基于EMD和小波熵阈值算法的超声回波信号降噪

超声检测信号中通常包含大量噪声,而其中材料晶界散射的噪声是一种相关噪声。鉴于传统的方法难以将这种噪声和缺陷回波信号区分,提出一种EMD和小波熵阈值联合降噪的算法。该算法首先对目标信号进行EMD分解,提取具有噪声特性的IMF分量进行小波分解,利用含噪系统熵增的特性,在分解各尺度层的细节部分选用小波熵自适应阈值降噪,然后将剩余分量和降噪处理后的信号进行重构。仿真信号结果表明:该降噪方法(EMD-WET)输出信号的信噪比(SNR)为7.9 d B、均方根误差(RMSE)为18.1、相似系数(NCC)为0.92,优于传统的小波软、硬阈值方法。对实测信号进行处理,该方法降低信号中的大部分噪声,更好地还原回波信号的波形。     

经验模态分解和小波包变换的表面等离子体共振光谱降噪方法

针对经验模态分解(Empirical Mode Decomposition,EMD)降噪时信号端点处极值不确定和小波变换降噪信号失真的问题,综合经验模态分解自适应性和小波包变换更加精确的数据分析能力,提出一种EMD和小波包变换的表面等离子体共振(Surface Plasmon Resonance,SPR)光谱降噪方法.利用SPR系统模型模拟共振光谱信号,借助EMD对信号进行分解处理,再对低频项及残余项做小波包变换降噪处理得到共振信号.最后将EMD和小波包变换的方法用于对实际SPR光谱进行滤波处理.结果表明:EMD和小波包变换方法既能有效去除噪声,又能准确得到SPR光谱信号中的光强反射率信号,有效提高了共振波长的辨识精度,是一种实效的SPR光谱信号降噪方法.     

小波神经网络在超声检测信号中降噪的研究

摘 要: 为了最大限度的消除粗晶材料超声检测时,晶粒散射波对有用信号的严重干扰,提高接收信号的信噪比,将小波神经网络引入粗晶材料超声检测信号处理领域中。在训练小波神经网络时,采用了改进的梯度下降算法。该网络有一个动态的权值,它随误差变化而调整。结果表明,小波神经网络应用在粗晶材料超声检测信号的降噪时,能够达到较理想的降噪效果。     

基于同步挤压小波变换的振动信号自适应降噪方法

振动信号在噪声影响下,特征提取十分困难。为此应用同步挤压小波变换(Synchrosqueezing Wavelet Transform,SST)对振动信号进行降噪,针对分解后本征模态分量(Intrinsic Mode Function,IMF)的选取问题,提出一种基于瞬时频率复杂度和自相关系数峰度值的同步挤压小波变换降噪方法。算法首先对原始信号进行SST信号分解并提取小波脊线生成固有模态分量,然后对生成的分量进行Hilbert变换得到瞬时频率曲线,再根据瞬时频率的复杂度选择相应的合成分量重构信号。为了进一步消除噪声影响,该方法同时采用了自相关系数峰度阈值法对筛选后的分量进行二次剔除,最终实现对原始信号降噪的目的。试验最后通过不同标准方差的噪声仿真信号以及物流机械传送设备振动信号验证该方法的可行性和有效性,同时将该方法与基于集成经验模式分解(Ensemble Empirical Mode Decomposition,EEMD)和小波变换的方法进行比较,结果表明该方法的降噪性能要优于其他方法。     

基于提升小波变换和AdaBoost的超声信号消噪技术

为了提高超声无损检测(UNDT)和无损评价(UNDE)中基础数据的信噪比(SNR),提出了一种基于提升小波变换和AdaBoost模式识别理论的超声信号消噪技术.该技术在研究材料内部散射体引起的结构噪声产生机理,以及分析传统裂谱分析算法局限性的基础上,利用提升小波变换将原始超声检测信号分解到小波空间后,通过采用AdaBoost算法构成的信噪分离器对信号和噪声进行识别、分离来消除噪声,得到高信噪比的超声回波信号.实验结果表明,与传统裂谱分析算法相比,该技术提高了消噪性能的稳定性,增强了湮没材料内部各种散射体散射中的缺陷回波信号能力.     

