谐波小波包算法在窄带滤波中的应用

论述了谐波小波、广义谐波小波的概念以及谐波小波包的算法实现,并将谐波小波应用于带通滤波器的窄带滤波中,得到了满意的仿真效果.     

改进自适应噪声对消算法的窄带干扰抑制

在局部放电在线检测中,自适应噪声对消算法是当前抑制窄带干扰的有效方法.由于窄带干扰频率范围很宽,滤波参数不易设置,同时实测时的窄带干扰在时频域都表现强烈,局部放电信号会完全淹没于干扰之中,使得一般改进噪声对消算法不能取得较好效果.为此,提出一种改进经验模态分解的噪声对消算法,首先在频域中降低干扰幅值,接着利用经验模态分解的分频特性将宽频带的窄带干扰分解到不同频带,各频带内的窄带干扰频率相差有限,然后进行自适应噪声对消,以达到较好的滤波性能.仿真和实际数据验证了该算法的有效性.     

基于最优小波包的心电图压缩算法

本文根据小波包理论提出了一种心电图压缩技术.算法以信源熵为标准,搜索ECG的最优小波包分解树.由于在小波包分解过程中阈值的选取是自适应的,因此在取得高压缩比的同时,还能有效的保留ECG的重要临床诊断信息.利用自举小波变换进行小波分解保证了算法的快速性.实验结果证明提出的算法是有效的.     

小波包正交校正法用于近红外光谱的干扰消除

提出了一种扣除背景和噪声干扰的新方法-小波包正交校正法.首先将原始光谱进行离散小波包变换,消除噪声及部分背景信息,然后采用正交信号校正法滤除与分析物浓度无关的全部信息.与单纯的离散小波包变换及正交信号校正方法相比,小波包正交校正法能有效地扣除背景和噪声干扰,使模型具有更强的抗干扰能力,提高了模型的预测精度.用该法对牛奶样品的近红外光谱进行处理,并将扣除干扰后的数据采用偏最小二乘法建立校正模型,其脂肪、蛋白质和乳糖的预测均方根误差分别为0.086 5%、0.093 6%和0.111 5%,实现了牛奶样品常规组分的定量分析,进一步证明这种算法是切实可行的.     

基于提升算法的自适应小波变换及应用

为了克服传统小波变换的不足,提出了一种用样本相关性检测信号特征的自适应小波变换降噪方法。该方法以第二代小波变换为基础,用变换样本与相邻样本之间的相关性,来检测信号的局部特征。并根据相关系数的大小,来确定每一尺度上的每个样本的最佳预测器和更新器,使小波能够较好地适应信号的局部特征。在信号相关性强的情况下,采用了最优插值估计的改进算法。模拟实验和工程应用的结果表明,该方法克服了传统小波变换降噪方法丢失原始信号局部信息的缺陷,不仅可以有效地去除原始信号中的噪声,而且能够保留原始信号的局部特征。     

基于双正交小波包分解的自适应阈值语音增强

传统的小波去噪算法是一种有效的去除白噪声的算法.为了能够去除多种有色噪声,本文提出了基于双正交小波包分解的自适应阈值语音增强方法.该方法能够自适应地跟踪噪声的水平,以此来更新所选阈值.同时采用动态阈值方法去除噪声,从而能有效地去除或降低多种有色噪声.实验结果表明.该方法由于能够在处理过程中保证相位不失真,从而性能优于基于正交小波分解的去噪方法.     

基于小波分析的快速成形自适应分层算法

试图从信号处理的角度考察快速成形工艺,并分别应用傅立叶变换和小波变换作为在快速成形中分析成形过程的工具。采用多分辨率分析技术后能以物体轮廓的信息进行自适应分层,在变换缓慢的部分采用较厚的分层,在变换剧烈的部分采用较薄的分层,这样可以兼顾成形质量和成形速度。选用了harr基小波函数,它可以对快速成形所特有的阶梯分层边缘特征进行精确拟和,因此提供了用来进行误差分析和模拟显示的理论工具。     

