基于Mallat算法的小波分解重构的心电信号处理

为了实现对微弱低信噪比的心电信号的有效提取,采用了Mallat算法的小波分解重构法去除心电信号的噪声。首先确定小波分解重构的小波基;其次确定分解的层数;然后直接提取有用信号所在的频带（有用信号占优的频带）进行重构;最后,Matlab仿真MIT-BIT标准数据库中的心电信号表明小波分解重构法可以有效的去除心电信号中的多种干扰;同时比起传统滤波器法来说,小波分解与重构去噪法应用起来更方便。     

自适应小波包分解门限去噪新算法

提出了自适应小波包分解门限去噪的新方法。该方法自适应地对信号进行小波包分解,根据小波包子域的信噪比自适应选取去噪门限,并判定是否对该子域的信号进一步分解。与传统方法不同,新方法只需对不同尺度的部分概貌信号和细节信号根据该子域的信噪比大小进行分解,去噪后的信号按分解的逆过程进行重构。仿真结果表明,该方法相比于传统的小波去噪方法计算量有所降低,且去噪后的信号更接近真实的原始不含噪信号。     

小波分解与AR结合预测太阳黑子数的研究

简单介绍了小波与AR模型原理,采用小波分解与AR模型相结合的方法对月平滑太阳黑子数进行预测。对594个月的数据序列进行小波分解重构,对分解后的信号用EViews软件进行自相关函数和偏相关函数分析,再分别对各重构信号建立相应的AR模型,进而对未来6个月的月平滑太阳黑子数进行预测,取得了较好的预测结果。     

经验模式分解用于激光雷达大气回波处理

为了提高激光大气回波处理的时效性,采用了经验模式分解方法,分析了经验模式分解的原理,研究了经验模式分解在激光雷达大气回波信号实时处理中的应用.进行了理论分析与仿真验证,取得了经验模式分解和100次信号平均处理后的结果,并进行了比较.结果表明,经验模式分解处理后的重构信号与100次信号平均结果接近,相关系数为0.99,同时处理时间缩短为1%,可以满足某些情况下的实时处理要求,并且能够抑制回波中一些薄云的干扰.这一结果对激光雷达大气回波信号实时处理是有帮助的.     

基于经验模态分解与回归分析的空间外差光谱目标提取

为识别空间外差光谱仪探测目标干涉信号的特征信息,提出一种基于经验模态分解与回归分析的空间干涉谱目标提取方法。首先对预处理后的光谱进行经验模态自适应分解,得到各阶次固有模态分量并分别计算它们与原始光谱信号的Pearson相关系数,根据相关系数分选准则判定背景与目标信息重构的分界点。然后计算重构背景与实测背景间的Pearson相关系数来判定经验模态分解结果。对信号主导的固有模态分量利用小波软阈值进行消噪,重构较纯净的目标特征信息;利用目标特征信息与原始干涉光谱信息进行多元线性回归分析获得最佳的近似滤波系数,构造滤波器并应用到目标信号,提取目标。最后通过差谱信号与提取的目标光谱的Pearson相关系数来判别提取的目标信号。实验结果表明:经验模态分解可将背景与目标近似分离;在未知背景信号情况下,利用经验模态分解与回归分析可实现钾共振双线特征光谱的提取。     

一种基于小波最佳分解层数的红外光谱基线校正算法

红外光谱分析技术是一种用于食品健康检测、生物制药和环境监测等方面的高新技术。为了去除应用过程中的基线漂移现象,提出了一种基于小波最佳分解尺度的红外光谱基线校正算法。首先,对原始光谱信号多次进行每一层的小波分解,同时也进行每一层的小波重构。然后算得每一层的信噪比,并通过信噪比比对法获得除噪后的光谱信号。接着对该信号进行每一层的小波分解,得到每一层小波细节和小波逼近的频率。分别将两个频率做除法并求出比值。然后比较每层的比值大小,并选择最大的比值作为分解层数的最佳值。将最佳分解层数下的小波逼近系数置零后再进行小波重构,获得基线校正后的光谱信号。通过实验验证发现,该算法不仅可以为小波分解的最佳层数提供依据,而且能够在更好地保留有用信号的同时,除去高频噪声以及低频基线干扰。基线校正比较充分,效果良好。     

基于变分模态分解的自适应滤波降噪方法

为了提高分析信号的信噪比,本文提出了一种基于变分模态分解的变步长归一化最小均方自适应滤波降噪方法.该方法对原信号进行变分模态分解并区分信号分量和噪声分量,再对噪声分量进行间隙阈值降噪处理并将其作为参考信号输入自适应滤波器,通过自适应算法迭代处理得到降噪后的信号分量,并通过重构算法得到最终降噪后的信号.本文还在变分模态分解的基础上使用小波阈值降噪和间隙阈值降噪方法按不同方案进行降噪处理并得到最佳算法,将其与所提算法进行对比.实验结果表明,本文所提自适应滤波降噪方法的降噪效果比阈值降噪最佳方法效果更好.     

