基于特征比值法的电子鼻农药识别系统

采用二氧化锡半导体气敏传感器、热线型和催化型气敏传感器构成气体传感器阵列,用小波降噪和数据压缩对传感器响应信号进行预处理,采用特征比值法对响应曲线进行特征提取.选取不同浓度的常用农药等10种气体用径向基神经网络进行训练和识别试验,气味识别正确率达到83.3%.     

基于小波变换的辐射图像降噪研究

抑制噪声对于改善^60Co集装箱检测系统（TC－SCAN）图像质量有着十分重要的意义。本工作在分析辐射图像噪声特点的基础上,运用小波分析的方法,对扫描图像进行了降噪处理,既有效地去除了统计噪声,又较好地保持了图像的细节,取得了优于传统滤波方法的效果。     

基于小波分析的足球机器人视觉子系统噪声处理

在足球机器人视觉子系统中,噪声问题一直是影响比赛成绩的重要因素。由于光照情况对比赛的影响很大,光线的变化在比赛中对机器人的识别会产生干扰,从而影响比赛的胜负。本文对摄像头采集的赛场图像进行小波分析,采用二维离散小波变换处理图像,并选取合适的阈值处理小波系数,最终还原出更加真实的画面,最大程度地减少光线对比赛的影响。实践证明此方法在机器人足球比赛中取得了良好的效果。     

采用小波变换的绝缘子泄漏电流去噪

为了去除污秽绝缘子安全区泄漏电流中的噪声,提出了采用小波变换去噪时分解层数的定量计算方法。根据小波去噪时需对细节进行阈值处理、安全区泄漏电流的能量主要集中在低频周期成分上的结论,提出了确定小波变换去除安全区泄漏电流噪声时最佳分解层数的判据;并以此判据为基础,提出并证明了计算小波分解层数的公式。对在高压试验中和现场采集到的绝缘子泄漏电流进行了小波去噪研究,结果表明:在相同母小波和阈值前提下,采用所提公式获得的分解层数去噪时的效果优于采用其他分解层数时的效果。从而得出结论:所提公式计算出的值为最佳分解层数,按此值去噪时效果最好。     

工程扫描图象骨架线提取的研究

骨架线提取是图象数字化的关键步骤,本文分去噪和细化两步来提取图象的骨架线。通过仔细研究工程扫描图象的特征,提出一种基于密度划分的去噪算法。基于密度划分的原理,自定义了密度函数,并分别讨论了灰度图象和黑白二值图象两种情况。在图象细化阶段,采用一种直接根据中心象素8-邻域情况进行细化的算法。经实验证明,上述方法对工程扫描图象处理速度较快,实现简单,可用于实际应用。     

基于小波极大模值的色谱噪声自适应滤除

利用小波模极大值理论提出了一种自适应滤除色谱噪声的算法。对带噪色谱信号小波分解获得不同分解层数上的模极大值点,利用信号与噪声的小波模极大值的衰减性显著差异,结合色谱谱图信号与非信号不同区域,根据同一序列点在不同层上的模值变化,区分出信号点与噪声点,再通过信号重组可得到滤噪后的色谱信号。实验结果表明,该算法不影响色谱峰峰高和峰位置,能有效地自适应降噪。     

改进小波阈值算法在心电信号去噪中的应用

心电信号（ECG）在采集的过程中总是参杂着各种噪声,可利用小波变换基本原理和方法进行去噪处理。对小波多分辨率理论进行研究后,在分析Donoho的软、硬阈值去噪法的基础上,提出一种改进阈值函数量化方法,改进阈值函数能克服软、硬阈值存在的缺陷,运用MIT-BIH心电数据库进行验证,并对ECG 信号用不同方法去噪后的结果进行了分析比较。实验表明,改进阈值方法可以有效地去除不同噪声干扰,在信噪比指标上也明显优于常用的软、硬阈值去噪方法。     

基于经验模式分解的自适应去噪算法

基于加性高斯白噪声在经验模式分解算法（Empirical Mode Decomposition,EMD）下的统计特性,提出了一种基于EMD的去噪算法。通过数值仿真,比较了提出的算法与小波域阈值去噪的性能。仿真结果表明,该算法与小波域阈值去噪的效果相似,而不用选择小波基,是一种自适应的去噪算法。     

基于数学形态学和HHT的谐波和间谐波检测方法

非线性电力元件的应用使电力系统的谐波污染问题日益突出。为准确检测谐波和间谐波参数,提出了基于数学形态学和希尔伯特–黄变换(Hilbert-Huang transform,HHT)的谐波和间谐波检测方法。为有效抑制多种噪声,对现有数学形态滤波器进行了改进,使之保留了原信号的主要特征,并运用经验模态分解处理消噪后的信号,得到了一组经验模态函数分量。对每个经验模态函数分量进行希尔伯特–黄变换,可准确得到其瞬时频率和瞬时幅值,实现了在噪声背景下对谐波和间谐波的检测。仿真结果验证了该方法的可行性与有效性,表明其可提高谐波和间谐波的检测精度。     

水力机组振动监测中小波的应用

小波变换能很精确地将振动的真实信号从受各种噪声严重污染的采集信号中提取出来,具有很高的信号去噪能力,它通过对仿真信号进行小波分解,抽取其低频系数进行频谱分析,提高了频率分辨率,在水力机组的振动监测中具有重要的应用价值.