基于小波包的奇异信号检测方法及仿真

高压电器设备的故障大多与绝缘有关,而局部放电是造成绝缘损坏的主要原因之一。如何有效地从噪声和干扰中准确提取局部放电信号的特征,是绝缘故障在线检测的关键。针对高压电缆中的局部放电信号检测问题,提出了一种基于小波包的奇异信号检测方法。首先,分析后得到窄带信号和奇异的放电信号在小波包变换下会表现出截然不同的特性,然后利用这个特性,采用小波包的方法有效地抑制窄带干扰,并从噪声中提取出奇异的局部放电信号。仿真结果显示出在两项指标中,同步性指标大于99％,相似性指标大于90％,这证明了该算法能够从噪声和干扰中,有效地检测并提取出高压电缆中的局部放电信号。     

基于小波包变换的Robust-M检测器

利用小波包分析将信号变换到其小波包系数域上，通过研究平稳随机噪声在各子空间上小波包系数的统计特性，结合Robust检测理论的相关结论，对非高斯噪声下的信号检测问题建立了统一的框架，并提出了一种新的检测算法。仿真实验表明，此算法不仅具有良好的鲁棒性和广泛的适用性，而且能够更为充分地利用噪声统计分布信息，从而有效地提高检测效率。     

基于混沌和小波变换的信号检测方法

针对微弱周期信号提出小波阈值去噪和混沌系统相结合的微弱周期信号检测新方法,该方法利用小波变换的平滑作用对包含噪声的信号进行有限离散处理,并根据小波自适应分解尺度确定阈值去嗓深度,然后根据混沌系统时噪声的免疫性和对周期信号的敏感性,把重构的信号作为周期策动力的摄动并入混沌系统,由混沌系统完成微弱信号检测;并改进了 Duf...     

基于小波阈值处理的弱周期脉冲信号混沌检测

混沌振子检测系统被认为是检测带噪弱信号的有力工具.然而事实证明,上述系统不能保证对噪声充分“免疫”,噪声的随机性对检测结果的有效性会产生严重的甚至破坏性的影响.针对上述问题,引入小波阈值处理技术,给出一种基于小波阈值处理检测混沌振子的新型混合检测系统.理论分析与仿真结果均表明,改进方法使得噪声对检测的干扰大幅降低,对信噪比达-23dB的微弱周期脉冲信号实现了成功检测,同时,显著提升了混沌检测的稳定性和可靠性.     

基于小波包变换的脑电波信号降噪及特征提取

针对原始脑电波信号存在非平稳性且非常容易受到各种信号干扰等特点,对基于小波变换和小波包变换的脑电波信号的滤波降噪方法,和基于小波包变换的脑电波信号特征提取方法进行了研究。首先利用MindSet采集到原始脑电波数据,然后分别应用小波变换和小波包变换对其进行降噪处理,比较了两种方法的性能,验证了基于小波包变换的降噪方法的优越性和特征提取方法的有效性。     

基于小波包变换和虚拟仪器检测电动机振动信号

小波包变换(WPD)不仅能检测非平稳信号的整次谐波,还能检测信号的非整次谐波,又因为小波变换本身对信号的奇异点十分敏感,这个特点可以用来跟踪电动机振动速度信号。在虚拟仪器(VI)LabVIEW6．i平台上,基于小波包变换算法设计了VI程序,实现了电动机振动速度信号实时检测系统。经过信号处理,该系统还具有信噪分离、测量电动机振动功率谱、伴有噪声的原始振动波形和噪声波等测量功能。实测Y630-10／1180型大型三相异步电动机的振动速度信号,结果表明,该方法是可行的和有效的。     

小波包变换在重叠地震信号分离中的应用

地震资料处理中常会遇到重叠地震信号,而如何将这些重叠数据分离开,是一个有待研究的课题。论文利用小波包同时在频域和时域具有良好的局部化性质,采用Shannon熵标准来选取最优小波包基,确定了重叠爆破的延迟时间,从而成功地对重叠地震信号进行了分离。     

基于卷积型小波包变换的信号消噪算法

提出了卷积型小波包变换，与传统小波包变换相比。在这种小波包变换中不管信号被分解多少层，每层分解得到的各频道序列长度始终与原始信号一致，利用这一性质本文进一步提出并实现了对小波包分解结果利用模极大值法进行消噪的算法。这一算法的思想来自于基于小波变换的模极大值消噪算法，但是由于小波包分解是对小波分解的结果作进一步细分，在小波分解中难于分离的高频噪声将被小波包充分分离与集中到后面的频道，因此基于小波包变换的模极大值消噪算法将会取得比小波消噪更好的效果。文中给出了信号的小波包消噪实例，并与小波消噪的效果进行了对比，结果表明小波包有更优良的消噪效果。     

基于小波包变换与自适应阈值的图像去噪

提出了一种基于图像小波包变换及与分解层次相关的自适应阈值的去噪方法。利用小波包对图像进行分解,可以同时对图像的低频和高频部分进行分解,可以更好地保留图像信息,减少噪声对图像的影响。同时对小波包树系数用自适应阈值进行软阈值处理,可以很好地保留边缘等图像信息,这一方法比采用常用的阈值明显提高了去噪图像的信噪比。通过对加噪图像的实验可以看出,本文方法不仅可以有效地去除加性高斯白噪声,而且很好地保留原图信息,对进一步图像处理有所帮助。     

