基于FPGA的静态实时光谱采集与处理系统

为了实时获取静态迈克尔逊干涉仪得到的光谱信息,设计了基于FPGA的实时光谱采集分析系统。在Xilinx FPGA芯片上实现了干涉条纹到光谱数据的实时处理。在算法处理过程中,实现了干涉条纹滤波去噪、快速傅里叶变换、相位标定、光谱数据传输等模块化功能。实验结果显示,系统可以高速采集并实时处理光谱数据。     

改进的小波域自适应阈值煤尘图像去噪

煤尘图像在采集和传输过程中受到了噪声的污染。基于Bayes shrinke的小波域自适应阈值去噪算法取得了较好的图像去噪效果,但其阈值的参数估计是在假定噪声和信号不相关情况下得到的,使得其去噪效果降低。提出了一种改进的小波域自适应阈值去噪算法,从而改进了广义高斯分布模型参数的估计方法,并在增加计算量不大的情况下提高了参数估计精度。用改进的小波域自适应阈值去噪算法对煤尘图像进行去噪处理。仿真结果表明,新算法提高了煤尘图像的去噪效果,并且计算量较小,能够满足对煤尘浓度实时测量的要求。     

基于微波雷达传感器的设备室漏雨自动监测系统

为进一步保障电力设备室的防水安全,基于传感器技术,提出一种屋面水位监测系统,以对电力设备室的漏雨情况进行监测。其中,监测系统主要设计了无线传感器单元、无线通信网络以及水位自动采集三个主要模块,并使用基于EMD的小波熵阈值去噪算法对采集到的水位数据进行去噪处理,以进一步提升数据的准确性。实验结果表明,设计的水位监测系统能够对屋面水位进行精确监控,同时变化趋势描述的准确性较高;与改进前的去噪方法相比,改进后的EMD去噪算法能够实现更好的去噪效果,在信噪比为-1、5、10 dB的噪声条件下去噪结果的均方根误差分别为7.15,3.33,1.55。以上结果表明,设计的基于传感器技术的屋面水位监测系统能够进行精准的水位监测,进而实现对建筑的漏雨情况进行判断,可行性较高,能够应用于实际场景。     

一种滑动窗口检验的稳态检测方法

引入基于集合经验模态分解与能量结合的去噪算法,并利用滑动窗口检验实现对历史过程数据的稳态检测,通过标准差递推方法提高了计算效率;借鉴机器学习中数据标记思想,滑动窗口参数通过对少量"标签"数据辨识确定.以某电站1000MW机组的总风量数据为实验对象进行稳态检测实验.实验结果表明,基于集合经验模态分解与能量结合的去噪算法具有很好的去噪效果,基于该方法与滑动窗口检验结合的稳态检测方法具有检测灵敏度高且检测速度快的特点,适用于对海量电站历史数据进行稳态数据筛选.     

邻域加窗的非局部均值CT成像去噪方法

为了进一步提高CT图像的质量以利于工业CT图像后处理,对CT成像过程中高斯噪声的去除方法进行了研究。针对NLM算法的不足,提出了一种基于邻域加窗的非局部均值CT成像去噪方法。主要是对CT投影图像数据采用非局部均值技术中相似性计算不准确的问题进行改进,在计算相似性权值时加上高斯窗函数。与其他去噪方法进行对比实验。实验结果表明：采用了邻域加窗非局部均值去噪方法,比其他的去噪方法效果更好。基本满足在CT成像去噪的同时更好地保留工件的细节信息的要求。     

FastICA在功耗分析去噪中的应用

提出了一种应用独立成分分析技术提高功耗分析中信号信噪比的方法。搭建了侧信道分析平台,采集了功耗数据,并对功耗数据进行了基于负熵的快速固定点算法的去噪实验,信噪比提升19 dB。最后提出了通过更换g函数实现优化的方式,对不同g函数在功耗分析中的去噪能力进行了对比。结果表明,更换后的去噪能力比之前提高4 dB以上。     

基于自适应像素去噪的对抗攻击防御方法

针对深度神经网络容易遭到对抗样本攻击导致其分类错误的问题,提出一种基于自适应像素去噪的对抗攻击防御方法。通过基于前向导数的重要性计算方法获得像素重要性分数,根据像素重要性分数对多种对抗攻击进行鲁棒性分析,将其分为鲁棒或非鲁棒攻击,制定针对不同对抗攻击的降噪策略;按照降噪策略分别对重要性分数不同的图像像素进行自适应形态学降噪获得像素去噪图像;使用像素重要性分数、像素去噪图像等信息训练自适应像素去噪模型学习上述去噪过程,进行对抗防御。实验结果表明,该防御能在多个数据集与模型上快速且有效地防御各种对抗攻击,确保原始样本的精确分类。     

