煤矿钢芯输送带缺陷信号非平稳强噪声滤波研究

煤矿钢芯输送带缺陷电磁检测信号易受到煤矿工况中非平稳强噪声影响,因此,提出一种改进阈值小波的变步长LMS自适应滤波算法对缺陷信号非平稳强噪声进行滤波。该方法首先运用改进阈值小波多尺度分解后的高频信号作为自适应滤波的参考噪声信号,然后运用变步长LMS自适应滤波方法对缺陷信号进行滤波。该方法克服了小波软、硬阈值的缺陷和固定步长LMS自适应滤波中收敛速度和稳态误差对步长因子要求不一致的矛盾。并与改进阈值小波滤波方法进行了对比,结果表明:该方法具有更好的滤波效果,能有效地滤除缺陷信号中的非平稳强噪声。     

改进EMD阈值小波滤波方法

下肢自主康复训练机器人中交流伺服电机电流信号噪声严重影响电机力矩辨识精度。为解决非线性非平稳信号的滤波去噪问题,提出一种基于经验模态分解(EMD)的改进阈值小波滤波算法。首先对EMD最佳去噪层数和阈值小波的阈值处理函数进行分析和改进,然后将两种改进方法相结合,最后对Matlab中的Heavy sine信号添加高斯噪声,分别利用改进方法和软、硬阈值等滤波方法进行去噪实验。仿真实验结果表明,改进算法能有效去除非线性非平稳信号中噪声信号。与EMD和阈值小波等其他滤波方法相比,本文滤波算法去噪后信噪比更大,均方根误差更小,滤波效果更好。     

谐波小波滤波与HHT在轴承故障诊断中的应用

谐波小波具有良好的盒形频谱特性,可以将非平稳振动信号既不交叠又无遗漏地分解到相互独立的频带上。将谐波小波作为滤波器,可以将特定频段的成分与信号的其他频率成分分离,进行重构后就能够提取出强背景噪声干扰下的特定信号频段成分,实现谐波小波滤波。然后,对故障敏感段信号进行HHT边际谱分析,并以边际谱的最大峰值作为特征向量判断轴承的工作状态和故障类型。     

小波变换的流体压力信号自适应滤波方法研究

为了有效地消除流体压力信号中的噪声,提出了一种基于小波变换的自适应滤波算法,该算法针对信号和噪声经小波变换后在不同尺度上的特征不同,先对信号进行小波多尺度分解,然后对各尺度分解的信号分别选用不同的滤波参数,进行自适应滤波处理,并用该方法对液压系统运行中采集的压力信号进行降噪处理.试验结果表明,该方法比普通的自适应滤波方法能更有效地消除流体压力信号中的噪声.     

自适应谱峭度滤波方法及其振动信号检测应用

谱峭度滤波方法是一种在强背景噪声下也能有效提取振动信号中瞬态成分的方法。笔者针对谱峭度滤波方法中窗宽的自适应选择问题,提出一种自适应谱峭度滤波方法。该方法将小波相关滤波提取的振动信号特征频率作为Morlet小波滤波窗口中心频率,并按最大谱峭度原则自适应选择滤波小波窗口宽度,以确定最优带宽Morlet小波窗。通过强背景噪声下的瞬态成分的提取验证该方法的有效性,并与窗口融合自适应谱峭度滤波方法进行比较。针对轴承故障振动信号检测,应用该方法提取反映轴承故障的冲击响应成分,说明该方法能够实现轴承故障振动特征信号的提取。     

理想数字滤波器的谐波小波逼近模型与设计方法

分析谐波小波的频域特征和滤波特性,研究理想数字滤波器的谐波小波逼近模型与实现方法。利用谐波小波在频域具有良好的紧支特性和盒形特性,建立理想数字滤波器的小波逼近模型。通过谐波小波变换,实现逼近滤波器的带宽和中心频率的可调。该逼近滤波器的幅频特性已逼近理想数字滤波器的幅频特性,且具有零相移特性,并通过傅里叶变换实现其快速算法。通过算例和工程应用实例验证,该方法能有效地滤除噪声信号,具有算法简捷、快速等特点,能对实测信号进行实时滤波。     

一种MCG信号的自适应预测滤波方法

与心电圈相比较,心磁检测具有无需电极,对某些局部心肌电流高度敏感,可以用于早期心脏疾病的诊断。但心脏磁场信号在检测过程中会被噪声所污染,使得信号本身的可辨识性降低,因此需要对该信号进行降噪处理。在单通道信号采集系统无噪声参考输入端的情况下采用自适应滤波方法,需要对待处理信号进行线性预测,本文提出的改进LMS（Least Mean Square）算法的自适应预测滤波器,无需噪声参考信号即可对心磁信号进．彳亍滤波,通过三种不同噪声的滤波仿真结果可见,采用自适应预测滤波器处理后明显提高了信噪比,具有一定的学术意义和实用价值。     

