基于小波包的图像去噪方法

本文在分析了信号与噪声的不同小波特性的基础上，提出了一种基于小波包的去噪方法，并用实验验证了该方法比相同条件下小波去噪的效果好。     

基于四阶非线性偏微分方程的图像去噪算法

为了更好的实现图像模糊消除和有效地去除斑点噪声,提出了一种新的基于偏微分方程的图像去噪方法,它是基于非线性四阶扩散模型。首先提出了该非线性偏微分方程的方案,然后对微分模型进行数学处理,研究它的适定性,最后证明了此模型在一定条件下是适定的,并且存在了弱解,所得到的弱解近似于基于有限差分数值离散格式。实验结果表明,新模型在图像去噪和保边缘等细节信息方面都达到较好的效果,峰值信噪比有了大幅提高,去噪性能较经典模型更具优越性。     

基于小波与多重网格方法的一类偏微分方程数值解

考虑二维椭圆型偏微分方程的数值解.针对多重网格方法中的延拓与限制算子具有的高通与低通滤波器特性,利用小波的多分辨分析性质,提出基于小波与多重网格方法相结合的数值求解方法.算法通用性强、自适应性能好,数值实验表明算法效率比经典多重网格方法有一定提高.     

基于小波包变换与FFT相结合的电网谐波检测方法

针对电网中存在的稳态以及暂态谐波污染,提出了小波包变换与快速傅里叶变换相结合的检测方法。通过小波包变换,把系统中的谐波信号分解到各对应的频带当中,依据所得频带的波形来确定谐波扰动发生的起止时刻,并结合快速傅里叶变换突出的幅频分析能力,确定系统谐波的相位、幅值、频率以及谐波的时域信息。通过仿真验证了方法的可行性,同时表明方法可以准确对稳态以及暂态谐波信号中的时频特性进行分析。     

小波包分析与BP神经网络预测相结合的在线能量管理策略

针对现有混合储能分配策略无法适应不同储能设备特性以及光伏发电功率信号随机波动特征的问题,提出了将小波包分析,BP神经网络在线预测及模糊控制相结合的分配策略。首先对已有的混储总功率进行小波包分频,得到适合于氢储系统的低频功率,再通过此数据集进行BP神经网络的离线训练,并将训练的权重值用于在线神经网络预测。其次,将在线神经网络训练得到的氢储功率结合超级电容的荷电状态通过模糊控制器得到超级电容功率的修正值,并对氢储设备的功率、在线神经网络的权重进行修正,使得在线神经网络适应实时的混储功率波动。最后根据另一混储功率数据10 s采样数据在MATLAB/Simulink平台进行仿真。与基于规则的混储分配策略和低通滤波的分配策略相比较,结果表明此算法可以很好地改善氢储设备充放电功率,适应实时信号的随机波动,使超级电容的荷电状态运行在合理的区间范围内。     

基于小波变换的图像去噪

消除噪声是图像处理中一个非常重要的预处理步骤,然而,噪声消除与边缘保持构成了相互影响的一对矛盾。由于图像噪声存在不确定性,采用模糊理论进行噪声消除可取得较好的去噪效果。小波变换具有多分辩率的时频分析特性,不仅适用于平稳信号的分析处理,尤其适用于非平稳动态信号的分析处理。本论文将模糊理论与小波变换两者有机地结合起来,提出了WCFM去噪算法和AFTF去噪算法。与相关的去噪算法相比,本文提出的改进算法不仅有效地消除了噪声,而且还具有保持图像边缘细节的优势。通过仿真实验,验证了算法的有效性。     

基于小波变换的图像去噪

消除噪声是图像处理中一个非常重要的预处理步骤,然而,噪声消除与边缘保持构成了相互影响的一对矛盾。由于图像噪声存在不确定性,采用模糊理论进行噪声消除可取得较好的去噪效果。小波变换具有多分辩率的时频分析特性,不仅适用于平稳信号的分析处理,尤其适用于非平稳动态信号的分析处理。本论文将模糊理论与小波变换两者有机地结合起来,提出了WCFM去噪算法和AFTF去噪算法。与相关的去噪算法相比,本文提出的改进算法不仅有效地消除了噪声,而且还具有保持图像边缘细节的优势。通过仿真实验,验证了算法的有效性。     

小波分析与维纳滤波相结合的消噪方法研究

电力干扰噪音是影响电力线载波通信质量的重要因素之一,其频谱有1/f的特点和极强的自相关性。小波分析是处理信号的重要工具,选择合适的小波分析可以将有色含噪信号进行白化处理,然后通过维纳滤波,达到极强的消噪目的。文章介绍了一种小波分析与维纳滤波相结合的消噪方法,并通过计算、理论分析及测试实验结果证明,该方法具有较大的实用价值和较强的可行性。     

基于门限小波包的负荷预测方法的研究(一)门限小波包理论

基于电力负荷曲线自身的周期性、规律性,提出一种自定义自变量域的门限函数,然后基于小波分析中小波包的概念,建立门限小波包。这种门限小波包对分段信号和非平稳性信号的描述将更方便、更准确。为信号分析,也为电力负荷预测提供了一种新的简便实用的数学理论和方法。     

一种基于小波变换的夜视图像去噪和融合方法

微光夜视图像使用的像增强器会导致电子噪声和低照度的产生,2种因素会导致图像不清晰,细节不足.该文分析了2种影响因素的产生原理,针对其采用改进的小波变换去噪算法和融合算法进行处理以提高图像分辨率.实验结果表明:经过去噪和融合的微光夜视图像获得了更高的图像分辨率,保留了更多的图像细节.     

