瞬态诱发耳声发射信号的小波去噪方法

在真实的瞬态诱发耳声发射信号中,加上合理的噪声信号,模拟采集的瞬态诱发耳声发射信号。用传统的和小波变换去噪方法对模拟信号进行去噪处理,分析去噪效果。找到了合适的小波参量,使去噪后的相关率和信噪比指标提高,减少了检测时间。     

基于EMD与相关系数原理的故障声发射信号降噪研究

声发射信号经常受到许多非平稳非线性噪声的干扰,这给对有用声发射信号的识别增加了困难。依据相关系数原理提出了一种基于经验模态分解的旋转机械碰摩声发射信号的去噪方法,通过求出含噪信号经过经验模态分解后所得到的各阶本征模态函数与含噪信号自身的相关系数,根据其变化规律并结合经验模态分解的滤波特性,选取被噪声污染程度较低的本征模态函数对信号重构以达到去噪目的。该方法应用于被不同种类噪声污染的碰摩声发射信号的去噪,实验结果表明此方法能有效的去除噪声,并具有不受主观参数影响,结果稳定,自适应等优点。     

基于小波变换的声信号去噪处理方法

本文对阿帕奇直升机与坦克的声信号加上白噪声进行FIR线性滤波和小波变换滤波预处理，再应用一个非线性软门限函数在小波域内将噪声抑制，最后通过小波逆变换得到重构的声信号。结果表明。小波变化预处理方法较传统滤波方法具有更好的去噪效果。     

机械故障诊断中的声发射信号处理方法研究

由于声发射换能器的输出信号经过硬件滤波后还含有大量的噪声信号,而且其频谱可能和噪声信号的频谱重叠,因此提取能反映实际物理状态的信号是声发射检测工程应用的关键技术之一.设计了自适应噪声对消器,以消除环境噪声的干扰,再通过数字带通滤波以进一步抑制不需要的信号.在声发射信号的处理中使用了时频分析工具-小波包,将信号在不同尺度上分解,以便确定信号在奇异点处的时频特征信息.     

一种新的声发射信号消噪及故障诊断方法

在旋转机械故障诊断中,声发射信号极易受到噪声的干扰。针对经验模态分解(EMD)易产生模态混叠现象,提出了一种基于经验小波变换(Empirical Wavelet Transform,EWT)的消噪和旋转机械声发射碰摩故障诊断的方法。利用了EMD和小波变换的优点,通过对傅里叶频谱进行自适应划分,并构建小波滤波器组来提取声发射信号所包含的不同固有模态分量,可有效消除模态混叠现象,同时对分量进行Hilbert变换从而实现声发射信号的消噪和故障诊断。采用该方法对仿真信号进行加噪声和消噪处理,在同信号源下,对比基于d B4全阈值消噪、d B4默认软阈值消噪、d B4对高频系数处理消噪和EMD消噪效果。并将该方法应用到实际的声发射碰摩信号中。仿真和实验分析结果表明:EWT方法可以有效地分解出信号的固有模态,分解出的模态少,并且不存在难以解释的虚假模态,消噪效果优于其他方法,并且在声发射故障诊断中也有较大的优势。     

自适应小波阈值去噪算法在低空飞行声目标的应用EI北大核心CSCD

近年来,低空飞行声目标的探测与识别已得到军事领域的重点关注,而如何滤除信号中的背景噪声并准确保留信号的有效特征信息是该领域的一个难点。在研究小波去噪算法特点的基础上,针对低空飞行声目标信号的噪声特性,构建了一个新的阈值函数,通过自适应调整阈值函数实现在小波分解细尺度和宽尺度上对噪声信号最大限度的滤除,同时,运用香农熵理论来判断最优层数。通过大量的实验仿真验证,并与传统阈值去噪算法比较分析,结果表明该算法对去噪指标SNR有较大尺度的提高,可以更好的去除噪声,并对低空声目标信号去噪有很好的去噪效果。     

基于小波包变换和自适应滤波的超声信号去噪

为解决传统小波去噪方法因阈值设置问题或不能保留信号高频部分致使去噪效果不明显的问题,提出一种基于小波变换的自适应去噪方法,即先将信号进行小波包分解,然后对各分量信号分别选用不同的滤波参数,进行自适应滤波处理。实验表明:该方法有良好的超声信号去噪效果,为缺陷的分类和定量测量打下基础。     

自适应小波阈值去噪算法在低空飞行声目标的应用

近年来,低空飞行声目标的探测与识别已得到军事领域的重点关注,而如何滤除信号中的背景噪声并准确保留信号的有效特征信息是该领域的一个难点。在研究小波去噪算法特点的基础上,针对低空飞行声目标信号的噪声特性,构建了一个新的阈值函数,通过自适应调整阈值函数实现在小波分解细尺度和宽尺度上对噪声信号最大限度的滤除,同时,运用香农熵理论来判断最优层数。通过大量的实验仿真验证,并与传统阈值去噪算法比较分析,结果表明该算法对去噪指标SNR有较大尺度的提高,可以更好的去除噪声,并对低空声目标信号去噪有很好的去噪效果。     

