基于小波变换的脑电信号噪声消除方法

本文探讨了基于正交小波变换的脑电（ＥＥＧ）信号分析方法,并利用小波变换对脑电中瞬态脉冲干扰进行检测和消除。实验结果表明,在对脑电信号进行分析和处理方面,小波变换较之传统傅立叶变换方法具有明显的优点。     

基于小波变换的心电信号滤波算法

针对心电信号中含有的工频干扰、运动伪迹、肌电噪声和基线漂移四种噪声,提出一种以R波为优先准则,结合小波模极大值的逐拍滤波算法。该算法使用小波分解来消除心电信号中的基线漂移．采用小波模极大值法消除工频干扰和肌电噪声．利用小波分解各尺度间的相关性来消除运动伪迹。仿真实验结果表明,该算法平均信噪比达到22．3dB,说明其在有效改善信噪比的同时,能显著提高信号的分辨率。     

基于AR模型的小波变换在脑电信号消噪中的应用

提出了基于自回归模型(ARM)与小波变换的脑电信号分析方法,并利用他来消除脑电信号中的噪声干扰。小波变换是一种多分辨率的时间尺度分析方法,他能够将信号划分为不同频段的子带信号。根据小波变换的这一特性,对采样获得的脑电信号进行各尺度分解及消噪分析,并给出了各尺度分解结果及消噪结果。利用小波变换能有效去除脑电信号中的噪声干扰。     

一种基于小波变换的语音噪声消除算法

接收机上接收到的信号容易被广播电台的语音噪声所干扰.而且随着广播电台的繁荣发展,语音干扰的能量越来越大,易造成误码从而严重影响信号的传输速度和质量.由于语音噪声的非平稳性,传统的消噪方法难以取得较好的效果.本文提出一种基于小波变换的语音噪声消除算法,对短波信道上的实际接收到的BPSK信号进行消噪处理.接收信号上的加性语音噪声被大幅度削减,系统的误码率性能得到很大提升,验证了算法具有良好的消噪能力.     

小波变换在心电信号处理中的应用

在心脏病诊断过程中,心电信号的检测是重要的环节,然而心电信号的噪声很强,为了能够较好地滤除信号中的噪声,对信号的特点进行准确标定,利用基于小波变换的阈值去噪算法和基于小波的模极大值-极小值的算法进行心电信号的处理.采用MIT/BIH中的数据进行仿真调试验证,实验结果表明,被引入的几种噪声能被很好地去除,而且心电信号能较完整地保留下来,特征点能被准确地检测到,从而提高了诊断心脏等疾病的诊断效率.     

基于平稳多小波变换的红外图像噪声抑制方法

提出了一种平稳多小波变换方法,该方法结合多小波和平稳小波变换在信号去噪方面的优点,给出了二维图像平稳多小波变换的mallat分解重构算法,并对红外图像的平稳多小波变换系数进行阚值处理实现图像去噪,仿真结果表明,相对于平稳标量小波变换和多小波的噪声抑制方法,此方法对噪声有更好的抑制作用,并尽可能多的保持目标的特征和细节．     

利用小波变换对表面肌电信号的消噪处理研究

上技做屈伸运动时,采集肱二头肌群的表面肌电信号,然后采用小波变换的方法,应用Matlab软件,对表面肌电信号进行去噪处理.对去噪结果的分析表明,对于小波分解后获得的不同频段的信号才用不同的阈值所获得的去噪效果更为理想,为后续的研究工作奠定了良好的基础.     

基于平稳小波变换的图像去噪方法

针对传统正交小波变换在图像去噪时存在的边缘失真,提出了一种基于平稳小波变换的图像去噪方法.使用系数关联法将图像小波分解后的高频分量像素标记为噪声和边缘,如果小波系数被标记为边缘,则保持其系数不变,否则采用基于邻域的方法进行系数收缩.当噪声方差较大时,收缩后最小尺度的高频分量中会存在一些孤立的亮点或暗点,借助次大尺度高频分量将其去除,对处理后的小波系数进行平稳小波反变换得到去噪图像.实验结果表明,本文方法能够在去除噪声的同时较好地保持图像的边缘,是一种有效的图像去噪方法.     

基于小波变换对信号噪声的处理研究

采用传统的滤波方法对信号进行消噪时,虽然方法简单,但是以牺牲信号的局部特征为代价,且信号的信噪比并未得到有效地改善。文中采用小波变换的方法对信号进行消噪,将原始信号经小波分解后,信号的小波系数大于噪声的小波系数,再选取一合适阈值,保留高于此阈值的信号小波系数,从而达到消噪的目的。实验结果表明,该方法不仅能有效地去除信号中的噪声,且能保留信号的局部特征。     

