心电信号的小波变换处理算法及仿真

为了有效去除心电信号中的干扰噪声,对信号特征点进行准确标定,采用小波变换的阈值去噪算法和时域峰值定位算法进行心电信号处理.利用bior3.7小波按照Mallat算法对ECG信号进行分解,结合软硬阈值与小波重构的算法对信号进行去噪处理,给出了小波变换与时域峰值定位结合的算法检测各特征点.仿真结果表明小波阈值算法能有效去除心电信号中的干扰噪声,保留心电信号的有效信息,基于小波变换的时域峰值定位算法能准确检测出心电信号中的特征点.     

磁记忆检测套管应力集中信号和特征量研究

铁磁性工件在载荷的作用下,应力和变形集中区会产生最大的漏磁场变化,金属磁记忆技术可有效判断套管应力集中区.对漏磁场法向分量的测定可以准确地推断工件的应力集中区.井下的恶劣环境对磁记忆系统提出更高的要求.将数字平滑和小波去噪方法引入磁记忆检测系统的信号处理中,提高了信噪比,有效地提取了磁记忆信号中的梯度;同时为准确确定应力集中的位置,提出了新的特征量选取.实验结果证实了方法的有效性和可行性.     

基于DTCWT-MAP去噪及Hilbert包络的滚动轴承故障诊断

针对轴承振动信号易受噪声影响造成故障特征难以提取的问题,提出一种基于双树复小波(Dual-Tree Complex Wavelet Transform, DTCWT)和最大后验估计(Maximum A Posteriori, MAP)的信号去噪及故障诊断方法。该方法首先对振动信号进行DTCWT分解,获得不同层次的小波系数,有效克服了传统小波分解频率混叠和畸变的缺陷。然后根据各层小波系数中的噪声强度构造MAP软阈值函数,对不同层次的小波系数进行阈值去噪。最后对去噪后的各层小波系数进行DTCWT反变换,将信号分解到不同频带,结合Hilbert包络实现轴承故障诊断。仿真信号去噪分析、轴承复合故障诊断实验及风机轴承微弱故障诊断应用结果表明,该方法能够有效去除噪声,提高信噪比,增强故障特征,提高轴承故障诊断的准确性和实效性。     

小波和小波包变换在心电信号去噪中的应用

小波（包）变换软阈值去噪方法具有非线性和自适应性,特别适合非平稳微弱的生物医学信号的去噪,而心电信号恰具有该特征。利用MIT／BIH数据库中没有噪声的胎儿心电的信号作为有用信号并混合高斯自噪声作为干扰来验证小波（包）软阈值去噪的效果。验证结果表明小波（包）软阈值算法去噪效果很好,能有效去除干扰。     

波和小波包变换在心电信号去噪中的应用

小波(包)变换软阈值去噪方法具有非线性和自适应性,特别适合非平稳微弱的生物医学信号的去噪,而心电信号恰具有该特征。利用MIT/BIH数据库中没有噪声的胎儿心电的信号作为有用信号并混合高斯白噪声作为干扰来验证小波(包)软阈值去噪的效果。验证结果表明小波(包)软阈值算法去噪效果很好,能有效去除干扰。     

基于包络提取的TOA估计算法

针对超宽带无线传感器网络中噪声影响定位精度的问题,提出了一种基于包络提取的到达时间(time of arrival, TOA)估计算法。该算法首先利用小波变换的多分辨率分析有效地去除信号中的噪声成分,之后对去噪的信号进行希尔伯特变换提取其包络,最后选取第一个包络的最大值作为TOA的估计值。仿真结果表明,该算法抑制了噪声对TOA估计的影响,提高了估计精度。     

基于小波变换的声波信号包络提取

包络提取是声场层析成像的关键,考虑到希尔伯特变换法在提取声包络信号中毛刺多等缺点,提出了一种小波变换法来提高包络提取的精度.计算机仿真结果表明,用该方法提取包络的效果比希尔伯特变换方法效果好.     

长偏移距瞬变电磁信号小波阈值去噪效果分析

长偏移距瞬变电磁法用于地下深部勘探时,观测到的垂直磁场脉冲响应非常微弱,常伴有严重噪声,从原始信号中消除噪声获得有用信息非常重要。为此笔者研究小波阈值方案对长瞬变电磁信号的去噪能力。实验中对西部某勘探区垂直磁场信号采用Sqtwolog,SURE,Heuristic和Minimax等阈值方案进行小波去噪比较,结果表明：几种小波阈值去噪方案对瞬变电磁法垂直磁场的染噪信号均能提高一定量的信噪比,达到较好的去噪效果;不同的阈值方案去噪效果各有差异,采用启发式阈值方案对实验数据处理效果要优于其它几种方案,因此根据信号统计分布特征选择合适方案去噪效果;实测信号去噪结果包含信息需要结合勘探区情况分析,是地下电性特征的反映还是未去除的噪声要慎重对待。在长偏移距电性源瞬变电磁法用于地下深部勘探时,利用适当小波阈值去噪处理可以对资料处理工作带来有益的帮助。     

线性自适应小波理论的齿轮箱故障诊断方法

针对早期齿轮箱故障信息淹没在背景组分中的问题,提出了基于线性自适应小波理论的齿轮箱故障诊断方法.该方法基于希尔伯特变换(HT)和自适应小波变换(AWT),能从低频的调制振动信号中区分并识别不同程度的裂纹故障.首先用希尔伯特变换提取调制振动信号的包络值以显示调制频率.然后利用自适应小波变换来处理由希尔伯特变换得到的调制信号,其中在自适应小波处理希尔伯特变换后的调制信号的过程中利用粒子群算法(PSO)对过程参数进行优化.实验结果表明该自适应小波变换能通过过程优化小波找到匹配振动信号的啮合频率及其谐波、耦合频率、载波频率及其边频带,能够从调制信号中提取出特征参数,且具有较高的分辨率.     

