基于小波熵和相关性的高分辨率阈值去噪方法

提出了一种基于小波熵和相关性相结合的高分辨率小波阈值去噪方法.首先利用小波变换中各尺度间有效信息和噪声的相关性不同的特性,对小波分解后的各尺度的高频小波系数进行相关处理,确定出有效信息的位置,并将其置零,经过相关处理后的高频小波系数认为是由噪声引起的.将相关处理后的高频小波系数分成若干区间,计算各区间的小波熵,将小波熵最大区间的高频小波系数的平均值作为噪声标准差,计算各尺度的阈值;采用软阈值处理,最后重构得到去噪后的信号.该算法实现了各尺度阈值的自适应选取,提高了信噪比.仿真验证了该算法的有效性.     

Hilbert-Huang变换的鼾音信号谱分析

在分析Hilbert-Huang 变换算法的基础上,利用此变换对打鼾者的鼾音信号进行了分析。通过经验模态分解把鼾音信号分解为一系列固有模态函数,并分析了各固有模态的频率特征,对各模态的生物学意义进行了描述。对固有模态函数进行了Hilbert变换,建立了鼾音信号的Hilbert谱和边际谱。结果表明Hilbert比小波变换所建立的时频分布具有更好的时频分辨率,解决了时间分辨率和频率分辨率互相影响的问题;从实际看边际谱比傅里叶谱有更准确的物理意义。Hilbert 谱和边际谱为脉搏信号的特征提取和模式识别提供了可靠的依据。     

小波图象去噪综述

小波图象去噪已经成为目前图象去噪的主要方法之一。在对目前小波去噪文献进行理解和综合的基础上,首先通过对小波去噪问题的描述,揭示了小波去噪的数学背景和滤波特性;接着分别阐述了目前常用的3类小波去噪方法,并从小波去噪中常用的小波系数模型、各种小波变换的使用、小波去噪和图象压缩之间的联系,不同噪声场合下的小波去噪等几个方面,对小波图象去噪进行了综述,最后,基于对小波去噪问题的理解,提出了对小波去噪方法的一些展望。     

鼾音信号奇异点检测的小波变换分析方法

针对鼾音信号的特点,提出一种利用小波奇性检测原理的方法,以MATLAB 仿真为基础,不但给出分析鼾音信号不同频段特征的仿真结果,又对信号奇异性进行了检测,确定了奇异性的位置和奇异性指标。结果表明,该方法给分析异常鼾音信号或医疗诊断提供了非常有价值的信息。     

声音信号采用小波去噪和小波包去噪的比较

受外界条件等因素的影响,采集到的声音信号中不可避免存在着大量的突变信号,因此需要对其进行降噪处理.传统的傅里叶分析不能同时分析信号在时域和频域的全貌和局部化特征,而这些局部化信息恰恰是表征声音信号的关键特质.小波变换在突变信号分析中得到广泛的应用,在声音去噪应用中取得了良好的效果,比较了小波分析和小波包分析两种去噪方法.     

基于小波熵自适应阈值的语音信号去噪新方法

针对语音信号去噪问题, 提出小波熵自适应阈值去噪法。首先利用小波变换分解带噪语音信号, 计算小波分解后信号子带区间的小波熵, 然后将小波熵和自适应阈值相结合确定各层高频系数的阈值门限, 采用折中指数阈值函数对各层高频系数进行去噪处理, 重构降噪后的语音信号, 最后对比小波熵自适应阈值、极大极小阈值、固定阈值和无偏风险阈值去噪方法的性能。实验结果表明, 当输入信噪比为5 dB时, 小波熵自适应阈值去噪法的输出信噪比是最大的, 且其输入输出信噪比曲线高于其他三种阈值去噪法的输入输出信噪比曲线, 从而证实该算法具有更好的去噪性能。     

基于小波分解的鼾音信号功率谱估计方法研究

为对鼾音信号进行有效地功率谱估计,同时精确研究鼾音和阻塞位置的关系,提出了基于小波分解的鼾音功率谱估计方法.首先将鼾音信号进行小波分解,然后对提取的三个子带信号分别采用Welch法、多窗谱法、基于AR模型的自相关法和Burg法进行功率谱估计,最后分析了不同阻塞位置的鼾音功率谱估计特点.仿真结果表明,基于小波分解Welc...     

基于小波的EMD去噪法应用于心电信号去噪

实测的心电信号不可避免地存在一些强干扰和噪声,如何在强背景干扰和噪声下准确提取出有用的心电信号,是心脏病智能诊断的一个重要内容．提出一种新的基于小波的EMD去噪方法,先将信号进行小波分解,将带噪信号分解为多个尺度的信号,然后再对其中某几层信号进行EMD分解,剔除其中的噪声模态分量,重构后得到去噪后的信号．最后分别利用仿真带噪心电信号和MIT／BIH心电噪声数据库信号进行验证,并与单独运用小波阈值法和EMD分解法比较去噪效果．结果表明,该方法优于其他两种方法,简单有效,且适于实际应用．     

