非线性小波去噪技术在水声信号识别中的应用

应用非线性小波去噪技术对小波包能量法进行改进,提出了一种新的方法--去噪小波包能量法.该算法对信号小波去噪后,再用小波包能量法提取信号的特征.文中研究了不同的小波去噪方法对水声信号分类识别率的影响,在实测信号样本集上用BP神经网络进行了识别实验.结果显示了算法的有效性.     

声音信号采用小波去噪和小波包去噪的比较

受外界条件等因素的影响,采集到的声音信号中不可避免存在着大量的突变信号,因此需要对其进行降噪处理.传统的傅里叶分析不能同时分析信号在时域和频域的全貌和局部化特征,而这些局部化信息恰恰是表征声音信号的关键特质.小波变换在突变信号分析中得到广泛的应用,在声音去噪应用中取得了良好的效果,比较了小波分析和小波包分析两种去噪方法.     

基于能量阈值函数的水声多径信号小波去噪分析

采用基于能量阈值函数的小波方法,对浅水多径信号进行消噪处理;从水声多径信道模型出发,利用小波能有效区分信号中的突变部分和噪声的优点,设计了一种基于能量阈值函数的消噪方案,即通过能量的门限阈值形式对小波系数进行处理,然后对信号进行重构即可达到消噪的目的;利用MATLAB仿真了有、无多径时消噪效果,同时将该消噪方案与湖的水声传播参数结合,进行了实际水库多径传播信号的消噪处理试验;试验结果表明,基于能量阈值函数的水声多径信号小波去噪方法不仅能够减少信号的丢失,而且能够恢复有用信号的小波系数,减少有用信息的丢失,确保重构后的信号不失真,提高信噪比,应用于水声通信中多径信道的信号去噪效果很好,体现了文中算法的有效性和优越性。     

小波变换在毫米波辐射计信号去噪中的应用

本文基于小波理论的基础上介绍小波函数的选取和小波去噪的方法,并结合毫米波辐射计输出信号为例进行具体的分析。     

小波变换在毫米波辐射计信号去噪中的应用

本文基于小波理论的基础上介绍小波函数的选取和小波去噪的方法,并结合毫米波辐射计输出信号为例进行具体的分析.     

平移不变小波在心音信号去噪中的应用

小波阈值去噪方法可以消除心音信号中的噪声,但其缺乏平移不变性,可能在信号的奇异点附近产生人为的振荡现象,即Pesudo-Gibbs现象,影响去噪效果。采用平移不变(Translation Invariance,TI)小波阈值去噪的方法对心音信号进行去噪,通过对信号序列平移来改变奇异点在整段信号的位置,以降低或消除振荡。对信号采用平移不变小波去噪之前,先通过消除趋势项来降低信号采集过程中引入的干扰。实验结果表明,该方法消除了人为振荡现象,在保留心音信号主要特征的前提下,信号的信噪比(Signal-to-Noise Ratio,SNR)和根均方误差(Root Mean Square Error,RMSE)均得到明显改善。     

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。     

小波阈值神经网络在信号去噪及预测中的应用

提出了一种小波阈值神经网络模型(wavelet threshold neural network,WTNN),对合作式接收到的雷达信号进行去噪和预测.这种网络模型把小波最优阂值去噪器加到神经网络中,对带噪信号具有小波最优阈值去噪和预测的功能.对小波系数作单层重构,可简化训练算法,使编程得到精简.其次,通过对训练算法进行分析,得出了最优阈值及权值的调整公式.最后通过对线性调频信号去噪及前向一步预测的实验结果可以看出,当网络输入分别为带有高斯白噪卢、高斯带限噪声、瑞利噪声的线性调频信号时WTNN得到的结果均优于利用Donoho阈值进行去噪后再预测的结果.     

小波阈值去噪技术在ECG信号处理中的应用

本文采用小波阈值去噪方法,利用了小波变换多分辨率的特点,它对信号具有自适应性,可以降低消噪算法的复杂程度,又可保证心电信息特征不被丢失。试验表明,该方法能较好地实现心电信号的消噪,同时也适合于信噪比较低的生物信号的处理中。     

改进小波阈值函数信号去噪研究

为解决信号去噪中白噪声的抑制问题,在D.L.Donoho和I.M.Johnstone提出的多分辨分析小波阈值去噪方法的基础上,提出一个双变量阈值函数。与传统的硬阈值、软阈值函数相比,该函数有优越的数学特性。仿真实验表明,新的阈值函数可以有效地去除白噪声干扰,无论在视觉效果上还是在信噪比和均方误差定量指标上,均优于上述去噪方法,具有较高的实用价值。     

FFT和小波变换在信号降噪中的应用

信号降噪是指滤除信号的高频噪声从而使信号尽量接近真实值,这是信号处理的关键环节.在分析FFT和小波变换的基础上,采用这两种方法对加入随机噪声的信号进行降噪处理,并在MATLAB平台上仿真实现.用基于信号降噪的两大准则对两种降噪结果进行分析,表明小波变换在该信号的降噪处理中有明显的优势.     

