基于平移不变小波变换的脑电信号去噪

鉴于传统小波阈值法去噪时,硬阈值函数存在不连续性,软阈值函数存在恒定偏差,去噪效果不佳,提出一种基于新阈值函数的小波平移不变量去噪法。首先构造一种任意阶可导的新阈值函数,再采用平移不变小波方法处理脑电信号。在matlab2009平台上分别采用软、硬阈值及改进方法对脑电信号进行去噪,结果表明:改进方法能够更好的保持脑电信号的特征,且具有更高的信噪比和更低的均方根误差。该方法去除脑电信号噪声性能优于传统小波阈值法,有利于准确提取脑电特征参数。     

基于小波熵的最优阈值去噪方法

小波去噪的核心问题是如何选取合适的阈值函数,进而估计出原始信号的小波系数.现有的改进去噪函数中大都含有需要根据经验来确定的待定参数,易用性和去噪效果均不理想.基于信号的小波熵理论,提出了令去噪后得到原始信号和噪声信号的小波熵之和为最大、从而获得了最优的小波软阈值去噪函数.对含噪声的Blocks信号进行仿真分析的结果证实了文中提出方法的有效性,该方法比采用软、硬阈值方法具有更好去噪效果.     

基于改进的小波阈值去噪和二级判断模型的说话人识别

针对目前说话人识别系统中噪声使得识别率严重下降的问题,在特征提取前用小波阈值去噪方法对带噪语音进行去噪处理.对于小波阈值函数以及阈值的选取进行研究,提出一种改进的阈值函数,小波阈值中的噪音方差估计采用基于实际噪音方差估计的谱熵法,将改进的小波阈值去噪结合一种二级判断模型提高噪声环境下的说话人识别率.在不同信噪比条件下进行试验,改进的小波阈值去噪法优于传统小波阈值去噪方法,改进后的阈值函数与二级判断模型相结合的识别率比原始语音DTW模型提高了7.9%,比原始语音GMM提高了4.6%,对于短时语音有较好的识别率.     

基于经验模态分解空域相关滤波的脉冲星信号消噪

针对脉冲星信号信噪比极低,且信号中有色噪声成分远大于高斯白噪声的特点,提出了一种基于经验模态分解(empirical mode decomposition,EMD)的脉冲星信号空域相关滤波消噪方法。首先建立脉冲星信号的分形高斯噪声模型,根据双对数功率谱密度估计分形高斯噪声的Hurst参数值;然后,结合脉冲星累积信号的窗口辐射特性和分形高斯噪声经EMD分解后的噪声分布特点,估计脉冲星信号各层内蕴模态函数(intrinsic mode function,IMF)中噪声的方差;最后,以IMF噪声方差为基础,建立EMD空域相关滤波方法并应用于脉冲星累积轮廓消噪。实验结果表明,与经典的平移不变小波阈值消噪法、平移不变小波空域相关滤波消噪法以及EMD模态单元比例萎缩消噪法相比,改进的EMD空域相关滤波消噪法在抑制脉冲信号中的噪声和保留更多的微脉冲特征细节信息方面更加有效。     

基于上下文模型的混合傅里叶-小波图像降噪方法

针对小波变换和傅里叶变换去除图像噪声时各具不同的优点和不足,提出一种基于上下文模型的混合傅里叶-小波图像降噪方法.首先在傅里叶域中估计原始图像的功率谱密度,运用维纳滤波器降噪,降低原始图像噪声水平;再在小波域中通过基于上下文模型的自适应阈值法去除剩余噪声;在小波域中使用平稳小波变换分解图像信号得到分解后的系列小波系数,根据小波系数间的相关性,利用上下文模型求取小波系数的方差,将其代入由GGD模型估计出的阈值表达式得到自适应阈值,再用软阈值函数对小波系数进行处理,最后将处理后的小波系数进行小波逆变换完成去噪.仿真结果表明:该方法不仅能够有效滤除图像噪声,而且能够保留图像的边缘细节信号,抑制降噪引起的吉布斯现象.     