基于HHT的新一代GPS动态测量误差分析和滤波技术研究

针对新一代GPS的轮廓信号和几何误差成分特点,引入一种具有自适应能力的非平稳信号分析新方法——希尔伯特-黄变换(Hilbert-Huang Transform,HHT)用于轮廓滤波和几何误差成分分析。研究了HHT中固有模态函数(Intrinsic Mode Function,IMF)的特点,指出各阶IMF分量按特征时间尺度从小到大的顺序排列,构建了基于经验模态分解(Empirical Mode Decomposition,EMD)的滤波器并将其用于轮廓滤波。分析了EMD分解中剩余项的特点,根据各阶IMF的瞬时频率和幅值函数以及Hilbert-Huang谱,确定了各周期性分量以及非周期性趋势项。几何误差仿真信号分析结果表明,与小波神经网络方法的相比,HHT方法获取的初始阶段信号更好;对实测轮廓曲线,采用HHT和小波变换进行了滤波试验验证,结果表明HHT方法获取的轮廓曲线更平滑。     

基于HHT的新一代GPS动态测量误差分析和滤波技术研究

针对新一代GPS的轮廓信号和几何误差成分特点,引入一种具有自适应能力的非平稳信号分析新方法——希尔伯特-黄变换(Hilbert-Huang Transform,HHT)用于轮廓滤波和几何误差成分分析。研究了HHT中固有模态函数(Intrinsic Mode Function,IMF)的特点,指出各阶IMF分量按特征时间尺度从小到大的顺序排列,构建了基于经验模态分解(Empirical Mode Decomposition,EMD)的滤波器并将其用于轮廓滤波。分析了EMD分解中剩余项的特点,根据各阶IMF的瞬时频率和幅值函数以及Hilbert-Huang谱,确定了各周期性分量以及非周期性趋势项。几何误差仿真信号分析结果表明,与小波神经网络方法的相比,HHT方法获取的初始阶段信号更好;对实测轮廓曲线,采用HHT和小波变换进行了滤波试验验证,结果表明HHT方法获取的轮廓曲线更平滑。     

数字超声波信号中有色噪声的自适应滤波

针对测试环境中常存在的超声波频段的有色干扰噪声,设计了一种基于横向滤波器和最小均方误差自适应滤波算法的自适应对消器结构,并提出了固定步长和自适应步长相结合的自适应滤波算法流程。该方法增设了一个接收环境噪声的专用探头来自动跟踪噪声特性的改变,无需手动设置自适应滤波器参数和期望信号。通过自适应步长调整算法与固定步长方法结合,该方法能够在实现良好滤波效果的同时兼顾快速跟踪环境的变化。实验表明,提出的方法可以有效滤除目标超声波信号频带之外频率点处的有色干扰噪声,信噪比改善幅度可达16dB;时间复杂度为O(n),可实现实时处理。本文方法可以在无人工干预下自动、实时、有效地滤除与超声波信号频率接近的有色干扰噪声,已被成功地应用于气体超声波流量测量中。     

复小波分解联合SVD提取振动信号非平稳特征

针对齿轮箱故障信号的多分量多频调制特点,提出了一种基于奇异值分解的最优小波解调技术。首先,采用小波变换的最小Shannon熵作为时间尺度分辨率的度量指标,将其应用到Morlet分析小波的参数优化选择中;其次,对常规小波参数选择方法进行了改进,利用奇异值分解技术对最优小波变化尺度进行了迭代搜索。该方法可以很好地降低噪声信号,有效提取信号中的周期成分,具有较好的瞬态信息提取能力。试验结果也表明了该方法在齿轮箱故障特征提取中的重要性以及降噪方法的有效性。     

非平稳背景噪声下声音信号增强技术

在电力电缆故障精确定位中声磁同步法由于具有精度高与抗干扰能力强的优点而得到广泛的应用,但放电声音信号的有效检测是其难点。由于小波包变换在检测正常信号中是否含有瞬态异常现象方面具有独特的优势,自适应滤波器具有对信号和噪声的先验知识需求少的特性以及遗传算法具有不依赖于具体问题的优点,提出了一种基于小波包变换分解信号、自适应滤波估计噪声与遗传算法寻优重构相结合的声音信号增强算法。实验研究表明,该算法精确性高、鲁棒性强,尤其适用于电缆故障点放电声不明显时声音信号提取的情况,从而解决了电缆故障精确定位中对背景噪声要求高、识别范围小的问题。     

