基于小波变换的内燃机瞬时转速信号的分析

使用非线性离散序列的小波变换 (DTWT)对同时存在高频噪声和高斯白噪声的内燃机瞬时转速信号进行去噪 .通过对此信号进行频谱分布的分析 ,用Donoho的阈值去噪法去除高斯白噪声之后 ,根据小波变换的多分辨率思想 ,提出了仅使用小波变换的尺度系数进行小波反变换来去除高频噪声 ,然后运用小波反变换来恢复内燃机瞬时转速信号的方法 .实验结果表明 ,此方法能够较精确的去除噪声 ,恢复内燃机瞬时转速信号 .     

基于小波变换的内燃机瞬时转速信号的分析

使用非线性离散序列的小波变换(DTWT)对同时存在高频噪声和高斯白噪声的内燃机瞬时转速信号进行去噪．通过对此信号进行频谱分布的分析，用Donoho的阈值去噪法去除高斯白噪声之后，根据小波变换的多分辨率思想，提出了仅使用小波变换的尺度系数进行小波反变换来去除高频噪声，然后运用小波反变换来恢复内燃机瞬时转速信号的方法．实验结果表明，此方法能够较精确的去除噪声，恢复内燃机瞬时转速信号．     

基于小波变换模极大值的去噪方法研究

小波去噪在信号处理中得到广泛应用。目前常用的方法主要有Donoho提出的阈值法和Mallat提出的模极大值法。模极大值法是一种经典的小波去噪方法,噪声的模极大值的幅度随尺度的增大而迅速减小,而正常信号随尺度的增大而增大,因此利用合适尺度的小波变换,容易把噪声从正常信号中剔除。通过试验说明这种方法对白噪声和脉冲噪声都有很好的去噪效果,并与阈值去噪比较,对于高斯白噪声,信噪比比较低的信号,模极大值去噪要优于阈值法去噪;对于脉冲噪声,脉冲噪声点数较多时,模极大值去噪要优于阈值法去噪。     

声发射信号小波阈值消噪方法研究

声发射信号在采集、转换和传输过程中,由于受到设备、环境及传输信道的影响,不可避免地受到噪声干扰。因此,如何去除信号中的噪声,得到感兴趣的信息成为信号处理中一项关键技术。对声发射信号的小波变换阈值消噪方法进行了研究。首先分别对原始信号进行三重db3和sym8小波分解,然后对分解后的各层系数采用硬软阈值方法进行截断处理,最后利用阈值处理后的小波系数完成信号小波重构。通过试验数据分析比较发现,采用sym8小波基的软阈值消噪方法显著提高了声发射信号的局部弱特征保持能力。     

小波阈值去噪在烟气轮机信号分析中的应用

由于烟气轮机振动信号中含有大量的噪声成分,常使其非线性特征量的提取不准确,因此将基于阚值的小波去噪应用于烟气轮机振动信号分析中.首先介绍了小波阅值去噪的基本原理、阈值和阏值函数的选择方法,并对阈值函数进行了改进;然后分别对含噪Lorenz信号和实测振动信号进行小波阔值去噪实验,计算了其去噪前、后的关联维数.结果表明,小波分解后,不同尺度上信号和噪声的小波系数的分布规律明显不同,通过对其分析可以合理选择小波分解的尺度;在此基础上对小波系数进行阈值处理并重构,能有效地去除信号中含有的噪声,很好地保存信号的局部特征;去噪后信号的伪相图更加规则,关联维数估计值更加合理.该方法能提高信号分析的准确率.     

一种面向穿戴式应用的超高噪声心电信号处理方法

针对穿戴式设备实测心电信号的超高强度噪声问题,提出一种改进的心电信号消噪方法。利用小波分析进行预处理,再利用简单整系数滤波器进行进一步消噪。通过对比,本文提出的改进的心电信号消噪方法性能优于传统的小波阈值去噪法和数字滤波法,处理时间比小波阈值去噪法低33%。结果表明,基于小波分析和简单整系数滤波器相结合的消噪法,对于具有超高强度噪声的穿戴式设备实测心电信号处理效果优异,且运算成本低于传统的小波阈值法,更利于硬件实现。     

吊放声纳信号提升小波阈值去噪分析

为了去除干扰噪声及保留信号特征,本文采用提升小波阈值法对信号进行去噪处理。先对信号进行提升小波分解,以获取相应尺度的尺度系数和小波系数;采用相应的阈值函数对小波系数进行量化,将量化后的小波系数和尺度系数按照提升小波逆变换方法重建信号,获取去噪信号。仿真结果表明,该方法去噪速度快、占用空间小,去噪信号信噪比均在10dB左右;均方根误差和峰值误差分别控制在0.1和0.3以下,波形与功率谱趋于平滑,信号的峰值点得以保留。该去噪方法在保留信号基本特征的同时,有效抑制了干扰噪声。     

小波变换在地震信号噪声处理中的应用

常规小波域阈值去噪方法未能充分利用地震信号相关性的特点进行去噪，只能去除地震信号中部分随机噪声，为此提出了一种小波域分时分频相关结合阈值去噪处理方法。该方法首先对小波变换后多个尺度上小波系数进行分时分频相关去噪处理，然后对处理后小波系数进行重构，并可去除大部分不相关随机噪声。对重构后地震信号再进行常规小波域阈值去噪处理以进一步去除噪声。模型测试和实际资料处理效果表明：使用该方法可以有效地改进地震信号去噪处理效果。     

基于迭代算法的暂态电能质量扰动信号消噪

针对暂态电能质量扰动信号消噪问题, 小波阈值去噪是一种简单有效的方法.传统的小波阈 值消噪分硬阈值消噪和软阈值消噪两种, 但是这两种方法都存在不足之处.基于非线性小波阈值算 法, 采用迭代方法确定最佳消噪阈值.针对实际应用中噪声方差未知或变化的情况, 自适应估计噪 声强度和阈值.仿真结果表明该方法不仅一定程度上改进了噪声估计, 而且在消噪效果上优于传统 的固定阈值、无偏风险阈值、启发式阈值、极大极小阈值四种阈值规则.     

