邻域比较数字滤波与小波变换在脑电信号消噪中的应用

提出了邻域比较与小波变换相结合的脑电信号消噪方法,并利用这种方法对含有脉冲噪声的脑电信号进行消噪。首先介绍了邻域比较滤波的算法和小波变换消噪的原理,然后对实测的10例脑电信号进行消噪处理,最后将两种方法相结合的消噪效果与小波变换的消噪效果进行对比。实验结果表明,无论是信噪比还是均方根误差,两种方法相结合的消噪效果均优于小波变换的消噪效果。     

小波和希尔伯特变换在脑电信号消噪中的对比研究

为了更好地消除混杂在脑电信号中的噪声,完成脑电分析,对小波和希尔伯特变换（HHT）的脑电信号消噪效果进行了对比研究。在HHT消噪方法中,利用经验模态分解（EMD）算法对脑电信号进行8尺度分解,得到固有模态函数（IMF）分量的组合,经过滤波和信号重构,得到消噪后的脑电信号。实验结果表明,HHT方法能较好地去除脑电信号中的噪声。运用评价准则比较了HHT方法和小波变换方法的消噪效果,发现HHT方法的脑电信号消噪效果优于传统的小波变换消噪,且算法的效率更高。     

声-超声检测信号的消噪处理

声-超声检测信号中存在的大量系统和环境噪声,严重影响回波信号的读取。采用平均滤波和小波包变换的方法进行消噪。利用二阶Daubechies小波函数建立一小波包消噪模型,对信号进行分解重构。经过处理后,消噪效果比较明显,能更加完整地保留有用信息。     

采用交替投影算法重构超声信号

建立了超声探测缺陷回波的数学模型，讨论了信号奇异性同其小波变换之间的关系以及通过小波变换模极大值精确重构原信号的原理和方法，利用Mallat的交替投影算法对仿真的超声信号进行了精确重构和对实际检测到的超声信号进行了消噪处理。结果表明，利用小波变换模极大值重构信号的交替投影算法来重构超声信号，重构精度高，实现速度快，用于处理染噪信号，消噪效果好，是一种较为理想的处理超声信号的方法。     

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。     

二代小波变换在肌电信号消噪中的应用

为了更好地消除混杂在表面肌电信号中的噪声,提出了一种基于二代小波变换的表面肌电信号消噪方法.利用提升算法进行表面肌电信号二代小波分解,得到多层的信号高频细节系数,分别运用软、硬阈值进行处理,对滤波后的信号进行小波重构,恢复消噪后的原始信号.通过对加噪正弦信号和真实表面肌电信号的消噪实验,结果表明:二代小波是一种明显优于一代小波的消噪方法,且硬阈值法优于软阈值法.     

双自适应提升方法用于洞壁加速度信号消噪

摘要：爆炸应用波对岩土洞壁所产生的加速度随着能量和时间的变化表现出非平稳的特性,由于加速度传感器的内阻高、输出信号小,容易受到环境噪声的影响,实测加速度曲线中存在大量的噪声信号。文中采用一种双自适应提升的小波变换方法对加速度信号进行消噪处理,在提升过程中采用自适应的方法设计更新算子和预测算子,并采用半软阈值法消噪。实验结果表时,双自适应提升小波变换结合半软阈值消噪方法与传统小波变换消噪方法相比,消噪后加速度信号的信噪比（SNB）有所提高,并且保留了突变信号部分信息量,基于提升方法也大大提高了算法灵活性,缩短计算时间。     

基于最优Morlet小波和SVD的滤波消噪方法及故障诊断的应用

分析了传统的小波去噪方法和小波变换的滤波特性.利用小波变换技术、奇异值分解技术和Morlet小波良好的时域和频域特性,提出了基于最优Morlet小波和SVD的滤波消噪方法.首先,采用最小Shannon熵方法确定出最优Morlet小波;然后,利用奇异值分解技术确定出最佳变换尺度a;最后对信号进行滤波消噪处理,从而提取信号中的有用成分.实验结果表明,该方法具有良好的去噪性能,用于故障特征提取是有效的.     

基于小波包的振动信号去噪应用与研究

小波包分析算法对上一层的低频部分和高频部分同时进行细分,具有更为精确的局部分析能力。基于小波包变换的优良时频分析特性,论述小波包分析的基本原理,研究小波包在振动检测信号消噪处理中的应用,给出应用小波包变换对基于MSP430F449单片机的信号采集电路所检测到的振动信号进行消噪处理的实例。结果表明小波包变换的方法可以降低系统噪声影响,通过变换分解出高频噪声部分,利用小波包收缩的阈值量化方法能够更好地去掉高频部分,从而达到有效去除信号中噪声的目的。     

小波分析在非平稳速变信号处理中的应用

首先对小波变换的优点做了介绍,综述了小波变换在遥测非平稳速变信号处理中的两个重要方面的应用:信号消噪和信号突变点特征提取。     

基于最优Morlet小波和自项窗的混合时频分析方法研究

提出一种基于最优Morlet小波和自项窗的混合时频分析方法。对和机械冲击信号波形相似度较高的Morlet小波进行改进,采用交叉验证法和Shannon熵方法设计了改进Morlet小波参数和小波变换尺度,对信号进行连续小波变换(CWT)以实现滤波消噪;然后,设计了自适应自项窗函数,对Wigner-Ville分布(WVD)交叉项进行移除,消除WVD交叉项的干扰。仿真和实验验证了所提出的方法可以有效地对含噪信号进行滤波消噪、并去除WVD中干扰项的影响,提高时频分析的分辨率和能量聚集性。     

