基于双树复小波的重叠块阈值降噪方法

针对机械早期故障信号受到强背景噪声影响导致故障特征不明显的问题,提出一种基于双树复小波包的重叠块阈值降噪方法。利用有限冗余双树复小波包变换对信号进行具有平移不变性的稀疏分解,结合双树复小波包变换系数所具有的稀疏集簇和邻域相关性特点,建立重叠块阈值估计模型,通过最小化包含块稀疏模型的适应度函数获得估计信号,分析了重叠块阈值降噪各参数对降噪效果的影响和参数优化原则,仿真与实测信号实验结果表明,该方法在不同信号和不同噪声水平下均有效地抑制了噪声干扰,提高了信噪比。     

基于小波系数相关性和局部拉普拉斯模型降噪方法

提出了一种基于小波系数尺度间相关性和局部拉普拉斯模型降噪方法.首先利用小波系数相邻尺度间的相关性对各尺度上系数进行分类,将小波系数分为有效系数和无效系数两类;然后将两类小波系数分别采用相应规则进行处理:对无效小波系数直接进行置零;而对有效系数邻域内的小波系数统计分布进行局部拉普拉斯建模.在此先验分布的基础上,运用最大后验概率估计从含噪小波系数中估计出信号的小波系数;最后利用真实信号小波系数的估计值来重构信号,便得到降噪信号.分析结果表明,与传统的软、硬阈值去噪方法相比,该方法可以更有效地消除信号中的噪声,提高信号信噪比.     

近红外光谱小波投影寻踪回归定量分析方法研究

为改进近红外光谱结构特征与定量回归模型的非线性拟合度和充分利用光谱中的非线性特征,提出了一种光谱小波投影寻踪定量分析方法。该方法对光谱进行小波分解后,用高斯混合模型噪声估计法降噪,对降噪后的小波系数向最优投影方向降维,用多项式岭函数拟合定量回归关系。建立黄酒近红外光谱快速预测酒精度小波投影寻踪回归模型,其相关系数R2和交叉检验标准差RMSECV分别为0.957和0.37838,该法比分析多元线性回归和偏最小二乘回归定量分析2种常规定量分析方法具有更优的预测效果,能更为有效地应用于近红外光谱快速定量分析检测。     

基于量子叠加态参数估计的机械振动信号降噪方法

提出基于量子叠加态参数估计的机械振动信号降噪方法。考虑双树复小波系数虚、实部关系,建立带自适应参数的二维概率密度函数模型;研究父-子代小波系数相关性,提出量子叠加态信号与噪声出现概率,并结合贝叶斯估计理论推导出基于量子叠加态参数估计的自适应收缩函数;分析仿真信号与滚动轴承故障振动信号。结果表明该方法较传统软硬阈值算法适应性更好,降噪效果显著。     

分层自适应小波阈值轴承故障信号降噪方法

针对轴承振动信号易受到噪声干扰的问题,提出了一种分层自适应小波阈值降噪方法。首先将轴承振动信号进行小波分解,获得各分解层的小波系数;之后保留低频信号的小波系数,对高频信号的小波系数进行分层自适应阈值处理;最后将阈值处理后的小波系数进行小波重构,得到降噪后的信号。通过构建一种在阈值处连续且在小波域内可导的分层自适应阈值函数,可以改进传统阈值函数重构偏差和过度降噪的缺陷。轴承故障仿真信号的降噪实验结果表明,该方法的信噪比和均方根误差均优于其他方法,有更好地降噪效果;机械故障模拟实验台的轴承故障信号降噪实验结果表明,该方法在降噪的同时保留了更多的故障信息,能够有效提升故障诊断率,更有利于轴承故障信号的降噪。     

双树复小波域隐Markov树模型降噪及在机械故障诊断中的应用

提出一种基于双树复小波变换的隐Markov树模型的信号降噪方法,并将其成功应用于机械故障诊断中。机械设备的振动信号中不可避免的存在着噪声,使得微弱故障信息的提取一直是故障诊断的难点和热点。双树复小波变换具有近似平移不变性,而隐Markov树模型能有效刻画小波系数间的相关性和非高斯性,两种优势的结合可以获得比常规软、硬阈值小波降噪法和小波域隐Markov树模型降噪法更好的降噪效果。它不仅能有效抑制高斯白噪声,还能够去除异常冲击干扰,仿真信号验证了这一点。对于实际滚动轴承信号,使用该方法同样可以获得满意的结果     

采用离散余弦变换的小波图像去噪方法

提出一种通过对小波域中噪声能量的估计来进行去噪的新方法。算法采用离散余弦变换(DCT)提取小波系数的主要特征,无需对噪声方差进行估计。对图像进行小波分解,利用 DCT对高频子带进行局部特征提取;利用部分 DCT 系数对小波系数进行重建,并以重建系数的平均能量作为局部噪声能量的估计;去除原小波系数中的噪声分量后,进行小波逆变换,得到去噪后的图像。实验证明,其峰值信噪比(PSNR)比通常的阈值萎缩法提高了 2-4dB。     

基于量子高斯混合模型的振动信号降噪方法

由于机械设备振动信号受到背景噪声的干扰,造成机械设备故障状态特征不明显,因此提出了一种基于量子高斯混合模型的振动信号降噪方法。首先,对振动信号进行双树复小波包变换,对双树复小波包系数建立高斯混合模型,根据贝叶斯最大后验估计准则,得到双树复小波包系数收缩函数;然后,利用双树复小波包系数父代和子代的空间相关性,结合量子叠加态理论计算噪声信号和有用信号小波系数出现的概率值;最后,根据量子叠加态得到的概率参数值调节高斯混合模型中的小波包系数收缩函数,使小波包系数自适应非线性收缩,提高高斯混合模型的局部自适应性,实现机械振动信号的降噪处理。仿真信号和实测行星齿轮箱振动信号实验结果表明,该方法能够有效地去除振动信号中的噪声,凸显机械设备的故障状态特征。     