基于小波包变换的滚动轴承故障诊断

针对故障轴承振动信号能量集中与调制的特点,提出了一种基于小波包能量法与Hilbert变换的滚动轴承故障诊断方法。使用小波包变换对振动信号进行分解、重构及能量计算,并应用Hilbert变换对能量集中频段的重构信号进行解调和频谱分析,提取故障特征频率。同时针对诊断过程中故障特征参数依靠人工计算的问题,提出故障特征参数自动提取方法。实际的滚动轴承实验数据的处理和分析结果表明,该诊断方法能够准确、快速地识别滚动轴承表面损伤的故障模式。     

自适应冗余提升小波包变换的滚动轴承故障诊断新方法

针对滚动轴承故障微弱信号特征识别问题,提出一种非抽样运算的自适应冗余提升小波包诊断方法,解决了传统的小波包或提升小波变换进行抽样运算造成故障信息失真问题。该方法以提升原理为基础,通过Lagrange插值细分思想计算初始的非抽样预测和更新算子,进而构造了自适应冗余提升小波包分解与重构算法。对仿真信号进行降噪与抗频率混叠实验,结果表明,该方法降噪能力优于传统小波包,且不存在频率混叠现象。在异步电动机上实测了滚动轴承6205无故障、内圈故障、外圈故障及滚动体故障时的振动信号,用这种方法成功提取了各类故障的特征频率及倍频,且比传统小波包具有更高的诊断精度。     

小波包算法在滚动轴承的在线故障诊断中的应用

对小波变换的理论进行了简要的阐述,并介绍了小波包理论。指出了在强噪声的背景下小波包变换的算法对于瞬态信号提取的有效性,表明了小波包变换对信号的去噪声,滤波等方面具有广泛的前景。并以五套６３０７号轴承为例进行了诊断,结果与实际情况相一致,说明该算法十分适合于滚动轴承的在线监测与故障诊断。     

基于小波包分解的机械振动信号分析

提出了一种新的基于小波包的振动信号故障特征提取方法,运用这种方法对柴油机表面振动信号经过小波包降噪处理,有效地剔除柴油机表面振动信号的噪声干扰,提高信号的信噪比。对降噪信号提取频带能量特征,为神经网络故障诊断提供了新的故障样本。     

基于小波包域噪声能量分布的脉冲噪声消除

针对信号被平稳脉冲噪声污染的场合,提出了一种从含噪信号中检测脉冲噪声并降噪的脉冲噪声消除方法.该方法选择脉冲噪声能量相比含噪信号能量最为显著的小波包树节点,并利用该节点小波包系数重构信号进而检测脉冲噪声的时域分布.在降噪中,该方法于小波包域内估计脉冲噪声的能量分布并依据估计结果计算每段脉冲噪声的滤波阀值.将该方法用语音增强实验验证,结果表明所提出的检测算法能获得较好的检测结果,而提出的降噪算法能显著地改善信噪比,获得较好的降噪效果.将文中的检测算法应用于轴承故障检测的信号预处理,进一步验证了方法的有效性.     

基于小波包分解的意识脑电特征提取

针对2种不同意识任务(想象左手运动和想象右手运动)的脑-机接口(brain-computer interface,BCI)设计,提出了基于小波包分解的特征提取方法。首先深入研究了小波包变换,结合事件相关去同步化(event-related desynchronization,ERD)/事件相关同步化(event-related synchronization,ERS)现象,提出以小波包分解系数来考虑特征,然后对C3、C4导联脑电信号进行小波包分解系数方差和相对能量2种特征的提取,最后采用最简线性分类器进行分类。结果表明,2种特征对应的最大分类正确率均达到了85%,对应时间分别为4.34 s和4.39 s。因此,在保证分类正确率的前提下,所提方法更加简单和有效,为大脑意识任务分类提供了新思路。     

基于小波包和BP神经网络的刀具磨损状态识别

刀具磨损状态影响金属切削过程,因此监测刀具磨损状态对提高产品质量有着重要的意义。设计刀具磨损状态监测系统,利用传感器采集刀具振动信号,通过小波包对振动信号进行数据分析,并把不同频段的能量值作为刀具磨损状态的特征值,建立BP神经网络,从而在刀具磨损状态和振动信号特征向量之间建立映射关系,完成刀具磨损状态的监测。利用C++Builder和Matlab软件混合编程实现了系统的功能。试验表明,系统运行良好,能够对刀具磨损状态进行正确识别。     

