多层降噪自动编码器的心电信号去噪算法

传统的心电信号(ECG)去噪算法在去除线性的、平稳的ECG信号噪声时效果显著,但是在面对非线性、非平稳的ECG信号噪声时去噪效果不理想.为了提高心电信号算法的去噪能力运用了一种基于降噪自动编码器的ECG去噪算法.降噪自动编码器(DAE)具有噪声鲁棒性的特点,可以在信号受到污染的情况下尽可能地恢复数据的原始状态.为了进一步提升降噪自动编码器算法的去噪效果用多个降噪自动编码器堆叠形成深度神经网络对心电信号进行降噪处理.通过实验结果表明:多层降噪自动编码器(SDAE)算法相较于DAE算法和传统的心电信号去噪算法,SDAE算法对非线性、非平稳的信号噪声具有更好的降噪效果,而且保留了原始心电信号绝大部分的细节信息,对噪声具有较强的抗干扰能力,满足了心电信号的去噪要求.     

信号自适应去噪方法的仿真研究

研究信号问题,实际中信号都带有噪声.对不同的信号寻找最佳的去噪方法一直是信号处理和检测的主要问题,传统的信号去噪方法存在基函数单一,或者基函数难以选择的问题,使去噪效果不理想.提出一种新的基于Hilbert-Huang变换的自适应的信号去噪方法,解决了传统去噪方法存在的问题,提高了信号去噪的效果.方法是一种新的分析非线性非平稳信号的时频方法,包括经验模态分解(EMD)和Hilbert变换两部分,从信号本身的尺度特征出发对信号进行EMD分解,得到一组固有模态函数,具有良好的局部自适应性.进行仿真证明,方法的基函数具有自适应性,能很好的匹配信号的特征,既能分析平稳信号又能分析非平稳信号,尤其是对短时的非平稳信号进行去噪是非常有效的.     

基于时频分析方法的桥梁结构健康监测系统

桥梁的振动信号作为反映桥梁结构健康状况的重要指标,具有非线性、非平稳特点.时烦分析方法是非平稳信号处理的重要分支,该方法利用时间和频率的联合函数来表示非平稳信号,并进行分析和处理.本文针对杭州下沙大桥桥梁结构健康监测系统采集的振动信号,分别利用小波分析和HHT方法进行多尺度分解、去噪与重构,并对两种时频分析方法进行比较...     

脉冲涡流检测信号的消噪处理

小波分析作为一种时频分析工具,特别适用于非平稳信号的分析,并且具有多分辨分析的特点.阐述了小波阈值去噪的基本原理,对脉冲涡流这种典型的非平稳信号进行了小波阁值法去噪的仿真实验,并与传统的FIR和IIR数字低通滤波方法进行了比较,然后对实际的脉冲涡流信号进行了消噪.仿真实验结果和实际消噪结果都表明,该方法能够有效地去除脉冲涡流信号中的噪声,同时又能较好地保留原信号的特征,确保了对缺陷的精确定量,是一种对脉冲涡流信号即有效又适用的去噪方法.     

地震波形信号小波去噪研究

从小波变换的基本原理出发,讨论了如何选择合适的小波函数及适当的阈值,以实现非线性非平稳地震信号的去噪算法。利用多尺度小波分解对地震波形数据进行了分析,在MATLAB中实现了对地震信号的去噪算法。分析比较了基于傅里叶变换和基于小波变换的两种算法对实际地震信号的去噪效果。结果表明,对于非线性非平稳地震信号的噪声消减,小波变换去噪算法显著优于傅里叶变换去噪算法。     

心电信号去噪效果的评估与分析

心电信号是人体的主要生理信号之一,通过对心电信号的分析可了解心脏的健康状态,由于心电信号属于微弱低频信号,所以在采集过程中极易受到来自人体内部和外部的噪声干扰,影响心脏疾病诊断的效果。基线漂移、工频干扰和肌电干扰是心电信号采集过程中不能忽略的噪声干扰。对心电信号的相关去噪算法的效果进行对比分析。首先将模拟理想状态下的心电信号作为原始数据,同时模拟出心电信号中存在的基线漂移、工频干扰和肌电干扰。每种噪声干扰分别选择三种常用的去噪算法,采用信噪比、均方差和心电信号的频域特征的评估指标进行去噪效果的比较。在此基础上,提出了一种多噪声心电信号的去噪方法并给出去噪流程和效果。研究结果表明：（1）对于基线漂移、工频干扰和肌电干扰分别采用小波变换法、陷波滤波法和小波阈值法的去噪效果最好;（2）当心电信号含两种及两种以上噪声时,按照滤除基线漂移、工频干扰和肌电干扰的去噪顺序滤波效果最好。     

