基于小波能量元激光陀螺漂移信号去噪方法研究

为了减少陀螺仪的误差并提高其精度,需要对陀螺仪误差进行估算与补偿,本文应用Allan方差法对激光陀螺的输出数据进行定性分析,得出激光陀螺所包含的各种误差及其整个噪声统计特性,并且应用基于小波能量元的方法对激光陀螺的漂移输出数据进行处理,结果表明小波能量元的方法可以有效的出量化噪声外的消除激光陀螺的各种噪声.     

基于DSP的MEMS陀螺误差建模与滤波方法研究

针对微机电系统(MEMS)陀螺测量精度低、随机噪声复杂的问题,根据MEMS陀螺的实测数据,分析其噪声特性,研究MEMS陀螺的随机噪声模型。应用时间序列分析方法,采用时间序列分析(AR)模型对MEMS陀螺测量数据噪声进行建模,该模型反映陀螺的噪声特性,基于该随机噪声模型,采用Kalman滤波技术有效降低了随机噪声对MEMS陀螺测量精度的影响。通过对MEMS陀螺实测数据的仿真试验结果表明:提出的建模与滤波方法能够有效地抑制其随机噪声误差,提高实际应用中的测量精度。     

基于ANFIS的激光陀螺消噪处理研究

为了降低激光陀螺输出数据中噪声对惯性导航系统精度的影响,采用一种具有学习能力的自适应模糊神经网络（ANFIS）噪声消除的新方法,利用一组激光陀螺随机漂移数据对这种方法进行建模和仿真验证。与传统的小波分析法进行了功率谱密度、均值和标准差的比较,并通过Allan方差法分析了各项误差系数的变化情况,结果表明：这种方法有效地补偿了随机误差,从而有利于提高激光陀螺的输出信号精度。     

基于小波变换的抑制复位噪声技术研究

分析了用于光纤陀螺的Y波导相位调制器在复位时,调制相位漂移对光纤陀螺系统特性的影响;紧接着测试了高精度光纤陀螺的毫秒输出,有一个和阶梯波复位同频的噪声,该噪声由Y波导的复位引起;为了实现对复位噪声的抑制,设计了一种基于FPGA的小波滤波方法;选取合适的小波基和分解层数;使用Verilog HDL编程语言实现小波滤波器在光纤陀螺闭环程序中的嵌套;通过实验比较,小波滤波具有明显的抑制复位噪声的效果,证明了小波滤波方案的有效性。     

同步挤压小波变换对随机噪声抑制的研究

针对低信噪比信号在噪声去除中存在的问题,提出了利用同步挤压小波变换对随机噪声的处理研究。该变换是一种新的小波变换方法,可将时域信号转化成高分辨率的时频谱,再结合时频谱重排的思想,通过挤压任一中心频率附近区间值,从而得到同步挤压小波变换量值。研究发现,同步挤压小波变换可将随机噪声压缩为点状噪声或者颗粒噪声,并聚集分布,基于噪声这一分布特点,从而选用中值滤波,可达到很好地抑制噪声的目的;而传统小波变换后,随机噪声在大小尺度上均有分布,比较分散,用中值滤波不能达到好的滤波效果。对比结果表明：该方法具有较好的抑制随机噪声的能力。     

干涉型光纤陀螺随机噪声的分析研究

系统地分析了光纤陀螺所包含随机噪声的种类及其来源和特性,介绍了分析光纤陀螺随机噪声的工具———A llan方差法和国军标模型拟合法。对某型干涉型光纤陀螺的静态实验数据,分别应用上述2种分析方法,计算分析了光纤陀螺信号中的噪声分量。计算结果表明:试验所用的光纤陀螺输出的静态信号中含有量化噪声、角随机游走噪声、角速率随机游走噪声、零偏不稳定性和速率斜坡噪声,其中,角速率随机游走噪声、零偏不稳定性和速率斜坡噪声含量较大。该分析研究对光纤陀螺的研究有很好的应用价值。     

基于小波分析的光纤陀螺信号处理

文章对光纤陀螺仪的实测信号进行了分析。为了抑制光纤陀螺随机噪声,利用五点三次平滑、数字滤波、小波变换分析法对光纤陀螺静态输出数据进行了滤波处理,通过对比滤波前后陀螺的输出曲线、标准差以及频谱图,可以发现:小波阈值滤波和五点三次平滑相结合的方法能够有效的补偿光纤陀螺的随机误差。     

