基于小波包分析和BP神经网络的中医脉象识别方法*

利用小波变换具有揭示信号时频两域细节和局部特征的能力,提出了将脉象信号的小波包分析和BP神经网络相结合以达到识别中医脉象的新方法。首先对脉象信号作三层小波包分解,利用小波包分解系数重构信号。然后计算第三层从低频至高频八个频带的信号能量,以此能量构造出脉象信号的特征向量送入改进的BP神经网络进行训练。大量样本的实验证实该方法具有识别正确率高、速度快的优点。     

基于整数小波变换的彩色图象检索技术的研究

提出了一种利用小波变换对图象进行多尺度检索的方法。这种方法首先对图象进行多尺度小波分解，然后求出分解后尺度系数矩阵的各阶顺序子矩阵的F－范数，用F－范数定义图象的特征向量和相似度，再利用这种相似度进行图象检索。为了提高运算速度，使用的只是一维整数小波变换。整数小波变换的优点是：只需进行位内运算，输入和输出是整数，存储量小，适合图象处理；用F－范数形成的特征向量维数低，检索效率高。通过对200幅左右花卉和山水彩色图象数据库进行实验表明，该算法能够较好地描述图象的尺度和颜色分布信息，检索效果较好。     

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.     

基于小波变换多分辨率特性的语音消噪方法的研究

小波分析是一种信号的时间——尺度分析方法，特别适合于非平稳信号的分析，具有多分辨率分析的特性，而且在时频两域都具有表征信号局部特征的能力。通过分析语音信号的特性，利用小波变换的多分辨率分析特性，提出了首先对信号进行清浊音判断，其次运用多尺度多闽值方法来抑制包含有噪声的语音信号在不同尺度上的噪声小波系数，从而实现在重构语音信号中消噪的目的，并通过计算机仿真结果验证了该方法的有效性。     

小波奇异性分析在煤厚探测信号处理中的应用

小波变换为信号的多尺度瞬态分析提供了较好的方法。本文将小波分析在模极大值处理中的优势应用到煤层厚度探测的信号分析中，根据信号小波变换模极大值和信号奇异性之间的关系，由小波变换模极大值沿尺度变化趋势分析出信号的奇异点，得到反射渡的初始到达时刻，从而计算出煤层的厚度，取得了比较理想的效果。为信号处理提供了一种新颖的方法。     

基于μ律拟合的小波自适应阈值去噪算法

针对小波阈值去噪法,硬阈值函数处理后信号易产生振荡,软阈值函数处理后信号的失真大等问题,提出了一种基于μ律拟合的新阈值函数。针对语音信号和噪声在不同小波尺度下具有不同的奇异性,即语音信号的小波变换系数的模值随尺度的增加而增加;噪声的小波变换系数的模值随尺度的增大而减小,提出了一种自适应阈值。实验表明,经新算法增强后语音的清晰度和可懂度有了明显的提高。     

基于小波变换的非平稳信号去噪

传统的信号去噪算法往往仅对平稳噪声或缓慢变化的噪声有效, 且残留的信号噪声较大。基于小波变换的去噪算法对传统的小波阈值法进行了改进,根据信号与噪声在小波域的分布特性以及信号和噪声小波变换的模极大值随尺度的变化大小不同,得到噪声在小波域中的位置以及小波系数大小。实验结果表明：该算法对平稳和非平稳的噪声都能进行较好地去噪。     

基于小波和奇异值分解的人脸识别方法

该文提出了一种基于小波和奇异值分解的人脸识别方法。首先对人脸图象进行小波分解，由于小波变换具有良好的多尺度特征表达能力，能将图象的大部分能量集中到低频子图中，使图象得到有效压缩。然后，对得到的每幅低频子图进行基于奇异值分解的特征提取，并将奇异值特征向量进行压缩，把压缩后的特征向量作为每幅人脸图象的特征，进而求出每一类人脸图象的特征向量中心。最后，将每一类的特征向量中心输入到分类器中进行识别。最终得到了令人满意的识别结果。     

基于小波尺度相关的图像清晰度判别方法①

为提高图像清晰度判别函数的单峰性和抗噪性,提出了一种基于小波变换尺度相关的清晰度判别方法。该方法利用信号的小波系数幅值随尺度增大而增大,噪声的小波系数幅值随尺度增大而减小的特性,取相邻尺度间小波系数乘积构造清晰度判别函数,实现了增强信号抑制噪声的目的。通过CCD采集的图像数据对该方法与传统方法进行对比实验,结果表明提出方法具有较好的单峰性和较强的抗噪性,能够准确地评价数字图像聚焦程度。     