基于小波包方法的配电网故障选线与仿真研究

配电网单相接地故障选线问题一直未能很好地解决。在分析配电网发生单相接地故障暂态特征基础上,对中性点经消弧线圈接地系统发生单相接地故障进行了仿真。介绍了一种利用小波包分解暂态零序电流的故障选线方法。该方法利用小波包对各条线路的暂态零序电流进行多层分解,按照能量最大的原则确定各线路暂态零序电流分布集中的特征频带,在征频带内进行幅值与极性综合比较选出故障线路。通过MATLAB仿真表明,该方法可以准确实现故障选线,具有较高的灵敏度,且不受过渡电阻、故障合闸角及电弧的影响。     

基于小波包分析的变压器继电保护方法研究

对于电力系统而言,区分电力变压器的励磁涌流与短路电流并尽快实施故障诊断是十分必要的.小波包分析能有效地提取上述信号中的有用成分,本文采用小波包分解方法提取特殊频段上的能量特征值作为故障特征向量,针对实测数据进行识别,取得良好效果.     

一种基于小波包分析的图像压缩方法

讨论小波包的基本原理，并把其运用于图像压缩、提出一种新的编码和量化的方法：在最低频部分采用DPCM编码，在高频部分，根据能量分布的不同，采用不同的量化编码方法．实验结果标明该方法精细度高，具有很强的局部分析能力和自适应性强的特点．     

一种基于Bayes估计的小波自适应绝缘子红外图像去噪方法

采用无偏最小方差估计准则对不同尺度空间和不同方向上信号的小波系数进行自适应估计,以后验概率均值作为小波系数的估计,然后对小波系数进行小波逆变换得到去噪后图像.该方法最大程度的保留了图像的信息,具有良好的去噪效果.数值试验证明,与固定阈值法和极大极小阈值法比较,运用该方法去噪后的图像具有更高的信噪比(SNR)和更小的最小均方误差(MSE).     

基于小波包分析与神经网络的变压器区内外故障判断方法

作为变压器主保护的瓦斯保护经常在发生变压器区外故障时误动作,严重影响了变压器和电力系统运行的安全性和可靠水平,准确识别区内外故障是解决瓦斯保护误动作的重要前提。研究了适用于区内故障仿真的变压器PSCAD模型,验证了该仿真模型与原有模型的一致性。设计了基于小波包分析的变压器区内外故障特征量提取方法,通过不同小波包能量的对比,分析了区内外故障时差动电流的特征。基于小波包能量差异性,提出了利用神经网络进行区内外故障识别的方法。通过具体算例验证了方法的正确性和有效性。     

基于均值滤波和小波分析的图像去噪

由于均值滤波在抑制噪声的过程中会损失图像的边缘等细节信息,从而导致整幅图像的模糊不清,而小波分析在图像处理中具有较强的图像增强能力,故而采用两种滤波方法的结合来处理含噪图像。通过实验证明,该法在处理含噪图像时,不仅很好地降低了噪声,而且还较好地保留了原图像的边缘等细节信息,使得图像的对比度增强,增进了图像的视觉效果。两者的有机结合使得图像的去噪效果比单独使用其中一种更优。     

基于小波包和改进EEMD方法的电动机故障诊断

针对某厂YZ-500-2型三相异步电动机出现的异常振动,在实测振动信号的基础上,利用Fast ICA对EEMD分析方法进行改进,提取出本征模态函数中4种不同性质的信号,并利用该方法对电动机故障进行检测。为了减小高频噪声对分析的影响,采用小波包消噪,经试验证明该故障为轴承间隙不当,即瓦壳与机体之间出现间隙。同时也表明该方法在对电动机未知故障进行诊断时中具有较好的效果。     

基于小波包变换的电机定子故障特征提取方法

针对感应电机定子故障的特征频率处在低频段,小波分解系数易受电机负荷波动影响的问题, 提出一种采用希尔伯特变换对信号进行预处理,利用小波包分解来实现定子故障特征的提取方法。通过小波包分解,使相应分解子频段能始终覆盖随电机转差率以及供电电源频率变化的故障特征频率。增加小波时域波形的波峰数,减少了子频段间的频域混叠及频谱泄漏现象。对原始信号进行希尔伯特变换的预处理,降低了电机负荷波动对分解系数的影响;采用子频段节点重构系数的均方根值变化率作为故障特征指标。通过对实测故障数据的应用,利用上述方法可以有效地识别出电机的定子故障。     

基于小波包分解的电能质量扰动分类方法

随着敏感性设备的大量应用,电能质量问题已日益受到关注。对各种电能质量扰动进行分类是采取适当措施降低扰动带来影响的前提。小波包是在小波变换的基础上发展起来的,能够提供更为丰富的时频信息。章分别选取小波包分解终节点的能量和熵作为特征矢量,应用Fisher线性分类器设计了分段线性分类器,对扰动分类进行了仿真识别。仿真结果表明,以熵为特征矢量的分类方法有较高的识别正确率。     

基于小波包变换的电机定子故障特征提取方法

针对感应电机定子故障的特征频率处在低频段,小波分解系数易受电机负荷波动影响的问题, 提出一种采用希尔伯特变换对信号进行预处理,利用小波包分解来实现定子故障特征的提取方法.通过小波包分解,使相应分解子频段能始终覆盖随电机转差率以及供电电源频率变化的故障特征频率.增加小波时域波形的波峰数,减少了子频段间的频域混叠及频谱泄漏现象.对原始信号进行希尔伯特变换的预处理,降低了电机负荷波动对分解系数的影响;采用子频段节点重构系数的均方根值变化率作为故障特征指标.通过对实测故障数据的应用,利用上述方法可以有效地识别出电机的定子故障.