基于MATLAB的小波包信号消噪处理

信噪分离是小波包应用于信号分析的一个重要方面。本文在基于MATLAB的基础上,采用小波包对含高斯白噪声信号进行分解,通过不同的量化阈值对小波包系数进行处理、重构得出小波包消噪后的信号。计算机仿真结果表明,用不同量化阈值的小波包可对含高斯白声信号进行消噪重构。     

基于希尔伯特-黄和小波包的UWB信号检测方法

针对希尔伯特-黄变换在超宽带脉冲检测中检测性能受限于信噪比的问题,研究并分析了筛选终止条件以及小波包去噪方法,结合新终止条件,给出了希尔伯特-黄变换与小波包分析联合检测的新方法。采用新方法对噪声中的超宽带信号进行检测分析,并运用均方根误差公式对该方法的检测性能进行仿真比较。仿真图表明,新方法能较为准确地重构出淹没在强噪声下的脉冲,成功克服HHT变换在检测超宽带脉冲时受噪声强度影响较大的问题,从而改善强噪声环境下脉冲信号的检测效果。     

基于小波包变换的自适应门限的语音激活检测

语音激活检测是语音信号处理的一个重要环节.在低信噪比的情况下,传统的检测方法已不适用.为了提高语音激活检测的性能和鲁棒性,针对主要由白噪声组成的噪声背景,提出了一种基于小波包变换的自适应门限的语音激活检测方法(VAD),它将语音信号进行小波包变换,得到各个子带信号,符个子带信号通过Teager能量算子(TEO)将有声部分强化,同时衰减无声部分,最后进行自适应门限判决.实验结果表明在低信噪比的情况下,算法能够正确判别语音段和噪声段.     

基于小波包的LMD在EEG信号分析中的研究

脑电信号(Electroencephalograph,EEG)是一种产生自脑神经细胞活动的极其微弱的电位反映,同时也是一种非平稳、非线性的电信号。针对脑电信号在采集过程中易受到外界噪声干扰的问题,为了降低脑电信号中噪声的含量,提高脑电信号分解效率,提出了一种基于小波包的局部均值分解(Local Mean Decomposition,LMD)方法。该方法主要利用小波包对采集到的脑电信号进行去噪预处理,再通过局部均值分解进行分析。仿真实验结果表明,采用经过小波包去噪预处理的LMD分解能够有效地去除原始信号中的高频噪声,使得局部均值分解效率提高,且能够有效消除噪声分量对分解过程和结果的影响。     

基于小波包分析的图像边缘检测

通常,图像的边缘为频率域的高频分量。小波分析是一种信号的时间-频率分析方法,而小波包分析是在小波分析的理论基础上,将信号的高频成分分开且可对高频成分继续分解,为信号提供更加精细的分析方法。该文采用基于共轭正交滤波器的小波包分解算法对图像进行边缘检测,实验表明,这种方法能够清晰地检测出图像的边缘。     

基于小波包收缩的心电信号除噪方法研究

文章提出了一种新的基于小波包分析的心电信号的除噪方法。讨论了小波包收缩消噪的原理、阈值的选取以及阈值的量化规则。比较了选择不同的阈值以及不同的阈值量化规则对信号消噪的效果。结果表明基于小波包分析的小波包收缩除噪技术在保持信号奇异性的同时能有效的去除心电信号的噪声。     

基于小波变换的舰船辐射噪声检测

本文提出了一种基于小波变换的信号检测方法，对白噪声背景下的舰船辐射噪声(简称舰船噪声)进行了检测；推导了相应的检测统计量及其统计分布特性；并与传统的能量检测器、匹配滤波器进行了比较，计算机仿真结果证明了本方法是有效的。     

基于边缘检测的图象小波阈值去噪方法

边缘特征是图象最为有用的高频信息，因此，在图象去噪的同时，尽量保留图象的边缘特征，应是图象去噪首要顾及的问题。基于这一思想，提出了基于边缘检测的图象小波阈值去噪方法。该方法在去噪之前，先通过小波边缘检测方法确定哪些小波系数是图象的边缘特征，这些小波系数将不受阈值去噪的影响，因此，可以只是根据噪声方差来设置去噪的阈值，而不必担心损害图象的边缘特征。理论分析和实验结果都表明，与普通的小波阈值去噪方法相比，该方法不但可以保持图象的边缘信息，而且能提高去噪后图象的峰值信噪比1-2dB。要做到既去除图象噪声，又不模糊图象边缘特征是很困难的。该方法把去噪和边缘检测结合起来，在一定程度上解决了这种两难的问题。     

基于小波包去噪与PCA的故障检测与诊断方法研究

提出了一种基于小波包去噪和主元分析的故障检测和诊断方法.该方法利用小波包分解系数收缩的信号去噪法先对正常工况下的数据进行处理,然后运用T2统计、Q统计方法,结合主元得分图和变量贡献图对一模型进行了仿真研究.结果表明,该方法是有效的.