基于改进阈值函数的小波去噪算法研究

针对用小波变换进行信号去噪的阈值函数设定问题,在传统软、硬阈值函数去噪的基础上,提出一种改进的阈值函数方法,并与极大重叠离散小波包变换相结合,从而得到一种改进阈值函数的小波去噪方法。[Matlab]仿真结果表明：去噪方法提高了重构信号的信噪比,有效除去噪声,且保留原始信号的细节特征,是一种较好的信号消噪方法,在股票去噪中具有较高的实用价值。     

低速行驶地铁轨道振动信号小波去噪参数研究

针对地铁低速行驶时的轨道振动信号,分析小波去噪参数的选取对去噪效果的影响。以北京某地铁站附近的隧道断面的轨道铅垂向振动加速度信号为例,对轨道振动信号进行小波分解、阈值去噪和重构。以信噪比作为去噪质量评价指标,采用Kruskal-Wallis非参数检验方法分析小波系、小波阶数、小波分解层数和阈值的选取对去噪效果的影响。基于信噪比最大化原则,确定地铁低速行驶时轨道振动信号的最优小波去噪参数。结果表明：显著性水平0.05下,小波系、小波阶数的选取对地铁轨道振动信号小波去噪效果没有显著影响,不同的小波分解层数、阈值对地铁轨道振动信号小波去噪效果的影响不全相同;以SymletsA小波系的4阶小波为去噪小波基,经过3层小波分解,基于无偏似然估计阈值和软阈值函数进行小波去噪后的信号获得最大的信噪比,去噪后的振动信号保留了原始信号的峰值特征,同时信号曲线的光滑性有了显著改善。     

语音信号去噪的最优方案选取

针对噪声的引人对语音信号的保真有很大的影响,本文主要采用matlab中小波工具中的一些小波变换去噪函数对语音信号进行去噪仿真研究,其中的阈值去噪的方法是一种实现简单、效果较好的小波去噪方法。且与一般的傅里叶变换去噪进行对比,显示了小波去噪的优良特性。     

低速行驶地铁轨道振动信号小波去噪参数研究

针对地铁低速行驶时的轨道振动信号,分析小波去噪参数的选取对去噪效果的影响。以北京某地铁站附近的隧道断面的轨道铅垂向振动加速度信号为例,对轨道振动信号进行小波分解、阈值去噪和重构。以信噪比作为去噪质量评价指标,采用Kruskal-Wallis非参数检验方法分析小波系、小波阶数、小波分解层数和阈值的选取对去噪效果的影响。基于信噪比最大化原则,确定地铁低速行驶时轨道振动信号的最优小波去噪参数。结果表明:显著性水平0.05下,小波系、小波阶数的选取对地铁轨道振动信号小波去噪效果没有显著影响,不同的小波分解层数、阈值对地铁轨道振动信号小波去噪效果的影响不全相同;以Symlets A小波系的4阶小波为去噪小波基,经过3层小波分解,基于无偏似然估计阈值和软阈值函数进行小波去噪后的信号获得最大的信噪比,去噪后的振动信号保留了原始信号的峰值特征,同时信号曲线的光滑性有了显著改善。     

基于最优Morlet小波和SVD的滤波消噪方法及故障诊断的应用

分析了传统的小波去噪方法和小波变换的滤波特性.利用小波变换技术、奇异值分解技术和Morlet小波良好的时域和频域特性,提出了基于最优Morlet小波和SVD的滤波消噪方法.首先,采用最小Shannon熵方法确定出最优Morlet小波;然后,利用奇异值分解技术确定出最佳变换尺度a;最后对信号进行滤波消噪处理,从而提取信号中的有用成分.实验结果表明,该方法具有良好的去噪性能,用于故障特征提取是有效的.     

