基于样本熵的最优小波包阈值估计去噪算法

为了更加有效地去除噪声对被测信号的干扰,分析了传统小波阈值估计方法的局限性,提出了一种基于样本熵的最优小波包阈值估计去噪算法。该方法利用样本熵作为信息价值函数以确定最优小波包,且以样本熵为判据,对不同的分解层数设置不同的阈值,选取使得去噪后得到的噪声估计信号样本熵值最大的阈值作为最优阈值。对仿真信号进行分析证明了该方法的有效性,将该方法应用于滚动轴承振动信号去噪分析且与其他阈值方法相对比,结果表明该方法去噪后的信号较其他方法而言频谱中的干扰频率更少且滚动轴承的基频以及故障频率更为突出,去噪效果更好,是一种更为优越的去噪算法。     

基于MAP估计的复小波域局部自适应绝缘子红外热像去噪方法

为了从强白噪声干扰的红外热像中提取真实的绝缘子盘面温度场信息,提出一种基于MAP估计的复小波域局部自适应去噪方法.首次证实了绝缘子红外热像双树复小波变换(DT-CWT)系数服从拉普拉斯分布,并对不同滤波器组采用各自最精细分解层子带系数估计噪声方差,利用待估计点圆形邻域系数估计信号方差,且随分辨率变化调整圆形邻域半径,使得MAP估计的无噪声系数更为准确,提高了去噪图像质量.实验结果表明,该方法比传统的Wiener滤波法、基于离散小波变换和DT-CWT的贝叶斯阈值去噪方法具有更高的信噪比,在有效去除图像噪声的同时,图像细节信息保留更完好.     

基于EEMD小波阈值去噪和CS-BP神经网络的风电齿轮箱故障诊断

针对风电机组齿轮箱中齿面点蚀、齿轮磨损、断齿等故障的诊断问题,提出一种基于EEMD小波阈值去噪和布谷鸟算法优化BP神经网络的故障诊断方法。采用EEMD分解和小波阈值去噪方法对故障振动信号进行数据预处理,抑制原始振动信号中的噪声干扰。利用布谷鸟算法优化BP神经网络对预处理后的信号进行诊断。小波阈值能更好地对EEMD分解中的高频分量进行去噪处理,CS-BP神经网络具有准确的模式识别精度和出色的全局寻优能力。通过实例仿真表明,提出的故障诊断方法具有良好的诊断精度、速度和成功率,具有较高的应用价值。     

油液磨粒超声回波信号的双树复小波去噪研究

超声回波信号反映了润滑油中磨粒的大量信息。为了提取淹没在强噪声环境下的超声回波信号,提出了一种基于双树复小波变换(DT-CWT)的油液磨粒超声散射回波信号去噪新方法。利用双树复小波变换具有近似平移不变性和有效去噪等优点,首先对超声散射回波信号进行双树复小波分解,然后对分解得到的高频系数进行阈值处理,最后进行双树复小波重构。结果表明:分解层数为6层时,去噪后信号的信噪比更高、均方误差更小、相似系数更大、幅值最大偏差更小。双树复小波变换硬阈值去噪效果比传统小波去噪效果明显好。     

基于Grubbs准则的小波自适应阈值去噪算法

小波阈值去噪法是去除信号中白噪声的有效算法.根据白噪声和信号小波系数的特点,提出一种分解层数自适应确定法和一种基于Grubbs准则的各层阈值选取法,并结合软、硬阈值法的特点,改进了小波系数阈值估计的模型.     

基于GCV准则的小波图像去噪方法研究

小波软阈值去噪的关键在于阈值的选择.常用的阈值计算方法主要针对噪声信号为不相关的情况,并需要对噪声方差进行估计.对于含有未知噪声的信号,提出一种GCV准则确定阈值的小波去噪方法,并证明该方法得到的阈值是一种渐近最优解.该方法与常用的基于固定阈值和SURE阈值的去噪法进行比较,结果表明,无论是肉眼观察还是利用均方差和信噪比进行客观评价,基于GCV准则的小波去噪方法可以在噪声未知的情况下,有效的去除信号噪声,并很好的保留信号的原始特征.     

基于DSP的超声波数据采集与信号处理算法

设计了基于DSP的数据采集系统,实现了对超声信号的实时检测.利用高速A/D进行采样,DSP对数据进行算法处理.在DSP内部采用小波阈值去噪算法对超声波信号进行预处理,利用DSP的串口将处理后的信号传送给主机进行实时显示.系统采样速率为80 Mbit/s,采样位数为12位,实现了超声信号的实时处理和采集.通过Matlab实验,验证了小波阈值去噪算法的改进方案明显要比单纯的硬阈值和软阈值方法降噪效果好.     

一种自适应小波消噪方法

为了消除噪声对被测信号的干扰,有效提取信号中的有用成分,根据信号和噪声小波变换系数的不同特性,在分析了传统阈值方法局限性的基础上,提出了一种自适应小波消噪方法.该方法首先对被测信号进行小波分解,并改进了阈值量化公式,使其具有能量分布自适应的降噪能力;然后,利用类别方差作为判别依据,选取使得类别方差最大和类内方差最小的阈值作为最佳的阈值.并根据每层分解后的小波系数进行自适应的阈值确定;最后,对信号进行重构,通过分解、阈值处理和重构等过程实现小波消噪.仿真信号和轴承故障诊断的实例结果表明该方法可在强噪声背景下消除噪声干扰,有效提取出滚动轴承的早期故障频率.     

基于BWO优化VMD联合小波阈值的管道泄漏次声波去噪方法

管道泄漏次声波信号中的干扰噪声影响管道泄漏定位的精准度。提出了一种基于白鲸优化算法（BWO）优化变分模态分解（VMD）联合小波阈值（WT）的管道泄漏次声波去噪方法。针对VMD算法中分解层数K和惩罚因子α的取值对信号分解结果影响较大,利用白鲸优化算法（BWO）对VMD分解的两关键参数进行寻优,获得最优参数组合[K、α],并利用优化后的参数对次声波信号进行VMD分解,获得一系列本征模函数（IMF）分量。通过计算各IMF分量的相关系数来区分噪声IMF分量和有效IMF分量,引入一种改进的小波阈值函数对有效的IMF分量进行去噪处理,再重构去噪后各有效IMF分量,得到去噪后的管道泄漏次声波信号。通过仿真实验,将所提方法与灰狼优化算法（GWO）优化VMD联合小波阈值和麻雀搜索算法（SSA）优化VMD联合小波阈值两种方法对比,所提方法去噪后信号的信噪比分别提高了1.27%、2.01%,表明所提方法的去噪效果具有一定的优越性,为后续管道泄漏计算定位奠定了良好的基础。     

联合CEEMD及AFSA优化小波阈值的心音信号去噪研究

心音是诊断身体健康的重要生理信号，为有效降低心音信号的噪声，提出一种联合互补总体经验模态分解(CEEMD)及AFSA优化小波阈值去噪相结合的方法。即先将不同频率范围的心音信号通过CEEMD进行分解，然后选取高频部分的IMF分量使用人工鱼群(ArtificialFish-SwarmAlgorithm,AFSA)优化小波阈值算法进行去噪，最后将去噪后的信号与分解的低频IMF信号进行重构得到去噪后的心音信号。将联合CEEMD及AFSA优化小波阈值去噪算法与传统的CEEMD算法、小波阈值去噪算法进行仿真对比。实验结果表明，联合去噪算法在去除心音信号噪声方面效果最好。