基于VMD和小波阈值的水听器信号去噪方法

针对水听器采集信号过程中存在的外界环境噪声干扰问题,提出了一种基于变分模态分解和小波阈值(VMD-WT) 的联合去噪方法该方法首先对含噪信号进行VMD分解,得到固有模态函数(IMFs)。然后计算每个IMF分量的中心频率和相关系数,通过相关系数阈值去除噪声IMFs,并对其余有用的IMFs进行小波阈值去噪处理。最后对去噪的IMF分量进行重构,得到具有良好信噪比的信号,通过仿真实验,证明了本方法与CEEMDAN=WT(自适应噪声的完备经验模态分解－小波阈值去噪)、EEMD-WT(集合经验模态分解－小波阈值去噪)、EMD-WT(经验模态分解－小波阈值去噪)、WT(小波阈值去噪)等方法相比,具有更好的去噪效果。通过对光纤水听器的实测实验表明本文的VMD-WT法在实际水听运用中具有良好的提高信噪比的性能。     

基于小波分析的电力信息通信过程不良数据辨识研究

传统的电力通信过程不良数据辨识方法的消噪能力较差,导致辨识效率较低。为此,本研究基于小波分析设计了新的电力信息通信过程不良数据辨识方法。根据小波变换的奇异性对电力信息通信过程进行局部奇异性检测,根据检测结果,结合神经网络算法区分正常数据和不良数据。然后采用软阈值和硬阈值去噪方法消除不良数据中的含噪信号,在计算噪声强度后,将某一尺度内的小波变换系数的平方由小到大排列,并计算似然估计向量,再根据向量中的最小值和最大值删除信号中的噪声部分。实验结果表明：该方法能够有效提高消噪能力、增强辨识效率。     

基于Python语言的音频捕获及频谱分析程序设计

Python编程语言具有极高的开发效率,DirectSound提供了强大高效的声音处理功能。文章介绍了基于Python编程语言和DirectSound的音频数据捕获技术,并对采集到的音频数据进行了相关分析处理,实时显示其波形和频谱。     

基于三维激光扫描的公路沉降监测研究

为提高公路沉降的监测效率和实时性,以四川高速某段沉降公路为研究对象,提出基于三维激光扫描的公路沉降监测研究。研究采用激光扫描技术对某路段的沉降信息进行采集,获取其点云数据集;然后通过去噪和精简方法提升数据精度,通过C2M方法实现沉降数据实时监测;最后对点云数据去噪和精简算法进行实验验证,并将三维激光扫描变形方法与传统检测方法进比较,实验结果表明,通过k-means聚类去噪方法的去噪精度高达98.2%,去噪效果较好,组合精简方法相较于其他方法精简效果更强。将三维激光扫描技术应用到高速公路沉降监测中,沉降误差低于3 mm,监测时间较短,监测实时性和效率显著提高,说明此技术具备可行性。     

一种MEMS陀螺仪的标定方法研究

微机电系统(MEMS)陀螺仪的测量误差是影响微惯性导航系统精度的重要因素.为了提高微惯性导航系统的精度,提出了一种利用三轴转台完成MEMS陀螺仪的标定方法.根据MEMS陀螺仪的误差模型,设计了标定试验方案和误差模型参数的辨识方法,并通过小波阈值去噪的方法对陀螺的输出数据进行去噪处理.试验与仿真对比分析结果表明:经误差补偿和去噪后MEMS陀螺仪的测量精度提高1～2个数量级,同时验证了该标定方法的正确性、有效性.     

基于Python语言的音频捕获及频谱分析程序设计

Python编程语言具有极高的开发效率,DirectSound提供了强大高效的声音处理功能。论文介绍了基于Python编程语言和DirectSound的音频数据捕获技术,并对采集到的音频数据进行了相关分析处理,实时显示其波形和频谱。     

基于主元分析算法的电费抄核收数据异常诊断方法

由于当前已有方法未能考虑电费抄核收数据去噪问题,导致电费抄核收数据异常诊断准确性下降,诊断延时增加.为此,提出一种基于主元分析算法的电费抄核收数据异常诊断方法.将采集的电费抄核收数据作为研究样本数据,通过小波变换对其进行去噪预处理.以此为基础,采用相关系数矩阵求解数据主成分,确定数据贡献率的主元个数,同时利用主元分析表...     