基于波原子变换的三维地震信号盲去噪

基于波原子变换的三维地震信号盲去噪算法,利用基于块的噪声估计算法估计信号噪声,采用循环平移处理信号并进行波原子变换,利用估计的噪声标准差按不同尺度分层设置阈值并进行修正,再采用改进的阈值函数处理波原子变换系数,进行波原子反变换与逆循环平移,得到去噪后三维地震信号。对含噪的合成与实际地震信号去噪,并与小波、双树复小波、曲波及传统波原子变换的去噪结果对比;结果表明,该算法较其它对比算法有明显优势,且随含噪量的增加,去噪优势愈加明显。从输出信噪比、均方误差以及峰值信噪比等评价指标可知,基于波原子变换的三维地震信号盲去噪算法去噪效果最佳,其次为传统波原子变换算法,然后为曲波变换与双树复小波变换算法,传统小波变换算法的去噪效果最差。     

基于小波变换的轮轨垂向力信号降噪

轮轨力应变信号在采集过程中,由于噪声干扰的存在,将严重影响所采集数据的准确性。针对轮轨力应变信号中存在的基线漂移和随机白噪声,提出基于小波变换的去噪方法:采用db 6小波基,根据小波多分辨率分析理论,以大尺度分解的逼近分量估计基线漂移成分,从而消除基线漂移;对于随机白噪声则是运用小波阈值去噪法,先根据离散有限序列的自相关函数确定小波分解的最优分解层数,然后采用最小最大阈值以及硬阈值函数,从而实现对白噪声的滤除。仿真与实测数据分析都表明该去噪法能达到比较理想的效果。     

小波去噪方法在管道应力波检测中的应用

介绍了一种适合于管道应力波检测的基于小波变换的去噪方法。利用小波变换多尺度分析的优点。根据有用信号和噪声在小波变换不同尺度下的传递特性的不同，进行小波系数阈值选取后，对剩余小波系数重建信号，得到有用信号的波形。结果表明，它能较好地抑制噪声，使信号的信噪比明显提高。     

自适应二进小波去噪法

本文通过引入一类新的可微阈值函数,建立了信号的能量同它的二进小波变换系数之间的关系.利用Stein无偏风险估计和梯度下降法,给出了迭代求解各尺度二进小波系数最优阈值的自适应去噪算法.数值实验结果表明,同现存的小波去噪技术相比,该算法的去噪结果具有更高的重构信噪比和更光滑的外观.     

基于小波包变换和自适应滤波的超声信号去噪

为解决传统小波去噪方法因阈值设置问题或不能保留信号高频部分致使去噪效果不明显的问题,提出一种基于小波变换的自适应去噪方法,即先将信号进行小波包分解,然后对各分量信号分别选用不同的滤波参数,进行自适应滤波处理。实验表明:该方法有良好的超声信号去噪效果,为缺陷的分类和定量测量打下基础。     

基于混沌时间序列的GPS单点定位误差预测方法

对由不同型号GPS-OEM板和不同型号天线所组成的GPS单点定位系统的定位误差时间序列进行了混沌特性分析,通过计算最大Lyapunov指数确定了其为混沌时间序列.在此基础上提出了基于混沌时间序列的GPS单点定位误差预测方法,分别将RBF神经网络和Volterra滤波器应用于预测模型,实现了对定位误差的一步预测.通过对比预测结果,发现Volterra滤波器比RBF神经网络具有更高的预测精度,且算法实时性强,可以有效地降低预测模型的复杂程度.     

基于小波包和LMS自适应降噪的柴油机振动诊断

由于柴油机振动信号的特征频带和噪声频带存在重叠现象,利用小波阈值消噪时难以选取合适的小波阈值,针对该问题提出一种基于小波包的LMS自适应滤波降噪方法。该方法将小波包与LMS自适应滤波相结合,首先利用小波包变换对信号进行多层分解,然后以噪声干扰对应尺度上的第一层“细节”分量及最大分解尺度上的逼近分量重构信号,将重构后的信号作为LMS自适应滤波器原始输入信号,再以小波包最大分解尺度上的高频细节信号作为自适应抵消器的参考输入信号,进行LMS自适应滤波降噪处理。仿真计算和工程应用表明,该方法参数设置较少,易于控制,不涉及小波阈值降噪中阈值的选取问题,对比试验信号的分析验证了方法的有效性,将该法应用在柴油机振动诊断中提高了故障识别率。     