基于小波阈值法的语音增强算法研究

随着小波变换理论的不断发展,小波变换去噪法不断丰富,小波阈值去噪法以算法简单、计算量小,吸引了众多研究者。通过对小波阈值去噪法传统阈值函数的研究,发现软硬阈值函数都存在着缺点;改进的半软阈值法综合了两者的优点,改正了两者的缺陷,明显改善了语音增强效果。并提出一种基于小波阈值去噪法与谱减法结合的改进算法,在较低信噪比下进行仿真,很好地抑制背景噪声和音乐噪声,减少语音信号的失真。     

基于小波变换的微震阈值去噪方法

矿山微震信号是微震分析以及定位的重要基础,但是微震信号常含有大量随机噪声,这些噪声会严重地影响微震信号的分析与处理.在全局阈值的基础上,对阈值函数进行了改进,提出了一种基于小波变换的迭代阈值方法.采用Symlet8作为小波基函数对微震信号进行5层分解,利用全局阈值与迭代阈值分别对微震信号进行去噪处理,对比去噪后信号的波形、差剖面、频谱、信噪比和均方差.结果表明:迭代阈值去噪后的信噪比更高,均方差更小,去噪后的信号更接近原始信号,可以将有用信号与噪声进行有效地分离.     

自适应阈值小波在指纹图像去噪中的应用

目前指纹识别技术具有很广泛的应用,但通常指纹图像含有混合噪声,而传统小波阈值去噪算法对含有混合噪声的图像去噪时,存在混合噪声去除不彻底的问题,为此提出了一种改进的自适应阈值和连续型低误差阈值函数的小波去噪算法.首先,算法对含有混合噪声的指纹图像进行一次中值滤波去噪.然后,设计了一种新的自适应阈值,小波分解层数越大新阈值就会越小,就能更好地体现噪声信号在进行小波分解时减小的特征.最后,设计了连续型低误差改进阈值函数,改进的函数是连续的,并且阈值达到极限时误差为0.改进后的算法使得估计的小波系数更加接近真实系数,重构后的图像更接近原始图像.实验结果表明,该算法对含有高斯噪声和椒盐噪声的指纹图像处理时,相比于其他算法,得到了更好的峰值信噪比和均方误差数值,去噪后的指纹图像纹理显示更加清晰.     

小波阈值去噪在烟气轮机信号分析中的应用

由于烟气轮机振动信号中含有大量的噪声成分,常使其非线性特征量的提取不准确,因此将基于阈值的小波去噪应用于烟气轮机振动信号分析中。首先介绍了小波阈值去噪的基本原理、阈值和阈值函数的选择方法,并对阈值函数进行了改进;然后分别对含噪Lorenz信号和实测振动信号进行小波阈值去噪实验,计算了其去噪前、后的关联维数。结果表明,小波分解后,不同尺度上信号和噪声的小波系数的分布规律明显不同,通过对其分析可以合理选择小波分解的尺度;在此基础上对小波系数进行阈值处理并重构,能有效地去除信号中含有的噪声,很好地保存信号的局部特征;去噪后信号的伪相图更加规则,关联维数估计值更加合理。该方法能提高信号分析的准确率。     

基于自适应阈值小波变换的心音去噪方法

在采集心音信号时,难免会引入一些噪声,对心音信号诊断之前必须对其做去噪处理。由于心音信号是非线性非平稳信号,对心音信号去噪处理常用小波变换去噪方法,但是传统的小波阈值函数去噪方法需要自定义阈值,去噪效果也不理想,且可能会滤除了大量的细节特征,从而无法对心音信号做出正确的判断。为了克服传统小波阈值函数对心音信号去噪处理出现失真的问题,本文在半软阈值函数的基础上提出了基于蚁群算法优化选取阈值的非线性小波变换去噪方法。以原始心音为研究对象,通过选用db6小波并进行6层小波分解,分别选用硬阈值函数、软阈值函数、半软阈值函数、蚁群算法的优化阈值的半软函数等不同的小波去噪处理,并将去噪效果与原始心音进行对比,然后利用蚁群算法的全局搜索性搜索最小均方误差意义下的最佳阈值。仿真结果分析表明:蚁群算法优化选取阈值的心音去噪效果不仅能够去除噪声,还能保留信号细节特征,该方法与传统的硬阈值函数去噪方法相比信号的信噪比(SNR)和均方根误差(RMSE)均得到明显的改善。     

基于改进小波阈值函数的语音增强算法研究

针对传统的小波阈值去噪算法中的阈值函数不足,提出一种优于非负死区阈值函数的改进的阈值函数.改进阈值函数不仅具有良好的连续性、可导性,并且克服了非负死区阈值函数没有考虑小波变换模值的衰减符合指数规律这一特点.另外在阈值的选取中,考虑了带噪语音信号的不同特性,采用谱平坦度函数修正阈值.仿真实验表明,与传统的非负死区阈值函数去噪算法相比,改进的阈值函数能更有效地消除背景噪声,在提高输出信噪比的同时,更好地保持语音质量和清晰度.     

