基于小波系数变换的小波阈值去噪算法改进

小波阈值去噪是近年兴起的一种较好的去噪算法,其一关键点在于准确的选取阈值将细节信号和噪声信号区分开来。提出了一种算法对小波系数进行变换,将难以区分信号和噪声的区域放大,以利于阈值的选取,从而达到改进小波阈值去噪的目的。通过使用传统阈值去噪算法和该改进算法进行仿真,结果表明改进算法对去噪指标SNR、SME（平均方差）都有所改善。另外本文实验也表明改进算法可以更好的去除噪声,且较好的重现原信号的细节特征。     

一种改进的小波阈值去噪算法研究

研究小波去噪算法中软阈值函数与硬阈值函数的方法,针对一些可变阈值函数的运算复杂的问题,提出一种新的阈值函数。经仿真测试,改进的小波阈值去噪算法的信噪比为20.103,去噪后,数据的均方误差为0.1152。     

小波阈值去噪法的改进算法

基于小波变换的阈值去噪法是去除数字信号中白噪声的有效算法.其中阈值函数关系着重构信号的连续性和精度,硬阈值函数的不连续性和软阈值函数中估计的小波系数与信号的小波信号间存在恒定偏差的缺陷,也限制了它的进一步应用.本文通过数学方法的引入,对阈值函数进行了改进.仿真结果表明,该方法具有较好的去噪效果.     

果蝇优化小波阈值超声检测信号去噪

由于材料结构的复杂性,超声检测回波信号往往存在很多干扰噪声。针对钢制结构中平底孔的超声检测信号传统小波去噪方法中小波阈值难确定的问题,结合小波良好时频特性和果蝇的全局优化能力,提出基于果蝇算法(FOA)优化小波阈值函数的超声检测信号去噪方法。对原始信号叠加5d B高斯白噪声,通过测试最大信噪比改善量获得最佳小波基和分解层数,采用sym5小波对超声检测信号进行6层分解后,利用果蝇算法对小波阈值进行参数优化,对比传统4种阈值确定方法,提高小波阈值的精度。验证结果表明:该方法对超声检测信号去噪后信噪比、均方根误差和相关性等参数具有满意的效果,去噪效果明显。     

基于改进阈值函数的小波去噪算法研究

针对用小波变换进行信号去噪的阈值函数设定问题,在传统软、硬阈值函数去噪的基础上,提出一种改进的阈值函数方法,并与极大重叠离散小波包变换相结合,从而得到一种改进阈值函数的小波去噪方法。[Matlab]仿真结果表明：去噪方法提高了重构信号的信噪比,有效除去噪声,且保留原始信号的细节特征,是一种较好的信号消噪方法,在股票去噪中具有较高的实用价值。     

基于小波分析联合VMD的超声信号去噪方法研究

超声信号在空气中传播效率低、气固界面耦合时透射率差,且易受到接收电路固有噪声和材料晶粒散射噪声的影响,导致接收的信号信噪比低。针对这一问题,结合小波分析“信号显微镜”的优点和变分模态分解(VMD)在窄带谐波信号提取方面的优势,提出一种基于小波分析联合VMD的超声信号去噪方法,并且对小波的阈值做改进,以减少信号的损失。利用改进阈值的小波分析对信号预处理,实现信号和噪声的初步分离,然后用VMD分解信号,提取所需频带的分量,对小波处理的结果进行优化,达到最终去噪的目的。实验数据表明,处理后的超声信号与原始信号相比,SNR平均提高1.84 dB,MSE减小34%,改进阈值后时域峰值损失减少7%,信号能量损失减少13%。该方法去噪彻底,有用信号保留完整,为超声信号的去噪提供新思路。     

适于泥石流除噪的EMD联合小波阈值除噪方法

次声传感器采集到的泥石流次声信号中包含有大量的无关干扰信号,严重影响信号的分析与评估。针对含噪泥石流信号中无法准确确定噪声频段的特点,以及传统经验模态分解(Empirical Mode Decomposition, EMD)联合小波阈值去噪方法无法智能分辨噪声所在频段的缺点,提出了信号经EMD分解后,基于相关性选择噪声频段的方法。首先利用EMD分解获取信号的固有模态函数(Intrinsic Mode Function, IMF)分量,然后计算各个IMF分量与原始信号的相关性,根据相关性大小确定IMF噪声频段,然后采用小波阈值去噪方法对噪声频段进行处理,最后对处理后的信号进行重构得到去噪泥石流信号。通过模拟实验分析,证明该方法具有智能选择噪声频段的能力,是一种更适于泥石流信号的去噪方法。     