基于自适应最优Morlet小波的滚动轴承故障诊断

滚动轴承早期故障信号中故障信息比较微弱常常被强噪声所掩盖,增加了对滚动轴承故障诊断的难度。针对这一问题,笔者提出了基于自适应最优Morlet小波变换的滚动轴承故障诊断方法。首先,利用粒子群优化算法对Morlet小波变换的核心参数进行自适应寻优,在获得最优Morlet小波的同时保证了良好的带通滤波性能;然后,将最优Morlet小波对滚动轴承早期故障信号进行滤波去噪,提高信号的信噪比;最后,对最优Morlet小波滤波信号进行包络谱分析,通过包络谱中的主导频率成分与滚动轴承各元件的故障特征频率对比从而判断轴承的故障位置。仿真数据和实测数据分析结果证明,笔者所提方法能够有效提取故障信号中的特征信息,具有一定的有效性。     

基于正交小波变换的计权声级测量

提出了采用正交小波变换进行计权声级测量的方法 ,克服了传统计权声级测量系统中采用模拟计权网络的缺点 ,比采用短时傅里叶变换方法更能反映人耳对噪声的主观感觉特性。理论分析和仿真计算表明 ,该方法是可行的。为了进一步提高计算精度和减少计算复杂度 ,给出了对应于 IIR滤波器的正交小波变换、自适应小波包变换和匹配小波变换等三种可能的改进方法。     

小波变换对突变信号峰值奇异点的精确检测

研究了小波变换对突变信号峰值奇异点的精确检测机理和方法,采用了离散小波变换的直接算法,避免了塔式算法在本检测方法中的某些局限性。通过模拟算例和应用实例的验证,证明即使在有严重噪声干扰的情况下,该方法也很容易实现对突变信号峰值奇异点的准确检测和精确定位,具有相当高的定位精度（其误差不大于1个采样点）和分析精度（不存在累积误差）,同时具有较高的实时性。     

Selective noise filtration of image signals using wavelet transform

This paper examines the technique of denoising and signal extraction using wavelet transform scale space decomposition. The noisy signal is decomposed into multiple scales by the dyadic wavelet transform. At a given position, the level of correlation is used to deduce the presence or absence of significant feature of signals or images, which is then passed through the filter. By comparing the correlation information of the data at that scale with those at larger scales, noise is preferentially removed from the data. In the wavelet transform domain, the desired features are identified and retained because they are strongly correlated across scales compared to noise. This denoising algorithm can be used to reduce noise to a high degree of accuracy, while preserving most of the important features of the signal. In this paper, this technique of scale space filtering is applied to sample signals and images. Representative results are presented which shows that considerable noise content in signals and images can be reduced while preserving the value of the desired signal.     

Adaptive tuning piecewise cubic Hermite interpolation with Wiener filter in wavelet domain for scanning electron microscope images

Image processing is introduced to remove or reduce the noise and unwanted signal that deteriorate the quality of an image. Here, a single level two‐dimensional wavelet transform is applied to the image in order to obtain the wavelet transform sub‐band signal of an image. An estimation technique to predict the noise variance in an image is proposed, which is then fed into a Wiener filter to filter away the noise from the sub‐band of the image. The proposed filter is called adaptive tuning piecewise cubic Hermite interpolation with Wiener filter in the wavelet domain. The performance of this filter is compared with four existing filters: median filter, Gaussian smoothing filter, two level wavelet transform with Wiener filter and adaptive noise Wiener filter. Based on the results, the adaptive tuning piecewise cubic Hermite interpolation with Wiener filter in wavelet domain has better performance than the other four methods.     

基于脉冲耦合神经网络模型的小波自适应斑点噪声滤除算法

分析了维纳滤波原理和脉冲耦合神经网络(PCNN)模型的特点,根据斑点噪声统计模型的特征,结合小波变换方法,提出了一种基于PCNN模型的小波自适应斑点噪声滤除算法(W-PCNN-WD)来改善超声图像质量.首先,对超声图像进行对数变换,使斑点噪声转换为加性噪声;对医学图像进行维纳滤波处理,计算其加性噪声的标准方差,并以此作为小波阈值.然后,利用小波变换对图像进行预处理,利用PCNN在小波域中对小波系数进行相应的修正.最后,进行小波逆变换和指数变换,获得滤除噪声的图像.结果表明:本文提出的滤波方法优于其他滤波方法,当噪声方差为0.01时,本文滤波算法获得的峰值信噪比(PSNR)比经Wiener滤波方法获得的高出9 dB.该滤波方法能在有效去除超声斑点噪声的基础上保留图像的边缘细节信息,极大地改善了图像的视觉质量.