基于小波系数非线性连续函数衰减的脑电信号去噪

环境噪声和工频噪声的干扰对脑电信号(EEG)的进一步处理和分析带来极为不利的影响。针对传统小波系数软阈值消噪方法去噪后产生的波形失真和硬阈值消噪方法去噪后产生的振荡现象,提出了一种新的小波系数非线性连续函数衰减处理算法。通过小波系数的非线性衰减处理,使低值端小波系数连续函数的变化介于硬软阈值函数之间,有效避免了处理后的波形失真和振荡。通过实验数据比较,证明处理后的脑电信号信噪比和均方误差均优于传统的小波去噪处理方法。     

自适应神经网络模糊小波语音消噪算法

针对有色噪声,采用自适应神经网络模糊系统模糊(Auto Neural Fuzzy Inference System,ANFIS)逼近有色噪声,利用自适应神经模糊推理系统ANFIS对噪声的非线性动态特性进行建模,提出了语音自适应神经网络模糊小波消噪算法,建立并训练了消噪系统。对被有色噪声污染的测量信号经模糊消噪后,根据信号和噪声的小波系数在不同分解尺度上的传递性,进行中值滤波和小波重构,得到了干净的语音。对算法进行了仿真实验,结果表明,消噪效果明显。     

邻域比较数字滤波与小波变换在脑电信号消噪中的应用

提出了邻域比较与小波变换相结合的脑电信号消噪方法,并利用这种方法对含有脉冲噪声的脑电信号进行消噪。首先介绍了邻域比较滤波的算法和小波变换消噪的原理,然后对实测的10例脑电信号进行消噪处理,最后将两种方法相结合的消噪效果与小波变换的消噪效果进行对比。实验结果表明,无论是信噪比还是均方根误差,两种方法相结合的消噪效果均优于小波变换的消噪效果。     

语音消噪应用研究

从时域与频域对比研究了低信噪比语音消噪问题,时域采用LMS自适应消噪,频域分析选用小波技术,对两种消噪方法进行了系统全面的分析,对比讨论了各自的优势及不足,对实际信号进行了仿真消噪并与原始语音取样信号相比较,研究表明选用消噪方法对低信噪比语音消噪是明显有效的,LMS自适应消噪及小波消噪具有很强的实际应用价值。     

局部投影和离散小波变换在心音信号去噪中的应用

针对心音信号非线性的特点,提出噪声水平自适应估计的局部投影与离散小波阈值相结合的去噪方法,该算法既能得到精确的重构信号又能保留微弱信号的有效特征。Lorenz序列数值仿真结果表明,该方法可以有效地抑制噪声,其信噪比和均方误差均优于局部投影去噪和离散小波阈值去噪;对比不同算法去噪前后信号的最大Lyapunov指数,得出该方法能很好地保留原始信号的非线性特征。对实测心音信号的降噪研究,进一步表明了该方法的有效性。     

基于WT与LSSVC的信号消噪方法及其在转子故障诊断中的应用

噪声是影响转子早期故障特征有效识别与准确提取的主要因素.针对转子故障信号的消噪问题,提出一种基于最小二乘支持向量分类器的小波消噪方法.该方法以信号与噪声在小波域内的统计特征为理论依据,通过构造最小二乘支持向量分类器,以分类方式实现小波域内的信号与噪声判别,并对信号与噪声小波系数采取衰减策略以弱化噪声污染.模拟信号消噪分析与转子故障信号消噪实例表明,该方法可有效抑制信号中的噪声干扰,在信噪比与均方误差意义下的消噪性能优于小波阈值消噪方法.     

BOSE噪最好的耳机QC15

Bose是最早进行消噪科技研发的公司，经过30多年不断地研究，消噪技术遥遥领先，并为军事应用、飞行员和消费者提供了多款备受赞誉的消噪耳机。全新的QC15有源消噪耳机，是Bose系列产品中消噪效果最好且声音表现最佳的一款消噪耳机，集合了业内所有消噪耳机的优势。提升了QC15有源消噪耳机的消噪效果，     

