基于小波分析的动平衡机不平衡量提取方法研究

针对动不平衡信号周期性强且伴随有强烈的背景噪声,提出一种基于小波细节系数自相关性分析的分层阈值降噪法,该方法对信号进行离散小波变换,将信号分解为近似系数和细节系数,求出各层细节系数的自相关序列,根据序列是否呈白噪声自相关特性确定该层阈值。通过模拟的方法对含噪振动信号进行了试验,结果表明该方法具有较好的降噪效果。最后,对基于自相关序列分析的分层阈值降噪法在轮胎动平衡测试系统的实际应用进行了研究。实际应用表明,该方法适合动平衡测量,满足高精度要求。     

遥感图像薄云的小波自适应阈值去除

可见光遥感图像最常见的薄云噪声严重地影响其解译的准确性,因此根据薄云噪声主要影响图像的低频信号,提出单波段遥感图像小波变换自适应阈值去云,图像经小波分解后,薄云噪声与地物信息在低频小波系数的阈值使用遗传算法以广义交叉验证GCV准则作为目标函数自动寻找,然后对小波系数进行阈值化去云。结果表明,该方法可有效去除薄云噪声并保留地物信息,使原来模糊的地物细节信息变清晰,信息熵最高,去云效果优于小波同态滤波,且明显优于同态滤波;不同尺度低频小波系数中薄云噪声与地物信息间的阈值,可用遗传算法和GCV准则有效地自动确定。     

小波变换提取电力电容器局部放电信号研究

为了消除电力电容器局部放电信号的噪声,提高电力电容器局部放电信号在线检测的有效性,提出基于小波变换阈值消噪方法的电力电容器局部放电信号提取方法。选择合适的小波基函数和分解层数对信号进行小波分解,确定合适的阈值规则以及阈值估计方法对小波分解系数进行阈值量化处理,从而得到消噪后的局部放电信号。以均方根误差RMSE和信噪比RSN为衡量指标,分析了小波基函数、分解层数、阈值规则和阈值估计方法等对消噪效果的影响。结果表明,当选择db2小波作为最优小波基函数,分解层数定为6层时,利用最大最小准则阈值估计法估计的阈值在软阈值规则下能有效提取电力电容器局部放电信号,达到了最优去噪效果。     

基于小波变换的陀螺仪输出信号的干扰补偿

陀螺仪作为重要的敏感测量器件,在军事和民用方面应用很广泛。其测量信号的精度直接影响了控制系统的精度。文章提出了对干扰影响下的陀螺仪输出信号进行滤波的一种方法。该方法通过小波变换对陀螺输出信号进行多尺度分解,确定奇异点的时域位置,进而确定干扰影响的时间段,从而去掉噪声引起的细节项,实现对陀螺信号的滤波。该方法已应用于国家某重点型号项目定位定向设备中,经验证可以有效地提高陀螺仪噪声环境下的测量精度。     

一种基于SVD分解的小波阈值降噪方法

针对小波软阈值消噪的缺点,探讨了一种基于奇异值分解(SVD)的离散小波去噪方法。该方法通过对每层小波分解细节系数进行奇异值分解,将其中的信号特征成分和噪声分解到不同的正交子空间中,在子空间中选取集成信号特征成分的奇异值矢量进行重构,从而提取出淹没在细节系数中的有用信号成分,最后进行小波重建,得到降噪信号。通过仿真实例的验证,表明该方法与小波阈值消噪法相比,在强噪声背景下,它提取出的信号特征成分更完整,信噪比更高。     

表面肌电信号的小波消噪改进算法

根据在不同尺度下信号和噪声的小波变换系数的相反特性，提出了一种改进的小波消噪算法来去除肌电信号中的噪声.利用Mallat算法对肌电信号进行小波分解，实质上就是将信号投影到尺度空间和小波空间，分别包含了信号的光滑通道分量和细节分量.兼顾软阈值和硬阈值量化方法的优点，利用两者的加权平均值滤除由噪声所决定的小波变换系数，从而在大尺度下补充细节信息并保持信号在奇异点的特征.利用保留下来的小波变换系数进行信号重构即得到消噪后的信号.实验结果表明，该方法可以有效去除噪声，兼顾了软、硬阈值的优点，保留了在模式变化过程中肌电信号细节部分的有用信息.     