基于EWT及模糊相关分类器的管道微小泄漏检测

针对管道微小泄漏难以检测的问题,提出一种基于经验小波变换(Empirical Wavelet Transform,EWT)及模糊相关分类器的检测方法。该方法首先对传感器采集的信号进行EWT分解,计算分解后分量的峭度值,根据分量的峭度值提出基于EWT的自适应降噪法对信号进行降噪处理,提取无噪声分量并重构;分析重构信号的模糊函数图像,结合相关系数提出模糊相关分类器检测管道微小泄漏。仿真及实验结果表明,该方法能够对管道微小泄漏进行检测,且检测率较支持向量机及神经网络高。     

基于小波降噪神经网络的旋转机械故障诊断

实测信号往往受到多种因素的干扰,如高频噪声.提出了一种小波降噪神经网络的故障诊断方法,利用小波的多重分辨率分析,有效降低高频噪声干扰,从而简化了有效特征信号的提取.建立了基于小波变换和BP神经网络的混合诊断模型,成功地对故障进行了智能诊断.最后实验验证了此种方法的有效性.     

基于EEMD的改进小波阈值算法在超声水表中的应用EI北大核心CSCD

针对超声水表在实际工作环境中容易受到噪声干扰从而导致计量精度下降的问题,提出了基于集合经验模态分解(EEMD)的改进小波阈值降噪算法。为了提高降噪效果,对小波阈值降噪算法进行了改进,构造了非线性阈值函数取代传统阈值函数,同时给出了一种分解尺度选择的方法。利用EEMD将流速信号分解为一系列的本征模态函数,通过改进小波阈值降噪算法对本征模态函数进行降噪处理,去除其中的噪声分量,为了验证该算法的适用性,将其与小波阈值降噪算法和时空滤波分析方法进行了比较。试验结果表明,以超声水表流速信号为降噪对象时,基于EEMD的改进小波阈值降噪算法具有较好的降噪效果。     

小波神经网络在超声检测信号降噪中的应用

为了最大限度地消除粗晶材料超声检测时,晶粒散射波对有用信号的严重干扰,提高接收信号的信噪比,将小波神经网络引入粗晶材料超声检测信号处理领域中.在训练小波神经网络时,采用了改进的梯度下降算法.该网络有一个动态的权值,它随误差变化而调整.结果表明,小波神经网络应用在粗晶材料超声检测信号的降噪时,能够达到较理想的降噪效果.     

基于小波变换的柴油机气缸压力信号降噪

为了获取高信噪比的柴油机气缸压力信号,采用非线性离散序列的小波变换（DTWT）对柴油机气缸压力信号进行降噪．由于降低压力信号采集循环数目,简要分析了气缸压力信号中的高频噪声和高斯白噪声特征,先用Donoho的阂值降噪法去除高斯白噪声,降噪效果明显优于低通滤波和9点平滑法;再用多分辨率分析法,分析不同频率段上的噪声幅值,用小波尺度系数反变换来去除高频噪声,恢复柴油机气缸压力信号．结果表明：这种方法能够有效地去除气缸压力信号的噪声．     

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。     

基于小波分析的信噪分离方法研究

利用噪声信号小波变换的数学期望或小波变换模的平均密度随分解层次增加不断衰减的特性,结合Mallat分解与重构算法提出对信号进行小波变换分析的方法.运用db2和db5小波,对一受噪声污染的正弦电压信号分别进行5层分解.检测结果表明,选取合适的基小波和分解层次,能有效地实现信噪分离.     

基于双边滤波的自适应彩色图像去噪研究

目的为了克服彩色图像去噪后存在的特征模糊,研究基于双边滤波的自适应彩色噪声图像去噪方法。方法使用二维离散小波变换(DWT)对含噪声的彩图图像进行近似分量、水平细节分量、垂直细节分量和对角细节分量等4个方向的分解。根据DWT各方向分量归一化后的方差比例,利用RBF神经网络构造双边滤波系数模型确定不同方向的最佳去噪系数,提出彩色噪声图像自适应去噪方法(DWT-ABF),并将该方法与常规方法作对比。结果在不同噪声类型以及混合噪声失真情况下文中方法都能有效地去除噪声,并同时保留图像细节信息,且与其他方法相比,文中方法去噪后的图像都具有更高的PSNR值。结论文中方法克服了传统双边滤波无法自行确定最佳参数的缺陷,同时也良好地解决了去噪图像特征模糊的问题。     