基于小波变换的网络流量在线预测模型

在无抽取Haar小波变换的基础上,结合自适应AR模型和滑动窗口式多项式拟合方法,建立了一种基于小波变换的递推式高速网络流量在线预测模型.该模型首先用无抽取Haar小波变换把网络流量时间序列分解为细节信号和近似信号,然后对细节信号部分使用自适应AR模型预测,对近似信号部分则使用滑动窗口式多项式拟合方法预测,最后用小波重构获得原始时间序列的预测值.该模型不但提高了流量在线预测的准确性,而且通过模型参数的递推式自动调整,避免了参数的定期估计和更新.     

Chaotic phase synchronization studied by means of continuous wavelet transform

A new approach to introduction of the phase of a chaotic signal is developed based on the continuous wavelet transform. The proposed method is applied to the study of phase synchronization of two chaotic dynamical systems with ill-defined phases.     

应用EMD分解下的Volterra模型提取机械故障特征

将混沌时间序列的Volterra模型引入到机械故障诊断中,提出了采用EMD与Volterra模型相结合的方法提取机械故障特征。该方法较传统的特征提取方法,具有提取特征明显,计算简单等优点。仿真实验表明,此法能够有效地提取特征参数。将其应用于机械转子故障特征提取中,取得了较为满意的结果。     

基于混沌理论的海底混响中目标回波提取

提出了基于混沌理论的混响中目标回波提取新方法。该方法主要得益于一种新的预测模型,该模型基于径向基函数神经网络,综合利用了时间序列的前向和后向预测,解释了该模型用于混沌信号分离的基本原理,用几种混沌时间序列分析了该模型用于混沌信号建模和谐波信号提取的性能。该方法用于湖试混响中目标回波提取的结果表明:该模型可以用于提取信混比不小于1dB的目标回波。     

基于重构相空间短时状态预测残差的直升机旋翼损伤跟踪方法

运用相空间重构技术与Volterra泛函级数提出基于短时状态预测残差的旋翼损伤跟踪方法。应用相空间重构方法将旋翼状态监测信号变换到不同维数的相空间内以不同时间尺度观测系统的动态行为特性,从新视角研究旋翼损伤的演化过程,据旋翼实测相轨迹与Volterra基准状态模型预测结果之间的残差生成新的损伤观测信号,采用Unscent-ed滤波器对Volterra基准模型预测残差进行滤波,可进一步优化估计旋翼的损伤状态。该方法可利用单个状态监测信号的非线性特性在相空间中重建旋翼系统动力学本质,可更有效地开展旋翼的损伤跟踪与使用监测。     

EMAT noise suppression using information fusion in stationary wavelet packets

An important issue in ultrasonic nondestructive testing is the detection of flaw echoes in the presence of background noise created by instrumentation and by clutter noise. Signal averaging, autoregressive analysis, spectrum analysis, matched filtering, and the wavelet transform have all been used to filter noise in ultrasonic signals. Widely-used wavelet threshold estimation algorithms are not designed for electromagnetic acoustic transducer (EMAT) pulse-echo signals, and therefore do not exploit their unique impulse nature. The approach to ultrasonic signal filtering proposed in this paper is based on stationary wavelet packet denoising with a threshold influenced by several information sources: a statistical echo detection, the amplitude distribution of the wavelet transform coefficients, and a priori known system frequency characteristics. The proposed method was evaluated on signals measured with EMAT probes and under various SNR conditions; it outperforms the wavelet transform with the Stein unbiased risk estimate (SURE) threshold estimation method and split-spectrum processing (SSP). The results indicate SNR enhancement of 19 dB with real EMAT data.