基于小波降噪的稀疏傅里叶变换时延估计

稀疏傅里叶变换时延估计具有较低的运算时间复杂度,但在低信噪比时无法准确估计出时延.针对稀疏傅里叶变换时延估计在噪声干扰下时延估计精度下降的缺点,提出了基于小波降噪的稀疏傅里叶变换时延估计算法.算法利用小波降噪方法处理接收到的信号,再对降噪后的信号进行稀疏傅里叶变换广义相关,通过检测相关函数的谱峰得到估算的时延值.实验仿真以及对实测数据的验证均表明,在低信噪比条件下,基于小波降噪的稀疏傅里叶变换时延估计算法在保证数据高处理速度的同时,具有较好的抗噪性以及较高的时延估值精确度.     

地震波形信号小波去噪研究

从小波变换的基本原理出发,讨论了如何选择合适的小波函数及适当的阈值,以实现非线性非平稳地震信号的去噪算法。利用多尺度小波分解对地震波形数据进行了分析,在MATLAB中实现了对地震信号的去噪算法。分析比较了基于傅里叶变换和基于小波变换的两种算法对实际地震信号的去噪效果。结果表明,对于非线性非平稳地震信号的噪声消减,小波变换去噪算法显著优于傅里叶变换去噪算法。     

基于小波去噪的加窗FFT电网谐波检测

提出一种基于小波去噪的软硬阈值改良折衷法与加布莱克曼窗的傅里叶变换算法相结合的谐波检测方法。该方法采用小波软硬阈值改良折衷法对含噪的电力谐波信号进行降噪处理,利用加布莱克曼窗的傅里叶变换算法对去噪后的信号进行分析,提取各次谐波的幅值和频率。仿真检测结果表明小波去噪后的谐波波形接近于原始信号谐波波形,信噪比提高了8.3226dB,小波去噪与FFT结合的方法适合在谐波检测系统或装置中应用。     

基于加Blackman窗FFT和db44小波包变换的综合电力系统谐波分析

传统的傅里叶变换（FFT）主要适用于平稳信号的分析,确定信号的幅值和频率,但会丢失信号的局部信息,而小波包变换虽然可以准确得到信号局部细节的信息,但其分析精度不及傅里叶变换。将高分析精度的傅里叶变换和可以准确得到信号局部细节信息的小波包变换结合,提出结合两者优点的谐波分析方法。对平稳信号采用加Blackman窗傅里叶变换进行分析,得到信号的频率和幅值。对暂态信号采用db44小波包变换进行分解分析,得到信号局部细节的信息。通过 MATLAB仿真结果表明,该方法可以准确分析电力系统中的稳态谐波并准确定位暂态谐波。     

小波包分解下的多窗谱估计语音增强算法

传统谱减法是基于短时傅里叶变换的单一分辨率算法,具有较大方差。为此,提出一种基于小波包分解下的多窗谱估计语音增强算法。将含噪语音在小波包下分解成不同频段,在不同频段下进行多窗谱谱减运算,并逐一进行小波包重构,以得到去噪后的语音信号。仿真结果表明,该算法能提高含噪语音的信噪比,降低语言失真度。     

船舶噪声干扰下基于LS线性回归的水声频率估计算法

针对船舶噪声干扰和离散傅里叶变换带来的栅栏效应问题,提出基于最小二乘线性回归的水声频率估计算法。算法利用离散傅里叶变换实现接收信号的频率粗估计,对得到的频率粗估计误差信号进行加窗求和,再利用最小二乘线性回归,得到频率粗估计的误差,最终实现频率的精准估计。仿真结果表明,所提算法在低信噪比下也能实现频率的精准估计,水箱和胶州湾水下试验验证了所提算法在船舶噪声干扰下的有效性。     

