基于小波和小波包的脉搏波处理

在脉象信号中,随机噪声严重影响有效信号的特征提取,必须进行消噪处理.通过分析小波变换和小波包的算法原理,用小波变换和小波包对脉搏波进行去噪处理.仿真结果表明,小波包算法具有良好的去噪性能,消噪效果明显优于基于小波变换的去噪算法.     

基于K-均值聚类与小波分析的声发射信号去噪

为准确识别声发射信号模式,必须剔除声发射信号中的噪声,传统滤波去噪方法效果并不理想,小波阈值去噪方法显示了独特的优势。针对小波阈值去噪方法中阈值设置风险问题,利用K-均值聚类方法对小渡分解后的高频系数进行分类,确定去除噪声对应小波系数的阈值,然后进行小波系数重构达到去噪目的。采用硬闲值法与软阈值法对声发射信号进行小波阈值去噪,将基于K-均值聚类方法生成的闽值和改进Donoho方法生成的阈值分别作为小波去噪闽值,实验结果表明,在信噪比、均方根误差和平滑度三个指标上,本方法优于改进Donoho方法。     

小波变换与中值滤波耦合的雷达信号去噪法

为了提高雷达检测弱信号的能力，对它的去噪就显得非常重要。小波变换具有良好的局部化分析特性和多分辨率分析特性，中值滤波具有良好的边缘保持特性。它们都有一定的去噪能力，但对弱信号效果不好。提出了基于小波变换与中值滤波器耦合的雷达弱信号去噪方法，仿真结果表明，经过该方法去噪后弱信号的信噪比有较大提高。     

基于平移不变的变形监测数据小波变换去噪处理

将实际观测到的一组烟囱垂直位移监测数据作为通常意义下的时序信号,并对其进行小波变换分析.利用基于平移不变的快速小波去噪算法,对变形监测数据进行去噪处理,对模拟数据和实测数据的处理结果表明,基于平移不变的去噪方法与传统的阈值去噪方法相比,能有效地去除伪吉布斯现象,提高信噪比,剔出变形监测数据中的噪声,识别被噪声湮没的有用信号.     

虚拟仪器中基于小波包变换的信号去噪

阐述了小波包去噪的原理及算法,介绍了虚拟仪器中应用小波包变换对信号的去噪方法.在LabVIEW平台中通过Matlab Script节点的方式实现了小波包变换对信号的去噪.通过仿真对小波包去噪与小波去噪效果进行了比较,结果表明,小波包去噪效果较好.     

新型小波阈值函数的仿真及应用

提出了一种新型小波阈值函数.借助于典型信号和高斯白噪声叠加形成测试信号,对传统小波阈值函数、改进小波阈值函数及新型小波阈值函数的去噪效果进行对比仿真研究.结果表明,采用新型小波阈值函数所得到的去噪信号,其信噪比和均方差均最优.此外,将新型小波阈值函数用于滚动轴承的实际振动信号的去噪研究,从去噪信号的时域信号对比及信噪比来看,该函数具有较好的去噪效果,使信噪比得到了较大提高.     

基于AlexNet模型的雷达信号调制类型识别

针对现代战场复杂电磁环境,在低信噪比(-6 dB)下传统雷达调制信号采用常规五参数特征的识别方法准确率低的问题,本文采用深度学习中的AlexNet卷积神经网络模型自动提取图像各种特征细节,从而替代手工设计特征的庞大的特征工程以实现信号在低信噪比下的识别。该方法首先利用平滑伪Wigner-Ville时频分析在时频域内生成雷达调制信号的时频图像;然后采用中值和均值滤波结合去噪对时频图像进行预处理;最后使用图像处理器GPU在深度学习架构Tensorflow下搭建AlexNet模型进行训练,对CW、LFM、EQFM、DLFM、BFSK、BPSK以及QPSK这7种雷达信号进行特征的自动提取和选择,从而实现雷达信号的自动识别。仿真结果表明,在信噪比为-6 dB时,除QPSK信号外其余6种雷达信号的整体识别率均达到90%以上,比采用非深度学习和LeNet5卷积神经网络的识别效果好,从而验证了该方法在低信噪比下雷达信号识别的有效性。     

基于经验模态分解(EMD)的小波阈值除噪方法

针对低信噪比信号的去噪问题,提出了一种基于经验模态分解的小波阈值去噪方法,并与小波变换去噪法的效果相比较．试验结果证明,当信号的信噪比较小时,基于经验模态分解的小波阈值去噪效果是相当有效和稳定的,为研究环境脉动下结构的输出信号去噪处理提供了新的手段．     

基于改进阈值法的小波去噪算法研究

为了克服传统小波阈值去噪算法中存在的缺陷,采用小波系数放大法,并对阈值函数进行改进。由于信号中存在奇异点,会在奇异点处产生Pesudo-Gibbs现象,采用基于改进小波阈值法的平移不变去噪方法可以有效抑制Pesudo-Gibbs现象,对去噪效果进行强化。仿真实验结果表明:基于平移不变的去噪方法可以明显提高信噪比,其去噪效果优于传统的软、硬阈值去噪方法,具有较高的实用价值。     

基于HMM/ANN混合模型的带噪语音识别

对于含噪语音信号的有效特征提取是语音识别至关重要的一步.该文提出了利用小波调制尺度对语音进行特征提取,结合隐马尔可夫和人工神经网络混合模型进行识别的方法,可进一步反映语音信号的动态特性、增强抗干扰能力和提高识别率.实验证明,该模型适合于对噪声背景下的语音进行识别,同传统的HMM模型相比,具有更好的抗噪鲁棒性,在信噪比较低情况下,识别率比传统的HMM模型有明显的提高.     

