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 .     

基于多分辨率分析的相关算法在信号滤波中的应用

测量仪表获得的信号带有噪声，使内燃机关键参数的计算比较困难，已有的FIR和IIR数字滤波器的去噪效果较差，且使内燃机的瞬时转速曲线产生了相移，难以确定速度曲线局部极值点的位置．为去除信号中的噪声，提出了一种基于多分辨率分析的相关算法，首先对原始信号进行小波变换，根据规划后的相关函数，仅选择对应于信号的小波变换的模极大值，将信号和噪声分离开来，然后再重建信号．将该方法用于R4102型内燃机的瞬时转速曲线的信号滤波中，并与IIR滤波后的结果进行比较．可以看出，相关算法不仅使滤波后的曲线更加平滑，还避免了IIR滤波中存在的相位滞后．这表明相关滤波法在精确地重建原信号的同时，又能较理想地去除噪声的干扰．     

基于多分辨率分析的相关算法在信号滤波中的应用

测量仪表获得的信号带有噪声 ,使内燃机关键参数的计算比较困难 ,已有的FIR和IIR数字滤波器的去噪效果较差 ,且使内燃机的瞬时转速曲线产生了相移 ,难以确定速度曲线局部极值点的位置 .为去除信号中的噪声 ,提出了一种基于多分辨率分析的相关算法 ,首先对原始信号进行小波变换 ,根据规划后的相关函数 ,仅选择对应于信号的小波变换的模极大值 ,将信号和噪声分离开来 ,然后再重建信号 .将该方法用于R410 2型内燃机的瞬时转速曲线的信号滤波中 ,并与IIR滤波后的结果进行比较 .可以看出 ,相关算法不仅使滤波后的曲线更加平滑 ,还避免了IIR滤波中存在的相位滞后 .这表明相关滤波法在精确地重建原信号的同时 ,又能较理想地去除噪声的干扰     

改进算法在混合噪声STM图像滤波中的应用

基于小波变换的高斯混合模型小波去噪方法能有效滤除高斯白噪声,中值滤波法能较好滤除脉冲噪声并保留图像边缘及细节信息。将两种方法结合起来,并采用Matlab语言进行仿真,然后对含有高斯脉冲混合噪声的STM(扫描隧道显微镜)图像进行去噪处理。实验结果表明,这种混合去噪方法能有效去除STM图像中的高斯白噪声和脉冲噪声并保留图像的边缘及细节信息,能得到更好的STM图像,其效果要优于单纯使用中值滤波或者小波去噪的效果.     

波和小波包变换在心电信号去噪中的应用

小波(包)变换软阈值去噪方法具有非线性和自适应性,特别适合非平稳微弱的生物医学信号的去噪,而心电信号恰具有该特征。利用MIT/BIH数据库中没有噪声的胎儿心电的信号作为有用信号并混合高斯白噪声作为干扰来验证小波(包)软阈值去噪的效果。验证结果表明小波(包)软阈值算法去噪效果很好,能有效去除干扰。     

基于小波变换与中值滤波相结合的图像去噪处理

尝试利用基于小波变换和中值滤波相结合图像去噪声处理对同时含有高斯噪声和椒盐噪声的图像去噪方法进行了探讨．结果表明，小波变换结合中值滤波方法在去除图像噪声的同时较好地保持了图像所包含的边缘信息，处理效果优于单一的小波变换去噪或中值滤波．     

一种新的非高斯分布噪声下的小波去噪方法

经典的小波阈值去噪方法在非高斯噪声下往往完全失效,对此提出了一种新的自适应小波信号去噪法.该方法利用最新发展的分位耦合理论,通过建立等价模型,在实施小波变换前将未知噪声信号转换为高斯噪声信号,然后再使用传统小波方法去噪.蒙特卡洛模拟试验结果显示,该方法在非高斯噪声下能极大提高信号去噪效果.     

基于高阶统计量的小波变换去噪算法

图像在获取和传输的过程中经常要受到噪声的污染.传统的去噪方法不仅滤出了图像的噪声,同时使图像细节变得模糊.本文提出一种基于双谱和小波变换的去噪算法.该方法是根据高斯噪声及椒盐噪声在小波变换下的不同特征,并结合双谱滤波、中值滤波的特点,在小波城内对高频子带进行双谱滤波,去除图像中的高斯噪声,然后进行中值滤波,去除图像中的椒盐噪声.高斯噪声的双谱为零,能够彻底的去除高斯噪声.该算法的实验结果表明不仅能滤出图像中高斯噪声和椒盐噪声,而且能较好的保留图像的边缘细节.其滤波效果优于传统的图像去噪方法.     