小波变换和EEMD-马氏距离的轴承故障诊断

机械故障的声发射信号中往往掺杂着各种干扰和噪声,为解决这一问题,提出了小波变换、集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)和马氏距离相结合的滚动轴承故障诊断方法;首次将马氏距离引入到轴承声发射信号的故障诊断中。该方法首先对故障轴承的声发射信号进行小波去噪处理,再对去噪后的信号进行EEMD分解,将其分解为多个固有模式函数(简称IMF)。其次采用马氏距离的方法消除EEMD分解结果中的虚假分量,提取能够反映轴承故障特征的IMF分量,突出高频共振成分。最后,通过瞬时Teager能量的Fourier频谱识别轴承故障的特征频率。仿真信号和滚动轴承外圈声发射信号的实例分析表明:此方法能很好地去除混杂在轴承声发射信号中的噪声,准确地识别出轴承故障的部位。     

自适应小波阈值去噪在重力仪信号处理中的应用

为了有效地消除各种外界干扰噪声对高精度海洋重力仪测量值的影响,提高重力异常测量值的精度,在分析了小波阈值及自适应小波阈值去噪算法的基础上,将其应用到高精度海洋重力仪系统数据处理中,并与自适应卡尔曼滤波做了对比,以处理后信号的信噪比作为衡量3种数据处理方法优劣的依据.理论分析和仿真实验表明,自适应小波阈值去噪方法、传统的小波阈值去噪方法和自适应卡尔曼滤波都能在一定程度上消除噪声信号对重力仪测量信号的影响,但在相同情况下,自适应小波阈值去噪方法具有明显的优越性.     

CEEMDAN 小波包联合降噪的优化方法

针对实测隧道爆破振动信号降噪效果不理想的问题,引入多尺度排列熵的概念,用来筛选含噪明显的本征模态分量,并结合SG（savitzky-golay）平滑滤波方法提出了一种完备的自适应噪声经验模态分解（CEEMDAN）和小波包联合降噪的优化方法,通过信噪比(SNR)、均方根差(RMSE)、相关系数、自相关系数对仿真实验和实测信号处理结果进行对比分析。结果表明,CEEMDAN 小波包联合降噪优化方法提高了信号降噪效果,且有效保留了原始信号中的特征信息,可以应用到类似爆破振动信号的降噪处理中。     

小波变换与卡尔曼滤波结合的RLG降噪方法

针对激光陀螺随机游走噪声其非平稳和非正态分布的特性,提出了基于小波变换的卡尔曼滤波的RLG降噪方法,该方法既具有小波变换对自相似过程的去相关作用和多分辨分析的功能,同时又保持了卡尔曼滤波器对未知信号的线性无偏最小方差估计的特点,实现了激光陀螺随机游走噪声的实时多尺度分解和最优估计。实测激光陀螺零偏信号去噪的结果表明,基于小波变换的卡尔曼滤波器使随机游走噪声的标准差降低了10.3%,降噪效果优于传统的卡尔曼滤波器。     

SCA-VMD在变压器声信号降噪中的应用

针对采集变压器运行声信号时会混入噪声的情况,提出了基于稀疏分量分析-变分模态分解（sparse component analysis-variational modal decomposition,SCA-VMD）分离变压器运行声信号并降噪的方法。基于稀疏特性的欠定盲源分离能够在观测信号数目小于未知源信号数目的情况下实现源信号的有效分离,变分模态分解（VMD）能将一个多分量信号一次性分解为多个单分量信号。以两路观测信号作为输入,利用稀疏分量分析法（SCA）分离得到变压器运行声信号,再利用VMD将分离信号分解为4层本征模态函数（intrinsic mode function,IMF）分量,通过阈值滤波的方法对高频分量和低频分量进行去噪处理,利用新的IMF分量重构得到去噪信号。仿真试验和实际试验结果表明,该方法能实现对变压器运行声信号的有效分离和去噪处理。     

基于时频谱图的脉冲噪声抑制方法

从时频分析的角度,提出了一种新的音频信号脉冲噪声的处理方法。该方法基于被污染信号的时频谱图,通过区分纯净信号和脉冲噪声信号的频域特性与相关性来检测脉冲噪声。首次提出前后信息相关联的"限幅"噪声抑制方法,并利用带过滤系统的中值滤波方法分别对短时和暂态两种脉冲噪声信号加以抑制和消除。和信噪比相比,还进一步提出了四个指标专门用于评价去除脉冲噪声方法的性能。基于这四个指标,分析了如何调整参数以获得更好的检测和修复性能,并用大量仿真实验证实了这种新方法的有效性。最后给出了系统仿真结果,并指出了该方法的应用前景。     

