基于LabVIEW的心音信号采集与小波去噪系统的实验研究

利用数据采集卡构建的数据采集系统一般价格昂贵且难以与实际要求完全匹配。介绍了一种基于LabVIEW和声卡的心音信号采集系统,并通过调用LabVIEW中的MATLAB Script节点对信号进行了小波去噪。该方法具有实现简单、界面友好、性能稳定、经济、功能较强等特点,适合心音信号的实验性研究,并为低成本下构建数据采集系统提供了一种思路。通过与数学软件MATLAB的结合使用,很好地补充了LabVIEW的开发功能,大大的拓宽虚拟仪器的开发范围。     

基于小波变换的道路信号去噪研究

道路信号是一种复杂的含有多种成分的时域波形,不仅具有非平稳性,同时信号中还存在各种干扰和噪声。本文针对小波分析的特点,结合信号去噪方面的要求,对非平稳信号的噪声消除进行了研究。通过Matlab对基于小波分析的道路信号消噪进行了仿真,显示了小波在信号去噪方面良好的应用效果。     

基于双树复小波变换信号去噪算法研究

离散小波变换被广泛应用于数字信号的去噪处理中,特别是非平稳信号、瞬时时变信号等的去噪,但是有平移敏感性的缺陷。为了克服这种缺陷,文中采用双树复小波变换进行信号去噪,并使用硬阈值、软阈值等准则进行滤波处理。最后采用SNR（信噪比）和MSE（均方误差）来评估两者信号去噪效果。结果表明,双树复小波变换能够较好的保存信号的细节信息,其去噪效果优于离散小波变换。     

基于小波变换的脉冲信号的提取

探讨了以小波变换为基础的滤波技术在冲击试验后信号波形提取中的应用。针对高电压冲击和大电流冲击信号的处理问题,采用不同层次的小波分析方法,将噪声信号从冲击电压和电流信号中提取出来,小波变换的引入使得波形处理更加简单。结果表明,对不同类型的样品进行冲击试验,小波变换都有较好的滤波效果,并很好地保存了信号的边缘特征。波形的处理结果也表明了该方法的可行性和适用性。     

基于小波收缩的心音降噪最优化分析

基于小波收缩技术提出一种最优化降噪方案用于去除心音信号噪声。依据频带相似匹配原则,分析心音信号频率特征和Haar、Daubechies、Symlets和Coiflets正交小波的特性,基于分析结果选取了Coif5小波并确定最优小波包进行分解重构。另外,提出一种光滑连续的自适应弹性阈值函数,能够克服硬阈值函数间断点问题,并基于4种阈值规则定量评价了其在不同信噪比下的降噪效果。仿真结果表明,当信噪比小于50 d B时,本优化方案配合启发式阈值规则能保留充足的心音细节信息,同时有效去除噪音。     

基于SVD分解和小波去噪的振动位移提取∗

针对奇异值分解提取振动位移信号中存在白噪声的问题,提出采用小波去噪的方法进行信号去噪处理.首先采用奇异值分解提取图像序列中的振动信息;然后采用小波去噪方法进行去噪处理,针对传统固定阈值会导致每层小波分解系数做同样处理的问题,提出了一种改进型阈值;最后通过对比不同小波函数的去噪效果,确定最优小波函数.仿真和实验结果表明,该方法是有效的.     

基于多重小波变换的自适应脉搏信号去噪

小波变换在生物医学信号降噪处理中有着广泛的应用,但小波降噪处理中的软硬阈值法本身都有一定的局限性,而且还除去了部分有用信号,降噪效果不太理想。本文基于小波分析的特点,提出了一种对信号进行多重小波变换的自适应去噪法,该方法不仅克服了小波去噪软硬阈值法的局限性,而且解决了自适应滤波中参考信号选取难的问题,将该方法用于脉搏信号降噪,得到了满意的去噪效果。     

一种改进阈值法小波去噪的信号包络分析方法研究

根据小波域阅值滤波的降噪特性,把改进的阈值函数方法和平移不变小波变换相结合,提出一种改进阈值法的小波去噪方法.所提方法和包络分析相结合,能够较好地解决由于随机噪声干扰而造成提取的包络信号轮廓信息粗糙的问题,改善包络提取精度.实现方法是先将改进阈值法的小波去噪方法作为包络分析的前置处理手段,再对信号进行包络提取和包络细化谱分析,获得突变特征频率.仿真结果表明,该方法可以有效的抑制噪声,能够较准确地提取信号包络和突变特征频率.     

小波去噪算法研究及在电力系统中的应用

暂态信号分析是电力系统故障诊断和暂态保护的基础和依据,小波变换为暂态信号分析提供了强有力的数学工具。小波分析由于在时域频域同时具有良好的局部化性质和多分辨率分析的特点,用于信号去噪,能得到较为满意的结果,同时也是小波理论应用于实际的一个重要方面。文章主要介绍了用于一维检测信号去噪的4种常用方法,并在虚拟仪器开发软件LabVIEW环境中实现了上述去噪算法,最后对这几种算法的去噪效果、信噪比、均方误差和计算时间等方面进行了比较,同时也就小波基函数的选择对去噪效果的影响进行了分析比较。     

快速小波变换算法与信噪分离

文中对小波理论和快速小波变换算法进行了分析,着重阐述了信号的小波分解与重构过程的实现。文中对快速小波变换算法进行信噪分离的原理和步骤做了研究,并以一个具体的实例展示了该算法应用到机械振动测试信号的信噪分离中的效果。     

