基于Curvelet变换的地震噪声衰减

在研究地震勘探中,随机噪声是一种频带较宽的干扰波,常规的去噪方法效果不理想.为对方位提高识别能力,首先根据具有多尺度与多方向性的Curvelet变换的基本原理及其实现方法.采用块阈值法应用于地震数据随机噪声衰减中,并进行了仿真计算和实际资料的处理.结果证明利用Curvelet变换块阈值法能比较彻底地去除噪声,去噪后的图像边缘保持良好,滤除噪声同时还保留了有效部分,去噪效果良好,具有小波变换无可比拟的优势,且易于实现,在地震资料处理中具有一定的可行性和应用价值.     

SVD与小波变换相结合抑制面波与随机噪声

为了从含强面波干扰和随机噪声的地震记录中提取有效信号,将每条面波同相轴旋转为水平后,用奇异值分解（SVD）方法恢复出来,再从原始地震记录中消除面波,最后用小波变换方法滤除部分随机噪声。根据同相轴走向与SVD第一奇异值、第二奇异值之间的关系,提出了一种新的判别最佳面波同相轴走向的依据,并用于处理合成地震记录,有效地去除了面波。     

基于小波变换的玻璃厚度检测信号分析

基于LD-CCD光电测量方法的玻璃厚度检测信号混杂着各种外界噪声和CCD固有的随机噪声,具有较低信噪比,玻璃厚度测量系统对精度要求很高,必须对信号进行滤波处理.文中简要介绍了玻璃厚度测量系统信号处理流程.分析光电检测系统噪声主要来源,对厚度信号混杂的噪声特性进行细致研究,给出噪声模型.提出用小波变换软阈值法去除噪声,进行信号特征提取.将小波分析在信号处理中的优势应用到玻璃厚度信号分析中,最大程度的保留原信号信息.采集试验数据进行计算机仿真处理,取得了比较理想的结果,降噪后的信号波形基本消除了噪声干扰,为厚度信号的进一步处理奠定了基础.     

LLE重构和SVD分解的地震信号降噪方法

针对现有地震信号降噪方法处理地震剖面的弯曲同相轴效果不佳,提出联合局部线性嵌入（LLE）和奇异值分解（SVD）方法的地震信号降噪技术。利用LLE的重构思想,对地震数据采样点用其近邻进行重构,实现非线性模式的弯曲同相轴的线性化处理,并去除一定程度的随机噪声;根据地震资料有效信号具有良好相关性的特性,采用SVD分解对LLE重构后的地震数据进行有效信号和噪声分离,剔除不相干的噪声,最终实现地震数据的随机噪声压制。在正演模型和真实地震资料上进行了实验,实验结果表明：与传统SVD方法相比,提出的方法很好地消除了随机噪声,有效信号基本上无丢失。     

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.     

小波去噪仿真研究与实验

小波分析对于信号处理具有十分重要的作用.使用Mallat小波变换方法在已知噪声频率范围情况下对信号处理效果较好,但无法消除信号中的大量未知白噪声.引入SURF阈值,对小波进行过滤处理,可以有效过滤白噪声.设计基于SURF阈值改进的Mallat变换法进行去噪实验,得出结果并与单一Mallat小波变换法结果进行对比,得出改进后的Mallat小波变换法可以去除大量白噪声,使信号更加光滑、保真.     

基于Mallat方法的SURF阈值小波去噪的设计与实验

小波分析对于信号处理具有十分重要的作用.使用Mallat小波变换方法在已知噪声频率范围情况下对信号处理效果较好,但无法消除信号中的大量未知白噪声.引入SURF阈值,对小波进行过滤处理,可以有效过滤白噪声.设计基于SURF阈值改进的Mallat变换法进行去噪实验,得出结果并与单一Mallat小波变换法结果进行对比,得出改进后的Mallat小波变换法可以去除大量白噪声,使信号更加光滑,保真.     

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.     

小波包变换在混合噪声图像中的增强技术

图像在获取和传输过程中总会受到噪声等的影响,使图像数据和现实差距太大.为了快速有效地去除这些噪声信号,详细研究了基于小波包变换去除噪声的方法和原理,探讨了基于小波包变换的含多种噪声的图像增强处理技术.实验表明,这种方法在图像去噪处理中是有效可行的.     

