共查询到19条相似文献,搜索用时 111 毫秒
1.
为了准确识别雷达回波信号中的目标信号,木文将小波变换引入到雷达回波信号处理,对回波信号进行分解、重构以及滤波器设计,去除雷达信号中的噪声,采用MATLAB软件进行系统仿真,结果表明,采用小波变换mallat算法对探地雷达回波信号进行目标识别具有较好的时频分辨率,且可抑制杂波,去除噪声,能很好的识别目标信号,具有很好的应用前景。 相似文献
2.
小波变换在单片机信号去噪中的应用 总被引:4,自引:0,他引:4
在单片机系统工作环境中存在着各种噪声干扰,尽管已采取了一些抗干扰措施,但不可避免会有噪声进入系统。该文根据单片机系统中的信号特点,基于小波变换自动变焦功能,提出用小波变换对含噪信号进行去噪。基于小波变换的去噪是在对含噪信号进行分解的过程中,通过门限方法抽取有用信号的小波系数,然后重建而得以实现。仿真结果表明了在单片机控制系统中利用小波变换进行信号去噪的可行性和有效性。 相似文献
3.
4.
5.
心电信号的Lipschitz指数与基于小波变换的去噪算法 总被引:1,自引:0,他引:1
心电信号是对人类心脏的生理和病理过程进行无创检测最主要的手段,是近年来信号处理领域的一个研究热点。本文在概述小变换理论的基础上,首先通过实验计算测定了心电信号的Lipschitz指数,然后基于小波变换下奇异信号民随机噪声尺度空间中的不同特性设计了一种去噪算法。 相似文献
6.
7.
在实际战场中,采样声信号不可避免的受到各种噪声和干扰的污染,导致声信号特征提取变得困难而不利于进一步的目标识别。为了有效去除混叠在战场声信号中的噪声信号。运用离散小波理论对其进行阂值去嗓处理。通过对几种去噪方法对比分析和基于MATLAB信号去噪的仿真试验,仿真结果表明对于战场声信号而言,基于Birge—Massart阂值算法具有更好的去噪效果。 相似文献
8.
9.
光电传感器当前已经在多个领域内发挥了重要作用,即通过对于各类检测信息的获得和传递,让控制系统可以根据获得的相关信息做出各项决策。然而,在实际运行过程中,会由于外部环境以及内部环境的同时影响形成噪声,不利于信号传输的质量保持。基于对小波变换计算方法的分析,该文研究了在光电传感器信号去噪技术中的应用方法,从而让信号的获得和传递质量提升。 相似文献
10.
11.
针对原始脑电波信号存在非平稳性且非常容易受到各种信号干扰等特点,对基于小波变换和小波包变换的脑电波信号的滤波降噪方法,和基于小波包变换的脑电波信号特征提取方法进行了研究。首先利用MindSet采集到原始脑电波数据,然后分别应用小波变换和小波包变换对其进行降噪处理,比较了两种方法的性能,验证了基于小波包变换的降噪方法的优越性和特征提取方法的有效性。 相似文献
12.
13.
基于级联离散小波变换的信号去噪方法研究 总被引:1,自引:0,他引:1
提出了基于级联离散小波变换的信号去噪方法。该方法通过对带噪信号作一层离散小波变换(DWT)后提取的低频部分和高频部分分别作一层DWT和四层DWT,然后,对低频部分提取的低频成分和高频成分均作三层DWT,接着,对所有分解的小波系数进行阈值处理,最后,完成信号重构。实验结果表明:在同样的小波分解层次下,本方法去噪效果好于DWT法和WPD法。 相似文献
14.
15.
基于小波变换的图像去噪优化算法 总被引:6,自引:2,他引:4
提出了一种基于小波变换的图像去噪优化算法。先通过小波边缘检测法求出有噪图像的边缘图像;再利用广义交叉确认原理求出的阈值对原有噪图像进行小波去噪,得到平滑图像;最后,将边缘图像嵌入平滑图像中,得到去噪后的图像。该算法能在有效去噪的同时保留图像的细节信息,提高了信噪比。 相似文献
16.
提出一种改进的语音去噪处理方法:二次小波分解全局阈值法。该方法不同于传统阈值滤波方法,首先对语音信号的高频部分进行二次分解,然后应用阈值滤波的方法对信号进行去噪处理。该方法在MATLAB上进行了模拟实验,实验结果表明该方法提高了信噪比,去除了大部分噪声,相当完整地保留了有效信号能量,很好地解决噪声对语音信号干扰的问题。 相似文献
17.
为了解决炮膛检测中的噪声抑制问题,在讨论提升小波变换基本原理及其特点的基础上,采用提升小波变换的方法构造小波,介绍了基于插值细分法的提升小波,讨论了其降噪原理。通过实验对比研究了不同类型的经典提升小波和插值细分小波的降噪效果以及小波支集与降噪效果之间的关系,为选择降噪小波提供了理论依据。将该结论应用于炮膛检测系统中身管内径测量信号的降噪处理,取得了满意的效果。 相似文献
18.
19.
图像去噪是图像处理中一个非常重要的环节。为了改善降质图像质量,根据Donoho提出的小波阈值去噪算法,分析了维纳滤波原理,提出了一种基于修正维纳滤波的小波包变换图像去噪方法。利用修正维纳滤波对噪声图像进行处理,用处理后的图像计算噪声的标准方差,以此作为小波包的阈值。利用小波包对维纳滤波后的图像进行分解,实现对图像的低频和高频部分分别进行分解,用计算出的阈值对小波包树系数进行软阈值处理。利用小波包逆变换来获取去噪后的图像。结果表明:在噪声方差为0.01时,经该算法去噪后图像的PSNR比小波包自适应阈值去噪后的PSNR高出8.8 dB。该算法不仅能有效地去除加性高斯白噪声,而且能很好地保留边缘信息,极大地改善了图像的视觉质量。 相似文献