提升小波包最优基分解算法在爆破振动信号分析中的应用研究

针对工程爆破网络监测与预报系统对精度、效率的要求,本文提出将提升小波包最优基分解算法应用于爆破振动信号的降噪处理及能量特征提取。在提升小波包多尺度变换的基础上,通过对最优基搜索算法的改进满足了复杂信号在线处理对算法的需求,结合应用实例验证了该算法能够有效滤除实测信号中的干扰噪声,并准确获取信号在各频带的能量分布特征。提升小波包最优基分解算法在爆破振动信号分析中的应用为爆破振动危害的研究和控制提供了分析基础和技术支持,具有良好的应用前景。     

De-noising of Magnetic Flux Leakage Signals Based on Wavelet Filtering Method

ABSTRACT

To improve the accuracy of the magnetic flux leakage (MFL) nondestructive testing in practical applications, it is very significant and key to deal with the detected MFL signals. As for the de-noising process of the MFL signals, a multilevel filtering approach based on wavelet de-noising combined with median filtering is proposed. By analyzing and comparing the de-noising properties of three wavelet families, i.e., Daubechies wavelet, Coiflets wavelet, and Symlets wavelet, two wavelet bases with the best de-noising performance are recognized and selected, namely sym6 and sym8 (the Symlets wavelet functions of order 6 and 8). Then, a new cascaded filter is constructed by combining sym6 and sym8 wavelets and cascading the median filtering method. An experimental platform is established to carry out the MFL testing, through the de-noising process for the measured MFL signals, and the results indicate that the proposed improved algorithm integrates with the merits of wavelet de-noising and median filtering. Compared with the traditional wavelet de-noising, the improved algorithm can not only improve the signal-to-noise ratio (SNR), but also reduce the de-noising error, resulting in enhancing signal quality to facilitate subsequent defect recognition.     

EMAT noise suppression using information fusion in stationary wavelet packets

An important issue in ultrasonic nondestructive testing is the detection of flaw echoes in the presence of background noise created by instrumentation and by clutter noise. Signal averaging, autoregressive analysis, spectrum analysis, matched filtering, and the wavelet transform have all been used to filter noise in ultrasonic signals. Widely-used wavelet threshold estimation algorithms are not designed for electromagnetic acoustic transducer (EMAT) pulse-echo signals, and therefore do not exploit their unique impulse nature. The approach to ultrasonic signal filtering proposed in this paper is based on stationary wavelet packet denoising with a threshold influenced by several information sources: a statistical echo detection, the amplitude distribution of the wavelet transform coefficients, and a priori known system frequency characteristics. The proposed method was evaluated on signals measured with EMAT probes and under various SNR conditions; it outperforms the wavelet transform with the Stein unbiased risk estimate (SURE) threshold estimation method and split-spectrum processing (SSP). The results indicate SNR enhancement of 19 dB with real EMAT data.     

基于小波神经网络的激光散斑图像去噪技术研究

提出基于小波神经网络的图像去噪方法,该方法兼有小波分析的良好时频域特性和神经网络的自适应能力.实验结果表明,该方法在去除噪声上优于中值滤波等传统去噪声方法,其散斑指数较小,峰值信噪比较大,在有效去除噪声同时,又能很好地保护图像的细节信息.     

基于小波系数变换的小波阈值去噪算法改进

小波阈值去噪是近年兴起的一种较好的去噪算法,其一关键点在于准确的选取阈值将细节信号和噪声信号区分开来。提出了一种算法对小波系数进行变换,将难以区分信号和噪声的区域放大,以利于阈值的选取,从而达到改进小波阈值去噪的目的。通过使用传统阈值去噪算法和该改进算法进行仿真,结果表明改进算法对去噪指标SNR、SME（平均方差）都有所改善。另外本文实验也表明改进算法可以更好的去除噪声,且较好的重现原信号的细节特征。     

Phase retrieval in digital speckle pattern interferometry by use of a smoothed space-frequency distribution

We evaluate the use of a smoothed space-frequency distribution (SSFD) to retrieve optical phase maps in digital speckle pattern interferometry (DSPI). The performance of this method is tested by use of computer-simulated DSPI fringes. Phase gradients are found along a pixel path from a single DSPI image, and the phase map is finally determined by integration. This technique does not need the application of a phase unwrapping algorithm or the introduction of carrier fringes in the interferometer. It is shown that a Wigner-Ville distribution with a smoothing Gaussian kernel gives more-accurate results than methods based on the continuous wavelet transform. We also discuss the influence of filtering on smoothing of the DSPI fringes and some additional limitations that emerge when this technique is applied. The performance of the SSFD method for processing experimental data is then illustrated.