基于小波影响锥分析的小波域阈值去噪方法

分析了传统的小波域阈值去噪方法在信号的奇异点附近产生震荡的一方面原因.基于尽可能的保留携带奇异点信息的小波系数的思想,提出了一种基于小波影响锥分析的小波阈值去噪方法首先通过阈值确定重要小波系数的时间位置,然后在小波影响锥分析的基础上保留所有影响锥内的小波系数.试验表明,本文方法与传统的阈值去噪方法相比在抑制震荡的同时能显著地提高信噪比.     

基于小波影响锥分析的小波域阈值去噪方法

分析了传统的小波域阈值去噪方法在信号的奇异点附近产生震荡的一方面原因。基于尽可能的保留携带奇异点信息的小波系数的思想,提出了一种基于小波影响锥分析的小波阈值去噪方法:首先通过阈值确定重要小波系数的时间位置,然后在小波影响锥分析的基础上保留所有影响锥内的小波系数。试验表明,本文方法与传统的阈值去噪方法相比在抑制震荡的同时能显著地提高信噪比。     

基于深度残差学习的彩色图像去噪研究

目的 当噪声存在时,尤其是等级相对较大的噪声,会导致彩色图像的视觉质量下降,为了有效去除噪声的同时使去噪后的图像有更好的视觉效果,提出一种基于深度残差学习的彩色图像去噪方法。方法 首先设计由多个残差单元模块组成的残差层,然后在每个残差单元模块之间添加跳跃连接,构成由噪声图像到去噪图像的非线性映射,并优化残差单元个数,使网络能学习到更多的图像细节特征,以提升网络的去噪性能,同时将每个残差单元模块中的激活函数提到卷积层前面,以加速网络收敛。结果 与常用去噪算法相比,文中方法在Kodak24和CBSD100数据集上的主观视觉打分MOS值以及客观指标(PSNR和SSIM)上,较其他方法有更好的效果。结论 提出的基于深度残差学习的彩色图像去噪方法能有效去除图像中的噪声,尤其是较严重的噪声,并取得了良好的视觉效果,表明该方法具有良好的去噪性能。     

基于深度学习的舰船辐射噪声多特征融合分类

为了改善分类系统的性能,进一步提高舰船辐射噪声分类的正确率,该文提出了一种基于深度神经网络的多特征融合分类方法。该方法首先提取舰船辐射噪声几种不同的特征,将提取的特征同时用于训练具有多个输入分支的深度神经网络,使网络直接在多种特征参数上进行联合学习,通过神经网络的输入分支和连接层实现特征融合,再对舰船辐射噪声进行分类。为了特征深度学习提取了舰船辐射噪声的频谱特征、梅尔倒谱系数和功率谱特征,并将多特征融合分类方法与在一种特征上进行深度学习分类方法的正确率进行对比。实验结果表明,基于深度学习的多特征融合分类方法可以有效地提高舰船辐射噪声分类的正确率,是一种可行的分类方法。     

基于字典学习的主动声呐目标分类方法

主动声呐目标分类在军事和民用方面都有重要的应用和价值。文章基于稀疏表示理论,结合K-奇异值分解和正交匹配追踪算法,提出一种基于学习字典的稀疏表示分类方法（Dictionary Learning Sparse Representation Classification,DLSRC）。首先,利用K-奇异值分解算法训练各个类别目标回波信号,得到带有目标特征信息的类别字典,类别字典对信号具有良好表征能力并且带有目标类别信息;然后,利用正交匹配追踪算法和各个类别字典稀疏分解测试信号,得到各个类别字典下的稀疏系数后重构信号;最后,根据各个重构信号与测试信号的匹配度判定类别,得到分类准确率。结果显示,200个测试数据在信噪比分别为-5、-3、6 dB时,DLSRC法的分类准确率分别达到87%、89%、95.5%。不同信噪比下基于学习字典稀疏表示分类方法的准确率均高于已有的支持向量机（Support Vector Machine,SVM）、K-最近邻（K-Nearest Neighbor,KNN）和柔性最大值分类器（SoftMax）等分类方法,具有较好的分类性能。     