基于小波包特征熵SVM的压缩机气阀故障诊断研究

针对气阀信号信噪比低、特征提取困难及故障样本较少、难以建立可靠的故障识别模型的问题,提出基于小波包特征熵支持向量机的气阀故障诊断方法。首先选择容错性较强的信息熵作为特征参数,通过对信号小波包分解,提取故障敏感频带的小波包特征熵作为输入向量,采用仅有的故障训练样本构建SVM分类器,建立气阀故障诊断模型。试验表明,该方法对小样本情形下气阀故障的非线性模式分类问题体现了良好的适应性,且具有特征提取工作量小的特点。     

基于小波变换与SVM的调制信号识别方法

为了准确地识别通信信号的调制方式,运用小波变换与支持向量机（SVM）对调制信号类型进行识别。采用小波分解重构方法对常用3种模拟信号和6种数字信号提取特征值,将提取的小波特征参数送到 SVM判决器,对信号调制类别进行训练与测试,得到平均识别率。实验结果表明,在信噪比不低于5 dB时,识别率达到了100%,具有良好的分类性能和抗噪能力。     

基于小波包分析的旋转机械故障诊断研究

故障信号的特征提取,是故障诊断的关键。通过以德比契斯（Daubechies）小波为基函数的二进小波变换、采用Mallat快速算法的小波包对故障信号进行特征提取。利用小波包对实验数据进行分析,其结果具有良好的时频局部化特性,能对非线性信号进行有效识别。     

波和小波包变换在心电信号去噪中的应用

小波(包)变换软阈值去噪方法具有非线性和自适应性,特别适合非平稳微弱的生物医学信号的去噪,而心电信号恰具有该特征。利用MIT/BIH数据库中没有噪声的胎儿心电的信号作为有用信号并混合高斯白噪声作为干扰来验证小波(包)软阈值去噪的效果。验证结果表明小波(包)软阈值算法去噪效果很好,能有效去除干扰。     

小波和小波包变换在心电信号去噪中的应用

小波（包）变换软阈值去噪方法具有非线性和自适应性,特别适合非平稳微弱的生物医学信号的去噪,而心电信号恰具有该特征。利用MIT／BIH数据库中没有噪声的胎儿心电的信号作为有用信号并混合高斯自噪声作为干扰来验证小波（包）软阈值去噪的效果。验证结果表明小波（包）软阈值算法去噪效果很好,能有效去除干扰。     

基于小波包与支持向量机结合的齿轮故障分类研究

文章通过对齿轮系统在不同的运转状态下故障类型进行试验测试分析,采集了有关的振动测试信号,对振动特征信号进行了小波阈值去噪,运用小波包方法对信号进行分解,然后对分解后的各层信号进行重构,并计算各层的能量,将它作为故障特征,在此基础上将各层信号特征作为输入,运用支持向量机对它们进行分类,将所得结果与神经网络分类的结果进行了比较。研究表明,去噪处理后的效果比没有去噪的信号特征更加明显,而采用小波与支持向量机结合的方法,对于单一故障和复合故障都能够进行很好地区分与诊断,其诊断成功率均在92%以上。该方法不仅可对实际工程工作的齿轮系统进行故障诊断,而且可用于其它故障诊断领域。     

小波变换在弹丸超声阵列中的应用

弹丸超声阵列中检测到的超声波信号信噪比较低,易于被噪声信号湮没,需要对采集信号进行去噪.本文拟采用小波去噪方法对检测到的信号进行去噪,根据弹丸超声波信号的脉冲特性,选取小波基函数中的sym8小波.通过对几种去噪方法对比分析,结果表明,采用Birge-Massart算法选取阈值后,使用改进的Garrote阈值方法进行去噪处理,可以有效的降低噪声,提取弹丸超声波信号特征.     

基于最佳小波包基的边海防声目标识别

针对于将声音识别技术应用于边海防目标的识别,提出了一种新的基于最佳小波包基的特征提取方法。具体方法是首先根据边海防声音信号的频率分布特征,对这些信号进行有选择地多尺度小波包分解,获取最佳小波包树,然后将相应的最佳小波包基的能量值归一化后作为特征向量,再将这些特征向量输入BP神经网络训练,用训练好的神经网络对边海防声音信号进行识别。仿真结果表明:在噪声条件下,利用此特征提取方法,识别率达到94%,比基于小波包分解的特征提取方法的识别率高出6个百分点。     

再制造对象磁记忆信号的特征提取方法

针对在工程实践中对再制造对象进行金属磁记忆检测时容易受环境磁场干扰的情况,给出一种利用小波分析和希尔伯特变换进行磁记忆信号去噪和特征提取的方法.利用金属磁记忆检测仪采集一铁磁性试件的磁记忆信号,对其中受环境磁场干扰的信号进行小波阈值去噪处理,并对去噪后的信号采用希尔伯特变换提取信号包络,最后通过求取梯度获得信号特征.试验结果表明：利用小波阈值方法进行磁记忆信号去噪效果明显,对磁记忆信号利用希尔伯特变换可以获得信号的包络,从而有效地提取信号特征.     

小波包变换和EEMD结合的信号去噪方法

超声波采样信号中的噪声也会参与经验模态分解(EEMD),造成各分解分量IMFs失真,针对于此,利用小波包分解能同时处理高频及低频噪声的特点,并结合EEMD分解算法良好自适应性,提出一种先通过小波包变换对原始采样信号进行初步消噪,然后再结合EEMD算法分解得到独立IMFs分量,最后根据各IMFs相关系数重构获得有效信号的降噪方法。通过仿真分析,相比单独的小波包去噪、EEMD分解去噪,本方法提高分解效率的同时提升了信噪比,具有更好的滤波效果。