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.     

脉冲漏磁信号的EMD小波阈值去噪研究

为有效抑制脉冲漏磁检测信号中的各种噪声,将小波阈值去噪运用到经验模态分解(EMD)中,提出一种基于EMD的小波阈值去噪方法。针对小波软、硬阈值函数中存在的不足,引入平滑截断绝对偏差惩罚因子进行优化改进。将该方法应用于脉冲漏磁信号进行实际消噪处理。实验结果表明,该方法能较好地剔除信号中的噪声,在脉冲噪声的抑制方面优于小波阈值去噪。     

基于MATLAB的小波阈值对信号消噪结果的影响

基于小波变换的阈值选择也是小波消噪的关键因素之一。利用Matlab编程实现小波消噪过程中，对于从第1层到第N层的小波分解高频系数，选择一个适当的阈值，来提高小波消噪信号的质量。计算机仿真处理结果和定性分析表明，选取启发式阈值时，可得到较好的消噪波形和频谱。     

基于经验模态分解和小波阈值的冲击信号去噪

冲击信号是非线性的并且容易受到噪声污染;为研究冲击信号去噪的问题,针对经验模态分解(Empirical Mode Decomposition,EMD)去噪和小波阈值去噪方法存在的不足,提出了基于EMD的小波阈值去噪方法;单纯的EMD去噪方法会在去除高频噪声的同时压制高频的有效信息;EMD与小波阈值去噪相结合,利用连续均方误差准则确定含噪较多的高频固有模态函数(Intrinsic Mode Function, IMF),对高频IMF分量进行小波阈值去噪,以分离并保留这些分量中的有效信息,同时保持低频IMF分量不变;对模拟数据和实际冲击信号进行去噪处理,结果表明,基于EMD的小波阈值去噪方法的去噪效果优于单纯的EMD去噪方法和小波阈值去噪方法。     

基于EMD阈值方法的轴承故障振动信号去噪

针对随机噪声信号影响对有用信息的获取,提出了EMD分解阈值去噪方法,将小波阈值去噪原理应用于经验模态分解（Empirical Mode Decomposition,EMD）中。首先对实际含噪信号进行EMD分解,根据分解后得到的内蕴模态函数（Intrinsic Mode Function,简称IMF分量）,采用自适应阈值去噪,进行信号重构,得到消噪后的信号,获取有用信息。将该方法应用于实际工程故障振动信号中分析研究表明,该方法可以获得较高的信噪比,能够对实际信号进行有效的故障特征频率提取,降噪后比降噪前的诊断效果更明显。     

用EMD和小波消噪的加速度信号压缩重构新方法

针对噪声破坏加速度信号稀疏性、降低其压缩感知重构算法性能问题,提出了一种用经验模态分解(EMD)和小波分析联合消噪的加速度信号压缩重构新方法.该方法首先采用EMD和小波阈值联合消噪方法对加速度信号消噪处理,保持加速度信号内在稀疏性;然后基于压缩感知理论和加速度信号块结构信息,采用块稀疏贝叶斯学习算法以高概率重构原始加速度信号.采用USC-HAD人体日常行为数据库中的加速度信号验证本文方法的有效性.实验结果表明,本文所提方法的信噪比和均方根误差明显优于未经消噪处理的压缩感知重构算法,能够有效抑制加速度信号噪声,增大加速度信号稀疏度,提高加速度信号压缩重构算法性能.     

一种改进的EMD硬阈值去噪算法

为了提升基于经典小波阈值的EMD去噪算法的性能,利用高斯白噪声的统计特征提出了一种改进的硬阈值去噪算法;首先将含噪信号进行EMD分解,把第一个固有模态函数作为高频噪声直接去除并估算出其他IMF中高斯白噪声的能量,然后根据硬阈值去噪的原理,利用滤除掉的样本点包含的能量等于白噪声的能量确定出合适的阈值;该方法能根据样本点自适应地确定阈值;最后通过对含噪正弦信号和仿真心电信号的去噪实验证实了改进后的阈值使算法去噪效果有明显提升。     

基于小波分析的脉冲涡流信号去噪方法研究

应用小波多尺度分解与重构技术和小波包分析技术对脉冲涡流检测信号进行处理,将信号中的噪声分离出来并去除。采用离散小波变换的强制消噪法、软阈值消噪法和不同熵准则的小波包消噪法,对实测的脉冲涡流信号进行消噪。在保留信号中有用成分的前提下,结合信号的信噪比和均方根误差,对消噪方法进行比较和优选。实验结果表明,小波包分析中的Threshold熵准则法效果最好。     

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.     

