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.     

混沌背景下基于小波神经网络的弱信号检测

依据Takens嵌入定理提出了一种基于小波神经网络（WNN）的强混沌背景中微弱信号的检测方法。该方法利用混沌系统的单变量值对混沌背景重构相空间，采用小波神经网络所具有的强大的学习能力和非线性处理能力建立了混沌背景噪声的一步预测模型，使其与混沌背景噪声具有相同的基本动力学特征，并通过设定合适的预测误差门限来检测掩埋在混沌背景中的有用微弱信号。仿真结果验证了该方法的可行性。     

提取强混沌干扰中谐波信号的方法

提出一种新的从强混沌干扰中提取谐波信号的方法. 根据混沌的几何性质, 应用相空间重构技术和离散小波变换, 建立一种新的相空间投影方法, 将谐波信号分离出来, 并对含噪谐波信号进行功率谱密度估计, 提取谐波信号的频率, 利用小波滤波和最小二乘估计, 提高谐波信号的提取精度. 通过计算机仿真实验, 表明该方法非常有效.      

基于交叉验证法优化参数的Morlet小波消噪方法

针对机械监测故障信号的非平稳性特点,提出一种基于交叉验证法优化参数的Morlet小波消噪方法。选择与机械冲击振动波形相似的Morlet小波,对Morlet母小波进行改进,增加了波形调整参数。通过交叉验证方法设计了改进Morlet小波的波形参数和变换尺度。对信号进行连续小波变换(CWT),实现对含噪信号的滤波消噪。将该方法应用于齿轮故障检测中,对比2种传统的小波消噪方法,验证该方法能够提取出强噪声背景下的有效信号特征成分,具有较好的滤波消噪效果。     

小波包信号提取算法及其在故障诊断中的应用

提出了提取强噪声背景下多通带窄带信号的一种新方法小波包信号提取算法．这是利用小波包将信号按任意时频分辨率（满足测不准原理）分解到不同频段的特点而提出的．介绍了小波包理论；给出了小波包信号提取算法，并以仿真结果说明了该算法的有效性；以滚动轴承的故障诊断为例，说明该方法可以用于故障诊断和预知维修     

小波包信包提取算法及其在故障诊断中的应用

提出了提取强噪声背景下多通带窄带信号的一种新方法－小波包信号提取算法。这是利用小波包络信号按任意时频分辨率（满足测不准原理）分解到不同频段的特点而提出的。介绍了小波包理论；给出了小波包信号提取算法，并以仿真结果说明了该算法的有效性；以滚动轴承的故障诊断为例，说明该方法可以用于故障诊断和预知维修。     

微弱振动信号的谐波小波频域提取

为解决设备故障检测和故障预报中某些微弱振动信号难以提取出来的问题,在介绍谐波小波变换的优良特性及其基本原理的基础上,给出了谐波小波变换的实现技术.在不减少信息点数的情况下,用谐波小波变换成功地对微弱振动信号实现了频域提取与时域重构,并且实现了强噪声下微弱周期振动信号的频域提取.通过算例和工程实例,说明谐波小波方法在微弱信号的频域提取能力和精度上明显优于基于二进分解的小波方法和傅里叶分析方法,且在混有强噪声的信号提取中消除了二进小波包仍然存在的噪声泄漏,同时也显示了谐波小波变换的频域保相特性.     

小波变换在信号降噪中的应用研究

分析了小波变换的基本原理,采用小波变换和傅里叶变换方法,降噪处理了noisdopp信号并对比了处理结果,结果表明,小波阈值降噪在降噪的同时,能很好保存有用信号中的尖峰部分和突变部分.计算机仿真了实时采集的语音信号,结果表明,小波变换能从强噪声背景中提取有用信号,并能保留信号的大部分能量,且与原始信号有较好的相似性,能极大提高信号的信噪比,具有一定的工程应用价值.     

