基于小波包最佳基分解的特征表示

特征提取是信号识别与分类中的重要一环,对提高系统的准确、改善系统性能起着关键的作用。利用小波包变换对信号进行特征提取是近年来发展起来的一种新的特征表示手段,在许多领域中已获得了成功的应用。论文首先回顾了采用小波包变换对信号进行分解的过程,并在此基础上研究了基于小波包变换的特征表示与提取方法。     

基于小波包变换的脑电波信号降噪及特征提取

针对原始脑电波信号存在非平稳性且非常容易受到各种信号干扰等特点,对基于小波变换和小波包变换的脑电波信号的滤波降噪方法,和基于小波包变换的脑电波信号特征提取方法进行了研究。首先利用MindSet采集到原始脑电波数据,然后分别应用小波变换和小波包变换对其进行降噪处理,比较了两种方法的性能,验证了基于小波包变换的降噪方法的优越性和特征提取方法的有效性。     

基于有效性评价机制的小波包特征提取技术

本文介绍了如何应用提升小波包变换对信号进行特征提取,并在此基础上提出了四条定量的评价标准,能够全面地对此类特征提取方法的有效性进行评价。通过这四个标准,就能更科学地选取合适的特征小波包,从而进一步提高原方法的效率,减少不必要的计算复杂度,使之更加适用于压缩机信号的实时监测。     

基于小波包分析的虹膜识别研究

虹膜特征提取是虹膜识别中的关键环节.小波方法在提取虹膜特征时未对分解后的高频空间进一步细化分解,而虹膜纹理特征较多地蕴含在高频空间中,因此提取的虹膜特征在表示特征能力上存在不足.针对此类问题,提出一种基于小波包多尺度分解的虹膜识别方法,利用阈值将小波包分解后第二层对角高频子带图调制为虹膜特征码,利用海明距离对特征进行识别.对108类人眼虹膜图像进行特征提取与匹配,分解小波采用sym2小波,共进行5350次特征匹配,正确识别率达到98.5％,在识别性能上优于Boles的小波变换过零点法和Lim的二维Haar小波变换法,仅次于Daugman的二维Gabor方法.     

基于小波包分析的虹膜识别研究

虹膜特征提取是虹膜识别中的关键环节.小波方法在提取虹膜特征时未对分解后的高频空间进一步细化分解,而虹膜纹理特征较多地蕴含在高频空间中,因此提取的虹膜特征在表示特征能力上存在不足.针对此类问题,提出一种基于小波包多尺度分解的虹膜识别方法,利用阈值将小波包分解后第二层对角高频子带图调制为虹膜特征码,利用海明距离对特征进行识别.对108类人眼虹膜图像进行特征提取与匹配,分解小波采用sym2小波,共进行5350次特征匹配,正确识别率达到98.5％,在识别性能上优于Boles的小波变换过零点法和Lim的二维Haar小波变换法,仅次于Daugman的二维Gabor方法.     

小波包分解在虹膜识别中的应用研究

小波包分解是从小波变换延伸而来的一种更精细的信号分析算法，具有分析高频特征信息的优势。文中结合小波包分解的特点，提出了一种基于小波包分解的虹膜识别算法。该算法首先对虹膜图像实行分窗小波包分解，并对各窗口的子带图像作筛选处理；然后通过奇异值分解对筛选后的各子带图像作进一步的特征提取和压缩，得到虹膜识别特征；最后利用加权欧氏距离分类器进行识别。实验结果表明了该算法的有效性。     

最佳能量小波包技术在海洋水声信号处理中的应用

对随机时间序列的特征提取与聚类分析,提出了基于分类距离标准的小波包基能量方法。该方法应用小波包变换提取信号各子空间的能量,以能量分类距离标准选取最佳小波包基,最佳小波包基上距离系数大的能量作为特征值。实验结果表明此方法比固定尺度小波包能量法有着更好的分类效果,并且特征值维数低。     