基于信号稀疏分解的毫米波主动探测

基于信号稀疏分解的Gabor时频原子库,将毫米波主动探测回波信号进行分解与重构,提取原子的时频参数作为其特征信息,并用改进的混合粒子群算法克服计算量过大难以实现的问题。实验表明,文章所提方法利用少数的原子就可以表示回波信号的主要特征,为目标回波信号的分类和识别提供了依据。     

基于矩阵分解的压缩感知算法研究

奈奎斯特采样定律是长久以来具有指导意义的经典信号处理技术,它提出信号在采样过程中,当且仅当采样率大于信号带宽的2倍时,才能精确重构信号。压缩感知理论突破了奈奎斯特采样定理对信号采样率的限制,以更低采样率采样信号,并通过适当的重构算法恢复信号。文中以压缩感知理论为基础,结合目前广泛采用的正交匹配追踪算法,基于矩阵分解思想,提出2种改进算法,在运算复杂度方面取得优化,并且满足信号处理时对重构精度的要求。     

自适应旋转投影分解法

本文提出种新的时－频分解方法－自适应旋转投影分解法。在表征信号空间的线性调频高斯信号集上，我们针对原始信号自适应地搜索出一组与信号匹配最好的基函数序，以此 用尽可能少的基函数来重构信号子空间。     

基于傅里叶分解与排列熵降噪方法的光纤入侵信号分类

为了准确识别分布式光纤预警系统中的入侵信号类型,提出了一种基于傅里叶分解方法（FDM）与排列熵降噪方法的光纤入侵信号特征提取与识别算法。首先,用FDM将光纤入侵信号分解为若干个固有频带函数（FIBF）。然后,计算各FIBF分量的排列熵,利用排列熵对噪声的敏感特性筛选出符合条件的FIBF并重构信号。最后,计算重构信号的近似熵与能量并构造二维特征向量,将其送入支持向量机进行训练后识别光纤入侵信号。实验结果表明,该算法可以有效识别敲击、小跑、过车三类光纤入侵信号,平均识别准确率为93.33%。     

一种改进奇异值分解降噪方法研究

针对奇异值分解降噪过程中采用一般方法构造重构矩阵信号完整度不高的问题,提出一种基于循环矩阵方法来构造重构矩阵的新方法。该方法利用循环矩阵在构造重构矩阵时能够较好地保留原始信号信息的特性,对循环矩阵奇异值分解,进而有效确定矩阵的有效重构阶次,达到降噪目的。仿真结果表明,该方法相比于其他方法具有较高的降噪精度和抗噪声能力,提高了算法的实用性。     

基于优化变分模态分解算法的回波信号去噪

超声流量计的回波信号中通常存在噪声干扰,导致回波信号难以准确定位.为滤除超声波回波信号中的噪声,提出了一种基于优化变分模态分解(VMD)算法的信号去噪方法.所提方法首先利用互信息准则的信息熵将遗传算法与VMD相关联.然后,将样本熵作为适应度函数,自适应性地优化VMD算法中的参数组合.最后,对原始信号进行分解,利用相关系数计算出有效信号,并将有效信号进一步去噪后进行重构.仿真结果表明,所提方法能有效滤除超声波回波信号中的噪声并且能够完整的保留有用信号.     

结合局域均值分解的多尺度中值滤波

针对中值滤波性能受滤波窗口长度影响的问题,提出了一种结合局域均值分解(Local Mean Decomposition,LMD)的多尺度中值滤波方法,并对其在遥测信号脉冲噪声抑制中的应用进行了分析.利用LMD将待分析信号分解为不同尺度的乘积函数(Product Function,简称PF),按PF的阶次设定中值滤波窗口长度对PF分别进行中值滤波,用滤波后PF重构获的脉冲噪声抑制后信号.这一方法在抑制脉冲噪声干扰的同时,可最大程度保护信号的细节信息不受损失.仿真信号和实测信号处理证明了方法的有效性.     

