基于多加速度传感器的胎动信号检测方法

针对检测胎儿重要生理指标胎动信号的问题,提出了一种基于多加速度传感器的利用多种特征检测胎动的方法.采用带通滤波器和小波去噪对信号进行预处理;利用平滑Wigner-Ville分布(WVD)分析提取胎动信号的时域和时频域分布特征,引入了胎动信号分布在时频域的区域数量特征,采用基于Gabor字典和MP的方法提取该特征.根据所提取的特征,建立胎动信号的数学模型,实现了相应分类器.仿真结果显示:该算法具有较高的识别率和可靠性.     

基于变分模态分解的直肠压力信号预处理研究

针对依托于人工肛门括约肌系统的直肠功能诊断模型中采集信号存在大量干扰噪声的问题,提出了一种基于变分模态分解(VMD)算法与小波加权平均阈值去噪结合的预处理方法。利用VMD算法对原始直肠压力信号进行分解,对各模态分量进行小波阈值去噪,提取出有用信号进行重构。通过仿真比较分析该方法与EMD、小波阈值去噪等方法的去噪效果。实验结果表明,该方法在不同噪声水平下均显著提高输出信号的信噪比,同时避免原始信号中有用信息的丢失,具有良好的去噪效果,对直肠功能诊断的准确性具有重要意义。     

光纤温度传感系统中信号去噪方法

针对光纤温度传感系统采集的温度信号噪声较大的问题,分析了温度采集过程中干扰噪声信号的特点、滑动平均滤波和小波变换两种方法对信号去噪的效果.针对采集的温度信号,选择合适的小波去噪方法,并确定了最优的小波基和分级层数,将经过平移滑动滤波算法处理后的温度信号,进一步进行小波去噪处理,并将均方根误差(RMSE)、信噪比(SNR)及去噪信号的平滑度指标R,作为判定去噪效果的依据.实验结果表明:综合去噪算法能够有效去除有用信号中的干扰噪声,在信号无失真的情况下信噪比可以提升10～12 dB.     

基于机器学习算法的电子音乐信号辨识模型

电子音乐音乐信号辨识是一个种模式识别问题,当前音乐信号辨识方法存在误差大、速度慢,抗噪鲁棒性差等缺陷,为了提高音乐信号辨识正确率,提出了一种基于机器学习算法的电子音乐信号辨识方法.首先对电子音乐信号进行采集,并引入去噪方法对其进行预处理,抑制噪声对音乐信号辨识的干扰,提高抗噪鲁棒性,然后从去噪后的电子音乐信号中提取能够...     

多普勒超声信号时间序列数据的计算机提取

设计了一套采集系统 ,将多普勒超声信号时间序列提取出来 ,应用小波包分析算法 ,提出了一种对含噪信号进行去噪的方法 ,并对所获得的数据利用小波包分析进行去噪处理。实践表明 ,系统能比较准确获取血流信号的时间序列数据 ,可以对实验数据进行非线性分析 ,观察其变化规律 ,对进一步研究心脑血管疾病起到一定的作用。     

基于卷积神经网络的电流互感器畸变信号识别方法

在识别电流互感器畸变信号时,主要通过基础的神经网络提取信号特征,只能得到低层特征,使得畸变信号识别结果而F1分数较低。因此,应用卷积神经网络,设计一种新型电流互感器畸变信号识别方法。明确电流互感器的工作原理,绘制整体高频等效电路图,并基于此建立畸变信号模型。应用软阈值去噪原理,对采集的电流互感器信号进行去噪处理。再依托于多通道卷积神经网络,设计信号特征提取模型结构,将去噪后的信号输入其中进行深度学习,组合每个通道输出的低层特征,输出更加抽象的高层信号特征。最后针对特征提取进一步计算,构建特征空间,以此来实现畸变信号的准确识别。实验结果表明：所提方法识别结果的F1分数保持在0.97以上,展现出极好的信号识别效果。     

基于LabVIEW的超声探伤信号多小波去噪分析与应用

根据超声探伤信号的多小波阈值去噪原理,针对硬阈值函数不连续和软阈函数存在恒定偏差的缺点,提出了一种改进的软阈值函数。针对目前LabVIEW没有对多小波算法支持的缺点和MATLAB强大的数值处理能力,利用LabVIEW和MATLAB混合编程技术,在LabVIEW中实现了超声探伤信号的多小波阈值去噪处理,并显示消噪波形、保存消噪数据和频谱分析,扩展了LabVIEW的多小波信号去噪功能。实验结果表明,多小波阈值去噪与单小波阈值相比,在超声探伤信号中起到更好的去噪效果,改进的软阈值函数比传统软阈值函数明显地提高了信噪比,能够更有效地提取缺陷信息。     

小波变换在脉冲涡流检测信号中的应用

脉冲涡流检测方法是涡流检测技术的一个新兴分支.通过实验装置采集了含有噪声的缺陷信号.介绍了小波去噪的基本原理,研究了脉冲涡流检测信号中的去噪问题,采用小波系数去噪对脉冲涡流检测信号进行了处理.实验结果表明:采用小波系数去噪的方法可使缺陷信号的信噪比得到显著的提高.     