卡尔曼滤波在激光陀螺信号处理中的应用

各种随机噪声是激光陀螺误差的主要来源；设计了基于激光陀螺漂移数据时间序列模型的卡尔曼滤波器，对激光陀螺漂移数据进行了滤波，并采用Allan方差法分析了滤波结果；结果表明，基于时间序列模型的卡尔曼滤波器有效地减小了随机误差。     

小波分析法在光纤陀螺随机误差补偿中的应用

光纤陀螺随机漂移是惯性导航系统产生误差的重要因素。尽量降低陀螺仪的漂移率是进一步提高惯性导航系统精度的重要途径,也是保证光纤陀螺静态误差补偿精度的前提。从抑制光纤陀螺随机噪声的角度出发,利用小波分析法对光纤陀螺的静态输出进行滤波处理,通过对比滤波前后陀螺的输出曲线、标准差以及各项随机误差系数,能够看出:该方法有效地补偿了光纤陀螺的随机误差。     

智能传感器故障诊断系统数据预处理方法

发动机故障诊断系统中传感器采集到的信号是实际信号和随机噪声的合成,这给故障检测和诊断带来许多不利的影响.将中值滤波和小波分析结合起来使用,中值滤波用于消除数据中的脉冲噪声,小波滤波用于消除数据中的其他平稳随机噪声,仿真结果表明:混合滤波能够有效去除信号中的脉冲噪声与随机噪声,较好地还原了原始信号,将该方法应用于发动机的试车数据,结果表明:该方法具有理想的去除噪声效果.     

线阵CCD信号的小波去噪方法研究

随机噪声是影响CCD器件输出信号信噪比的主要因素,它包括1/f分形噪声和白噪声.使用传统方法去除分形噪声效果比较差,而小波变换是一种具有一定时间和频率分辨率的方法,它能够较好的滤除分形噪声.就如何在小波变换域进行参数估计,给出了确定阈值的方法,并在此基础上对TCD142D线阵CCD输出信号进行滤波,结果表明了该方法的有效性.     

基于小波变换的航海雷达图像噪声抑制方法

为了有效抑制海浪图像中的干扰噪声,提出了一种基于小波变换的海浪图像噪声抑制算法。首先,利用小波变换检测出图像边缘获取噪声点的潜在位置;其次,根据海浪图像的直方图分布特性确定阈值,利用该阈值对海面回波信号和噪声进行分离;最后,根据海面回波信号具有形似性的特点,利用噪声邻域内的信号点对已检测出的噪声点进行属性值插值,从而达到滤除噪声的目的。为验证该算法的效果,将本算法与小波域的硬阈值和软阈值去噪算法进行了比较,对比结果显示,算法在海浪图像噪声抑制应用中优于传统算法,可以得到较好的海面回波信号,并且能够满足下一步的海浪分析要求。     

结合小波去噪的THz图像多尺度增强算法研究

针对返波管获得的连续THz透射图像对比度低且噪声大的特点,提出了一种结合小波去噪的多尺度图像增强算法.该算法先用图像金字塔变换对THz图像进行多尺度分解,然后采用指数变换在空域对获得的细节图像进行增强.为减小放大噪声的影响,在重构增强图像的过程中对每一分解层次的近似图像采用小波软阈值方法进行去噪,并对小波图像采用非线性...     

基于变换域和噪声估计的路面图像去噪研究

针对不考虑噪声的统计分布,仅使用傅里叶变换或小波变换对图像进行降噪处理会带来图像的失真(扭曲)的问题,提出基于变换域和噪声估计的图像去噪方法。算法根据傅里叶变换和小波变换对图像的有效表示侧重点不同,以及图像噪声在不同变换域下的统计特性,提出先将图像进行傅里叶变换,根据噪声的统计特性构造传递函数H,使用Wiener滤波器进行降噪处理,得到一次降噪图像;再对图像再进行小波变换,根据噪声在小波的各尺度下,以及同一尺度下的不同特性,分别采用软门限降噪法和MMSE准则的降噪方法,得到二次降噪图像。仿真实验证实,该算法能有效提高降噪效果,降噪后的图像不失真,包含噪声少。     

光纤陀螺信号误差分析与滤波算法的研究

针对光纤陀螺信号漂移误差和噪声的影响,采用Allan方差法对光纤陀螺的各项随机误差成分进行了分离和计算.然后结合陀螺稳定平台系统研究了滑动滤波、小波变换阈值滤波两种直接对陀螺输出信号进行数字滤波处理的方案.最后对某陀螺惯性稳定跟踪转台中使用的光纤陀螺信号的测试和统计分析结果表明,采用Allan方差法能够有效地分离和辨识陀螺零漂信号中的各项噪声源随机误差系数和误差大小,采用的小波变换阈值滤波的去噪效果明显.     