高斯混合模型与小波包能量相结合的齿轮故障分类

提出小波包能量与高斯混合模型相结合的齿轮故障分类算法。利用小波包分析提取某种模式下齿轮振动信号多层分解后的不同频带内的能量,并进行归一化处理。然后以各频带能量为元素构造该模式的特征向量,利用这些特征向量以及高斯混合模型良好的数据分布刻画能力,对该模式进行描述。最后采用贝叶斯分类器进行齿轮故障分类。采用该方法对齿轮振动信号进行故障识别,结果表明能取得比人工神经网络算法更高的识别率。     

基于小波包分析和BP神经网络的字符识别方法

利用小波包分析具有提取图像时、频两域细节和局部特征的能力,提出了将字符图像的小波包分析和BP神经网络相结合以达到识别字符的新方法。该方法首先对字符图像进行小波包分解,然后对分解系数进行重构,求得重构图像的能量;然后提取了不同字符图像的能量构造成能量特征向量,作为神经网络的输入;然后通过选取初始权值、隐层节点数和权值学习算法,创建BP神经网络;最后通过神经网络模型进行训练。实验证实该方法具有识别正确率高、速度快等优点。     

Bearing performance degradation assessment based on lifting wavelet packet decomposition and fuzzy c-means

Bearing performance degradation assessment is crucial to realize condition-based maintenance. In this paper, a new method for it is proposed based on lifting wavelet packet decomposition and fuzzy c-means. Feature vectors are composed of the node energies of lifting wavelet packet decomposition. Normal and final failure data are used as training samples to build assessment model utilizing fuzzy c-means, and the subjection of tested data to normal state is defined as the degradation indicator, which has intuitionistics explanation related to degradation degree. Results of its application to accelerated bearing life test show that this indicator can reflect effectively performance degradation of bearing. And after discussing the influence of outliers in training set, a robust strategy is proposed.     

基于小波包分解与主流形识别的非线性降噪

为解决工程实际中强噪声、非线性且频率成分复杂的振动信号降噪问题,提出了基于小波包分解和主流形识别的非线性降噪方法。采用小波包分解将原始振动信号正交无遗漏地分解到各频带范围内,根据各子频带中信噪空间分布,分别采用相应参数对小波包分解系数进行相空间重构;采用局部切空间排列(local tangent space alignment,LTSA)主流形识别方法在高维相空间中实现信号与噪音的分离,并重构出降噪后的一维小波包分解系数,最后进行小波包分解重构得到降噪后的振动信号。通过仿真实验和实例应用对本文所提方法的有效性进行了验证,试验结果表明本文方法具有良好的非线性降噪能力。     

基于小波包能量谱和包络分析细化的轴承故障诊断

提出了一种将小波包能量法和细化包络分析相结合的滚动轴承故障诊断方法。首先利用小波包变换将滚动轴承振动信号分解到独立的频段上,计算出不同频率段的能量,根据频段能量的变化情况,确定滚动轴承故障所在频段。重构故障频段信号。然后应用Hilbert变换对重构信号实现包络解调,提取故障特征频率。最后为了进一步提高包络谱的分辨率,采用线性调频Z变换细化频谱。实际的滚动轴承实验数据的处理和分析结果表明,该方法在滚动轴承故障诊断中是有效的。     

脑电信号的混沌分析和小波包变换特征提取算法

针对脑电(EEG)信号的手部动作模式信息处理,提出一种混沌分析和小波包变换相结合的特征提取方法.用眼动辅助来采集手部动作时的脑电信号,对采集的C3、C4 、P3和P4脑电信号消噪后分别用混沌分析和小波包变换的方法进行特征提取,前者提取混沌特征的最大Lyapunov指数和关联维数,组成8维向量;后者提取脑电信号的4种特征节律波,分别计算其相对能量,组成16维向量;最后把两种方法提取的向量组成24维特征向量,输入SVM分类器,实现基于EEG信号的手部动作模式的识别.对不同个体上翻、下翻、展拳、握拳4种手部动作的识别实验表明,平均识别率均在80%以上,明显优于其他方法识别的结果.