基于小波和EMD的语音信号去噪

为了解决语音信号问题,本文在传统小波阈值去噪方法的基础上提出了提出了一种基于经验模态分解的小波阚值去噪算法,并与小波阂值去噪法和EMD去噪效果相比较,试验结果证明,基于经验模态分解的小波去噪效果是相当有效和稳定的．为研究语音信号去噪处理提供了新的手段。     

基于经验模态分析心电信号预处理研究

心电信号是典型的强噪声下非平稳弱信号,其分析效果受各种干扰影响很大。因此,选择有效的滤波方法对心电信号分析有着非常重要的意义。提出一种基于经验模态分解阈值处理的新滤波方法用于心电信号预处理,并以MIT/BIH标准数据库中的心律失常数据作为仿真对象进行仿真分析,并取得了令人满意的消噪效果。     

基于提升小波改进阈值的雷达信号去噪方法

针对传统小波域阈值去噪的局限性和缺陷,提出了基于提升小波变换的改进阈值函数去噪新方法。通过提升小波变换提取含噪信号小波系数,并利用新阈值函数进行降噪处理。实验仿真结果表明,该方法运算速度快,能有效抑制噪声,信噪比和均方根误差性能均优于经典阈值函数和已有的两种改进阈值函数,在对雷达弱小目标的检测中有很好的应用价值。     

基于改进经验模态分解的HHT密集模态识别方法

针对传统HHT方法不能有效识别密集模态的问题,提出基于改进经验模态分解(EMD)的HHT密集模态识别方法。EMD密频信号分解能力不足是限制HHT法识别密集模态的主要原因,因此在EMD分解过程中嵌入信号调频(FM)和模态解相关操作提升其分解密频信号的能力,称改进后的方法为调频-解相关模态分解(FM-DEMD)。以FM-DEMD分解取代传统HHT法中的EMD分解,得到改进HHT模态识别方法。仿真试验证明：传统HHT法和ITD法密集模态识别失效时,改进HHT法仍能准确识别密集模态信息。     

基于快速二维经验模态分解的纹理分割

经验模态分解是一种数据驱动的信号分解方法,具有局部性和瞬时性等特性,非常适合非稳态非线性信号分析.提出了一种新的快速二维经验模态分解方法,在新方法中,采用了新的边界抑制算法,改进了经验模态分解算法的筛选条件.将该方法应用于纹理分割,取得了满意的实验效果.     

基于经验模式分解的R波识别及噪声消除

提出了一种新的心电信号R波识别方法,探讨了经验模式分解在心电信号R波识别领域的可行性,并结合该理论给出R波的识别算法,用MIT心电数据库中部分记录进行验证,取得了比较理想的效果.最后应用该理论处理心电信号噪声时,发现去噪的效果优于仅使用小波方法去噪.     

基于二维经验模态和均值滤波的图像去噪方法

提出了一种新的图像去噪方法。此方法通过二维经验模态（BEMD）将噪声图像分解为一系列不同频带的子图像。对低频近似图像保持不变,对高频细节图像采用不同的模板进行均值滤波,最后将低频近似图像和均值滤波后的图像合成为去噪后的图像。实验结果表明该方法在滤除图像噪声的同时,又能较好地保留图像的边缘细节,其滤波效果优于单一的BEMD图像去噪和均值滤波图像去噪以及小波变换和均值滤波图像去噪方法。     

经验模态分解频率分辨率的一种改进方法

针对传统的经验模态分解（Empirical Mode Decomposition,EMD）中由于信号间的相互作用造成的单个固有模态分量带宽过大的问题,提出使用改进的掩蔽信号并结合增加筛选过程迭代次数的方法来对其进行改进。研究了迭代次数与EMD频率区分能力的关系;提出了一种改进掩蔽信号的方法,采用自适应加权的方式构造掩蔽信号的频率,权值的选择基于分离误差最小化的准则。仿真实验表明,对具有不同幅度比与频率比的信号,提出的改进方法能够有效地提高EMD的频率分辨能力。     

基于谱插值与经验模态分解的表面肌电信号降噪处理*

根据表面肌电(surface electromyography, sEMG)信号的噪声特性来探讨其降噪方法的应用问题。采用谱插值法来削弱工频干扰以避免工频处的肌电信息成分丢失,再选取通过经验模态分解(empirical mode decomposition, EMD)方法获得的内在模态函数(intrinsic mode function, IMF)分量作小波软阈值分析,并将部分明显的低频IMF干扰分量及冗余分量去除,然后对相应IMF分量进行重构便可得到降噪处理后的sEMG信号。仿真和真实信号的降噪实验结果     

基于二维EMD的纹理分类方法

在纹理图像的二维经验模式分解的筛分过程中,使用Delaunay三角形网格和三次多项式插值来构造筛分过程的包络,然后提取样本的每个内蕴模函数中过零点数目以及极值处振幅的均值作为特征向量来进行训练,根据训练得到的样本特征数据库对纹理图像进行分类.实验证明,使用所选取的特征对纹理图像进行分类的方法是可行的.