一种基于SVD分解的小波阈值降噪方法

针对小波软阈值消噪的缺点,探讨了一种基于奇异值分解(SVD)的离散小波去噪方法。该方法通过对每层小波分解细节系数进行奇异值分解,将其中的信号特征成分和噪声分解到不同的正交子空间中,在子空间中选取集成信号特征成分的奇异值矢量进行重构,从而提取出淹没在细节系数中的有用信号成分,最后进行小波重建,得到降噪信号。通过仿真实例的验证,表明该方法与小波阈值消噪法相比,在强噪声背景下,它提取出的信号特征成分更完整,信噪比更高。     

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。     

一种基于小波阈值去噪的改进方法在气液两相流图像中的应用

利用高速摄影机拍摄了气液两相流的图像,它们往往会伴随一些噪声,因此,去噪处理成为图像预处理的一个重要环节。通过对小波变换及阈值去噪的分析,在Donoho等人提出的传统阈值去噪方法基础上,提出了一种新的阈值函数去噪方法。该方法与传统的软硬阈值函数相比,能够有效保持图像边缘信息,并能避免硬阈值函数的不连续性。实验结果表明,新的方法优于传统的阈值去噪方法,而且信噪比较高。     

一种基于双Haar小波的图像去噪算法

在小波域实现信号噪声的滤除是近年来图像处理领域中的研究热点,尤其是三通道双Haar小波的提出,使噪声抑制更加有效. 基于双Haar小波变换,并根据Lee滤波的局部统计特性,考虑到小波变换的高频部分涵盖大量的图像边缘等细节信息,因此在滤波窗口选择上提出了具有方向性的新算法,实现了在小波域中平滑噪声的同时还可以保护图像边缘细节不受损失. 实验表明新窗口的模型与Donoho的软门限方法相比较,可以给出更好的去噪效果.     

一种基于双Haar小波的图像去噪算法

在小波域实现信号噪声的滤除是近年来图像处理领域中的研究热点,尤其是三通道双Haar小波的提出,使噪声抑制更加有效.基于双Haar小波变换,并根据Lee滤波的局部统计特性,考虑到小波变换的高频部分涵盖大量的图像边缘等细节信息,因此在滤波窗口选择上提出了具有方向性的新算法,实现了在小波域中平滑噪声的同时还可以保护图像边缘细节不受损失.实验表明新窗口的模型与Donoho的软门限方法相比较,可以给出更好的去噪效果.     

一种优化的小波去噪方法研究

通过对多尺度边缘滤波和D onoho阈值决策小波域滤波(C-D算法)进行的研究,指出了C-D滤波方法存在的2点不足,并提出了一种改进的小波滤波去噪方法,仿真结果表明所提出的方法比C-D去噪算法具有更强的信噪分离能力。     

基于小波变换的电能质量监测

针对噪声系数的幅度随着尺度增加而减小的特点,提出了一种改进的基于小波分解层数的波段自适应降噪算法.利用Matlab仿真软件建立了电压暂降的系统模型,运用小波分析的方法对污染白噪声的电压暂降信号进行了时频分析和降噪处理,分析了软硬阈值降噪方法.实验结果表明,该方法通过调整两个可调参数获得较优的小波系数阈值估计,与常见的三种典型算法相比不仅较好地去除了噪声干扰,且信噪比更高,均方误差更小,同时具有更优的信息保全能力.     

改进阈值去噪法在变形分析中的应用

介绍了小波基本理论与去噪原理,研究了小波阈值去噪改进方法在变形监测信号处理问题中的应用。实例表明,小波阈值去噪改进方法在变形监测信号的去噪中不仅能有效地降噪,而且较好地保持了信号的光滑性。改进方法所得的信号比增益较传统的阈值去噪方法有明显的提高。     

基于领域相关性的新型阈值函数小波域去噪法

构造了一个与Donoho提出的硬阈值函数相当的基于邻域相关性的新型阈值函数,其表达式简单易于计算,且连续高阶可导。新的阈值函数克服了硬阈值函数不连续的缺点,还克服了软阈值函数中估计小波系数与含噪小波系数间存在恒定偏差的缺陷。同时新的阈值函数还有效地利用了小波系数的成串性,即在小波系数的估计计算中考虑了邻域小波系数的大小。仿真结果表明,在去噪图像视觉效果和峰值信噪比两个方面,提出的去噪法优于已有的各种门限去噪法。     

A data-driven threshold for wavelet sliding window denoising in mechanical fault detection

Wavelet denoising is an effective approach to extract fault features from strong background noise.It has been widely used in mechanical fault detection and shown excellent performance.However,traditional thresholds are not suitable for nonstationary signal denoising because they set universal thresholds for different wavelet coefficients.Therefore,a data-driven threshold strategy is proposed in this paper.First,the signal is decomposed into different subbands by wavelet transformation.Then a data-driven threshold is derived by estimating the noise power spectral density in different subbands.Since the data-driven threshold is dependent on the noise estimation and adapted to data,it is more robust and accurate for denoising than traditional thresholds.Meanwhile,sliding window method is adopted to set a flexible local threshold.When this method was applied to simulation signal and an inner race fault diagnostic case of dedusting fan bearing,the proposed method has good result and provides valuable advantages over traditional methods in the fault detection of rotating machines.