基于小波周期图的功率谱估计算法研究

作为一种功率谱的估计方法,周期图法具有物理概念清晰、直观、计算方便的优点。由于傅里叶变换的一些局限性,一直以来,经典周期图估计法不能很好的处理非平稳信号,并且缺乏很好地处理分辨率与方差的方法。文章在小波理论的基础上,结合经典周期图,深入阐述了小波周期图的基本算法与相关理论。通过matlab仿真分析表明,小波周期图有效地在各个不同的尺度上对信号的功率谱进行局部估计。     

科氏质量流量计相位差的一种高精度估计方法

科氏质量流量计是一种用于直接测量质量流量的流量计,其测量精度易受环境噪声的影响。为提高其精度,提出了一种高斯噪声背景下的科氏质量流量计相位差估计新方法。当传感器信号频率在较小范围内缓慢波动时,通过锁相环实现整周期采样。采用离散傅里叶变换计算两路传感器信号的相位差,并实现了219点离散傅里叶变换,以获得精确的相位估计值。与快速傅里叶变换相比,所提出方法具有计算量小、计算速度快等优点,大大降低了数据处理容量。仿真结果表明:当信噪比高于0dB时,该方法的相位估计误差小于0.12°。     

基于非平稳信号时频分析的网络攻击检测算法

在复杂网络环境下,网络攻击特征信息通常表现为一组非平稳宽带信号,通过信号检测方法实现网络攻击检测,保证网络安全。传统方法采用傅里叶变换方法进行网络攻击的非平稳信号检测,由于傅里叶变换的时变性会引起较大的包络振荡,检测性能不好,提出一种基于非平稳信号时频分析的网络攻击检测算法。构建了复杂干扰环境下的网络攻击信号模型,提取网络攻击非平稳宽带信号的时频特征。采用WVD-Hough时频变换实现对网络攻击非平稳宽带信号的时频聚集,采用混叠谱模糊度函数分析频谱特征。得到网络攻击信号的瞬时频率估计结果,设计匹配滤波算法进行信号抗干扰设计,最后输出检测结果。仿真实验表明,采用该算法进行网络攻击检测,准确检测概率较高,检测性能优越。     

连续小波变换在电力系统谐波分析中的应用

电力系统中的信号通常是非平稳信号,传统傅里叶算法因其纯频域的特性,无法提供局部时间段上的频率信息,因而不适合电力系统信号的分析.基于离散小波的mallet算法则由于存在频带划分不够精确和能量泄露的问题,对于谐波的分析精度也会产生影响.本文提出了基于morlet复小波的连续小波变换算法在电力系统基波与各次谐波信号幅值计算中的应用,该算法既保留了良好的时一频特性,同时也避免了mallet算法中的问题.     

基于小波包变换的脑电波信号降噪及特征提取

针对原始脑电波信号存在非平稳性且非常容易受到各种信号干扰等特点,对基于小波变换和小波包变换的脑电波信号的滤波降噪方法,和基于小波包变换的脑电波信号特征提取方法进行了研究。首先利用MindSet采集到原始脑电波数据,然后分别应用小波变换和小波包变换对其进行降噪处理,比较了两种方法的性能,验证了基于小波包变换的降噪方法的优越性和特征提取方法的有效性。     

Mean frequency derived via Hilbert-Huang transform with application to fatigue EMG signal analysis

The mean frequency (MNF) of surface electromyography (EMG) signal is an important index of local muscle fatigue. The purpose of this study is to improve the mean frequency (MNF) estimation. Three methods to estimate the MNF of non-stationary EMG are compared. A novel approach based on Hilbert-Huang transform (HHT), which comprises the empirical mode decomposition (EMD) and Hilbert transform, is proposed to estimate the mean frequency of non-stationary signal. The performance of this method is compared with the two existing methods, i.e. autoregressive (AR) spectrum estimation and wavelet transform method. It is observed that our method shows low variability in terms of robustness to the length of the analysis window. The time-varying characteristic of the proposed approach also enables us to accommodate other non-stationary biomedical data analysis.     

