小波分析及其在水声工程中应用的探讨

基于使用傅里叶变换进行信号分析的局限性，本文介绍了小波分析的进展及其独特的性质，继而给出了小波分析在水声工程应用中的两个研究方向，其一，使用以小波变换为工具的宽带相关处理进行水声信号处理；其二，利用小波分析的局部化和多尺度分析的特点进行舰船噪声分析。     

小波去噪方法在管道应力波检测中的应用

介绍了一种适合于管道应力波检测的基于小波变换的去噪方法。利用小波变换多尺度分析的优点。根据有用信号和噪声在小波变换不同尺度下的传递特性的不同，进行小波系数阈值选取后，对剩余小波系数重建信号，得到有用信号的波形。结果表明，它能较好地抑制噪声，使信号的信噪比明显提高。     

基于小波包时频图特征和卷积神经网络的水声信号分类

水下声信号分类是水声学研究的一个重要方向。一个有效的特征提取和分类决策方法对水声信号分类技术至关重要。文章将鱼声、商船辐射噪声和风关噪声三类实测的水声信号在小波包分解的基础上提取时频图特征,并搭建了一个七层结构的卷积神经网络作为分类器。研究结果表明：三种水声信号的小波包时频图特征结合卷积神经网络在不同测试集可达到（98±1）%的总体准确率。因此,小波包时频图特征结合卷积神经网络的水声分类方法可望推广至更多水声信号分类。该研究结果可为水声信号的分类识别研究提供应用参考。     

小波包分形与支持向量机在水声目标识别中的应用研究

水声目标分类识别是公认的水声信号处理难题,船舶辐射噪声是一种非线性非平稳信号,具有一定的混沌特性,更好地认识船舶辐射噪声的非线性性质,有助于更好地寻找有效的水声目标检测及识别算法。为了解决水声目标的分类识别问题,提出了利用小波包分形和支持向量机组合进行水声目标识别。利用小波包分解得到目标辐射噪声不同频带内信号分形维数作为特征矢量,并输入到支持向量机实现目标分类,实验结果表明,小波包分形和支持向量机的结合有比较好的分类识别效果,有一定的实际应用价值。     

非高斯水声瞬态信号双通道Power-Law检测

根据水声瞬态信号的特点,在分析能量检测和高阶谱检测的特性基础上,研究了基于能量检测和基于高阶谱的Power-Law检测方法,将上述两种检测器联合构成一种双通道Power-Law检测器,更好地利用了水声瞬态信号中的统计信息。通过计算机仿真试验,证明了该检测器的有效性,它能在更大程度上适应复杂水声环境变化的要求,改善和提高水声瞬态信号的检测性能。     

输油管道应力波检测中的小波去噪方法研究

本文介绍了一种适用于油田输油管道应力波检测的小波去噪方法。在盗油实时监测时，利用冲击激励产生的应力波到达两个检测传感器的波达时刻的差对冲击激励点进行定位。由于小波变换具有多尺度分析的优点，根据有用信号和噪声奇异性的不同及其在小波变换不同尺度下的传递特性的不同，区分信号和噪声，进行小波系数的阈值选取后，利用剩余的小波系数重建信号，得到有用信号的波形。试验发现，该法可以很好地去除噪声，从而使应力波的波达时刻的计算的准确度提高。     

一种强噪声背景下的微弱信号检测的新方法

基于自适应滤波算法对小波滤波器的构造方法进行了研究，重点在于解决对强噪声环境下微弱信号提取所需要的小波变换的子带自适应滤波器的构造，把小波变换技术和自适应滤波技术应用于微弱信号的检测。提出基于自适应小波变换的心电信号的检测，利用小波变换的子带编码理论，通过在多个子带权值的自适应匹配，回复后拟合微弱信号。仿真结果表明，该方法可进一步改善信号的检测能力，在检测微弱信号的特征和改善信噪比方面是一种十分有效的方法。     