小波变换提取的胎动信号的神经网络识别

胎动监护是预防围产期胎死的一项重要手段。本文介绍了一种用小波变换实现胎动信号滤波并利用BP神经网络识别胎动以实现胎动自动监护的方法,其中胎动信号利用压力传感器从孕妇腹部获取。通过使用所设计的分类系统对13例共260min的腹部胎动信号进行识别,总的正确率达90．05％。从实验结果看,本方法效果令人满意。     

小波阈值函数旋转机械振动信号去噪方法研究

从强背景噪声中提取出微弱的旋转机械振动故障特征信号一直是技术性难题。针对传统全局阈值函数去噪在阈值处不连续和存在恒定偏差的问题,提出一种改进的小波阈值函数分层去噪方法。首先对旋转机械故障信号去噪中的小波参数进行了筛选,然后采用改进的阈值函数,利用最优小波参数对振动信号进行分层阈值降噪处理。理论仿真和实测结果表明,对比传统阈值去噪方法,该方法能有效去除背景噪声,保留振动信号原貌特征信息,提高信噪比和减小均方根误差,适合非平稳振动信号去噪,为旋转机械故障诊断奠定了信号预处理的基础。     

小波阈值消噪在管道漏点检测定位中的应用

为了提取管道漏声信号中的有用成分,消除和减弱环境干扰噪声,使定位结果更加准确,使用CA - YD - 103压电传感器和HS801五合一虚拟综合测试仪进行实验,采集铸钢管道漏声振动信号,分析其时域波形和频率特征,确定了信号的频率分布.由于小波变换具有“变焦距”的性质,适合处理非平稳信号,选用小波阈值去噪算法,对信号进行滤波去噪,并与ⅡR滤波效果对比.实验结果表明,选用小波阈值消噪能有效滤除高频干扰,保留中低频中的有用信号,漏声振动信号波形更加清晰,消嗓效果明显优于傅里叶算法.该方法为管道漏点具体定位奠定了基础,具有一定的实用意义与应用价值.     

小波阈值去噪的一种改进方案

信号在采集、转换和传输过程中经常会受到设备、环境等因素的影响,致使现实信号成为含噪信号,对得到的信号进行去噪是信号处理中的一个很重要的环节。在近二十年中小波去噪方法应用比较广泛并取得了较好的效果,越来越多的学者用小波阈值进行信号去噪。首先讨论了小波阈值去噪中估计小波系数的软阈值和硬阈值方法,然后本着提高去噪质量的目的,提出了一种改进方案。该方法在阈值函数中加入因子,可以自适应地减小阈值函数中的恒定偏差。与传统阈值去噪方法相比,有以下两点优势:①去噪效果比传统阈值去噪方法好。②具有一定的自适应性。此外,还用Matlab仿真实验证实了该改进方案的有效性和优越性。     

匹配追踪算法在振动信号去噪中的应用

针对振动信号在采集过程中易受噪声干扰的情况,提出了一种采用匹配追踪算法来处理含噪的机械振动信号的方法,通过稀疏分解与重构对振动信号进行去噪。仿真实验表明该算法不仅可以有效地抑制噪声,提高信噪比,还能够获得较小的最小均方误差值,较好地保持振动信号的特征形态。     

基于粒子群优化匹配追踪的风机振动信号去噪处理

针对风力机振动信号采集过程中易受噪声影响的问题,提出基于过完备原子库的匹配追踪算法对风机振动信号进行处理。该算法能自适应提取和原子相关的信号结构,从而可实现噪声抑制。在匹配追踪算法处理过程中,利用结合梯度信息的改进的粒子群优化算法来寻找最佳原子。仿真结果表明,该算法比标准匹配追踪算法具有更快的运算效率及更高的重构精度。利用该算法对风力发电机齿轮箱振动信号进行去噪处理实验。实验结果表明,去噪后信号信噪比可提高5 d B以上,波形特征更加清晰,并且可以在降噪的同时有效保留故障信息。     