基于多小波包的齿轮故障诊断方法研究

提出了一种全新的基于多小波包的齿轮箱故障诊断方法。在机械故障诊断领域,小波分析已经被应用在利用齿轮振动信号进行的故障诊断中。由于小波函数空间在高尺度上频带较宽,因此隐藏在信号中的在较高频段发生的窄带故障信号的频率成分不能被精确地诊断。提出的多小波变换,通过划分小波变换不同层的频带克服了单小波(标量小波)系统的这种缺陷。通过多小波包变换,可以自动并精确地划分不同小波包结点的频率段,从而对频率段较窄的瞬变故障信号进行精确的诊断。对齿轮箱的仿真实验结果表明,应用多小波包系统,不但可以对齿轮系统中包含瞬变现象的故障信号进行诊断,而且可以精确确定齿轮中坏齿的位置。     

基于改进小波包与样本熵的表面肌电信号特征提取

针对表面肌电信号(sEMG)进行小波包分解后子空间维数较大导致部分子空间的特征信息被减弱和相邻子空间的频率接近会导致不同程度的信息冗余问题,提出了一种基于改进小波包与样本熵相结合的特征提取方法.在对原始sEMG进行小波变换的同时,对其某一高频子空间也进行小波变换,提取改进小波包分解后四个低频子空间的样本熵作为特征.在智能轮椅平台上进行实验,实验结果显示采用基于该算法的轮椅系统不仅正确识别率较高,而且稳定性更好.     

基于奇异值分解和小波包分析的液压泵振动信号特征提取方法

针对液压泵故障特征提取问题,提出了一种基于奇异值分解和小波包变换的液压泵振动信号特征提取方法.通过奇异值分解将噪声非均匀分布的液压泵振动信号正交分解为噪声分布相对均匀的分量,对各分量进行小波包阈值去噪,重构去噪后分量,对去噪后信号进行小波包分解,提取各频带能量特征.以齿轮泵为例,将该方法对齿轮泵的气穴故障、齿轮磨损和侧板磨损3种常见故障和正常状态的振动信号进行特征提取分析,结果表明,该方法可有效提取齿轮泵故障特征.     

小波包熵在水下目标识别中的应用研究

研究了基于小波包变换和Fisher线性分类器的水下目标识别方法。小波包是在小波变换的基础上发展起来的时频分析方法,能够对非平稳信号提供更丰富的时频信息。通过对水下目标辐射噪声信号进行小波包分解,提取小波包分解的终端节点的熵值作为特征矢量,应用Fisher线性分类器设计的分段线性分类器对水下目标进行分类识别。仿真结果表明,以小波包熵作为特征矢量的分类方法具有较高的识别正确率。     

基于多小波包的齿轮故障诊断方法研究

提出了一种全新的基于多小波包的齿轮箱故障诊断方法.在机械故障诊断领域,小波分析已经被应用在利用齿轮振动信号进行的故障诊断中.由于小波函数空间在高尺度上频带较宽,因此隐藏在信号中的在较高频段发生的窄带故障信号的频率成分不能被精确地诊断.提出的多小波变换,通过划分小波变换不同层的频带克服了单小波(标量小波)系统的这种缺陷.通过多小波包变换,可以自动并精确地划分不同小波包结点的频率段,从而对频率段较窄的瞬变故障信号进行精确的诊断.对齿轮箱的仿真实验结果表明,应用多小波包系统,不但可以对齿轮系统中包含瞬变现象的故障信号进行诊断,而且可以精确确定齿轮中坏齿的位置.     

基于卷积型小波包变换的信号消噪算法

提出了卷积型小波包变换，与传统小波包变换相比。在这种小波包变换中不管信号被分解多少层，每层分解得到的各频道序列长度始终与原始信号一致，利用这一性质本文进一步提出并实现了对小波包分解结果利用模极大值法进行消噪的算法。这一算法的思想来自于基于小波变换的模极大值消噪算法，但是由于小波包分解是对小波分解的结果作进一步细分，在小波分解中难于分离的高频噪声将被小波包充分分离与集中到后面的频道，因此基于小波包变换的模极大值消噪算法将会取得比小波消噪更好的效果。文中给出了信号的小波包消噪实例，并与小波消噪的效果进行了对比，结果表明小波包有更优良的消噪效果。     