光纤陀螺组合的多尺度多传感器数据融合

针对四个光纤陀螺的冗余组合,提出一种多尺度多传感器数据融合算法。该算法对4个光纤陀螺的冗余组合数据进行预处理,并对各个尺度上小波变换的系数采用自适应权值的方法进行数据融合,最后采用合适阈值和阈值函数对融合后的小波系数进行重构。仿真结果表明,该算法可以有效提高光纤陀螺组合系统的可靠性和精度,融合后的光纤陀螺组合精度可以提高一个数量级。     

基于小波分析的船用捷联陀螺信号滤波方法

提出了基于小波分析的陀螺信号的滤小方法,利用Daubechies四阶正交小波及其优良的信号多分辨率分析特性,对陀曼输出信号进行尺度小波分解,去除由噪声引起的细节项,从而消除其中的噪声干扰,仿真试验表明了该方法的优越性,对于提高对准精度,缩短对准时间具有重要意义。     

声发射信号小波阈值消噪方法研究

声发射信号在采集、转换和传输过程中,由于受到设备、环境及传输信道的影响,不可避免地受到噪声干扰。因此,如何去除信号中的噪声,得到感兴趣的信息成为信号处理中一项关键技术。对声发射信号的小波变换阈值消噪方法进行了研究。首先分别对原始信号进行三重db3和sym8小波分解,然后对分解后的各层系数采用硬软阈值方法进行截断处理,最后利用阈值处理后的小波系数完成信号小波重构。通过试验数据分析比较发现,采用sym8小波基的软阈值消噪方法显著提高了声发射信号的局部弱特征保持能力。     

墓于小波变换的随钻测试数据降噪方法研究

为消除随钻测试装置采集信号中的噪声,给工程人员提供准确的现场信息,提出了基于小波变换的方法对随钻测试数据进行降噪处理.首先,根据含噪声的随钻测试数据模型建立起小波变换降噪的基本流程.其次,在对含噪信号的小波变换特性分析的基础上,运用自相关函数对其在小波变换尺度空间中进行白噪声检验,确定小波最优分解层数.在分析对比小波降噪阈值的不同选取方式后,采用广义交又确认理论来计算最优降噪阈值,从而在对信号降噪的同时还最大程度地保留了信号的有效特征成分.最后给出了基于该方法小波变换的随钻测试数据降噪的详细步稼,对实侧的钻压和扭矩数据进行了小波降噪,取得了良好的降噪效果,为钻井工程后续分析提供了可靠的数据支撑.证明了本方法的优越性.     

数字滤波在光纤陀螺信号处理中的应用

针对光纤陀螺（FOG）输出信号存在的角度随机游走、偏值不稳定性、速率随机游走和量化噪声等问题,采用了有限冲激响应滤波器、小波变换阈值滤波器和小波包变换滤波器分别对FOG输出信号进行滤波。利用Allan方差法得到了滤波后FOG信号各误差源的幅度,然后与原输出幅度对比。实验结果表明,这3种滤波方法均具有一定的可行性。其中,小波变换阈值滤波法既可以得到很好的滤波效果,又能有效降低滤波的计算复杂度,为FOG信号处理提供了一定的参考价值。     