基于深度降噪自编码神经网络的近红外光谱去噪

近红外光谱仪在数据采集时,由于受到多种因素的影响,光谱数据常常被一系列噪声所污染,对光谱建模与分析产生巨大的影响.在建模前必须要对数据进行预处理,本文提出一种基于栈式降噪自编码神经网络的光谱信号去噪方法,基于降噪自编码模型重构的思想来实现特征的自动提取,使用无监督逐层贪婪预训练和有监督微调的方法对深度自编码神经网络进行训练,对光谱信号具有良好的噪声滤除效果.与目前比较流行的小波去噪等相比,栈式降噪自编码神经网络有较好去噪性能.最后,本文基于实际光谱仪采集数据进行实验,实验结果验证了该方法的有效性.     

基于LabVIEW的实时心电信号采集系统的设计

为了实现对心电信号实时监测,且尽可能节约成本,文中设计了一套基于LabVIEW的心电信号采集系统。系统的设计分为硬件和软件两部分:硬件部分主要包括信号采集、信号调理及MSP430单片机的AD转换电路;软件部分主要是通过配置LabVIEW通信模块与单片机实现串口通信,并利用其功能强大的高级信号处理包,借助于小波变换的优势对心电信号进行去噪、多分辨率分解等处理,最后重建无噪的QRS波,并检测R波峰值,从而计算心率。文中还利用LabVIEW友好的用户界面对接收的数据及处理过程进行实时波形显示,使数据更直观、读取更方便。本系统在实验的过程中,运行较稳定,取得了良好的结果。     

图像去噪方法概述

在现实场景中,由于设备和系统不完善或存在弱光环境导致采集的图像存在噪声,图像在压缩和传输过程中也会受到额外噪声的影响,给后续的图像分割、特征提取等处理造成干扰.传统去噪方法利用图像的非局部自相似性(NLSS)特性和变换域中的稀疏表示,基于块匹配和三维滤波(BM3D)的方法展现出了强大的图像去噪性能.随着人工智能的发展,基于深度学习的图像去噪方法取得了较为突出的表现.但是到目前为止几乎没有相关研究对图像去噪的方法进行全面的比较.针对传统的图像去噪方法及近年来兴起的基于深度神经网络的图像去噪方法,首先介绍了经典的传统去噪和深度神经网络去噪方法的基本框架,并对去噪方法进行了分类总结.然后在公共去噪数据集上对现有的去噪方法进行了定量和定性方面的分析比较.最后在图像去噪领域指出了一些潜在的挑战和未来研究的方向.     

基于提升格式的过程数据在线去噪方法及其应用 *

针对传统小波变换中存在的边界问题 ,采用基于提升格式的小波变换 ,在数据内部及边界设计了相应的预测与更新算子 ,通过一个滑动的时间窗 ,使过程数据的去噪能够在线进行 ,同时加入粗大误差的去除 ,增强了算法的鲁棒性。通过数值仿真实验以及对实际过程数据去噪 ,表明该方法处理边界问题的有效性 ,能够达到较好的去噪效果。     

基于循环神经网络的多阶段图像去噪方法

图像在采集和传输过程中往往受到噪声污染,去噪任务是图像预处理中的重要步骤.现有的基于深度学习的图像去噪方法往往只进行单次的去噪,容易产生过于平滑或者太多噪点未去除的结果且无法恢复.因此,本文提出了一种基于循环神经网络的多阶段图像去噪方法.该方法包括两个去噪阶段,通过调整两个阶段的训练权重可以使得第1阶段的去噪结果包含部...     

利用GPU技术使去噪方法并行化

野外采集的地震勘探原始记录中通常包含多种噪声。噪声的存在降低了地震资料的信噪比,影响地震资料处理成果品质,因此,去噪方法研究和应用是处理工作的重要环节之一。"加权中值滤波自动检测并压制强能量干扰方法"是一种在准噶尔盆地油气勘探中非常有效的噪声压制方法。该方法在地震数据原始记录频率域剖面上采用加权中值滤波的方法自动检测可能存在的强能量干扰,并针对性地对相应频段上的噪声信号进行压制,去噪效果较为理想。但该方法的算法运行过程中涉及大量的数据计算,开发的程序需要花费大量时间才能完成一次去噪过程。提高计算效率成为该噪声压制方法推广应用的关键。高质量图像处理用途的高端图形处理器(GPU)在大规模高带宽计算方面表现出色,近年来更多地应用于高性能计算工作。CUDA并行计算开发平台帮助应用人员开发高效率计算程序,使GPU能更容易应用于高性能计算。通过分析"加权中值滤波自动检测并压制强能量干扰方法"算法实现方式,发现该算法适宜利用GPU进行并行化改造。利用CUDA并行编程技术将该算法中部分串行执行的数据计算过程改造成适合GPU计算的并行计算过程,使整个去噪方法工作效率提升3倍。GPU并行计算技术能使油气勘探数据处理过程中类似应用有效并行化,利用较小成本实现高效计算效率。