小波变换技术及其在图像消噪中的应用分析

小波变换技术已广泛地应用于图形、图像处理,语音处理,视频处理以及数字信号处理等领域。由于小波变换的良好特性,使其在众多实际应用中都能得到很好的应用,并取得比原有技术更好的实际效果。本文阐述了小波变换原理并实现了在MATLAB环境下,利用小波变换对图像进行消噪处理的仿真。同时,文中也给出了中值滤波、维纳滤波器与小波阈值去噪的算法对图像消噪效果对比的仿真结果。     

语音信号去噪的最优方案选取

针对噪声的引人对语音信号的保真有很大的影响,本文主要采用matlab中小波工具中的一些小波变换去噪函数对语音信号进行去噪仿真研究,其中的阈值去噪的方法是一种实现简单、效果较好的小波去噪方法。且与一般的傅里叶变换去噪进行对比,显示了小波去噪的优良特性。     

基于改进阈值函数的小波去噪算法研究

针对用小波变换进行信号去噪的阈值函数设定问题,在传统软、硬阈值函数去噪的基础上,提出一种改进的阈值函数方法,并与极大重叠离散小波包变换相结合,从而得到一种改进阈值函数的小波去噪方法。[Matlab]仿真结果表明：去噪方法提高了重构信号的信噪比,有效除去噪声,且保留原始信号的细节特征,是一种较好的信号消噪方法,在股票去噪中具有较高的实用价值。     

基于EMD间隔阈值消噪与极大似然估计的滚动轴承故障诊断方法

针对小波阈值消噪用作滚动轴承故障信号处理存在小波基函数较难选择及传统硬阈值、软阈值消噪效果差等缺点,将EMD间隔阈值消噪与极大似然估计相结合,应用于滚动轴承早期微弱故障诊断。对原始信号进行EMD分解;对各IMF进行基于极大似然估计的间隔阈值消噪,并重构出故障信号;进行包络谱分析得出诊断结果。数字仿真信号与实验信号验证了该方法的有效性。     

EMD和FSWT组合方法在爆破振动信号分析中的应用研究

针对传统经验模态分解EMD时频分析功能不足的缺陷,提出了基于经验模态分解EMD和频率切片小波变换FSWT组合的爆破振动信号分析方法。对实际工程采集到的爆破振动信号进行EMD分解,根据相关性系数确定优势分量实现信号重构,并获取重构信号全频带FSWT时频特征。利用FSWT逆变换能切割任意频率区间的特点,将重构信号选择时间、频率切片区间进行了更为细化时频特征提取。研究了EMD-FSWT组合方法、Hilbert-Huang变换(HHT)、小波变换(WT)三种方法的消噪滤波效果,并与短时Fourier变换(STFT)、重排平滑Wigner-Ville分布(RSPWVD)两种传统时频方法进行了对比。分析结果表明:EMD-FSWT组合方法,对瞬态信号在时频域上的分辨率更高,消噪和滤波效果好,适于对爆破振动信号进行更为精细化的时频特征分析。     

自适应神经网络模糊小波语音消噪算法

针对有色噪声,采用自适应神经网络模糊系统模糊(Auto Neural Fuzzy Inference System,ANFIS)逼近有色噪声,利用自适应神经模糊推理系统ANFIS对噪声的非线性动态特性进行建模,提出了语音自适应神经网络模糊小波消噪算法,建立并训练了消噪系统。对被有色噪声污染的测量信号经模糊消噪后,根据信号和噪声的小波系数在不同分解尺度上的传递性,进行中值滤波和小波重构,得到了干净的语音。对算法进行了仿真实验,结果表明,消噪效果明显。     

语音消噪应用研究

从时域与频域对比研究了低信噪比语音消噪问题,时域采用LMS自适应消噪,频域分析选用小波技术,对两种消噪方法进行了系统全面的分析,对比讨论了各自的优势及不足,对实际信号进行了仿真消噪并与原始语音取样信号相比较,研究表明选用消噪方法对低信噪比语音消噪是明显有效的,LMS自适应消噪及小波消噪具有很强的实际应用价值。     

基于提升小波变换和AdaBoost的超声信号消噪技术

为了提高超声无损检测(UNDT)和无损评价(UNDE)中基础数据的信噪比(SNR),提出了一种基于提升小波变换和AdaBoost模式识别理论的超声信号消噪技术.该技术在研究材料内部散射体引起的结构噪声产生机理,以及分析传统裂谱分析算法局限性的基础上,利用提升小波变换将原始超声检测信号分解到小波空间后,通过采用AdaBoost算法构成的信噪分离器对信号和噪声进行识别、分离来消除噪声,得到高信噪比的超声回波信号.实验结果表明,与传统裂谱分析算法相比,该技术提高了消噪性能的稳定性,增强了湮没材料内部各种散射体散射中的缺陷回波信号能力.     

小波变换的滤波器解释和在冲击测量中的应用

通过分析小波函数和尺度函数的傅里叶频谱,用滤波器的观点对小波变换和多分辨分析进行了解释。并对实测的冲击信号应用多分辨分析进行了滤波,与传统的低通滤波器进行了比较,表明:小波分析对冲击信号的消噪有着傅里叶分析不可比拟的优点。