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。     

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。     

基于小波变换的心脑血管疾病脉搏信号分析方法

运用小波变换分析方法对心脑血管疾病患者和健康人的脉搏信号进行了特征分析,得到患者和健康人脉搏信号的不同频带能量分布比例特征。该特征在患者和健康人的脉象上有着明显的差别,可作为心脑血管疾病临床诊断时的一种参考依据。     

基于特征块与小波变换的图像拼接算法

为了改进现有的基于灰度的图像拼接方法速度过慢的缺点,综合考虑了图像拼接过程中速度与精度两个因素,提出了一种基于小波变换和特征块的图像拼接算法.该算法对图像进行小波变换,在高频信号上利用简单边缘阈值法提取特征块,在低频信号上进行配准,并根据低频图像配准位移完成原始图像的配准.最后将实验结果与传统的基于灰度的图像拼接方法进行比较,结果表明了该算法在保证图像拼接精度的同时,大大提高了图像拼接速度.     

碳纤维复合材料超声缺陷信号特征提取与降维

在对碳纤维复合材料进行超声无损检测时获取的回波信号往往构成复杂,某些缺陷特征不明显,使用传统小波方法对这类信号进行特征提取时效果并不理想。为解决上述问题,提出基于双树复小波包变换的频带局部能量特征提取方法以获取碳纤维复合材料超声缺陷信号的初始特征向量;在此基础上,使用基于粗糙集的ε-约简方法完成特征降维。实验结果验证了所提出方法的有效性,为实现碳纤维复合材料缺陷的自动和准确识别提供了新途径。     

一种有效的实时基音检测算法

针对基音周期检测实时性的要求,提出了基于小波变换的实时语音基音周期检测算法。该算法利用小波变换极值与信号突变点之间的关系,将小波域波形与时域波形相结合,采取自适应基准、多特征参数提取小波系数极大值,并在2.5ms时间内捕捉并检测到新的基音脉冲位置。实验表明,该算法对语音和残差信号取得了较好结果。     

信号奇异点的分步检测法

针对两种常见的信号奇异点：脉冲型奇异点和阶跃型奇异点,证明信号的奇异点与信号小波变换的最值有关,如果适当选择小波基函数,那么信号的脉冲奇异点将对应于小波基函数的最值点,而信号的阶跃奇异点将对应于小波基函数的原函数的最值点。据此,设计了一个新的基于小波变换的信号奇异点分步检测法（Hierarchical Singular Point Detection based on Wavelet Transform,HSPDWT）,该方法的特点是根据脉冲奇异点和阶跃奇异点的不同特征分两步从信号中提取奇异点。仿真及真实信号上的实验证明了HSPDWT的可行性和有效性。     

一种在线分离突发性脉冲干扰的小波分析法

选取合适的奇异性小波基，抽取信号与小波基卷积序列中的某一项作为奇异性判断指标。从理论上找到了对有效信号变化最敏感的分析，并按照此条件推导出信号与噪声的小波变换模极大能有效地被区分。仿真结果表明，在合理选取判断阈值和进行小波变换的信号长度时，该方法能快速 ，准确地判断出真正的信号跳变。本文对提高测控仪表的可靠性有一定的借鉴作用。     

小波分析在激光多普勒信号检测中的应用

为了有效的消除人体激光多普勒信号的噪声,提出了一种利用小波变换的方法对信号进行处理.通过研究多尺度小波变换和小波包变换的工作原理和消噪流程,利用Matlab对实际信号分别进行强制消噪、默认阈值消噪、给定软阈值消噪仿真,仿真结果表明,两种小波变换方法均可以有效地消除信号中的噪声.提高信噪比,适用于背景噪声强的人体信号的提取,并可推广到其他强噪声环境下对微弱信号进行提取,具有广泛的应用价值和现实意义.     

基于小波分析的故障系统在旋转机械中的应用

就小波分析技术在旋转机械故障诊断应用中的故障特征提取问题进行了深入研究,提出了基于小波奇异性及小波变换模极大值的故障特征提取方法,通过对故障信号与小波变换的多分辨率方法以及奇异性理论相结合进行研究,发现小波分析便于对信号的总体和局部进行刻画;利用小波变换对信号的分解和重构特性,可有针对性地选取有关频带的信息以及降低噪声干扰,通过对重构信号的频谱分析能更有效地提取裂纹故障的典型特征。结果表明,对于旋转机械的非平稳信号来说,利用小波变换方法进行故障诊断是行之有效的。