基于小波包变换的肌电信号特征提取

本文提出一种新的基于小波包变换的特征提取方法,提取表面肌电信号进行小波包变换后得到的信号的协方差矩阵的特征值的最大值作为特征值。利用该方法对表面肌电信号提取特征值构建特征矢量,送入Elman神经网络对手部6种动作模式进行识别,在Matlab平台上进行实验仿真。实验结果表明,该方法取得了很好的识别效果。     

基于小波包的图像压缩及Matlab实现

小波包是近年来的一个研究热点,在图像处理方面有着很广泛的应用。文中提出了基于小波包的图像压缩及Madab实现方法,加快了图像压缩的进程,取得了很好的实验效果。将图像在小波包最优基下展开,利用小波包最优基极好的空间、尺度定位性,使得图像的小波包变换系数在小波变换域极可能的集中从而使在不降低压缩信号的视频质量情况下,提高了图像的压缩比。     

基于小波包和HHT的轴承故障诊断研究

采用一种处理非平稳信号的新方法—希尔伯特-黄变换HHT(Hilbert-Huang Transform)来进行滚动轴承故障特征的提取.将信号先进行小波包降噪处理,然后用HHT进行信号故障特征提取.通过实验仿真和轴承故障诊断实例,对比没有进行小波包降噪而直接进行HHT的结果,证明了此方法在轴承故障诊断中的有效性.     

基于小波包分析的电机滚动轴承故障诊断

电机滚动轴承发生故障时的信号是非平稳的,小波包变换对故障特征提取有明显的优势,给出了利用小波包对故障信号进行分析的方法。确定轴承参数以及对故障信号的采集,并计算各类故障特征频率,选择小波基和确定最佳的分解层数,之后在Matlab软件环境下对信号进行小波包分解和重构,得到滚动轴承各类故障信号的功率谱,最后把实验结果与计算结果做对比,证实了该方法可以有效地把轴承中的故障信息成分检测出来,从而判断滚动轴承的故障类型。     

基于小波包的新LDB人脸识别方法

研究人脸特征优化识别问题,图像信息中存在不同噪声和不同人脸特征.通过特征提取识别,获得不同人脸特征.针对传统人脸识别方法的识别率受光照、旋转等约束条件影响大的缺点,为了提高识别率,提出了一种根据小波包变换和改进的LDB(Local Discriminant Basis)方法相结合的人脸识别方法.算法首先利用小波包对人脸图像进行分解,再采用改进的LDB方法获取最佳分类特征,最后利用Euclidean距离函数进行分类识别.在人脸库Feret进行实验.结果表明,新算法减少了计算复杂度,提高了识别率,为人脸识别提供了依据.     

基于小波包变换的弱信号检测

在通信、医学成像和雷达信号处理等领域中常常面临着强噪声背景中弱信号检测的问题。文中分析了小波包变换的良好时频分析特性,根据信号与噪声具有不同的Lipschitz指数,通过引入子频带∞-范数,对信号和噪声进行频谱分析,将最佳子空间的熵值及最佳子空间在完整二叉树中的位置参数作为特征量,并应用浮动阈值去噪方法,解决了低信噪比情况下的弱信号检测。最后,通过计算机的数值计算,模拟了浮动阈值去噪法基于小波包变换和小波变换的强噪声背景下的弱信号检测,从仿真的波形图中得出在低信噪比情况下的弱信号检测方面小波包变换优于小波变换。     

sEMG信号采集电路设计及其特征提取算法

表面肌电(Surface electromyography,sEMG)信号直接、客观地反映了神经和肌肉的活动功能状态,已获得广泛应用。本文设计了一种sEMG信号采集电路并以单通道形式采集上肢5种动作的sEMG信号,经小波包变换提取6种特征(其中一种引自基于小波变换的特征提取方法)并分别结合PCA和KPCA进行处理;再分别用BP神经网络和SVM进行动作识别。此外,对比了小波变换的特征提取;讨论了KPCA与PCA在特征变换上的差异。所提取的基于小波包变换的6种特征有5种的识别率均超过95.7%,其中引入的高低频系数组合特征在BP神经网络下平均识别率超过99%。基于小波变换提取的5种特征经KPCA变换后也达到较高的识别率。实验结果表明,本文的sEMG信号采集方法及其特征提取方法均达到较好效果。