脉搏波信号预处理方法研究

为克服脉搏波信号采集时受到的高频噪声干扰和低频噪声干扰,脉搏波信号的预处理成为心脉信号处理中的关键环节。使用零相位滤波法处理脉搏波信号,改善传统数字滤波器直接滤波的输出失真问题;通过建立评价参数,对去除高频噪声的数字滤波器和小波阈值滤波器的滤波效果进行评价,获得最佳滤波方法;对比常用去基线漂移方法在处理脉搏波信号时的特点,获得最佳去基线漂移算法。使用新研发的脉搏波采集手环采集多名受试者的脉搏波原始信息,将采集到的信号按上述方法去噪和去基线漂移后,实现脉搏波信号的预处理过程。实验结果表明,采用sym4小波基、固定阈值、软阈值函数等小波阈值去噪方法去除高频噪声并使用三次样条插值拟合曲线去除基线漂移后,所获得的脉搏波信号平滑无毛刺,每个周期起始点和终点都在同一水平基线上,满足后续脉搏波信号的医学分析和疾病诊断需要。     

基于新阈值函数和小波分析的数字图像去噪方法

在数字图像处理过程中消除和减弱噪声对信号具有很重要的影响。中值滤波是传统的减少图像噪声,提高图像质量的可行方法。文章研究了中值滤波及其改进算法在图像去噪中的应用,基于小波分析基础理论和数字图像信号的小波变换分解重构原理,通过对小波分解系数选定恰当的阈值并进行阈值量化,基于小波分解后的高低频系数进行信号重构,从而有效去除或降低信号的噪声。本文采取的算法在MATLAB仿真平台进行了验证,结果表明,基于本文提出的阈值函数和小波分析处理方法对图像去噪具有更好的适应性,能够更好的改善数字图像的质量。     

基于盲源分离的ICA去噪技术在裂缝预测中的应用

地震记录中不可避免地包含随机干扰信号,直接利用原始的地震资料开展裂缝发育带预测,对裂缝预测中采用的边缘检测算法影响很大,降低了预测结果的准确性。因此,有必要对地震资料进行去除噪声的处理,提高原始地震资料的品质。本文基于盲源分离的独立分量分析方法(Independent component analysis,ICA)去噪技术,将地震资料分解为不同级次的背景与储层目标反射响应,实现有效信号与随机噪声的区分,去噪效果优于常规去噪算法的效果,保证了去噪后有效信息基本不受损失,处理后地震资料横向波形特征的稳定性得到了较好改善。实际工区应用效果表明,利用去噪处理后的地震资料开展边缘检测裂缝预测,裂缝发育区分布规律与区域断裂发育特征具有较好的一致性,且与钻井揭示的裂缝发育特征吻合性较好,从而提高了火成岩裂缝发育区预测的可靠性。     

基于改进MP的地震信号去噪

地震资料中的噪声分为相干噪声和随机噪声.针对随机噪声,采用匹配追踪（MP）算法进行去噪,能取得一定的去噪效果,但是MP算法过大的计算量严重影响去噪的效率.为解决这个问题,本文采用遗传算法（GA）寻找最优原子,大大减少了算法的运算量,提高了算法的运算速度.本文对Ricker子波进行改进,加入尺度参数、位移参数和相位参数,利用改进后的Ricker子波构建的过完备原字库进行去噪可以取得更好的效果.本文采用相邻残差比阈值作为迭代终止条件,与采用硬门限作为迭代终止条件相比增强了算法的鲁棒性.实验仿真时,首先对加有随机噪声的人工合成地震信号进行去噪,仿真结果表明：本文改进的去噪算法与基础MP算法相比,在信噪比、均方差和计算速度上具有明显优越性,然后将本文改进的方法应用于实际地震信号去噪,并取得很好的去噪效果.     

Electromyography signal analysis using wavelet transform and higher order statistics to determine muscle contraction

Abstract: Electromyography gives an electrical representation of neuromuscular activation associated with a contracting muscle. The electromyography signal acquires noise while travelling though different media. The wavelet transform is employed for removing noise from surface electromyography (SEMG) and higher order statistics are applied for analysing the signal. With the appropriate choice of wavelet, it is possible to remove interference noise (denoise) effectively in order to analyse the SEMG. Daubechies wavelets (db2, db4, db5, db6, db8), symmlet (sym4, sym5) and the orthogonal Meyer (dmey) wavelet can efficiently remove noise from the recorded SEMG signals. However, the most effective wavelet for SEMG denoising is chosen by calculating the root mean square difference and signal-to-noise ratio values. Results for both root mean square difference and signal-to-noise ratio show that wavelet db2 performs denoising best out of the wavelets. Furthermore, the higher order statistics method is applied for SEMG signal analysis because of its unique properties when applied to random time series, such as parameter estimation, testing of Gaussianity and linearity, deterministic and non-deterministic signal detection etc. Gaussianity and linearity tests as part of higher order statistics are conducted to understand changes in muscle contraction and to quantify the effectiveness of the noise removal process. According to the results, the SEMG signal becomes less Gaussian and more linear with increased force.     

