基于小波包分解的多层侵彻信号分析及处理方法研究

由于硬目标侵彻载体结构、研究对象和侵彻过程的复杂性,得到加速度-时间信号频率成分多,而且是典型的非平稳随机过程。小波理论是新的信号处理技术,小波分析是一种信号的时间-频率分析方法,具有多分辨率分析的特点,可以用来分析这些信号。通过对实测信号的分析表明,与建立在传统Fourier变换基础上的频谱分析方法相比,基于小波变换的冲击振动时频特征分析可以给出更为准确的细节信息。文中的研究结果为侵彻信号的处理提供了新的途径。     

高冲击弹载记录器侵彻加速度信号的分析与研究

为了了解炮弹从出膛到触靶侵彻目标整个过程的动态特性,就要对弹上存储器采集到的非平稳侵彻加速度信号进行处理。本文介绍高过载弹载记录器硬件系统的设计,并对弹体侵彻试验中实际获取的加速度信号在时间域进行了预处理、积分等分析。对高过载加速度信号进行小波分析,从而了解侵彻过程中各种频率成分。通过对信号的处理和全面分析得到了侵彻加速度信号的特征,为工程人员提供了一种如何去获取所需参数的数据处理方法。     

一种基于DSP的小波包变换对瞬时频率的测量

文章研究了一种基于小波包变换对信号的瞬时频率测量方法,利用小波包变换的特性,把输入信号分解成各个单一频率分量信号,然后对分解后的信号做Hilbert变换,得到分解后信号的瞬时频率,最后综合得出输入信号的瞬时频率。文章给出了信号频率测量的硬件系统设计结构,和关键的电路原理图。同时给出了该方法对各种信号的实验结果,试验结果表明该方法在本文所设计的硬件系统上能够有效地测量单目标,及多且标信号的瞬时频率。     

基于小波变换的时间间隔检测

本文提出一种基于小波变换的检测数字信号码元间隔的方法。该方法利用基小波的伸缩与时移特性获得检测所需的时、频分辨率,通过对信号做多尺度的连续小波变换,可以在较低信噪比下很好地检测到信号频率并得到边沿过渡较快的相应小波变换时谱。根据小波分析与奇异性信号检测的理论,本文还提出对小波变换时谱的二次处理方法。理论分析和计算机模拟结果表明,本方法是有效的,是提高时间间隔检测性能的一种新途径。     

基于小波变换的时间间隔检测

本文提出一种基于小波变换的检测数字信号码元间隔的方法。该方法利用基小波的伸缩与时移特性获得检测所需的时、频分辨率,通过对信号做多尺度的连续小波变换,可以在较低信噪比下很好地检测到信号频率并得到边沿过渡较快的相应小波变换时谱。根据小波分析与奇异性信号检测的理论,本文还提出对小波变换时谱的二次处理方法。理论分析和计算机模拟结果表明,本方法是有效的,是提高时间间隔检测性能的一种新途径。     

基于小波变换的非均匀采样信号频谱的研究

该文提出基于小波变换的非均匀采样信号频谱的检测方法,给出变换函数关系使得非均匀采样信号满足小波变换的两个基本条件。文中说明了小波的非均匀化过程,从均匀小波得到非均匀小波,以非均匀小波分析非均匀采样信号,得到非均匀采样信号的频谱。文中还说明了非均匀小波变换的抗混叠的原理以及对信号频谱的检测方法,最后给出实验结果。理论和实验表明,非均匀采样信号的小波变换方法是一种行之有效的非均匀采样信号的频率检测方法,使用该方法处理信号可以得到准确的频率估计效果。     

用于雷达的LTCC基板过载加速度的小波分析

小波变换是具有传统傅里叶变换所不具备的时域分析的一种数据处理方法。针对雷达上的LTCC基板在工作过程中因环境复杂、所承受加速度信号中频率成分复杂、信号频率跨度较大以及加速度g值高等特点,使用Mallat方法对加速度信号进行不同频率的剥离,分离出关于基板工作时的有效数据,获得过载信号时长约为0.17 s,加速度值约为7.5 g。该方法不仅能表述加速度信号在频域的特点,还能表述时域特点。小波变换处理的数据为基板装配及缓震的设计提供了参考。     

基于小波分析的火车滚动轴承故障点分析

火车机械在运转时发生故障是常见的一种现象,如何快速、准确地提取故障信号、定位故障发生点及进行故障预测是滚动轴承故障信号分析的关键性问题。为此,本文提出基于小波分析的滚动轴承故障诊断分析方法。首先通过试验方法确定了小波基和分解层数,然后对第一层小波系数进行希尔波特变换及频率分析,从而对故障点进行定位。试验结果表明,通过小波变换对火车滚动轴承故障信号进行分析,提高了故障检测的准确性,同时使故障检测更具可操作性。     

基于小波包神经网络的开关电源电路故障诊断研究

针对开关电源电路常见故障,提出一种基于小波包神经网络的开关电源电路故障诊断方法。利用小波分析对开关电源输出电压进行分析处理,依据小波多分辨分析的特点,获得信号各频段的细节系数及其能量,再利用小波包分析对小波分析中没有细分的高频信号进行分解,提高频率分解率,将各频段能量进行归一化处理后,构造故障特征向量作为神经网络的输入进行分类。将Multisim13与Matlab可以实现开关电源电路的故障诊断。     

声发射信号的小波阈值降噪研究

声发射技术检测到的信号是一种非平稳信号,而对于含有噪声的非平稳信号降噪效果较好的方法是小波分析法。通过理论分析和试验研究,论述了基函数和阈值的选取对声发射信号小波降噪效果的影响,分析了声发射信号降噪过程中小波变换和小波包变换的区别,以及小波节点能量与信号降噪效果的联系。     

