采用经验小波变换的风力发电机振动信号消噪

针对风力发电机振动信号非线性特征及恶劣监测环境,分析经验小波变换理论(EWT)及自适应分解特性,提出基于经验小波变换的振动信号消噪方法.采用带噪声leleccum和轴承故障仿真信号对该方法进行消噪效果检验;在同信号源下,与基于db1强制消噪方法、db1软阈值消噪方法和sym5消噪方法分析比较消除噪声效果.针对真实的风力发电机振动信号,验证了基于经验小波变换方法的消噪效果,对同样信号采用其他3种方法进行消噪分析和比较.仿真和实验分析结果表明,基于EWT小波消噪方法,与基于db1强制消噪方法、db1软阈值消噪方法和sym5消噪方法能够达到同样的消噪效果和目的,甚至更优;不损耗原振动信号能量,在自适应模态分解层数方面甚至优于经验模态分解,并且具有较强的鲁棒性.     

基于小波包变换的信号去噪方法研究

为有效剔除信号噪声,得到没有污染的信号,便于进行信号分析,介绍了小波包变换的改进方法,给出了信号的小波包分解系数排序方法,将信号的相关性与小波包的多尺度时频分析及重构结合在一起,并用于信号的去噪研究中.通过仿真研究和与目前小波去噪方法进行对比,证明了该方法去噪的有效性.     

基于2D小波变换的图像消噪算法

利用2D小波变换对含噪图像进行消噪处理。基于小波变换具有的多分辨率特点,分析图像信号的局部特征,滤除掉含噪图像中的高频成份,达到降低噪声的目的。文中给出了含噪二维图像信号模型,以及利用2D小波分析对图像信号消噪的步骤。同时介绍了MATLAB6．5中小波分析支持的图像格式。经噪声图像仿真测试,小波变换中独立阈值法具有较好的消噪效果。     

基于小波变换心电信号去噪方法

小波变换基于模极大值的去噪方法具有非线性及自适应特性,而且特别适合于进行非平稳的微弱信号及具有较多奇异点信号的消噪,这种信号特点恰好是心电信号最突出的特征,也是常规信号处理方法遇到的最大难题。本文简述了小波变换模极值去噪方法在心电信号处理中的应用,并证实这种方法可以在信号消噪的同时有效地改善信噪比,并同时提高信号的分辨率。     

一种面向穿戴式应用的超高噪声心电信号处理方法

针对穿戴式设备实测心电信号的超高强度噪声问题,提出一种改进的心电信号消噪方法。利用小波分析进行预处理,再利用简单整系数滤波器进行进一步消噪。通过对比,本文提出的改进的心电信号消噪方法性能优于传统的小波阈值去噪法和数字滤波法,处理时间比小波阈值去噪法低33%。结果表明,基于小波分析和简单整系数滤波器相结合的消噪法,对于具有超高强度噪声的穿戴式设备实测心电信号处理效果优异,且运算成本低于传统的小波阈值法,更利于硬件实现。     

基于小波和小波包的脉搏波处理

在脉象信号中,随机噪声严重影响有效信号的特征提取,必须进行消噪处理.通过分析小波变换和小波包的算法原理,用小波变换和小波包对脉搏波进行去噪处理.仿真结果表明,小波包算法具有良好的去噪性能,消噪效果明显优于基于小波变换的去噪算法.     

小波分析在信号消噪中的应用

用小波分析进行信号消噪常用多尺度小波变换。多尺度小波变换是将信号分解成高频和低频成分，低频包含信号的主要性能，高频含较多噪声，将高频平滑后再重建即可消噪。消噪处理大致有强制、阈值两种方法。现场试验表明：此方法高效、实用。     

小波变换与傅立叶变换在信号消噪中的对比研究

由于小波变换具有良好的时-频特性,从而为其在信号降噪中的应用提供了广阔的前景.通过傅立叶变换和小波变换在信号消噪中的对比研究可以看出,小波变换对奇异信号极其敏感,使得其在非平稳信号的消噪中显出了得天独厚的优越性.     

基于小波包变换的信号去噪方法研究

为有效剔除信号噪声，得到没有污染的信号，便于进行信号分析，介绍了小波包变换的改进方法，给出了信号的小波包分解系数排序方法，将信号的相关性与小波包的多尺度时频分析及重构结合在一起，并用于信号的去噪研究中．通过仿真研究和与目前小波去噪方法进行对比，证明了该方法去噪的有效性．     

小波变换在P-VEP信号提取中的消噪性能影响因素研究

在视觉电生理应用研究中,需要在强噪声背景下迅速准确地提取微弱的P-VEP信号,采用小波变换技术能有效地实现对P-VEP信号源消噪处理,但不同小波、不同的分解层次以及阈值选取规则等因素都能影响消噪效果.通过构造含EEG信号和噪声的P-VEP信号提取源,采用小波变换消噪方法,研究不同小波、不同分解层次以及阈值选取规则对P-VEP信号提取中的消噪性能影响.实验表明:采用Biorthgonal5.5小波、六层分解层次以及迭代阈值选取规则构成的小波消噪法在P-VEP信号提取中可以得到最优的消噪性能.     