基于小波变换的多焦视觉电生理信号去噪研究

多焦视觉电生理信号具有较强的随机性和背景噪声,且又属于非线性、非平稳的微弱信号,用Fourier变换来进行去噪处理其效果不是特别理想.小波变换(WT)具有优良的时间-频域分析和多分辨分析特性,可以用来处理非平稳随机信号,能获得更多的、具有诊断价值的信息,因此WT成为多焦视觉电生理信号的一种可行有效的去噪处理方法.文章基...     

小波变换在电力谐波分析中的应用

电力系统的谐波是影响电能质量的重要因素,谐波对电力系统和用电设备产生了严重危害和影响。文中应用小波变换分析电力系统的谐波,小波变换能描述频谱含量如何随着时间变化,同时在时间和频率上表示信号的能量和作用。与傅里叶变换对比,小波变换不仅可以知道哪些频率分量在信号中出现,而且可以知道这些频率分量在时域内是如何变化的,可以更精确地分析非平稳信号的谐波。     

基于小波理论的多分辨率多传感器数据融合

小波变换的多尺度特点非常适合多尺度信号的处理,可以用于多分辨率多传感器数据融合,本文研究了不波变换的特征,提出基于小波包变换的多分辨率多传感器的数据融合算法,算法不需要把小波系数当成白噪声处理,并一能够有效地降低向量和矩阵维数,减少运算,有较好的滤波性能,同时采用双正交小波包变换,这可以克服基于正交小波包变换的多尺度滤波中正交小波因不具有线性相而产生恢复失真的缺陷,进一步提高滤波性能。     

Phase synchronization with harmonic wavelet transform with application to neuronal populations

The phase synchronization of neuronal populations plays an important role for functional connectivity between neuronal networks. The paper introduces an efficient phase synchronization method based on the windowed harmonic wavelet transform. Three simulation models, including a simple oscillation wave contaminated with white noise, a coupled multi-component oscillator and a neural mass model were used to evaluate the performance of the windowed harmonic wavelet transform-based phase synchronization method. By comparing with the Gabor wavelet transform-based and frequently used zero-phase FIR band-pass filter/Hilbert transform-based methods, we found that the windowed harmonic wavelet transform-based phase synchronization method performed comparatively to the Gabor wavelet transform-based method and was superior to the band-pass filter/Hilbert transform-based method. The distinct advantages of the windowed harmonic wavelet transform-based method include simple implementation, high computational efficiency and free of parameter selection. Finally, the three phase synchronization methods were applied to analyze the neuronal populations between CA1 and CA3 regions of the hippocampus in the tetanus toxin model of rat epilepsy. Changes in the degree of phase coupling at different frequency bands during the pre-ictal, ictal and post-ictal states were revealed. The method based on the windowed harmonic wavelet transform can be applied to estimate the phase synchronization between neuronal populations, which is a time-effective tool for the analysis of the interaction dynamics between neuronal populations.     

水声信号高频小波包能量识别系统模型

对水声信号的识别，提出了高频小波能量法，并构造了一个自动识别系统模型。系统对信号进行小波分解后，取高频子空间能量作为特征向量值进行信号的识别。高频小波能量法可采取小波包与小波两种变换，通过对两种方法的比较显示：高频小波包能量法构造的识别系统能够更好地识别低信噪比水声信号。     

地震信号小波变换的去噪方法

运用模极大值法基本原理进行地震信号去噪研究,进而运用二次小波变换原理通过低层系数处理对常用小波去噪方法进行改进.通过合成不同的染噪地震信号,由一系列仿真实验对模拟地震信号进行不同尺度的小波分解与重构,从而实现最优小波分解尺度上的地震信号噪声去除.与常用的快速傅立叶转换方法比较,仿真结果表明,该小波变换方法能够有效去除地震勘探信号中的噪声,并且针对系数的二次小波变换可以明显改进去噪的效果.