基于离散正交小波变换的图象去噪方法

给出了一种基于离散正交小波变换的图象去噪方法,该方法通过二维离散小波变换将图象投影到小波变换域,通过对小波变换系数进行阈值处理实现二维图象的去噪,并用实验验证了该方法的有效性。     

基于Matlab的小波阈值折衷去噪算法研究

基于硬阈函数和软阈函数的小波去噪算法处理的信号分别存在着偏差和方差过大的缺点,为有效解决这一问题,提出基于硬软阈值的折衷小波去噪算法。并采用四种常用的信号用matlab对去噪效果进行了仿真。仿真结果进一步表明了基于硬软阈值折衷去噪算法的优越性和有效性。     

多尺度几何分析的图像去噪方法综述

小波图像去噪已经成为图像去噪中应用最广泛的经典方法;而随之出现的多尺度变换去噪方法也已是当前图像去噪研究的一个热点。在对目前图像去噪的现状以及小波去噪总体概括的基础上;简要介绍了多尺度几何分析的产生和发展;进一步详细分析和总结了基于多尺度变换的图像去噪方法。基于对小波去噪以及多尺度变换图像去噪问题的理解;提出了对多尺度变换图像去噪方法的一些展望。
     

一种时空结合的边沿检测去隔行算法

在分析了传统边沿自适应去隔行算法的原理及优缺点的基础上,详细地对传统边沿法的低垂直清晰度造成的原因进行了探讨和解释,从理论上对其不足进行弥补改进,提出了一种结合时域滤波、空间滤波和中值滤波的改进的边沿检测去隔行算法。利用待插值点前后场的信息以及当前场的信息对检测出的边沿待插值像素进行双向插值后,再进行中值滤波。软件仿真结果和理论分析说明：改进的算法,引入较多的原始图像信息进行去隔行处理,有效地提高了垂直清晰度,同时保证了边界的锐利,具有良好的视觉效果。     

应用小波变换的认知无线电频谱检测

频谱检测是认知无线电的核心问题之一,利用小波变换对接收信号的功率谱密度（PSD）进行奇异点检测,为了在低信噪比条件下有效地检测空闲频谱,分两步去除噪声在检测中的影响。首先利用噪声与信号奇异点的小波变换模极大值在不同尺度上具有不同的传播特性,可以去除噪声;再通过小波变换模极大值的衰减计算Lipschitz指数,去掉与信号奇异点具有不同Lipschitz指数的噪声。最后依据剩下的奇异点将PSD划分为多个子带,利用带通滤波器估计每个子带的PSD水平,最终确定出空闲频谱。仿真结果证明了该方法的可行性。     

小波变换信号分形分析在鼾音信号处理中的应用

主要研究小波变换的分形方法在分析鼾音信号中的应用问题。首先分析信号波形特点并检测其瞬态脉冲。通过对频谱分形特性的动态分析,及时诊断病变信号的危害程度。仿真实验结果表明,针对典型的非平稳鼾音信号,与传统的傅氏变换方法相比,所提出的方法具有明显的优点。     

基于临界频带及能量熵的语音端点检测

语音端点检测的准确性直接关系着语音识别、合成、增强等语音领域的准确性,为了提高语音端点检测的有效性,提出了一种基于临界频带及能量熵的语音端点检测算法。算法充分利用人耳听觉特性的频率分布,将含噪语音信号进行临界频带划分,并结合各频带内信号的能量熵值在语音段和噪声段的不同分布,实现不同背景噪声下语音端点检测。实验结果表明,提出的语音端点检测算法与传统的短时能量法相比,检测正确率平均高1.6个百分点。所提方法在不同噪声的低信噪比(SNR)环境下均能实现语音端点检测。     

基于自适应多尺度时频熵的遥测振动信号异常检测方法

针对遥测振动信号频域成份复杂、非平稳非线性和强噪声特性,提出一种基于自适应多尺度时频熵的遥测振动信号异常检测方法;首先对采集到的遥测振动信号进行零漂修正和趋势项消除,然后采用自适应分解方法对信号进行多尺度分解,得到若干分量,利用相关系数剔除虚假分量;接下来用筛选出的分量作时频分布,对时频分布进行多层多尺度划分,计算相应尺度频段内信号的分形维数,依据分形维数的大小自适应地确定各频段的时频划分尺度;最后计算时频平面的自适应多尺度时频熵,通过时频熵的变化情况对遥测振动信号进行异常检测;实测数据验证了该方法的有效性。     

小波熵在心电高频噪声处理和R波检测中应用

为了在滤除噪声的同时不丢失信号有用信息,将小波熵理论与小波阈值去噪方法综合起来,提出一种基于小波熵的自适应阈值去噪和R波峰值定位方法,对心电信号高频噪声不同信噪比情况做了去噪处理,并同小波熵最优阈值法做了对比分析,结果表明,本算法可以自适应地确定小波系数阈值,不需要直接处理大量的小波系数,且具有良好的滤波性能,尤其在噪声严重时,去噪和R波检测效果更优。最后对实测和数据库中46例数据都做了应用分析,表明本算法具有快速性、有效性和稳定性的特点。     

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.