激光雷达回波信号的小波去噪研究

激光雷达回波信号去噪是回波信号有效检测的基础。分析了激光雷达回波信号中的噪声来源和统计特性;采用非抽样小波变换和Hybird软阈值对回波信号进行了去噪处理,对处理后信号中残余的＂毛刺＂进一步做了平滑滤波,处理后的信噪比提高了20.55dB。利用Gage高速采集卡和LabVIEW编程环境中开发的软件实现了对激光雷达回波信号检测。     

基于小波变换的脉搏信号特征提取

提出了一种适合于非平稳脉搏信号的特征提取方法。对在校学生和血管硬化患者两组各20例的脉搏信号进行分析,选择了具有多分辨分析特性的小波变换,分别对每例信号进行5层分解,提取出各尺度小波系数。根据小波系数与信号能量之间的等价关系,将归一化的各尺度小波系数能量值作为识别脉搏信号的特征向量。针对脉搏信号频谱特点并结合实验数据,改进了现有的能量特征提取算法。在样本有限的情况下,通过统计分析得出可以用改进的能量特征向量来区分心血管疾病患者和正常人群的结论。     

一种基于模板匹配的复杂心音定位方法

对心音的定位分割是心音处理的重要步骤之一。对于先心病患者的心音,由于受到严重的心脏杂音干扰,很难通过常规的包络或能量提取方法定位分割。根据心音特征提出一种模板匹配算法以对复杂的病理心音定位分割。该方法首先通过相关度检测和STFT变换生成第一、第二心音模板,采用该模板对模板化后的病理心音进行匹配,最后对匹配结果通过矫正算法分割定位。通过对标准心音数据库中68例实测数据和自采的57例数据分析,对于正常心音,该算法分割定位准确度达90%以上,对于先心病患者心音达到约78%,有效提高了定位准确度。     

基于虚拟仪器和小波降噪原理的电力故障分析装置设计

提出了一种由工控机和虚拟仪器技术实现的电力系统故障信号降噪与分析装置的设计方案,在软件设计中,把小波降噪和虚拟仪器技术相结合。主要通过设置对采样率和采样通道来完成信号的采集,并且在故障录波时采用多种启动方式,使得系统更加灵活,然后再利用软硬阀值结合的方法对电力系统故障信号进行有效的降噪,提高了电力系统故障类型判断和故障定位的准确度,最后通过自动生成报表的形式来显示所有功能。     

基于最优小波包的水轮发电机组振动信号特征提取方法

水轮发电机组振动信号的在线监测是实现机组状态检修方法的关键。在分析了水轮发电机的机组振动信号特征后,提出采用db1小波进行振动信号的特征提取,在信号分析中主要应用shannon熵。小波包的构造是基于函数空间的正交剖分;最佳小波包基的选择就是应用最优的分解方法和有效的算法寻找出最小熵标准;给出了机组振动信号特征提取的步骤。根据所构造的最优小波包对机组振动信号进行分解并运用能量特征提取分析方法对机组振动信号进行特征提取。     

EMAT回波信号提升小波降噪最佳分解层数研究

分析了分解层数不同时重构信号间的最小均方误差变化趋势并根据分析结果结合高频系数白化检验自适应确定了最佳的分解层数。讨论了提升小波变换的提升算法以及新的阈值函数,使用了基于提升小波变换的改进阈值函数的方法和选取了一种最优的阈值方法并结合最佳分解层数对电磁超声回波信号进行了去噪处理,验证了算法的有效性。     

Artifact cleaning of motor imagery EEG by statistical features extraction using wavelet families

Electroencephalogram (EEG) and its sub-bands represent electrical pattern of human brain. EEG signal contains transient components, spikes, and different types of artifacts due to eye blinking, movement of the person, anxiety, and so forth, during EEG capture. Wavelet transforms are powerful mathematical tool for sampling approximation to get clean EEG. It also helps in filtering, sampling, interpolation, noise reduction, signal approximation and signal enhancement, and feature extraction. In this paper, we have analyzed artifact cleaning via PSD graphs and statistical features extracted from motor imagery EEG-like standard deviation variance. For this, we considered 19 channels EEG signal and applied orthogonal Daubechies wavelet, bi-orthogonal rbio wavelet and Coifman wavelets to check the better performance of different wavelets. Coifman wavelet uses both scaling function and vanishing moments for sampling approximation and hence give smooth sampling compared to rbio and Daubechies wavelet transforms. Coif is a compactly supported wavelet system which also helps in smooth sampling approximations than other wavelets in the state of arts. The detailed coefficients and approximate coefficients can be further used for extracting features from EEG and classification purposes. Artifacts cleaning is thus observed better in coif wavelet analysis compared to other wavelets from the power distributions as power spectral density (PSD) graphs, standard deviation and variance obtained. Matlab R2013b is used for filtering and sampling EEG. Python 2.7 is used for statistical features extraction.     

基于数据预测启发式算法的光伏电池参数识别

为进一步提高对太阳能的利用率以降低对于化石燃料的依赖,需要对光伏(Photovoltaic, PV)电池进行精确的参数识别和建模,以实现最优的PV系统优化运行和控制。然而,PV电池的高度非线性和多模态特性使得传统优化方法很难获得最优解,同时实测电流-电压(Current-Voltage, I-V)数据量不足也会导致建模不够精确。为此,提出了一种基于数据预测的启发式算法(Data Prediction based Meta-heuristic Algorithm, DPMhA)来实现PV电池的参数识别。特别地,利用极限学习机(Extreme Learning Machine, ELM)对实测数据进行训练和预测,为启发式算法(Meta-heuristic Algorithm, MhA)提供更为准确可靠的适应度函数,从而增强其全局探索和局部搜索能力。最后,采用双二极管PV电池模型进行参数识别,其结果表明,DPMhA具有准确性高、收敛速度快等优点。