基于小波包变换的滚动轴承故障诊断方法的研究

目前基于小波分析的滚动轴承故障诊断方法的研究已经很多，但是这些方法对于强噪声背景下的故障信号特征提取效果并不理想。为此，提出了适用于强噪声背景的自相关及互相关小波包消噪滚动轴承故障诊断方法。该方法首次将相关分析和小波包分解结合：对被测信号进行自相关或互相关处理，之后进行小波包阈值消噪处理，对消噪最大能量系数进行自相关或互相关处理，最后对能量序列进行FFT计算。仿真结果表明，该方法极大地增强了对滚动轴承故障诊断的能力，在强噪声背景下有效地提取出滚动轴承的故障频率。     

小波变换在流量计阶跃响应信号消噪中的应用

讨论了小波变换对空气质量流量计阶跃响应信号的消噪方法,选取具有5阶消失矩的Daubechies小波对含有噪声的原始信号进行逐层分解,对各层细节信号分别进行阈值处理,重构出消噪后的信号。最后与巴特沃斯数字低通滤波器的消噪效果进行比较,证实了小波变换消噪的效果更好。     

《采用FastICA的压力信号消噪》

对于随机误差,提出FastICA方法进行误差检测以及数据校正,并对现场采集来得压力信号进行消噪处理,应用效果良好。     

柴油机振动信号的分形特征及故障诊断

把小波包降噪与关联维数相结合用在柴油机故障诊断中,讨论了关联维数计算中相关参数的选取。首先对柴油机缸盖振动信号进行小波包降噪处理,通过自相关函数法求延迟时间,用饱和关联维数法确定最小嵌入维数,并用改进的G-P算法求关联维数。分析发现,小波包可以有效降低噪声干扰,柴油机在不同工况下具有不同的关联维数,该方法可有效应用于柴油机的故障诊断中。     

噪声协助的EMD-1.5维谱信号抗混分解与特征提取

针对大型动力装备核心部件微弱故障特征信息提取问题,提出了一种噪声协助的EMD-1.5维谱故障诊断方法。经验模式分解(EMD)方法中,信号极值点间隔特性影响模式混淆现象的出现,针对此状况提出信号极值点间隔特性评价方法,分析高斯白噪声有助于信号抗混分解原理,通过对原始信号加入高斯白噪声得到噪声协助的EMD方法,提高信号抗混分解能力。将1.5维谱与噪声协助的EMD方法结合,得到一种新的故障特征提取方法,该方法具有对信号进行有效抗混分解、提取非线性耦合等特性,并以此来提取故障的微弱特征信息。通过仿真研究与电力机车滚动轴承的故障诊断工程实例,验证了该方法的有效性。     

斜拉索非线性振动信号粒子滤波分析与应用

针对斜拉索非线性振动信号采用粒子滤波（PF）算法进行信号处理与应用。采用有限差分法对索-梁耦合系统非线性动力学方程进行时间维度的离散化处理,获得斜拉索单个位置上振动离散非线性方程;采用最小二乘法对该离散非线性振动方程进行拟合获得粒子滤波所需系统状态方程;利用该状态方程对采集的非线性振动信号进行粒子滤波处理,获得优良的非线性去噪信号及信号稳定跟踪预测功能。经大量仿真实验与大桥斜拉索非线性振动信号实际测试,表明在采样频率足够大情况下, PF算法可有效去除斜拉索非线性振动信号噪声,并提供稳定可靠的信号跟踪与预测技术。     

基于LP与小波包的复杂机电系统监测序列混沌降噪方法

针对流程工业生产系统监测数据存在强噪声和混沌性的特点,提出了一种局部投影方法(Local Projection Method)与小波包方法相结合的信号降噪方法。该方法先利用局部投影方法从动力学系统嵌入流形的角度进行多次迭代降噪,并根据关联维数来判定迭代终止;再利用小波包方法从频率的角度进行降噪,抑制高频噪声的干扰,取得了较好的降噪效果。用Lorenz时间序列进行仿真验证,对仿真时间序列加入不同程度的噪声,对比分析小波包、局部投影与该方法降噪后的相空间、SNR值和最大Lyapunov指数,证明了该方法对于中高强度噪声具有更好的降噪效果。并将该方法用于某压缩机组的实际监测数据降噪,评估三种方法的降噪效果,进一步验证了该方法的优越性。     