基于EMD-DFA-NLM的电涡流传感器信号去噪方法

针对电涡流位移传感器输出信号中的非稳态噪声,提出一种基于经验模态分解(EMD) －去趋势分析(DFA)－非局部均值(NLM)原理的去噪方法。该方法解决了EMD去噪方法信号、噪声模态不易确定的问题,并且可在滤除高频背景噪声的同时保留信号细节。首先通过EMD将信号分解得到若干本征模态(IMF)分量,然后使用DFA区分噪声主导IMF分量和信号,主导的IMF分量,对噪声主导分量进行NLM去噪处理,最后与信号主导分量一起重构信号,分别对仿真信号和电涡流传感器输出信号进行去噪处理。结果表明,相较EMD去噪法和EMD－小波阈值去噪法,所提方法去噪性能更优SNR(MSE)值提升(减小)明显,去噪后信号的毛刺与高频震荡大大减少。     

基于多通道小波变换的化学信号滤噪方法

基于多小波变换的理论与算法,提出了多小波软阈值去噪算法。用模拟高斯信号对多小波软阈值滤噪方法与单小波软阈值滤噪方法进行了比较,实验结果表明,多小波滤噪方法去噪效果优于单小波。将多小波软阈值滤噪方法用于黄连提取物的5种组分毛细管电泳信号的滤噪,进行滤噪处理后,噪音基本上被消除,峰位置十分清晰,峰的位置、面积及高度基本不变,基线平稳,有利于进一步进行定量计算。     

超声回波信号的多阈值分段去噪方法研究

通过构建超声回波信号模型,将基于小波包阈值去噪应用在超声回波信号研究中。针对超声回波信号的非平稳性,提出一种多阈值分段去噪方法应用于超声回波信号的去噪研究中。仿真实验表明,采用的多阈值分段去噪克服了单阈值规则的局限性,能够较好地处理超声信号中的噪声分量。     

基于EEMD和改进多小波的故障诊断的研究

针对滚动轴承振动故障信号具有非线性和非平稳的特点以及多小波阈值函数的选取对去噪效果的影响,提出一种基于EEMD(总体经验模态分解)和改进多小波阈值结合的故障特征提取的方法。首先,使用EEMD方法对采集到的信号进行分解,根据峭度值以及能量值选取有效的IMF(基本模态)分量,再选取合适的多小波函数对选取的IMF分量进行去噪,最后利用频谱分析法对去噪后的IMF分量进行重构,从而识别出故障特征频率,并通过获取的频率判断故障类型。实验结果表明,此方法可行且取得了较好的效果。     

基于二进小波变换和软阈值改进的信号消噪

软阈值消噪是信号消噪中的标准算法.理论上,软阈值方法在最小最大误差方面是近 似最优的.研究表明,通过结合系数消噪和软阈值方法,可以达到更低的误差下界.由于离散小 波是非平移不变的,因而重构过程中会出现人工噪声.为了避免这个问题,采用了具有平移不变 性的二进小波变换.实验结果表明,文中所提算法的消噪结果具有更高的信噪比和更光滑的外观.     

一种新的基于多小波的图像去噪算法

图像去噪是最基本的图像处理技术,小波分析是目前国际上最新的时间．频率分析工具,是信号去噪的强有力处理工具。通过小波变换可以将交织在一起的混合信号分解成不同频率的块信号。多小波所拥有的对称性、正交性、有限支撑等重要特性弥补了单小波的不足。本文提出了一种新的图像去噪方法,该方法以多小波变换为基础。实验证明,具有很好的去噪效果。     

心电模板构造方法及其在心电去噪中的应用

针对强噪声心电去噪,提出了基于心电模板的去噪方法。首先,将小波变换模极大值方法和信号相干平均技术相结合,构造出心电模板信号。然后给出了两种基于心电模板的强噪声心电去噪方法：直接重建法和间接相关法。最后将该方法与基于小波软、硬阈值去噪方法进行了对比,结果显示所得信号波形平滑度更好、信噪比更高。基于心电模板的去噪方法能够有效去除心电强噪声,为心电弱特征信息成分的准确提取奠定了基础。同时研究提供的心电模板构造方法也可用于其他准周期性生理信号,为强噪声生理信号去噪提供了一种有益思路。     