小波变换在水听器信号处理中的应用

利用水听器与磁电式传感器采集信号的特性,通过对四分量检波器的结构进行分析,设计出水听器的信号处理系统。信号采集电路以Atmega 128为核心,通过RS232将采集数据传送到Labwindows进行波形显示,由于震动信号的非平稳性,提出用小波变换算法对浅海水听器信号进行滤波处理,并与目前国内普遍使用的FIR滤波器作了对比。实验结果表明,小波算法的优越性,水听器信号的信噪比得到了明显的改善。     

Arrhythmia classification based on wavelet transformation and random forests

Cardiovascular disease accompanied by arrhythmia reduces an individual’s lifespan and health, and long term ECG monitoring would generate large amounts of data. Fortunately, arrhythmia classification assisted by computer science would greatly improve the efficiency of doctors’ diagnoses. However, due to individual differences, noise affecting the signal, the great variety of arrhythmias, and heavy computing workload, it is difficult to implement these advanced techniques for clinical context analysis. Thus, this paper proposes a comprehensive approach based on discrete wavelet and random forest techniques for arrhythmia classification. Specifically, discrete wavelet transformation is used to remove high-frequency noise and baseline drift, while discrete wavelet transformation, autocorrelation, principal component analysis, variances and other mathematical methods are used to extract frequency-domain features, time-domain features and morphology features. Furthermore, an arrhythmia classification system is developed, and its availability is verified that the proposed scheme can significantly be used for guidance and reference in clinical arrhythmia automatic classification.     

盲小波算法在遥感图像去噪中的应用

根据盲信号分离原理和小波分析,提出了一种遥感图像去噪的盲小波算法,首先将遥感图像的个信号进行同深度小波分解,得到不同信号相应深度的小波系数和尺度系数,然后将小波系数进行软阈值法处理,并进一步对不同信号的同深度的小波系数和尺度系数进行盲分离,并提取与源信号相关的信号,最后通过信号重构估计源信号。这种将小波分析和盲信号分离技术有机结合的方法能够有效的消除遥感图像的噪声。通过对实际遥感图像的处理,并与其他去噪技术相比较,利用盲小波算法得到的结果更为理想。     

基于二阶导数算子与小波变换的图像去噪

二阶导数算子噪声定位的图像去噪法对椒盐噪声有很强的去噪能力,但对高斯噪声去噪效果较差,基于小波变换的图像去噪法能有效去除高斯噪声,但几乎不能去除椒盐噪声。针对上述问题,采用二阶导数算子降噪与小波变换去噪相结合的方法对图像去噪,利用2种方法进行优势互补,能较好地去除椒盐、高斯噪声和椒盐-高斯混合噪声,降低选择阈值的难度,有利于提高图像去噪精度。实验结果表明,该算法是有效可行的。     

基于二代小波变换的信号去噪及其软测量建模

化工生产过程中采集到的数据信号通常具有随机性和非平稳性,附加了各种噪声,以至于影响数据建模的拟合效果和泛化性能.本文基于二代小波分析的特点,提出了一种对信号数据进行小波变换阈值去噪的方法.该方法可去除大部分高频随机噪声,提取真实信号,进而提高数据的置信度.将该方法与支持向量机相结合并应用于双酚A反应过程质量指标软测量模型中.仿真结果表明,该方法能有效恢复数据的真实性,提高数据建模的拟合精度与泛化性能.     

Steerable Pyramid分解地震随机噪声衰减 ——基于局部Laplace先验概率密度模型

简单介绍了具有多尺度与多方向性特点的Steerable Pyramid分解和重构的基本原理。采用softLMAP阈值将其应用于地震数据随机噪声衰减中,进行了仿真计算和实际资料的处理并与自适应BayesShrink阈值及小波域softLMAP阈值去噪进行比较。结果证明利用Steerable Pyramid分解softLMAP阈值能比较彻底地去掉噪声,去噪后的图像边缘保持良好,滤除噪声同时还保留了有效部分,去噪效果良好,且易于实现,在地震资料处理中具有一定的可行性和应用前景。