低信噪比下雷达信号脉内特征提取新方法

针对低信噪比条件下雷达信号的瞬时参数估计容易受噪声影响的问题,提出了将自适应阈值消噪技术与小波变换结合起来的新方法.首先利用连续小波变换计算信号的小波谱,再对小波谱进行自适应阈值消噪处理,进而提取小波谱脊线,得到信号的脉内调制信息.计算机仿真结果验证了该方法的可行性.     

基于改进小波阈值法的平移不变心电信号去噪

人体心电信号在采集过程中掺杂着各种噪声信号,而常用的小波阈值法在心电信号去噪中存在缺陷,为此在小波阈值法的基础上进行改进,得到新的阈值去噪方法,该方法能够较好保护心电信号特征,有效保持各种心电波形的幅度,并在一定程度上有效抑制脉冲噪声.此外,由于传统小波阈值法去噪都是基于离散小波变换进行的,所以在幅度较小的Q,S波处会产生Pseudo-Gibbs现象,而文中以改进的小波阈值法为基础对心电信号进行平移不变的去噪处理,有效地克服了这个问题.利用美国麻省理工学院的MIT-BIH心电数据库对以上方法进行验证,取得了良好的去噪效果.实验结果表明,所提出的算法与传统的小波阈值法比起来能够更好的保持心电信号的几何特征,且具有更高的信噪比.     

小波变换在弹丸超声阵列中的应用

弹丸超声阵列中检测到的超声波信号信噪比较低,易于被噪声信号湮没,需要对采集信号进行去噪.本文拟采用小波去噪方法对检测到的信号进行去噪,根据弹丸超声波信号的脉冲特性,选取小波基函数中的sym8小波.通过对几种去噪方法对比分析,结果表明,采用Birge-Massart算法选取阈值后,使用改进的Garrote阈值方法进行去噪处理,可以有效的降低噪声,提取弹丸超声波信号特征.     

基于经验模态分解的小波阈值滤波去噪

经验模态分解(EMD)是一种新出现的处理非线性、非稳态数据的信号分析方法,首先对带噪信号做EMD分解,得到各阶本征模函数(IMF)分量,然后对高频的IMF分量用小波去噪中的阈值方法进行处理,把经过阈值处理的高频IMF分量和低频的IMF进行叠加,得到重构后的信号,即去噪信号。通过三次样条包络分离数据的高阶成份和趋势项。利用EMD的这种特性,提出一种基于EMD变换的阈值去噪算法。仿真实验表明基于EMD变换的去噪具有较好的自适应能力,形式简单,应用方便灵活,不受傅立叶变换及小波函数选择的限制等。     

基于小波变换的声波信号包络提取

包络提取是声场层析成像的关键，考虑到希尔伯特变换法在提取声包络信号中毛刺多等缺点，提出了一种小波变换法来提高包络提取的精度．计算机仿真结果表明，用该方法提取包络的效果比希尔伯特变换方法效果好．     

振动测试信号处理的小波变换方法

分析了小波变换的局部化特性，以及基于Donoho理论的小波阈值去噪方法，研究比较了不同阈值规则与阈值函数对去噪效果的影响。利用小波分解重构算法，对振动测试信号进行去噪处理，改善测试信号的信噪比，减少信号损失。     

井下金属磁记忆检测仪的设计和实现

金属磁记忆技术可有效判断井下套管应力集中区域.利用铁磁材料的磁记忆性,研制井下在役套管检测系统.通过采集到的由应力集中区所产生的磁记忆信号,可以快速、准确地确定套管的应力集中区.首先设计了磁记忆检测仪的软硬件结构,给出了关键电路和软件流程的实现,以适应井下高温的复杂环境;对于含有噪声的磁记忆信号很难提取梯度值用来评价设备的寿命,则在软件中采用了数字限幅平滑和能量小波去噪方法,有效提高磁记忆信号的信噪比,并准确提取了磁记忆信号中的梯度.最后,通过数据实验证实了所提方案的有效性.     

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。     

小波分析在信号包络提取中的应用

包络分析是机械测试和故障诊断领域的常用方法 ,本文利用小波的频带分离特性和噪声的小波变换特性 ,将希尔伯特变换和小波分析结合起来 ,提高了提取信号包络信息的精度 ,并通过实例说明了这种方法的有效性     

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.     

吊放声纳信号提升小波阈值去噪分析

为了去除干扰噪声及保留信号特征,本文采用提升小波阈值法对信号进行去噪处理。先对信号进行提升小波分解,以获取相应尺度的尺度系数和小波系数;采用相应的阈值函数对小波系数进行量化,将量化后的小波系数和尺度系数按照提升小波逆变换方法重建信号,获取去噪信号。仿真结果表明,该方法去噪速度快、占用空间小,去噪信号信噪比均在10dB左右;均方根误差和峰值误差分别控制在0.1和0.3以下,波形与功率谱趋于平滑,信号的峰值点得以保留。该去噪方法在保留信号基本特征的同时,有效抑制了干扰噪声。