基于EMD阈值方法的轴承故障振动信号去噪

针对随机噪声信号影响对有用信息的获取,提出了EMD分解阈值去噪方法,将小波阈值去噪原理应用于经验模态分解（Empirical Mode Decomposition,EMD）中。首先对实际含噪信号进行EMD分解,根据分解后得到的内蕴模态函数（Intrinsic Mode Function,简称IMF分量）,采用自适应阈值去噪,进行信号重构,得到消噪后的信号,获取有用信息。将该方法应用于实际工程故障振动信号中分析研究表明,该方法可以获得较高的信噪比,能够对实际信号进行有效的故障特征频率提取,降噪后比降噪前的诊断效果更明显。     

重复利用噪声信息的图像去噪的研究

该文主要考虑利用图像噪声再生技术来提取图像细节.其思想是利用被滤除的噪声信号进行回收再利用.通过对噪声信号和初步去噪信号进行小渡变换.比较它们的小波系数,当噪声信号的小波系数达到一定的阈值时,将噪声信号的小波系数保留叠加至初步去噪信号的小波系数,然后利用传统的软阈值去噪的方法来进行图像的去噪,从而达到既能够去除噪声,又能保留图像细节的目的.实验证明,该方法较传统的方法在去噪和细节保持上有改进.     

基于LabVIEW的超声信号小波阈值去噪方法

图形化编程软件LabVIEW具有强大的信号采集功能,但对于需要进行大量数据运算处理的复杂应用就显得力不从心。数学工具软件MATLAB强大的计算功能及较高的编程效率可以弥补LabVIEW开发的不足。文中结合两者软件的优点,采用混合编程的方法进行实际工程的去噪处理,同时针对超声缺陷回波信号信噪比低、易于被噪声淹没的特点,选取小波阈值去噪的方法,通过调用LabVIEW里的MATLAB Script节点对信号进行仿真实验,仿真结果表明采用stein的无偏风险阈值去噪的方法消噪效果最为明显,得到较高的信噪比。     

基于小波-EEMD-Adaline网络的容栅传感器信号去噪方法

针对容栅传感器检测的转动轴扭振信号掺杂的环境噪声干扰和自身的电磁噪声干扰使得信噪比低、微弱信号难提取的问题,提出了一种基于小波-EEMD-Adaline自适应线性神经网络去噪方法.该方法对信号进行小波、EEMD、Adaline网络消噪处理,采用三级去噪、噪声过滤、对消来逼近原始信号.用典型加噪超声信号、Doppler信号、Block信号对该方法进行有效性验证,与EEMD、基于小波分解的EEMD去噪效果相比较.实验结果表明,后两种方法信号去噪的SNR提升小(均不到20),而本文方法SNR(RMSE)提升(减小)明显,对于9 dB的Doppler信号SNR提升达90,RMSE从1.038 5降至0.009 5.对容栅电路实测大噪声微弱信号去噪,结果表明,该方法去噪性能更优,去噪后信号光滑性好,波动稳定性强.     

基于Allan方差改进阈值的惯性传感器动态信号小波去噪

惯性传感器信号的去噪效果通常都是用Allan方差来评价,针对这个特点,提出了一种基于Allan方差噪声系数的小波阈值改进算法。先用提升小波将信号分解到不同频段,再用Allan方差计算各频带上的噪声系数,根据各频带噪声系数的大小确定其滤波阈值,再结合参数可调的阈值函数对各尺度信号进行滤波去噪。改进算法以去噪效果评价参数来修正阈值,具有很强的针对性。通过同其它常用的惯性传感器去噪方法做比较,证明该算法可以有效的随机噪声,提取出更加准确真实的惯性传感器动态输出。     

基于VMD和小波阈值的水听器信号去噪方法

针对水听器采集信号过程中存在的外界环境噪声干扰问题,提出了一种基于变分模态分解和小波阈值(VMD-WT) 的联合去噪方法该方法首先对含噪信号进行VMD分解,得到固有模态函数(IMFs)。然后计算每个IMF分量的中心频率和相关系数,通过相关系数阈值去除噪声IMFs,并对其余有用的IMFs进行小波阈值去噪处理。最后对去噪的IMF分量进行重构,得到具有良好信噪比的信号,通过仿真实验,证明了本方法与CEEMDAN=WT(自适应噪声的完备经验模态分解－小波阈值去噪)、EEMD-WT(集合经验模态分解－小波阈值去噪)、EMD-WT(经验模态分解－小波阈值去噪)、WT(小波阈值去噪)等方法相比,具有更好的去噪效果。通过对光纤水听器的实测实验表明本文的VMD-WT法在实际水听运用中具有良好的提高信噪比的性能。