加速度信号小波降噪的改进算法

目的:人体运动产生的加速度信号在采集过程中经常会混入各种噪声和干扰,这给后续的研究带来了困难,因此对采集得到的加速度信号进行降噪处理是后期运动功能评价的前提和基础。方法:为了更好地分离有用信号和噪声干扰,根据小波阈值降噪的原理和小波高频系数方差的分布,针对小波分解层数的确定、阈值估计和阈值函数的选择3个方面提出了改进的算法。结论:实验结果证明,改进的算法能够很好地抑制噪声对加速度信号的干扰,提高了评估的准确度,达到了预计的效果。     

小波阈值改进及在光谱信号去噪处理中的应用

针对宽光谱膜厚监控系统输出的光谱信号,通过改进Donoho阈值函数,对阈值加入微调因子,使与噪声幅度相近或小于噪声幅度的信号小波系数阈值减小,有利于其小波系数的保留。另一方面使噪声的小波系数的阈值增大,有利于其小波系数的滤除,使小波阈值滤波算法具有自适应性。通过实验表明该算法有效地抑制噪声,很好地保留了信号的细节信息,信号的峰值误差为0.7%—1.0%,峰位误差为0.1%—0.3%;提高了系统的监控准确度。     

基于信号局部特征的自适应小波分析方法研究

提出了基于信号局部特征的自适应小波分析以及分段阚值自适应选择方法．针时旋转机械检测信号首先在时域中分析信号的局部特征，根据其局部特征分段自适应地选择小波函数进行信号处理，并分段计算其相应的阚值，进行小波信号处理，从而最大限度地保留信号特征，提高信号处理的性噪比．图2，参7．     

基于尺度噪声能量估计的自适应语音去噪算法

摘要：
针对语音增强技术中的信号去噪问题,提出了一种非线性小波自适应阈值去噪方法.该方法采用一个改进的阈值函数,克服了传统软、硬阈值函数的缺陷;在阈值选取规则中,引入尺度相关去噪法而自适应地选取尺度阈值,利用小波系数在空间尺度的相关性进行尺度噪声能量的估计,根据所得尺度噪声能量来选取对应尺度层中的最佳小波系数并作为该尺度的阈值;同时,应用该方法对不同强度噪声背景下的语音信号进行去噪.结果表明,其具有较好的降噪性能. 关键词：
语音信号; 滤波; 小波变换; 噪声能量; 自适应阈值 中图分类号： TN 912.3
文献标志码： A     

基于EMD的基音检测预处理技术

针对基音检测的性能严重受背景噪声影响的问题,论文基于经验模态分解(EMD)理论,研究了含噪语音信号的EMD分解特性,参照小波阈值去噪方法,提出了一种基于EMD的自适应语音去噪算法,并且针对软、硬阈值函数的不足提出了一种新的阈值函数.MATLAB仿真结果表明,该方法可以有效地去除噪声,较好地恢复语音信号,与小波阈值去噪方法相比,信噪比、均方根误差等性能指标均有明显提高.     

基于混沌理论和小波变换的微弱周期信号检测方法

根据小波变换具有多分辨率,混沌系统对噪声的强免疫力和对周期微弱信号的敏感性等特性,通过对小波阈值去噪方法和混沌Duffing振子方程的改进,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,并根据小波分解尺度确定阈值去噪深度,然后把重构的信号作为周期策动力的摄动并入混沌系统,采用混沌振子阵列实现在噪声背景下微弱信号的检测,并采用梅尔尼科夫方法作为混沌判据.该检测方法克服了以往小波分解对尺度确定的盲目性和阈值选择的不合理性以及对混沌临界状态与周期态区别的模糊性:同时能检测多种频率的信号.仿真测试表明:该方法直观、高效,检测精度高,检测的最低信噪比达到-100dB,频率误差为0.04％左右,改善了湮没在强噪声下的微弱信号检测技术.     

基于混沌蚁群优化小波阈值法地磁信号噪声压制

地磁信号测量广泛应用于资源勘探、地质勘查和管线探测等领域。由于实际测量地磁信号易受到外界环境因素干扰,影响后期地磁数据资料解释。针对常规去噪算法需要获取噪声信号的统计特性,难以达到较好的去噪效果,本文研究基于混沌蚁群优化的小波阈值方法,将信号小波分解后,使用GCV函数选取阈值,结合混沌蚁群算法迭代寻优,确定最优阈值,进而实现地磁信号的噪声压制。通过对合成正弦信号和实测地磁信号进行去噪处理,与常用方法去噪法对比,本文方法去噪效果明显提升。