ReliefF算法在雷达辐射源信号识别中的应用

采用小波包变换提取雷达辐射源信号特征能够有效对信号进行识别,然而,由小波包变换提取的信号特征维数高,部分信号特征受噪声污染严重.基于此,采用ReliefF算法对信号特征的分类能力进行评价,选择出小波包中分类能力强的信号特征,再通过特征相关度算法去除分类能力相近的冗余特征,利用剩余的分类能力强的信号特征组成特征向量进行分类.仿真实验结果显示,该方法用较少的信号特征能够获得较高的正确识别率.     

采用小波变换的光伏串联电弧故障检测

建立光伏系统电弧故障实验平台,利用光伏模拟器仿真不同天气环境下的光伏阵列,对光伏系统中串联电弧故障信号进行检测和分析.采用小波变换的方法对串联电弧故障信号进行特征频带提取,并利用移动时间窗方法统计信号在小波分解后的高频系数的能量值,用其表征电弧故障信号的杂乱度和混沌度.研究结果表明:该检测方法为快速准确地诊断串联电弧故障提供有效判据.     

基于加权L1最小化的图像小波域压缩感知重构

压缩感知理论因为能以少量的采样精确地重构原始信号而得到广泛关注.通过在压缩感知的框架下研究小波域图像重构问题,提出了一类小波域的加权l1最小化方法.该方法不仅利用了信号稀疏性的先验信息,而且在重构模型中,通过对不同小波子带上的系数施加不同的权重,从而整合了图像小波域的结构信息,与经典的压缩感知算法相比具有更好的信号可恢复性.仿真实验结果表明,选用该方法能够以更少的采样得到同等精度的重构图像,验证了该方法的有效性.     

无线电监测中调制信号特征提取算法

针对传统调制信号特征提取算法在噪声环境下存在识别准确度低、分类效果差等问题,基于已有的调制 信号处理方法,提出一种新的无线电监测中调制信号特征提取算法。首先构建无线电监测中各类调制信号的 数学模型,以此为基础通过仿真得到信号瞬时幅值、瞬时相位及瞬时频率的特征。分析当前信号调制方式识别 各类算法的优缺点,采用小波变换完成调制信号的降噪处理与突变边界特征提取算法的设计,利用零中心归一 化瞬时幅度的谱密度最大特征提取算法以及核判别分析算法对各类调制信号进行逐层提取,实现了各类调制 信号的完整分类与提取,提升了噪声环境影响下的特征信号提取精度、且分类效果较好,为无线电监测中调制 信号特征提取提供了有利科学依据。     

基于小波变换的电网谐波电流检测

谐波对电力系统和用电设备产生了严重危害和影响.谐波检测是谐波问题的一个重要分支,实时、精确地对电网谐波进行检测有着重要的现实意义,但传统的谐波检测方法有很多缺点.随着数字信号处理技术的发展,小波变换作为一种较有效的方法,也被应用于对电网的谐波检测中.本文利用基于多分辨率分析的小波变换对电网谐波信号进行分析,理论分析和仿真结果都证实了该方法的有效性.     

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。     

基于SRFFT算法的快速小波变换谐波检测法

为快速准确的提取谐波分量及克服传统的FFT方法无时域局部性的缺点,提出一种基于复序列加窗插值分裂基快速傅里叶变换算法(SRFFT)的快速小波变换谐波检测法,以便准确快速的提取谐波.该方法采用凯瑟窗函数作为窗函数,通过改变β值和采样点数在主瓣宽度与旁瓣衰减之间进行选择;运用SRFFT算法、Mallat算法以及离散小波变换(DWT)算法对信号进行快速分解及重建.模拟分析结果表明,该方法运算精度很高,可以快速准确的提取谐波信号参数.     

一种基于小波神经网络的图像融合方法

图像融合结合图像处理、信号处理、计算机和人工智能等相关技术．通过对多源图像数据信息的提取合成,从而获得同一场景目标较为准确全面的图像描述．神经网络具有强大的非线性映射逼近能力,将神经网络用来进行滤波融合,避免了传统滤波图像变模糊问题．通过小波神经网络自适应动量快速学习算法进行图像滤波融合,能从根本上避免局部最优,且加快收敛速度,具有很强的学习和泛化能力,也避免了网络结构盲目设计．仿真实验表明,用本方法实现的融合图像更加符合人的视觉特性．