基于最优小波包基的降噪方法及其应用

如何有效去除信号中的噪声是地球物理勘探领域中一个较重要的研究内容。如何去除有效数据中的噪声而保持信号的初至相位不发生畸变,常规的频率域或时间域滤波方法均不能较好的解决这个问题,而基于小波包基的信号去噪方法却是一种较好的方法。本文以小波包分析为基础,根据最小代价原理研究信号分解的最佳小波包基,对不同频率的系数采用不同的阈值进行量化,对高频信号采用Stein无偏似然估计的原则计算阈值,而在低频部分则采用以信号能为依据的浮动阈值,利用量化后的小波包系数重构得到去噪后的信号。仿真和实验结果表职,该方法去除噪声的同时并不改变原信号的相位,也不会产生波形的畸变。同时,将该方法利用到超声波数据降噪处理的工程实际中也取得了较好的效果。     

小波分析在信号消噪中的应用

用小波分析进行信号消噪常用多尺度小波变换。多尺度小波变换是将信号分解成高频和低频成分，低频包含信号的主要性能，高频含较多噪声，将高频平滑后再重建即可消噪。消噪处理大致有强制、阈值两种方法。现场试验表明：此方法高效、实用。     

小波变换技术用于图像信号的降噪

采用多尺度和小波阈值技术相结合的多尺度阈值方法来降低图像信号的噪声。它是根据在不同尺度下信号和噪声的小波系数有不同的变化规律,在同一尺度上信号和噪声的小波系数有不同的特点,在不同的尺度上选择合适的阈值来进行小波系数压缩,从而达到去除噪声的目的。     

基于自适应阈值的提升小波去噪方法

鉴于传统的去噪算法中的阈值很难选取到最优值,设计了自适应的阈值选取器,结合最小均方算法和小渡阈值去噪算法,提出了一种基于LMS算法的小波去噪方法.该方法根据LMS算法来自适应地控制阈值参数,并实现提升小波阈值去噪.仿真结果表明,该方法优于传统去噪方法,可较大程度地减少信号中的噪声,提高输出信号的信噪比,能很好地提取有用信号的特征.     

基于经验模态分解(EMD)的小波阈值除噪方法

针对低信噪比信号的去噪问题,提出了一种基于经验模态分解的小波阈值去噪方法,并与小波变换去噪法的效果相比较．试验结果证明,当信号的信噪比较小时,基于经验模态分解的小波阈值去噪效果是相当有效和稳定的,为研究环境脉动下结构的输出信号去噪处理提供了新的手段．     

多小波自适应阈值降噪在故障诊断中的应用

为了提取淹没在强背景噪声下的微弱故障信息,引入多小波自适应阈值降噪方法实现滚动轴承的信号去噪,并结合包络解调提取故障特征.多小波具有多个尺度函数和小波函数,具备单小波无法同时满足的对称性、正交性、紧支性和高阶消失矩等优良特性,可匹配信号中的不同特征信息.基于轴承外圈点蚀故障的仿真信号,分别利用GHM多小波和Db2小波对其进行降噪处理.通过信噪比的定量分析表明,相比单小波而言,多小波的降噪优势明显.针对滚动轴承的微点蚀实验信号和现场实采集的工程数据,多小波自适应阈值技术比单小波方法具有更好的降噪效果,且更易于提取出滚动轴承的早期故障信息.     

A data-driven threshold for wavelet sliding window denoising in mechanical fault detection

Wavelet denoising is an effective approach to extract fault features from strong background noise.It has been widely used in mechanical fault detection and shown excellent performance.However,traditional thresholds are not suitable for nonstationary signal denoising because they set universal thresholds for different wavelet coefficients.Therefore,a data-driven threshold strategy is proposed in this paper.First,the signal is decomposed into different subbands by wavelet transformation.Then a data-driven threshold is derived by estimating the noise power spectral density in different subbands.Since the data-driven threshold is dependent on the noise estimation and adapted to data,it is more robust and accurate for denoising than traditional thresholds.Meanwhile,sliding window method is adopted to set a flexible local threshold.When this method was applied to simulation signal and an inner race fault diagnostic case of dedusting fan bearing,the proposed method has good result and provides valuable advantages over traditional methods in the fault detection of rotating machines.