基于小波包的振动信号去噪应用与研究

小波包分析算法对上一层的低频部分和高频部分同时进行细分,具有更为精确的局部分析能力。基于小波包变换的优良时频分析特性,论述小波包分析的基本原理,研究小波包在振动检测信号消噪处理中的应用,给出应用小波包变换对基于MSP430F449单片机的信号采集电路所检测到的振动信号进行消噪处理的实例。结果表明小波包变换的方法可以降低系统噪声影响,通过变换分解出高频噪声部分,利用小波包收缩的阈值量化方法能够更好地去掉高频部分,从而达到有效去除信号中噪声的目的。     

基于混沌的水声定位信号设计及性能分析

针对水声信道中复杂的噪声环境及各种干扰对定位准确度的影响,利用扩频通信技术的抗干扰、抗噪声能力,提出一种基于混沌的扩频信号产生方法。将该信息作为水声定位信号,通过相关法得到精确时延,进而可以计算出节点间的距离,通过在水声信道下对其性能进行分析。仿真结果表明:该扩频信号相关特性理想,具有很强的抗干扰能力,测距准确度高,适合用作水声定位信号。     

基于小波变换的水声信号滤波方法

为更好地改进低信噪比水声信号的滤波效果,本文针对小波滤波算法展开研究.对小波变换系数使用最大后验概率估计算子进行去噪,达到对原始水声信号滤波的目的,去除大部分的噪声;对含噪信号使用可变阈值函数的小波阈值滤波,进一步提高信噪比.文中给出了两种滤波方法的算法,通过对仿真信号和真实水声信号的滤波实验表明:本文方法比常用的滤波方法均方误差更小,更有利于提取水声信号的特征并进行分类识别.     

基于提升小波变换的MFCC在目标识别中的应用

水下环境噪声对被动声呐目标的分类识别影响显著,为了提高水声信号识别系统对环境噪声的鲁棒性,采用提升小波变换方法提取MFCC特征,对水下被动声呐目标进行分类和识别。仿真实验表明,与传统MFCC和小波变换的MFCC相比,在信噪比相近的情况下,提升小波变换方法提取MFCC具有识别率较高、对噪声鲁棒性较好的显著优点。     

分形噪声中谐波信号的提取

本文提出一种分形噪声中谐波信号的提取算法。它利用小波变换对1／f噪声的白化作用,结合自适应自调谐滤波器组,在小波域实现了分形噪声与谐波信号的分离。仿真结果表明,该算法能够有效地抑制分形噪声,显著地提高信噪比。     

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.     

滚动轴承振动信号的小波奇异性故障检测研究

该文以滚动轴承振动信号为分析对象 ,基于小波奇异性分析原理进行滚动轴承故障检测新方法的研究。通过求解待测信号的小波变换极大模来检测和识别信号中奇异点位置和奇异性大小 ,以及对噪声极大模的抑制处理 ,达到抑制或消除噪声的目的 ;最后 ,在剩余小波极大模的基础上进行信号重构 ,展现原待测信号中的故障信号模式。通过对铁路货车车轮用滚柱轴承振动信号的分析表明 ,此方法在大幅度地提高信噪比的同时 ,对由轴承损伤冲击造成的信号突变仍保持了较高的灵敏度和分辨率。为滚动轴承故障检测打下了良好的基础。     

基于信号奇异性分析的轴承故障检测方法

针对轴承振动信号利用小波单奇异点检测无法克服噪声影响的不足,提出利用小波模极大值分析信号奇异性变化进而进行轴承故障检测的方法。实验中对信号的模极大分形指数,模极大分形指数熵,Lipschitz指数以及Lipschitz指数熵等奇异特征进行分析比较,实验结果表明这些特征都能有效克服噪声影响实现故障检测,但模极大曲线数最能体现故障特征且检测效果最好。将该方法同基于小波包能量谱特征和小波单奇异点检测的方法进行比较,结果表明本文建议的方法在检测时间及检测率上都有显著提高。     