基于小波分析的LED芯片非接触检测信号处理

针对现有LED芯片非接触在线检测系统中存在信号处理方法简单、检测信号信噪比低等问题,本文分析了系统噪声并讨论了处理方法,研究了小波变换对LED非接触检测信号进行消噪的原理和实现过程,对检测信号进行了小波消噪的仿真和实验,并分析了结果数据。实验结果表明,小波分析在LED非接触检测信号消噪中的应用能够有效提高信噪比并切实可行。     

盲小波算法在遥感图像去噪中的应用

根据盲信号分离原理和小波分析,提出了一种遥感图像去噪的盲小波算法,首先将遥感图像的个信号进行同深度小波分解,得到不同信号相应深度的小波系数和尺度系数,然后将小波系数进行软阈值法处理,并进一步对不同信号的同深度的小波系数和尺度系数进行盲分离,并提取与源信号相关的信号,最后通过信号重构估计源信号。这种将小波分析和盲信号分离技术有机结合的方法能够有效的消除遥感图像的噪声。通过对实际遥感图像的处理,并与其他去噪技术相比较,利用盲小波算法得到的结果更为理想。     

3σ规则和µ律阈值法在心音信号去噪中的应用

讨论小波包阈值法去噪的机理,提出基于小波包变换的3σ规则和µ律阈值法在心音信号预处理中的方法,该方法保留小波包变换去噪的优势,能够有效地突出心音的特征部分,在心杂音信号去噪中有较好的效果。实验结果表明,该方法在去除干扰和心杂音上有着一定的优势,在心音信号检测中有重要的应用价值。     

3σ规则和μ律阈值法在心音信号去噪中的应用

讨论小波包阈值法去噪的机理,提出基于小波包变换的3σ规则和μ律阈值法在心音信号预处理中的方法,该方法保留小波包变换去噪的优势,能够有效地突出心音的特征部分,在心杂音信号去噪中有较好的效果。实验结果表明,该方法在去除干扰和心杂音上有着一定的优势,在心音信号检测中有重要的应用价值。     

小波变换在神经细胞传感器信号去噪中的应用

将神经元培养在半导体传感器芯片表面,构建出能够对细胞电生理特性进行长时程无损测量的神经细胞传感器,具有广阔的生物医学应用前景.由于生物信号非常微弱,采集到的信号往往难以满足实际检测的需要.本研究针对培养在光寻址电位传感器(LAPS)芯片表面的PC12细胞的胞外电生理信号,采用小波变换方法对其进行去噪处理.通过小波变换将信号分解为不同层次的小波系数,得到每一层的阈值.并根据每一层系数特点,按阈值进行分别处理,得到新的小波系数,最后根据该系数,重构了信号.对去噪后的信号进行频谱分析,发现有效信号频率集中在小于2 kHz的范围内,信噪比得到提高,表明小波变换是神经细胞传感器信号去噪的有效方法.     

基于一种新的小波阈值函数的雷达信号去噪

小波变换具有多分辨分析的特性和良好的时频局部化分析能力,在雷达信号去噪中得到了广泛的应用,但是常用的小波阈值法存在着一些缺陷,影响了去噪的性能.在传统的软硬阈值函数基础上,提出了一种新的小波阈值函数,可较好地克服软硬阈值函数的缺陷,与已有的几种改进阈值函数相比,其计算简单、连续性好且便于调节,适合于进行各种数学处理.对Doppler信号的仿真实验表明,新阈值函数可有效的抑制噪声,其去噪后的信噪比和均方根误差均优于软硬阈值函数以及已有的几种改进阈值函数,具有较高的实用价值.     

基于小波变换多分辨率特性的语音消噪方法的研究

小波分析是一种信号的时间——尺度分析方法,特别适合于非平稳信号的分析,具有多分辨率分析的特性,而且在时频两域都具有表征信号局部特征的能力。通过分析语音信号的特性,利用小波变换的多分辨率分析特性,提出了首先对信号进行清浊音判断,其次运用多尺度多闽值方法来抑制包含有噪声的语音信号在不同尺度上的噪声小波系数,从而实现在重构语音信号中消噪的目的,并通过计算机仿真结果验证了该方法的有效性。