基于小波尺度搜索的虹膜识别方法

利用小波的带通特性和小波变换检测奇异点的原理提取虹膜特征,并在此基础上提出了一种新的搜索合适小波尺度的虹膜识别算法。将虹膜纹理分成8个分析带,对每个分析带进行连续小波变换,取其中32个尺度下的结果量化编码。然后利用Hamming距离进行模式匹配,对每个分析带通过搜索最小的Hamming距离获得合适的尺度。实验结果表明,算法的识别率可达98.15%,同以前提出的算法相比识别性能进一步提高,可用于大规模身份识别系统。     

基于小波包分解的虹膜识别算法

特征提取是虹膜识别的关键技术;由于虹膜图像具有丰富的纹理,提出了基于小波包分解的虹膜识别算法。小波包分解不仅包含了图像的低频部分而且还保留了高频部分,它能够有效地提取虹膜纹理特征,并按hamming距离对虹膜进行匹配。实验结果表明,该算法具有良好的鲁棒性。     

基于信息熵的流量识别方法

针对当前基于流特征的流量识别方法准确率较低的问题,提出一种基于信息熵的流量识别方法,运用信息熵寻找显著特征,根据显著特征进行级联分簇。实验分析表明,该方法识别流和字节的准确率达90%以上,比单纯用K-Means等聚类算法的准确率提高10%左右。     

基于小波包分解及模糊支持向量机的红虫识别

水源中的红虫随输送管道进入给水系统,其在给水处理系统中繁殖并进入管网,对水质感官指标造成了重要影响。针对红虫特点提出了一种小波包分解与模糊支持向量机相结合的红虫图像识别方法。该方法采用多层小波包分解提取子图像的能量特征,同时结合生物图像颜色特征构造特征向量,然后选择模糊支持向量机作为分类器进行识别。通过对红虫、猛水蚤、剑水蚤等水厂中主要出现的浮游生物样本进行分类实验证明,该方法能够有效地识别红虫,为水厂的红虫防治提供有效依据。     

基于多尺度小波包分析的肺音特征提取与分类

提出了一种适于非平稳肺音信号的特征提取方法.以4种肺音信号（正常、气管炎、肺炎和哮喘）为样本数据,通过分析肺音信号的时频分布特点,选择了具有任意多分辨分解特性的小波包.对小波包进行空间划分后找到了适合肺音特征提取的最优基,并基于最优基对肺音信号进行快速多尺度的分解,得到了各级节点的高维小波系数矩阵,建立了小波系数与信号能量在时域上的等价关系,并将能量作为特征值,构造了低维的作为分类神经网络的输入特征矢量,大大降低了输入特征的维数.研究表明该算法的识别性能是高效的.     

基于小波与小波包的变速器故障特征提取

本文结合自适应小波变换滤波去噪方法与小渡阈值去噪方法,提出了一种可用于变速器故障振动信号去噪的双层滤波去噪算法.该算法的滤波过程分为两层,第一层滤波采用自适应小波变换滤波算法;第二层滤波采用经典的小波阈值去噪算法对信号进行二次去噪.最后,将去噪后的故障信号采用小波包进行了分解,并提取了小波包频带能量作为故障特征向量.     

基于小波包分析和BP神经网络的中医脉象识别方法

利用小波变换具有揭示信号时频两域细节和局部特征的能力,提出了将脉象信号的小波包分析和BP神经网络相结合以达到识别中医脉象的新方法。首先对脉象信号作三层小波包分解,利用小波包分解系数重构信号。然后计算第三层从低频至高频八个频带的信号能量,以此能量构造出脉象信号的特征向量送入改进的BP神经网络进行训练。大量样本的实验证实该方法具有识别正确率高、速度快的优点。     

基于小波包分析的数字信号处理

小波包分析具有优良的时频特性,可以有效地用于数字信号的消噪处理和对信号进行特征提取。小波包分析可以对电机振动故障进行诊断,以便随时排除故障。同时,给出并分析了试验结果。     

基于小波包变换的加权语音特征参数

提高语音识别系统识别率是语音识别技术中的一个重要的研究课题。通常由于环境噪声影响导致系统的识别准确率急剧下降。为了提高语音识别系统的识别准确率,并且使其在强噪声的环境下仍能获得令人满意的结果,在W_RAS_MFCC(Mel Frequency Cepstral Coefficients of the Relative Autocorrelation Sequences)参数提取分析和小波包变换研究的基础上,并根据加权带通滤波器分析技术,提出一种基于小波包分析的加权语音特征参数。通过实验结果分析表明,此方法用于抗噪声分析可以提高系统的识别准确率,同时在低信噪比下也有很好的适应性。     

基于小波变换和信息熵的掌纹特征提取方法

本文将小波图像分解和信息熵特征提取相结合,提出一种新的掌纹特征提取算法。该算法首先对掌纹灰度图像进行二雏小波分解,再利用多分辨信息熵分别计算不同尺度下的能谱熵作为特征向量,从而实现掌纹特征提取。该算法不但避免了图像增强和纹理细化等预处理过程,而且运用多分辨信息熵的自适应计算方法来调节分解级数,使得到的特征向量长度远小于传统算法。     