被动声纳目标识别技术的现状与发展

在现代被动声纳系统中，水下目标的自动识别是关键技术之一。文章对被动声纳目标识别的特征提取、特征选择和分类器设计方面进行了回顾。对LOFAR，DEMON和小波变换等特征提取技术进行了讨论，分析了特征优化的重要性和专家系统和神经网络等分类器的优缺点，并简要分析了该领域的过去、现在和未来。     

小波包分形与支持向量机在水声目标识别中的应用研究

水声目标分类识别是公认的水声信号处理难题,船舶辐射噪声是一种非线性非平稳信号,具有一定的混沌特性,更好地认识船舶辐射噪声的非线性性质,有助于更好地寻找有效的水声目标检测及识别算法。为了解决水声目标的分类识别问题,提出了利用小波包分形和支持向量机组合进行水声目标识别。利用小波包分解得到目标辐射噪声不同频带内信号分形维数作为特征矢量,并输入到支持向量机实现目标分类,实验结果表明,小波包分形和支持向量机的结合有比较好的分类识别效果,有一定的实际应用价值。     

一种基于VGGish神经网络的水声目标识别方法

水声目标智能识别是水声装备智能化的重要组成部分,深度学习则是实现水声目标智能识别的重要技术手段之一。当前水声目标智能识别经常面临数据集较小带来的训练样本量不足的情况,针对小数据集识别中存在的因过拟合导致模型泛化能力不足,以及输入的水声信号二维谱图样式不统一的问题,文章提出了一种基于VGGish神经网络模型的水声目标识别方法。该方法以VGGish网络作为特征提取器,并在VGGish网络前部加入了信号预处理模块,同时设计了一种基于传统机器学习算法的联合分类器,通过以上措施解决了过拟合问题和二维谱图样式不统一问题。实验结果显示,该方法应用在ShipsEar数据集上得到了94.397%的识别准确率,高于传统预训练-微调法得到的最高90.977%的准确率,并且在相同条件下该方法的模型训练耗时仅为传统预训练-微调方法的0.5%左右,有效提高了识别准确率和模型训练速度。     

基于小波变换模极大值的自适应阈值图像去噪算法

依据白噪声小波变换性态与信号奇异性相比具有显著不同的特点，在大尺度下设置阈值，去掉噪声信号而保留图像细节信号引起的模极大值点。在阈值设置问题上，采用自适应阈值的方法，克服单一阈值不能在每级尺度上将信号与噪声作最大分离的缺点。实验表明，与单一阈值去噪方法相比，该方法不仅可以保留图像边缘信息，而且能提高去噪后图像的峰值信噪比2～5dB。     

抗频移声谱特征提取及目标分类应用研究

针对目标运动等导致的辐射噪声频谱特征的时变性对目标分类稳定性的影响,提出一种基于时频图像累积变换的抗频移声谱特征提取方法,不仅能够提取淹没在强噪声中的线谱信号,还能够实时给出谱线的参数信息,同时结合听觉特征识别原理,采用抗频移的仿倍频程的三角滤波法提取目标特征。仿真和实际数据处理表明,所提出的特征有助于探测设备克服目标未知的复杂运动带来的频谱时变影响,提高了分类特征的稳定性。     

改进的阈值法在毫米波目标辐射信号去噪中的应用

根据毫米波目标辐射信号小波变换的特征,使用非负小波系数作信号的小波系数,对于确定的阈 值,令小于阈值的小波系数为零,大于阈值的小波系数减去常数a ,利用信号的方差函数推导了a 的取值方 法,实验表明该方法有良好的去除毫米波目标辐射信号噪声的能力     

检测技术中新的小波阈值函数的信号去噪

在信号检测技术中,构造了一个新的阈值函数,与传统的软硬阈值函数相比,连续性好,高阶可导,便于进行各种信号处理和检测。实验仿真结果表明,采用新的阈值函数的去噪效果在信噪比增益和均方误差意义上均优于传统的软硬阈值方法,给检测技术带来了新的发展。