强噪声条件下激光光斑图像预处理方法研究

为了研究强噪声光斑图像的抑噪方法,采用基于小波阈值法和形态学滤波的级联算法及小波域中值滤波法进行预处理,以信噪比、均方根误差和光强分布作为评估标准,并将处理效果与其他方法对比。结果表明：小波域中值滤波处理效果优于空域中值滤波;级联法的抑噪和光斑特征恢复效果更优于传统方法,其中对-2.0843dB的原低信噪比图像处理后的信噪比、均方根误差分别约为小波变换和空域中值滤波法的1.34、0.81倍和3.14、0.50倍;且原图像信噪比越低,其处理效果相对于传统方法的优越性越明显。     

基于PCA的图像小波去噪方法

目前使用的各种小波去噪方法基本上都是建立在对噪声方差精确估计的基础上，而对噪声方差的精确估计是很困难的．提出了一种采用主分量分析（PCA）提取小波系数的主要特征，通过对小波域中噪声能量的估计来实现去噪的新方法．首先利用PCA对小波高频子带进行局部特征提取；然后以主分量对小波系数进行重建的平均能量作为局部噪声能量的估计；将原小波系数的能量减去噪声能量，就得到去噪后的小波系数；最后用小波逆变换对剔除噪声分量后的小波系数进行恢复得到去噪后的图像．本文算法无需对噪声方差进行估计，因而更具实用价值．本文算法与“软阈值”、“硬阈值”去噪方法相比，峰值信噪比（PNNR）提高了2～8dB．实验证实了本文算法良好的去噪性能。     

A perceptually motivated stationary wavelet packet filterbank using improved spectral over-subtraction for enhancement of speech in various noise environments

In this paper, we propose a speech enhancement method where the front-end decomposition of the input speech is performed by temporally processing using a filterbank. The proposed method incorporates a perceptually motivated stationary wavelet packet filterbank (PM-SWPFB) and an improved spectral over-subtraction (I-SOS) algorithm for the enhancement of speech in various noise environments. The stationary wavelet packet transform (SWPT) is a shift invariant transform. The PM-SWPFB is obtained by selecting the stationary wavelet packet tree in such a manner that it matches closely the non-linear resolution of the critical band structure of the psychoacoustic model. After the decomposition of the input speech, the I-SOS algorithm is applied in each subband, separately for the estimation of speech. The I-SOS uses a continuous noise estimation approach and estimate noise power from each subband without the need of explicit speech silence detection. The subband noise power is estimated and updated by adaptively smoothing the noisy signal power. The smoothing parameter in each subband is controlled by a function of the estimated signal-to-noise ratio (SNR). The performance of the proposed speech enhancement method is tested on speech signals degraded by various real-world noises. Using objective speech quality measures (SNR, segmental SNR (SegSNR), perceptual evaluation of speech quality (PESQ) score), and spectrograms with informal listening tests, we show that the proposed speech enhancement method outperforms than the spectral subtractive-type algorithms and improves quality and intelligibility of the enhanced speech.     

基于小波去噪与变换域的信道估计方法

针对长期演进(LTE)下行正交频分复用(OFDM)系统的最小二乘(LS)信道估计算法对噪声比较敏感的问题,提出了一种基于小波变换去噪与变换域插值相结合的信道估计方法.该方法通过在最小二乘(LS)估计之后加入小波阈值去噪过程,再通过变换域低通滤波插值估计进行双重去噪处理.计算机仿真结果表明,该估计方法能够有效地去除加性高斯白噪声,比一般的LS估计算法性能要好,在一定程度上弥补了LS估计算法对噪声敏感的缺陷.     

一种基于小波包变换的图像去噪算法

根据信号和噪声的小波系数在不同分解尺度上的分布不同,结合模糊理论和小波包分解,提出一种消除图像噪声的算法——模糊小波包去噪算法。该算法对小波包解后的高频系数,不同方向的系数采用不同的滤波方法。实验证明,与软阈值去噪算法和小波包阈值去噪算法相比,该算法能更有效地去除噪声和保持图像边缘细节。