二代小波变换在肌电信号消噪中的应用

为了更好地消除混杂在表面肌电信号中的噪声,提出了一种基于二代小波变换的表面肌电信号消噪方法.利用提升算法进行表面肌电信号二代小波分解,得到多层的信号高频细节系数,分别运用软、硬阈值进行处理,对滤波后的信号进行小波重构,恢复消噪后的原始信号.通过对加噪正弦信号和真实表面肌电信号的消噪实验,结果表明:二代小波是一种明显优于一代小波的消噪方法,且硬阈值法优于软阈值法.     

小波和希尔伯特变换在脑电信号消噪中的对比研究

为了更好地消除混杂在脑电信号中的噪声,完成脑电分析,对小波和希尔伯特变换（HHT）的脑电信号消噪效果进行了对比研究。在HHT消噪方法中,利用经验模态分解（EMD）算法对脑电信号进行8尺度分解,得到固有模态函数（IMF）分量的组合,经过滤波和信号重构,得到消噪后的脑电信号。实验结果表明,HHT方法能较好地去除脑电信号中的噪声。运用评价准则比较了HHT方法和小波变换方法的消噪效果,发现HHT方法的脑电信号消噪效果优于传统的小波变换消噪,且算法的效率更高。     

以小波系数为特征值的Pi-sigma网络识别肌电信号

为了有效识别肌电信号EMG(Electromyography)的运动模式,利用小波分析的方法对采集的肌电信号进行消噪处理,最大限度地清除混杂在肌电信号中的噪声;然后提取各尺度小波系数最大值作为Pi-Sigma神经网络分类器的输入,完成基于EMG信号多运动模式的识别.与此同时,利用EMG信号的能量特性,对各模式的起始和终止时刻进行界定,配合模式分类器的识别结果控制电动假手完成相应的动作.实验表明,基于小波分析的二次消噪方法能很好地消除混杂在EMG信号中的噪声,在正确的运动模式识别情况下,依据提取的运动模式时间信息,能够方便地实现假手的实时控制.     

基于最优Morlet小波和SVD的滤波消噪方法及故障诊断的应用

分析了传统的小波去噪方法和小波变换的滤波特性.利用小波变换技术、奇异值分解技术和Morlet小波良好的时域和频域特性,提出了基于最优Morlet小波和SVD的滤波消噪方法.首先,采用最小Shannon熵方法确定出最优Morlet小波;然后,利用奇异值分解技术确定出最佳变换尺度a;最后对信号进行滤波消噪处理,从而提取信号中的有用成分.实验结果表明,该方法具有良好的去噪性能,用于故障特征提取是有效的.     

基于小波包和LMS自适应降噪的柴油机振动诊断

由于柴油机振动信号的特征频带和噪声频带存在重叠现象,利用小波阈值消噪时难以选取合适的小波阈值,针对该问题提出一种基于小波包的LMS自适应滤波降噪方法。该方法将小波包与LMS自适应滤波相结合,首先利用小波包变换对信号进行多层分解,然后以噪声干扰对应尺度上的第一层“细节”分量及最大分解尺度上的逼近分量重构信号,将重构后的信号作为LMS自适应滤波器原始输入信号,再以小波包最大分解尺度上的高频细节信号作为自适应抵消器的参考输入信号,进行LMS自适应滤波降噪处理。仿真计算和工程应用表明,该方法参数设置较少,易于控制,不涉及小波阈值降噪中阈值的选取问题,对比试验信号的分析验证了方法的有效性,将该法应用在柴油机振动诊断中提高了故障识别率。     

基于小波包变换和自适应滤波的超声信号去噪

为解决传统小波去噪方法因阈值设置问题或不能保留信号高频部分致使去噪效果不明显的问题,提出一种基于小波变换的自适应去噪方法,即先将信号进行小波包分解,然后对各分量信号分别选用不同的滤波参数,进行自适应滤波处理。实验表明:该方法有良好的超声信号去噪效果,为缺陷的分类和定量测量打下基础。     

邻域比较数字滤波与小波变换在脑电信号消噪中的应用

提出了邻域比较与小波变换相结合的脑电信号消噪方法,并利用这种方法对含有脉冲噪声的脑电信号进行消噪。首先介绍了邻域比较滤波的算法和小波变换消噪的原理,然后对实测的10例脑电信号进行消噪处理,最后将两种方法相结合的消噪效果与小波变换的消噪效果进行对比。实验结果表明,无论是信噪比还是均方根误差,两种方法相结合的消噪效果均优于小波变换的消噪效果。     

基于小波系数非线性连续函数衰减的脑电信号去噪

环境噪声和工频噪声的干扰对脑电信号(EEG)的进一步处理和分析带来极为不利的影响。针对传统小波系数软阈值消噪方法去噪后产生的波形失真和硬阈值消噪方法去噪后产生的振荡现象,提出了一种新的小波系数非线性连续函数衰减处理算法。通过小波系数的非线性衰减处理,使低值端小波系数连续函数的变化介于硬软阈值函数之间,有效避免了处理后的波形失真和振荡。通过实验数据比较,证明处理后的脑电信号信噪比和均方误差均优于传统的小波去噪处理方法。     

基于EMD和小波熵阈值算法的超声回波信号降噪

超声检测信号中通常包含大量噪声,而其中材料晶界散射的噪声是一种相关噪声。鉴于传统的方法难以将这种噪声和缺陷回波信号区分,提出一种EMD和小波熵阈值联合降噪的算法。该算法首先对目标信号进行EMD分解,提取具有噪声特性的IMF分量进行小波分解,利用含噪系统熵增的特性,在分解各尺度层的细节部分选用小波熵自适应阈值降噪,然后将剩余分量和降噪处理后的信号进行重构。仿真信号结果表明:该降噪方法(EMD-WET)输出信号的信噪比(SNR)为7.9 d B、均方根误差(RMSE)为18.1、相似系数(NCC)为0.92,优于传统的小波软、硬阈值方法。对实测信号进行处理,该方法降低信号中的大部分噪声,更好地还原回波信号的波形。     

基于Shannon熵的自适应小波包阈值函数去噪算法研究

小波包去噪算法的关键问题在于对信号进行去噪时,如何有效地消除噪声且尽可能地保留原始信号的小波包系数。传统阈值函数由于无可调节参数,其去噪形式固定,无法根据小波包分解系数的噪声成分自适应地进行调整,去噪效果有待提升。据此,将Shannon信息熵作为调节参数引入小波包阈值函数中,提出一种基于Shannon熵的自适应小波包阈值去噪算法,对信号进行小波包分解并计算最大分解尺度小波包系数的Shannon熵值,依据该值对阈值函数进行调整,以实现在强噪声背景下对小波包系数进行大尺度的收缩,而在弱噪声背景下实现阈值收缩的平滑过渡。采用该方法对仿真信号与轴承振动实验信号进行去噪分析,并与其它小波包阈值去噪算法相对比,结果表明该方法去噪效果更好且在滤除噪声的同时有效地保留了信号的原始特征。