声回波对消子带分解分析/综合滤波器的设计

基于小波包子带分解的声回波对消方案可减少运算量,加快收敛。然而并不是任何小波函数的子带分解系统都可以加以利用,必须要求它具有好的完美重构性和移不变性,以保证近端话音信号的重构失真小且能有效地对消回声。本文通过分别优化小波包分析/综合滤波函数使系统同时具有较好的重构和移不变性,并保证有好的对消性能。     

基于自适应短时Chirplet分解的高性能时频分布重构

通过傅里叶变换得到的频谱能够反映信号所包含的频率成分，但无法揭示瞬时频率随时间的变化特性。为满足工程应用中大量非平稳信号的分析需求，能够同时描述信号时域和频域特征的时频分析方法得到了广泛关注和深入研究。然而，传统时频分析方法所得到的时频分布往往具有较低的能量聚集性和较强的交叉项干扰，难以支撑信号时频特征的准确表达和提取。通过对信号内在稀疏特性进行挖掘和利用，能够有效提升信号时频分布的质量。本文通过对信号的相位函数进行泰勒展开，阐述了信号稀疏时频分解的实质，并分析了现有稀疏类时频分析的方法不足。在此基础上，提出了一种基于自适应短时Chirplet分解的高性能时频分布重构方法。首先，利用与信号时频特性自适应的窗函数为每一时刻生成了具有最强拟平稳性的最优短时信号；其次，提出了一种Chirplet字典的简化设计方法，利用得到的Chirplet字典对上述短时信号进行稀疏分解，基于分解结果实现了短时信号中心时刻瞬时频谱的参数化重构；最后，按时间顺序排列所有时刻的瞬时频谱，得到了信号能量聚集性高且不含任何交叉项干扰的高性能时频分布。仿真实验表明，所提方法有效改善了传统稀疏类时频分析方法结果中时频曲线...     

经验模态分解结合频谱质心的方法在油管入侵信号诊断中的应用

在输油管道的安全防范系统应用背景下,针对传 统方法诊断光纤采集到的入侵信号准确率不高的问题,提出一种基于经验模态分解(EMD)算 法和频谱质心(SC)的入侵信号诊断方法。首先将采集到的原始入侵信号通过EMD进行 分解,分离含噪最 多的特征模态函数(IMF)分量,再组合剩余的IMF分量形成重构信号,对重构信号进行希尔伯 特变换(HT)得到希尔伯特谱,计算它的SC,进一步识别入侵信号和干扰信号。 通过对油管振动信号进行实验,本文方法对于每种入侵信号和干扰信号的诊断准 确率均在90.00%以上,整体的诊断准确率达到97.17%。对于该组油管振动信号, 同时运用奇异值分解(SVD)法进行诊断并将其结果与本文方法的诊断结果进行对比,整 体上本文方法的诊断准确率比SVD法高出19.00%。仿真实验结果表明 ,本文方法能有效诊断入侵信号,并且诊断效果明显优于奇异值分解法。     

一种改进的基于经验模态分解的小波阈值滤波方法

经验模态分解是一种新的信号分解方法,该方法可将非线性非平稳信号分解成若干个单分量的本征模态函数,使得每个本征模态函数都具有一定的物理意义。本文探索了该方法在语音增强方面的应用.在文献[8]的基础上,对其方法进行了有效改进。首先将带噪语音进行经验模态分解,得到六个本征模态函数和一个余量信号,对这七个信号分别进行小波阈值滤波,并由滤波后的七个信号重构语音。结果表明,该方法的滤波效果明显优于对带噪语音直接采用小波阈值滤波的方法,并且较之文献[8]的滤波方法也具有一定的优势。     

基于变分模态分解和压缩感知的弱观测条件下雷达信号重构方法

针对弱观测条件下雷达信号存在数据残损的问题,该文提出一种基于变分模态分解和压缩感知(VMD-CS)的雷达信号重构方法。首先通过变分模态分解对采样数据进行降解去噪处理,其次在压缩感知框架下构造观测矩阵、稀疏表示字典矩阵,然后基于正交追踪匹配(OMP)算法重构出稀疏表示向量。在此基础上利用离散余弦稀疏矩阵重构信号,实现对残损雷达信号的数据重构。在连续丢失数据和随机丢失数据两种情况下,对实际采集的线性调频(LFM)雷达信号进行仿真实验。实验结果表明:在数据连续丢失率不高于30%或随机丢失率不高于60%的情况下,该文方法能有效重构雷达信号,在时域、频域和瞬时频率上能够准确逼近原始信号。     

基于互补自适应噪声的集合经验模式分解算法

经验模式分解(EMD)及其改进算法作为实用的信号处理方法至今仍然缺少严格的数学理论。该文尝试从数学理论上分析集合经验模式分解和自适应噪声集合经验模式分解的重构误差,推导了总体残留噪声的计算公式。针对自适应噪声集合经验模式分解在每一层固有模态分量上仍然存在残留噪声的问题,在分解过程中添加成对的正负噪声分量,提出一种基于互补自适应噪声的集合经验模式分解算法。实验结果表明,相比于集合经验模式分解和自适应噪声集合经验模式分解,所提的方法能够明显地减少每一层固有模态分量中残留的噪声,拥有较好的信号重构精度和更快的分解速度。