基于分数阶功率谱熵的未知水声脉冲信号检测方法

水声侦察的核心问题是在无先验知识条件下捕获其他平台发射的脉冲信号,单频（Continuous Wave,CW）信号和调频（Frequency Modulation,FM）信号是常用的水声探测脉冲。功率谱熵算法能有效检测低信噪比的CW信号,但对FM信号性能不佳,分数阶傅里叶变换（Fractional Fourier Transform,FRFT）则能聚集FM信号能量。利用FRFT的性质,结合功率谱熵算法,设计了分数阶功率谱熵检测器,可在分数阶域实施未知脉冲信号检测。理论分析了FRFT对FM信号的能量聚集作用,优化了FRFT阶数搜索方法。仿真实验以及海试数据处理结果证实检测器对FM信号性能良好,且对CW信号的侦察检测性能无影响。通过门限学习,检测器可实现对未知水声脉冲信号的统一自动检测。     

声信号的主分量分析应用于滚动轴承故障诊断

利用声信号来进行故障诊断具有"采集比较容易,非接触式测取,设备简单,速度快,无须事先粘贴传感器,不影响设备正常工作,易于实现早期预报和在线监测,疳可在不易测量振动信号的场合得到广泛应用"等优点.由于外界噪声的影响,有效信息的提取较为困难.采用主分量分析对传声器测取的声信号进行了预处理;在此基础上应用基于Morlet小波变换的包络分析和频谱分析来提取故障特征向量,并以滚动轴承为例进行实验.结果表明,这是诊断滚动轴承早期故障的一种可选方法.     

Multifocus noisy image fusion using contourlet transform

Abstract

Image fusion is a challenging area of research with a variety of applications. The process of image fusion collects information from different sources and combines them in a single composite image. The composite fused image can better describe the scene than any of the source images. In this paper, we have proposed a method for noisy image fusion in contourlet domain. The proposed method works equally well for fusion of noise free images. Contourlet transform is a multiscale, multidirectional transform with various aspect ratios. These properties make it more suitable for image fusion than other conventional transforms. In the proposed work, the fusion algorithm is combined with a denoising algorithm to reverse the effect of noise. In the proposed method, we have used a level dependent threshold that is based on standard deviation of contourlet coefficients, mean and median of the absolute contourlet coefficients. Experimental results demonstrate that the proposed method performs well in the presence of different types of noise. Performance of the proposed method is compared with principal components analysis and sharp fusion based methods as well as other fusion methods based on variants of wavelet transform like dual tree complex wavelet transform, discrete wavelet transform, lifting wavelet transform, multiwavelet transform, stationary wavelet transform and pyramid transform using six standard quantitative quality metrics (entropy, standard deviation, edge strength, fusion factor, sharpness and peak signal to noise ratio). The combined qualitative and quantitative evaluation of the experimental results shows that the proposed method performs better than other methods.     

Wavelet transform-based strain estimator for elastography

A new signal processing algorithm based on a wavelet transform (WT) is proposed for instantaneous strain estimation in acoustic elastography. The proposed estimator locally weighs ultrasonic echo signals acquired before tissue compression by a Gaussian window function and uses the resulting waveform as a mother wavelet to calculate the WT of the postcompression signal. From the location of the WT peak, strain is estimated in the time-frequency domain. Because of the additive noise in signals and the discrete sampling, errors are commonly made in estimating the strain. Statistics of these errors are analyzed theoretically to evaluate the performance of the proposed estimator. The strain estimates are found to be unbiased, but error variances depend on the signal properties (echo signal-to-noise ratio and bandwidth), signal processing parameter (time-bandwidth product), and the applied strain. The results are compared with those obtained from the conventional strain estimator based on time-delay estimates. The proposed estimator is shown to offer strain estimates with greater precision and potentially higher spatial resolution, dynamic range, and sensitivity at the expense of increased computation time.