小波域隐Markov树模型降噪算法的改进

提出了适应于更一般情况的基于小波域隐Markov树(HMT)模型信号降噪的改进算法。通常算法以数个零均值高斯函数加权之和描述信号小波系数统计分布,在有些情况下可能带来严重失真。改进算法以一般统计模型描述信号小波系数分布,以最优估计方式对其降噪,能够避免不适当统计模型可能带来的潜在失真。数据仿真表明该算法有时可以减少降噪信号的MSE(均方误差)80％以上。     

图像噪声方差大小的测量新算法

针对图像中的高斯白噪声,提出了一种利用小波系数分布特征进行噪声估计的算法。根据小波系数的分布特点,利用广义高斯分布模型对小波系数进行拟合,并用广义高斯分布模型参数（尺度和形状参数）提出了一种有效的噪声方差估计算法。实验结果表明,提出的噪声方差估计算法能有效地估计噪声方差大小,同时估计的结果要好于其它相关的算法。这种噪声测量算法具有高精度性和快速性。     

消除噪声干扰的动态测量方法研究

由于测量噪声和补偿器的频率特性,使得传感器的动态补偿器存在严重的噪声干扰,影响到补偿器的参数辨识和补偿后的测量精度。研究了一种消除噪声干扰的动态测量方法,先通过小波变换估计噪声的方差,再由估计得到的方差,通过偏差消除的递推最小二乘法,对补偿器的参数进行无偏辨识;同时,采用多项式实时滤波器,消除高频噪声对测量精度的影响。最后,通过实验验证了该方法的有效性。     

基于时频域模型的噪声故障诊断

为了避免传统的基于振动信号的内燃机主轴承磨损故障诊断中安装传感器以及提取故障特征频率的麻烦,采用一种基于内燃机工作噪声信号和时频域分析的方法。首先讨论了对内燃机噪声信号进行小波包络谱分析,得到可以判断主轴承磨损故障的特征频率。然后,进一步阐述了采用噪声信号小波包分解,可得到包含更多故障信息时-频分布图。基于此,运用图像处理技术建立基于图像匹配的内燃机主轴承诊断模型。结果表明此方法简单有效,充分利用了故障信息。     

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。     

声-超声检测信号的消噪处理

声-超声检测信号中存在的大量系统和环境噪声,严重影响回波信号的读取。采用平均滤波和小波包变换的方法进行消噪。利用二阶Daubechies小波函数建立一小波包消噪模型,对信号进行分解重构。经过处理后,消噪效果比较明显,能更加完整地保留有用信息。     

基于噪声测量的主轴承间隙状态监测

提出了基于噪声和正交小波检测往复式活塞发动机滑动主轴承磨损故障的一种新方法。利用小波分析将测得的机体噪声信号变换到时频域，选择合适的频带加以提取并进行包络分析，可实现通过机体噪声信号监测主轴承的磨损状态。并说明了这种方法的有效性和应注意问题。     

闪烁噪声的自相关函数及其表征

闪烁噪声是一种非平稳随机过程,其功率谱密度函数在频率低端（ｆ＝０）发散,无法直接利用Ｗｉｅｎｅｒ－Ｋｈｉｎｔｃｈｉｎｅ关系得到它的自相关函数,本文采用“降阶－积分”方法,得到了频率源中闪烁调频噪声的自相关函数的解析表达式。根据这一结果,分析了频率稳定度的表征原理,指出了频率稳定度表征的实质是将非平稳过程转化为平稳过程并求取时间平均。最后,通过时域分析得到了闪烁噪声的Ａｌｌａｎ方差表达式。     

基于 EEMD样本熵与小波神经网络的汽车关门声品质预测

针对传统客观心理学参量在非稳态噪声品质预测中的不足,以汽车关门声为对象,提出一种基于EEMD分解的样本熵表征关门声的信号特征,并结合小波神经网络进行声品质预测。对声样本进行EEMD分解得到IMF分量,计算各IMF分量的样本熵,并构造成特征向量。分别以此特征向量和声品质主观评分值作为输入输出构建小波神经网络预测模型。作为对比,构建了基于该特征向量的BP网络预测模型、基于心理学参量的小波神经网络预测模型和BP网络预测模型。分析结果表明,在关门声品质预测中,EEMD样本熵比客观心理学参数能更好的反映信号的时变非稳态特性,预测效果更好;且小波神经网络较BP网络的预测精度更高,模型训练速度更快。     

小波去噪中噪声估计失真判别方法

研究小波阈值去噪时存在的噪声估计失真问题。当采用常见的阈值确定方法对含有较强高频分量的信号进行小波去噪时,小波分析的频带能量泄漏现象会导致噪声估计失真,从而使小波阈值去噪出现较大的偏差。从小波分解的d1细节层和d2细节层的相关性角度,揭示d2细节层频带能量泄漏对噪声估计影响的规律,提出根据d1、d2细节层的最大相关系数判别噪声估计失真的方法。最后,给出解决噪声估计失真的方法。实验表明,该方法可以很好地判别小波去噪中是否出现噪声估计失真,可以避免出现去噪后信号有用信息损失严重的问题。     

Efficiency of Using Wavelet Transforms for Filtering Noise in the Signals of Measuring Transducers

Measurement Techniques - The article discusses methods of wavelet filtering of noise in signals of measuring transducers using the threshold method of discrete wavelet transform. Special model...