基于小波能量元和改进双阈值函数的微流控芯片信号去噪方法研究

微流控芯片技术是一种新型的分析检测技术,可广泛应用于生物、化学、医学等领域。为提高微流控芯片信号去噪效果,本文提出了一种基于小波能量元和改进双阈值函数的去噪方法。构建了基于指数和对数函数的小波能量元双阈值函数,继而设计了微流控芯片信号去噪算法。以模拟的微流控芯片信号为研究对象,对比选择db4小波基进行了4层分解去噪仿真实验。仿真结果表明,本文方法优于现有的普通阈值法、空域相关法和能量元浮动阈值法。该方法已应用于自主研发的非接触式微流控芯片便携式分析诊断仪,去噪效果良好,有效提升了设备性能。     

基于多分主干外部注意力网络的水声信号识别

水声信号识别近年来备受关注,由于海洋信道具有时变空变性、信号传播的衰落特性和水下目标声源具有复杂多变性,水声信号识别任务面临巨大挑战.传统的水声信号识别方法难以充分获取目标的表征信息且不具备良好的抗噪声能力,识别效果有待提升.针对上述问题,本文提出一种基于多分支外部注意力网络(multi-branch external attention network, MEANet)的水声信号识别方法,可以在复杂海洋环境下充分获取水声信号的特征并进行识别. MEANet由多分支主干网络,通道、空间注意力模块和外部注意力模块组成.首先,输入数据通过多个并行的主干网络分支,提取水声信号不同层级的特征信息;其次,辅以通道、空间注意力模块对水声信号的通道和空间维度分别进行加权,调节不同通道和空间位置对特征表示的重要性;最后,整合外部注意力模块,以外部记忆单元和附加计算来引导网络的特征提取和预测,从而显著提高模型的识别率和鲁棒性.实验结果表明,本文提出的MEANet在ShipsEar数据集上的水声信号识别率达到98.84%,显著优于其他对比算法,证实了其有效性.     

基于小波的泳池水下图像去噪算法研究

本文以泳池智能救生系统为背景,研究基于小波的泳池水下图像去噪算法.首先对阈值的选取进行讨论,然后分析了阈值函数的选择对去噪效果的影响,并提出采用改进的非线性阈值函数.最后通过仿真实验验证算法的有效性,仿真结果表明,基于非线性阈值函数的小波去噪算法能够获得较高的PSNR值,实时性满足救生需求,能够较好地应用于泳池水下图像的处理.     

基于小波包分解与RVM的声发射信号识别

声发射信号识别目前已经成为检测大型储罐底板缺陷状况的普遍方法之一.针对现有声发射检测技术对原始信号的处理与分析方法的不足,对储罐底板腐蚀程度分类识别方法的不明确,基于小波包分解,对声发射传感器接收到的原始信号进行特征提取,得出了信号的特征向量,通过训练相关向量机,结合相关向量机模型对待测设备进行腐蚀类型归类识别,得出分析结论.应用该方法对大连某企业的储油罐进行实测数据检验,分析结论与储油罐实际状况相同,验证了该方法具有科学性与可行性,能够诊断大型储罐底板腐蚀状况的准确性和可靠性.     

小波变换在脉象信号消噪处理中的应用

首先简单介绍了小波变换消噪的原理,然后分别利用小波变换和傅里叶变换,对临床采集的脉象信号进行了消噪处理.结果表明,利用小波消噪能够有效地保留脉象信号中的尖峰和突变部分,最大限度地反映了原信号本身的特性,消噪效果较好.     

基于自适应小波阈值收缩算法的冲击消噪

冲击信号属于非平稳随机信号,在分析冲击信号之前信号消噪非常重要.基于Donoho提出的小波阈值收缩算法,提出了一种新的自适应于原信号的折中收缩函数.不同于经典阈值消噪算法,新算法克服了硬阈值算法造成的信号不连续的缺点,也弱化了软阈值算法中原信号小波系数与消噪后小波系数的固定偏差.应用结果表明,自适应小波阈值算法对冲击信号消噪比常用的软阈值或硬阈值算法具有更好的直观效果.     

基于经验模态分解和小波阈值的冲击信号去噪

冲击信号是非线性的并且容易受到噪声污染;为研究冲击信号去噪的问题,针对经验模态分解(Empirical Mode Decomposition,EMD)去噪和小波阈值去噪方法存在的不足,提出了基于EMD的小波阈值去噪方法;单纯的EMD去噪方法会在去除高频噪声的同时压制高频的有效信息;EMD与小波阈值去噪相结合,利用连续均方误差准则确定含噪较多的高频固有模态函数(Intrinsic Mode Function, IMF),对高频IMF分量进行小波阈值去噪,以分离并保留这些分量中的有效信息,同时保持低频IMF分量不变;对模拟数据和实际冲击信号进行去噪处理,结果表明,基于EMD的小波阈值去噪方法的去噪效果优于单纯的EMD去噪方法和小波阈值去噪方法。