基于小波包和LMS自适应降噪的柴油机振动诊断

由于柴油机振动信号的特征频带和噪声频带存在重叠现象,利用小波阈值消噪时难以选取合适的小波阈值,针对该问题提出一种基于小波包的LMS自适应滤波降噪方法。该方法将小波包与LMS自适应滤波相结合,首先利用小波包变换对信号进行多层分解,然后以噪声干扰对应尺度上的第一层“细节”分量及最大分解尺度上的逼近分量重构信号,将重构后的信号作为LMS自适应滤波器原始输入信号,再以小波包最大分解尺度上的高频细节信号作为自适应抵消器的参考输入信号,进行LMS自适应滤波降噪处理。仿真计算和工程应用表明,该方法参数设置较少,易于控制,不涉及小波阈值降噪中阈值的选取问题,对比试验信号的分析验证了方法的有效性,将该法应用在柴油机振动诊断中提高了故障识别率。     

基于小波变换的轧机振动信号降噪技术研究

由于轧机振动信号受到强烈的噪声干扰,给故障特征的有效识别和准确提取带来很大困难。直接采用频域分析方法诊断早期故障的收效甚微。利用小波分析的“带通滤波”特性,可以将信号按照特定的频段进行分解,分解后的单层重构可以将噪声与可用信号进行成功分离;根据预先设定的阈值对高频分解系数处理后进行全局重构同样可以达到消噪的目的。对于现场采集的轧机振动信号,多种方式的消噪结果表明,含有故障特征的低频信息被成功提取。     

EMAT noise suppression using information fusion in stationary wavelet packets

An important issue in ultrasonic nondestructive testing is the detection of flaw echoes in the presence of background noise created by instrumentation and by clutter noise. Signal averaging, autoregressive analysis, spectrum analysis, matched filtering, and the wavelet transform have all been used to filter noise in ultrasonic signals. Widely-used wavelet threshold estimation algorithms are not designed for electromagnetic acoustic transducer (EMAT) pulse-echo signals, and therefore do not exploit their unique impulse nature. The approach to ultrasonic signal filtering proposed in this paper is based on stationary wavelet packet denoising with a threshold influenced by several information sources: a statistical echo detection, the amplitude distribution of the wavelet transform coefficients, and a priori known system frequency characteristics. The proposed method was evaluated on signals measured with EMAT probes and under various SNR conditions; it outperforms the wavelet transform with the Stein unbiased risk estimate (SURE) threshold estimation method and split-spectrum processing (SSP). The results indicate SNR enhancement of 19 dB with real EMAT data.     

基于HSI颜色空间噪声检测的彩色图像去噪算法

目的为了有效去除彩色图像中的椒盐噪声,提高彩色图像质量。方法采用椒盐噪声检测和中值滤波相结合的方法,提出一种基于HSI颜色空间噪声检测的彩色图像去噪算法。将图像转换到HSI颜色空间,根据椒盐噪声在S通道具有极大值或极小值的特点判断出可疑椒盐噪声的位置,在H通道、I通道将可疑椒盐噪声分为噪声点和有用信号,对检测出的噪声像素进行中值滤波去噪。结果采用文中算法去噪后,验证图像主观评价值(Z)为1.30,平均PSNR为37.54,SSIM为0.99,Entropy为7.31,在主客观评价上优于现在常用算法。结论文中提出算法可以为彩色图像椒盐噪声的去噪提供理论基础,具有一定的实际应用价值。     

基于改进标准化最大似然估计的最小描述长度降噪方法

针对现有各种降噪方法存在的缺点,提出了一种改进标准化最大似然估计的最小描述长度降噪方法。该方法增加编码过程中对集合本身码长计算,降噪中自适应确定降噪阈值。通过仿真信号和实际某轴承故障信号降噪分析,结果表明所提方法可以有效消除噪声并尽可能保留有用信号成分,降噪后信号的信噪比高于VisuShrink降噪和BayesShrink降噪等方法。基于改进标准化最大似然估计的MDL降噪方法进一步完善了MDL降噪理论,提升了其降噪效果。     

Image Denoising with Adaptive Weighted Graph Filtering

Graph filtering, which is founded on the theory of graph signal processing, is proved as a useful tool for image denoising. Most graph filtering methods focus on learning an ideal lowpass filter to remove noise, where clean images are restored from noisy ones by retaining the image components in low graph frequency bands. However, this lowpass filter has limited ability to separate the low-frequency noise from clean images such that it makes the denoising procedure less effective. To address this issue, we propose an adaptive weighted graph filtering (AWGF) method to replace the design of traditional ideal lowpass filter. In detail, we reassess the existing low-rank denoising method with adaptive regularizer learning (ARLLR) from the view of graph filtering. A shrinkage approach subsequently is presented on the graph frequency domain, where the components of noisy image are adaptively decreased in each band by calculating their component significances. As a result, it makes the proposed graph filtering more explainable and suitable for denoising. Meanwhile, we demonstrate a graph filter under the constraint of subspace representation is employed in the ARLLR method. Therefore, ARLLR can be treated as a special form of graph filtering. It not only enriches the theory of graph filtering, but also builds a bridge from the low-rank methods to the graph filtering methods. In the experiments, we perform the AWGF method with a graph filter generated by the classical graph Laplacian matrix. The results show our method can achieve a comparable denoising performance with several state-of-the-art denoising methods.