离心式压缩机转子故障识别的EEMD-PCA方法研究

针对离心式压缩机转子系统振动小,振动信号具有非平稳、非线性和伴随噪声干扰的特点,提出一种总体平均经验模式分解(Ensemble Empirical mode decomposition, EEMD)联合主分量分析(Principal component analysis, PCA)的故障识别方法。该方法以相关分析结合傅立叶变换选择基本模式分量(intrinsic mode function, IMF)为基础,构造了波动变化性指标以定量识别EEMD的噪声幅值参数;进一步获取各运行状态的14种时域振动评价指标并构造标准化特征数据集后,采用PCA降维法得出不同类型故障的振动模式类别。通过对离心式压缩机转子典型故障的振动信号分析,其结果表明该方法能够在解除信号非平稳非线性干扰的基础上,快速独立地提取信号中的主要振动模式,制定表征不同故障类别的特征数据区域,从而有效提高了离心式压缩机的故障识别能力。     

CEEMDAN 小波包联合降噪的优化方法

针对实测隧道爆破振动信号降噪效果不理想的问题,引入多尺度排列熵的概念,用来筛选含噪明显的本征模态分量,并结合SG（savitzky-golay）平滑滤波方法提出了一种完备的自适应噪声经验模态分解（CEEMDAN）和小波包联合降噪的优化方法,通过信噪比(SNR)、均方根差(RMSE)、相关系数、自相关系数对仿真实验和实测信号处理结果进行对比分析。结果表明,CEEMDAN 小波包联合降噪优化方法提高了信号降噪效果,且有效保留了原始信号中的特征信息,可以应用到类似爆破振动信号的降噪处理中。     

基于分形理论的自动舵液压阀故障诊断方法研究

针对自动舵液压阀工作过程中存在的非线性问题,提出一种以阀芯位移信号分形特征为判据的故障诊断方法,并研究了分形特征参数——关联维数的计算方法和参数的选择。在建立液压阀数学模型的基础上,对液压阀正常和故障进行仿真,通过确定时间延迟、嵌入维数和无标度区,计算阀芯位移数据的关联维数。结果表明:不同状态的关联维数值具有明显的可分性,可以定量表征液压阀的工作状态,进而达到装备故障诊断的目的。     

脉冲噪声下基于Myriad滤波及分形盒维数的频谱感知

为了实现脉冲噪声背景下频谱感知,本文提出基于Myriad滤波及分形盒维数的频谱感知方法。Alpha稳定分布噪声影响信号的分形盒维数值。由于Myriad滤波可以抑制Alpha稳定噪声,所以先对接收信号Myriad滤波,再计算其分形盒维数值作为检验统计量。仿真结果表明,该方法在Alpha稳定分布噪声下具有良好的频谱感知性能     

改进经验小波变换与最小熵解卷积在铁路轴承故障诊断中的应用

经验小波变换是一种小波框架下的自适应信号分解方法,对旋转机械的非线性、非平稳振动信号有很好的分解作用。针对传统经验小波变换过程中频谱划分过多的问题,提出根据互信息值对频谱进行重新划分与合并的方法,能有效减少频带数量;选择峭度值最大的分量进行信号重构,再使用最小熵解卷积对重构信号进行降噪;对降噪后的信号进行包络分析,能够有效地诊断出滚动轴承的微弱故障。通过仿真信号与铁路货车轮对轴承实验信号验证了该方法的有效性,为下一步工程应用奠定了基础。     

基于EEMD和关联维数的小电流接地故障选线

提出一种基于总体平均经验模式分解(Ensemble Empirical Mode of Decomposition EEMD)和关联维数相结合的小电流接地故障选线新方法。EEMD对非线性、非平稳信号的处理,不仅能达到与(Empirical Mode Decomposition EMD)相同的分解效果,同时又能有效地抑制模式混叠,非常适用于对小电流接地故障信号的处理。关联维数是在故障诊断领域中应用最广泛的一种分形维数。关联维数作为反映系统状态的特征量,能定量分析故障状态,提高故障诊断能力。在计算关联维数前,需要进行相空间重构,采用极大联合熵算法求取最佳延迟时间,相比以往用互信息求取延迟时间的方法而言,该方法简化了算法,缩短了计算关联维数的时间。最后采用G-P算法计算零序电流相关分量的关联维数,通过比较关联维数,实现故障选线。实验结果表明上述方法能够快速准确地选出故障线路,为小电流接地故障选线提供了一种有效的新方法。