基于小波熵的辐射源指纹特征提取方法

在对辐射源信号进行小波分析的基础上,提出一种基于小波熵的辐射源指纹特征提取方法。 首先计算辐射源信号的功率谱,对功率谱进行连续小波变换,提取不同尺度下小波系数的熵 特征作为辐射源信号指纹特征。识别分类器采用概率神经网络,对20部手持机进行识别实验 ,并与传统矩形积分双谱进行对比。实验结果表明,该方法能够把辐射源信号的时频特性信 息通过小波系数的熵特征映射到特征向量中,从而实现对辐射源个体的有效识别,而且该特 征参数对噪声干扰不敏感,在信噪比为20 dB时,系统识别率达到95%以上,在信噪比为5 dB 时系统识别率仍优于80%,验证了所提方法的有效性。     

小波包熵在脑电信号分析中的应用

为研究不同脑功能状态下脑电动态非线性特征,利用小波包变换的频率划分特性,对非平稳脑电信号进行节律提取,并计算相对小波能量,反映脑电节律间的相对能量关系。结合小波包熵分析脑电在不同大脑功能状态下的脑电复杂程度。实验结果表明,小波包分解能更精确地提取特定的脑电节律,小波包熵可以准确反映大脑活动的复杂程度。本方法也为分析其他非平稳信号提供了一种新的途径。     

基于小波包的语音谱熵端点检测方法研究

端点检测是语音识别过程中的一个重要的环节,因此改善端点检测的效果一直是语音识别领域的一个重要课题。为了提高在背景噪声下语音信号端点检测的准确率,提出了一种基于小波包的谱熵端点检测方法。该方法对语音信号进行小波包变换,将每帧信号分解成多个子带,在此基础上计算每帧信号的子带能量,通过子带能量所占比例求出每帧信号的谱熵,最后确定新的门限值。仿真实验表明,该方法比传统方法更有效、更优越,能够比较准确地检测语音信号。     

一种利用小波包分析计算混沌时间序列的Kolmogorov熵的方法

提出了一种利用非线性时间序列的小波包变换模数代替混沌信号本身，在m维相空间中计算其Kolmogorov熵的方法，并用具体实例进行了仿真验算和噪声分析．结果表明，这种算法准确、可靠，并且可以有效克服采样过程中常常出现的噪声对信号的干扰．     

基于最大信息熵的小波包阈值去噪语音增强算法

去噪算法在语音增强中占有极为重要的地位.而传统的小波阈值去噪算法会不可避免地造成部分有用语音信号的损失.为了更好地对含噪语音信号进行去噪,选用小波包分析法进行语音分解,采用一种新的阈值函数,同时基于最大信息熵的原理确定了阈值和加权阈值函数中的权因子.仿真结果表明,该算法能够很好地抑制噪声,保证重建信号质量.无论在听觉效...     

基于排列熵的振动信号小波包阈值去噪研究

工程实践中的振动信号往往存在噪声干扰而导致信号特征信息无法显露,传统小波包软、硬阈值函数去噪形式固定,无法依据信号小波包分解系数的噪声干扰情况进行调整.据此,提出一种新的介于软、硬阈值函数之间的改进小波包阈值函数,并将排列熵作为信号含噪情况表征参数引入阈值函数中.对信号小波包系数进行排列熵计算,并依据该值对阈值函数进行自适应调整,使得新的阈值函数能够对含噪较多的小波包系数进行大尺度收缩而对含实际信号特征较多的小波包系数尽可能地保留,从而达到最佳的去噪效果.对滚动轴承振动实验信号的去噪分析,并与其他方法进行对比,验证了该方法的有效性与优越性.     

基于小波包Tsallis熵和RVM的模拟电路故障诊断

针对模拟电路故障难以识别等问题,提出一种基于小波包Tallis熵和多分类相关向量机(Rele-vance Vector Machine,RVM)的模拟电路故障诊断方法.该方法采用脉冲信号仿真模拟电路,应用小波包变换对采集到的故障响应信号进行分解,通过提取不同频带内的Tsallis熵作为故障特征值,利用相关向量机对各种状态下的特征向量进行分类决策,实现模拟电路的故障定位.实验结果表明,提出的故障诊断方法相较于现有的故障诊断方法能较好地提取故障特征,极大地提高模拟电路故障诊断的效率.     

基于小波包分析的电机滚动轴承故障诊断

电机滚动轴承发生故障时的信号是非平稳的,小波包变换对故障特征提取有明显的优势,给出了利用小波包对故障信号进行分析的方法。确定轴承参数以及对故障信号的采集,并计算各类故障特征频率,选择小波基和确定最佳的分解层数,之后在Matlab软件环境下对信号进行小波包分解和重构,得到滚动轴承各类故障信号的功率谱,最后把实验结果与计算结果做对比,证实了该方法可以有效地把轴承中的故障信息成分检测出来,从而判断滚动轴承的故障类型。     

基于CEEMD小波包算法的降噪方法研究

针对脑电信号易受噪声干扰的特性,提出一种使用CEEMD小波包对脑电信号进行降噪的方法。首先对脑电信号进行CEEMD分解,得到一组固有模态函数分量（IMF）,然后对包含噪声的IMF分量采用小波包阈值降噪,同时保留信号的低频IMF分量,最后将使用小波包阈值降噪的IMF分量和保留的IMF分量进行累加重构,从而得到最终降噪后的脑电信号。仿真结果表明采用CEEMD小波包对脑电信号进行降噪,在抑制噪声的同时,还有效地保留了脑电信号的细节特性,达到良好的去噪特性。