小波和小波包变换在心电信号去噪中的应用

小波（包）变换软阈值去噪方法具有非线性和自适应性,特别适合非平稳微弱的生物医学信号的去噪,而心电信号恰具有该特征。利用MIT／BIH数据库中没有噪声的胎儿心电的信号作为有用信号并混合高斯自噪声作为干扰来验证小波（包）软阈值去噪的效果。验证结果表明小波（包）软阈值算法去噪效果很好,能有效去除干扰。     

基于小波分析的磁共振图像去噪方法研究

小波分析去噪是一种新兴的图像去噪方法。由于小波分析具有多尺度分辨和去相关性等特点，使得小波分析在去除高斯白噪声方面优于传统的图像去噪方法。但是，磁共振图像这种小波变换去噪后，纹理特征被弱化，图像的边缘变得模糊。针对以上问题，提出了基于小波变换的图像去噪新方法。此去噪方法对经典的小波去噪方法进行了改进，使基于阀值的小波分析在阀值处理上更精确，并具有自适应性。采用本方法处理的噪声图像与经典方法相比，图像的边缘信息更清晰，纹理特征增强，去噪能力也得到增强。[第一段]     

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。     

微电极阵列神经元锋电位信号的去噪方法

为了去除神经细胞外单细胞动作电位(即锋电位)记录信号中的各种噪声,提高幅值很小的单细胞锋电位信号检测的正确性,根据多通道微电极阵列记录信号中各个通道之间噪声空间相关性较强的特点,提出主成分分析(PCA)去噪与小波阈值去噪相结合的联合去噪方法.采用PCA方法提取并去除多通道记录信号中相关噪声的第一主成分,然后将信号进行小波多尺度分解,采用软阈值法去除各尺度下的噪声.仿真数据和测试结果表明,联合去噪方法可以同时去除有色噪声和白噪声,在各通道锋电位序列相互独立而噪声相关性较强的情况下,可以显著提高锋电位信号的信噪比.联合去噪方法的性能明显优于PCA去噪方法和小波阈值去噪方法单独使用时的性能,是一种有效的多通道锋电位信号去噪新方法.     

小波域中值滤波器设计的研究

小波阈值去噪方法被广泛地用在信号去噪中,但它主要是针对白噪声或者宽带噪声,对于脉冲噪声就得不到降噪的效果。该文提出了小波域的中值滤波器去噪方法,在Lee的局部滤波器基础上设计了小波域的中值滤波器,它能在有效去除白噪声的同时较好地去除脉冲噪声。     

基于DCT及高频屏蔽窗的小波图像去噪方法

为精确估计噪声方差,提出一种基于离散余弦变换及高频屏蔽窗的去噪方法,利用离散余弦变换（DCT）对小波高频子带进行局部特征提取,在此基础上对由噪声引起的小波系数的幅值进行估计,从原小波系数中屏蔽噪声部分的幅值,并用小波逆变换对剔除噪声分量后的小波系数进行恢复,从而得到去噪后的图像．该方法避开了噪声方差的估计,并在去噪效果和保留细节方面要好于传统的阈值去噪方法．     

基于小波包变换的EMD算法在超声信号处理中的应用

提出基于小波包变换的EMD算法,并将其应用于超声回波信号去噪.对于采用EMD分解含高斯白噪声的超声缺陷信号存在模态混叠的问题,首先用小波包变换对信号作预处理,再对信号进行EMD分解,最后重构出有用的缺陷信号.实验结果表明:该方法不仅具有很好的消噪效果,而且重构的缺陷信号的波形失真度小,有利于对信号做进一步的定量分析.     

小波分析在信号消噪中的应用

用小波分析进行信号消噪常用多尺度小波变换。多尺度小波变换是将信号分解成高频和低频成分，低频包含信号的主要性能，高频含较多噪声，将高频平滑后再重建即可消噪。消噪处理大致有强制、阈值两种方法。现场试验表明：此方法高效、实用。     

基于小波包变换的信号去噪方法研究

为有效剔除信号噪声，得到没有污染的信号，便于进行信号分析，介绍了小波包变换的改进方法，给出了信号的小波包分解系数排序方法，将信号的相关性与小波包的多尺度时频分析及重构结合在一起，并用于信号的去噪研究中．通过仿真研究和与目前小波去噪方法进行对比，证明了该方法去噪的有效性．     

基于小波变换的数字全息再现像质量提高方法

数字全息再现像中存在的散斑噪声严重影响了数字全息的应用,通过分析边缘检测方法和小波变换阈值去噪方法的原理,提出了一种基于边缘检测的小波变换散斑噪声去除方法。首先利用高斯-拉普拉斯算法获得边缘图像,进而通过Neyman-Pearson准则获得自适应阈值,并采用改进折中阈值函数对边缘图像和非边缘图像小波系数进行处理,将两者处理后的小波系数相加,并进行反变换得到处理后的图像。研究结果表明,该方法能够较好地在去除散斑噪声的同时保留图像细节。     

流化床颗粒浓度信号的小波降噪分析

用小波分析去除噪声的方法,对气-固循环流化床中两相流颗粒浓度的实验数据进行分析,揭示流化床中两相流的流动规律。气固循环流化床提升管的颗粒浓度和压力波动信号的去除噪结果表明,小波分析方法能有效去除颗粒浓度和压力波动信号中的大部分噪声,其消噪效果优于传统的傅里叶变换滤波方法,且小波分析去噪方法能更加有效地辨别真实信号与噪声信号。