一种适合于边缘保存的混合噪声抑制方法

为了解决边缘检测和混合噪声抑制之间的矛盾,基于小波变换、图像边缘检测的高频能量保存(HFPP)方法和抑制加性高斯白噪声的互能量交叉(MPC)方法,提出了一种结合中值滤波和互能量交叉(M&MPC)方法.该方法主要基于中值滤波适合于冲激性噪声抑制,而小波滤波适合于加性高斯白噪声抑制的特点.模拟实验结果表明,HFPP方法可以很好地检测图像主要边缘,而利用M&MPC方法可以改进混合噪声的抑制能力,该方法可以在边缘检测精确度和混合噪声抑制之间达到最佳折衷.     

基于小波变换模极大值的去噪方法研究

小波去噪在信号处理中得到广泛应用。目前常用的方法主要有Donoho提出的阈值法和Mallat提出的模极大值法。模极大值法是一种经典的小波去噪方法,噪声的模极大值的幅度随尺度的增大而迅速减小,而正常信号随尺度的增大而增大,因此利用合适尺度的小波变换,容易把噪声从正常信号中剔除。通过试验说明这种方法对白噪声和脉冲噪声都有很好的去噪效果,并与阈值去噪比较,对于高斯白噪声,信噪比比较低的信号,模极大值去噪要优于阈值法去噪;对于脉冲噪声,脉冲噪声点数较多时,模极大值去噪要优于阈值法去噪。     

基于EMD虚拟通道的ICA算法在信号消噪中的应用

提出了一种由经验模态分解构造虚拟噪声通道,结合独立分量分析进行信号消噪的方法. 在分析经验模态分解及独立分量分析的优越性基础上,阐述了构造虚拟噪声通道的基本原理,给出了具体构造方法. 用固有模态函数的Hilbert时频谱作为虚拟噪声通道重构分量选择的依据. 仿真计算表明,该方法对白噪声的消除是有效的,消噪效果较为理想. 与传统小波方法比较,具有优势.     

基于小波变换的电能质量监测

针对噪声系数的幅度随着尺度增加而减小的特点,提出了一种改进的基于小波分解层数的波段自适应降噪算法.利用Matlab仿真软件建立了电压暂降的系统模型,运用小波分析的方法对污染白噪声的电压暂降信号进行了时频分析和降噪处理,分析了软硬阈值降噪方法.实验结果表明,该方法通过调整两个可调参数获得较优的小波系数阈值估计,与常见的三种典型算法相比不仅较好地去除了噪声干扰,且信噪比更高,均方误差更小,同时具有更优的信息保全能力.     

基于新的小波变换的去噪方法

本文系统地分析了传统连续小波变换的缺陷.传统连续小波变换的逆变换中,积分变量是彼此独立的.只有当积分变量有联系时,相应的数值积分才具有高分辨特性,并且在逆变换中,积分变量出现在被积函数的分母上,这样会影响数值积分的精度,阻碍了连续小波变换的应用.为此构造了一种新型的连续小波变换,不论对积分变量如何剖分,任何一种数值积分方法都具有高分辨特性,且积分变量不出现在被积函数的分母上,进而给出了相应的数值解法.最后,给出了基于新型连续小波变换的滤波方法,对同时带有白噪声和脉冲噪声的信号进行处理.无需噪声的先验知识,就可以彻底地去除信号中白噪声和脉冲噪声,重建原有信号,与传统的小波去噪方法比较,可获取更高的信噪比.     

基于小波变换的数字全息再现像质量提高方法

数字全息再现像中存在的散斑噪声严重影响了数字全息的应用,通过分析边缘检测方法和小波变换阈值去噪方法的原理,提出了一种基于边缘检测的小波变换散斑噪声去除方法。首先利用高斯-拉普拉斯算法获得边缘图像,进而通过Neyman-Pearson准则获得自适应阈值,并采用改进折中阈值函数对边缘图像和非边缘图像小波系数进行处理,将两者处理后的小波系数相加,并进行反变换得到处理后的图像。研究结果表明,该方法能够较好地在去除散斑噪声的同时保留图像细节。     

基于小波分析的动态GPS监测序列噪声分析

基于小波的多分辨率功能,对苏通大桥索塔高频度监测数据序列进行多层分解,将不同频级的噪声序列分离出来.然后借助噪声分析方法,估算每层噪声序列的谱指数,进而对噪声进行判别,结果表明GPS动态监测数据主要含有白噪声与闪烁噪声,而随机漫步噪声不明显,为后续大桥监测数据处理、信号降噪、误差分析提供参考.     

一种基于小波变换的LTE系统下行链路信道估计算法

针对LTE下行正交频分复用（OFDM）系统中噪声对最小二乘信道估计算法影响较大的问题,给出了一种基于小波分解的信道估计方法。该方法通过在最小二乘（LS）估计之后通过小波阈值去噪,再加入改进的时域加窗相结合的方法进行信道估计。仿真结果表明,该方法能够有效消除加性高斯自噪声,可以更好地跟踪信道变化,提高信道估计精度。     

基于EMD和Hilbert变换的心电信号去噪方法

基于经验模态分解(EMD)和Hilbert变换理论,提出一种心电信号(ECG)去噪方法.经验模态分解法将任意信号分解为一组固有模态函数IMF,对于非白噪声层IMF的阈值选取,针对传统阈值去噪方法存在较大偏差的问题,提出利用各层IMF的平均频率和能量密度乘积来确定非白噪声层IMF的噪声水平.介绍了白噪声层IMF的检验方法,并给出了利用该方法以及小波阈值去噪方法对心电信号进行去噪处理的实验结果.