维任务下左右半脑各导联间的差异性对各个导联对求取不对称率构成分类特征向量,最后利用SVM分类器对其进行分类.实验结果表明:相对于一般的小波包分解,最优小波包基和自回归特征抽取方法,该方法对5类不同脑思维任务的所有10种不同组合任务对的平均分类预测精度可以达到95.41％～99.65％.