基于DSP的最优小波包基算法的实现

小波包分析能够为信号提供一种更加精细的分析方法,它将频带进行多层次划分,对多分辨分析没有细分的高频部分进一步分解,并能够根据被分析信号的特征,自适应地选择相应频带,使之与信号频谱相匹配,从而提高时-频分辨率。为了能在DSP嵌入式设备中应用小波包分析方法进行信号处理,首先讨论小波包分解的过程和最优基及代价函数的选择方法,然后提出一种在DSP上实现香农熵代价函数的小波包分解算法的方法,并在浮点型DSP TMS320C6713B上实现了此算法。最后针对具体的数字信号进行小波包分解和最优基选择的实验,实验结果证明了该方法的正确性和高效性。     

采用小波分析法的立靶测量系统时间计算方法

在立靶测量系统中,针对弹丸作用光幕时探测电路输出信号的不一致,导致传统的弹头触发和弹尾触发方式提取光幕时间值存在较大的测时误差问题,提出了利用计算机采集光电探测靶的输出信号,采用小波变换模极大值方法,检测弹丸穿越光幕时产生的信号突变点奇异位置,计算信号突变起始点之间的采样点数,结合采集系统的采样率,推算出弹丸作用于光幕...     

直升机声信号的检测和识别

详细介绍了一种基于小波包和神经网络的新算法，用于对直升机声音信号检测并且识别机型。具体方法是对采集到的声音样本利用小波包分析提取特征向量，把这些特征向量输入反向误差传播（Back Propagation，BP）神经网络训练，用训练好的检测神经网络进行直升机的检测。检测完毕，证实是直升飞机声信号后，再通过识别神经网络区分不同型号直升机。实验表明，此方法能利用小波包时频局部聚焦分析能力和BP神经网络的自适应能力，较好地对不同型号的直升机声信号进行有效地检测和识别。因此。基于小波包和神经网络的直升机检测和识别算法不仅可靠而且是可行的。     

应用最优小波包变换的特征提取方法

在模式识别或分类中,从原始模式中提取有效的分类特征是非常重要的.但对于大量的非平稳或时变信号模式来说,如语音,雷达,地震信号等,用于分类的特征往往包含在局部的时-频信息中,用一般的变换方法提取有效的特征比较困难.近年来小波变换在信号处理和特征提取中得到了广泛应用,但小波包变换的任意多尺度分解特性,是分析非平稳信号更有效的方法,这是由于小波库中包含了丰富的小波包基,不同的小波包基具有不同的性质,反映不同的信号特性,能获取其他变换所不能获取的信号特征.本文主要研究由给定的训练样本集,如何选择最优小波包基,从被识别或分类的信号中提取具有最大可分性的特征.为此提出了应用三种可分性准则,即距离准则,散度准则和熵准则选择最优基.通过实验,对应用各准则选择最优基提取特征与小波基提取特征的性能进行了比较.     

基于最优小波包基的信号增强算法研究及应用

本文介绍了小波包分析的基本理论以及小波包信号降噪的基本原理,与小波变换相比,小波包变换则是对小波分解中所得到的高频部分再继续细分为一些子频带,具有更精细的信噪分离能力,所以对包含大量中、高频信息的信号能更好地进行时频局部化分析。小波包变换在信号去噪中有着非常重要的应用,因此利用小波包对信号进行消噪也越来越受到科学界的关注。本文的主旨在于研究最优小波包基函数的选取方法,以小波包分析为基础,根据最小代价原理研究信号分解的最佳小波包基,从而在最优小波包基的基础上获得最好的信号增强效果。     

非平稳信号的小波包阈值去噪方法

研究非平稳信号的小波包阂值去噪方法，介绍了几种阈限和选取闽值的规则。计算机仿真结果表明，利用小波包阈值去噪的时频局部化特性可以滤去非平稳信号中大量的背景噪声，消噪后的信噪比（SNR）明显高于傅里叶滤波的结果，充分说明了小波包阈值方法在非平稳信号去噪中的优越性。     

小波包分析在电动机转子断条故障诊断中的应用研究

文章介绍了鼠笼式异步电动机常见的故障及其诊断的重要性,采用了改进型小波包算法从电气和机械方面提取信号的故障特征。并提出了一种基于小波包分析频带能豢的故障诊断方法。经实验可知,该方法能够更全面的快速检测到转子断条故障的存在而且准确率高,具有很大的可行性和很强的推广性。     

旋转机械振动信号中的小波滤波和特征提取

将小波方法应用于旋转机械状态检测中信号滤波与提取。利用小波Mallat算法对采集信号进行高频滤波，利用小波Packet算法对特征信号进行提取，并通过实验证明上述方法取得很好的效果。     

一种新的基于小波包分解的EEG特征抽取与识别方法研究

为了提高脑思维任务分类精度,提出一种新的脑电特征抽取与识别方法.首先进行小波包分解,然后结合能反映脑电信号在时域与频域上的能量分布特征的小波包熵概念,从小波包库中选择最优小波包基,对各个最优基所对应的小波系数求取统计特性,然后根据不同脑思维任务下左右半脑各导联间的差异性对各个导联对求取不对称率构成分类特征向量,最后利用SVM分类器对其进行分类.实验结果表明:相对于一般的小波包分解,最优小波包基和自回归特征抽取方法,该方法对5类不同脑思维任务的所有10种不同组合任务对的平均分类预测精度可以达到95.41％～99.65％.