基于小波变换消除信号噪声的研究

首先介绍连续小波变换的理论基础并对去噪阈值的设定进行了讨论,然后提出一种利用信号与噪声的小波变换不同性质来去噪的方法,最后给出并讨论了该方法的仿真结果。     

基于优化SVD和平稳小波的复合降噪方法

通过分析奇异值分解(SVD)和小波阈值两种降噪方法的特点,提出了基于优化奇异值分解和平稳小波的复合降噪方法。方法采用统计学习理论的结构风险最小化原则优化确定矩阵有效秩,解决奇异值分解降噪特征值选取困难的问题。针对传统二进离散小波忽略尺度噪声且在奇异点存在振荡效应的不足,运用改进的平稳小波降噪方法对奇异值分解降噪后的信号进行精细处理。通过在不同信噪比条件下与传统离散二进小波进行降噪对比试验,证明了方法的有效性和优越性。     

基于小波包变换的信号去噪方法研究

信号去噪在信息学科领域一直是研究的重点之一。传统的信号去噪方法局限在频域范围内,无法表述信号的时域局部性质。而小波变换是一种信号的时频分析,利用小波方法去噪是小波分析应用于实际工程的一个重要方面。介绍了小波包降噪原理及方法,并通过仿真研究与目前的小波去噪方法进行对比,仿真结果证明了该方法去噪的有效性。     

Single Channel Speech Enhancement by De-noising Using Stationary Wavelet Transform

It is classical problem to extract signal itself from noise signal in speech processing. We can separate them according to their different statistic characters. Commonly the frequency band of noise is wide but that of original signal is limited and mainly lies in low frequency bands. How to eliminate noise effect becomes a challenging problem in speech processing. Speech enhancement algorithms have been developing considerably, many theories and approaches have been brought forward to suppress…     

小波域滤波阈值参数c的选取

基于阈值的小波域非线性滤波的核心步骤是阈值的选取 .硬阈值t=cσ被证明是很有效的 ,但一般来说最佳的参数c会随信号的不同和迭加噪声的强度而变化 .本文构造了一个信号MSE(均方差 )函数的近似函数 ,以此做为阈值参数c选取的一种依据 .通过计算不同c下该函数的值 ,来判断使该函数最小的阈值参数c.仿真结果表明了真实MSE函数与本文提出的近似函数的一致性 ,据此选取c是可信的     

基于平稳和连续小波变换融合算法的心电信号P,T波检测

P, T波的检测在临床上是心血管疾病诊断的重要依据。由于其波形能量低、形态复杂,极易受到噪声干扰,导致现有检测算法精度仍有待提高。该文提出平稳和连续小波变换融合算法检测P, T波,利用连续小波变换的多尺度信息,获取心电图(ECG)信号中P, T波主要成分,融合其平稳小波对P, T波候选段进行平滑处理,消除波形中锯齿状毛刺对峰值点检测的影响,最后对P, T波过零点进行时移修正,保证过零点还原到原始信号过程中能够准确对应其峰值点,从而提高P, T波检测精度。该文算法在MIT-BIH arrhythmic数据库上进行验证,最终P波的误差率、敏感度、正确预测度达到：0.23%, 99.85%, 99.90%;T波的误差率、敏感度、正确预测度达到0.27%, 99.85%, 99.87%。     

基于平稳和连续小波变换融合算法的心电信号P,T波检测

P, T波的检测在临床上是心血管疾病诊断的重要依据。由于其波形能量低、形态复杂,极易受到噪声干扰,导致现有检测算法精度仍有待提高。该文提出平稳和连续小波变换融合算法检测P, T波,利用连续小波变换的多尺度信息,获取心电图(ECG)信号中P, T波主要成分,融合其平稳小波对P, T波候选段进行平滑处理,消除波形中锯齿状毛...     

小波变换在EEG噪声滤除中的应用

通过小波变换与标准傅里叶变换和短时傅里叶变换比较,指出了小波变换以其良好的时频局部性,成为时频分析方法中发展最为迅速的一种,并着重介绍了小波变换在滤除脑电信号噪声领域的应用.     

结合Wedgelet和平稳小波变换的SAR相干斑噪声抑制

针对SAR图像提出一种Wedgelet逼近和平稳小波变换相结合的斑点噪声抑制方法.这种方法充分利用了wedgelet变换具有良好逼近线目标,同时平滑面区域的特性,并结合平稳小波变换较强的保持纹理特征的性质.仿真结果表明,与单纯的平稳小波变换相比,该方法不仅可以有效地抑制图像的斑点噪声,而且在很大程度上保持了图像的边缘及细节特征,具有较好的视觉效果.     

混沌信号的自适应阈值同步挤压小波变换消噪

针对同步挤压小波变换（SST）消噪过程中仅使用单一阈值的不足,对SST消噪时的幅度阈值进行了改进,提出了一种基于SST分层阈值的混沌信号消噪方法.首先,根据信号和噪声经SST分解后系数的分布模型,推导SST混沌去噪时幅度阈值权系数的均方误差计算公式;进而,根据均方误差最小准则,计算幅度阈值权系数的最优取值;最后,根据最优阈值权系数和噪声标准差,确定SST混沌去噪时的分层阈值.利用模拟混沌信号和实测月太阳黑子信号对所提方法进行了实验分析,实验结果表明,本文方法可较好地滤除混沌信号中的噪声,同时原始信号的内在混沌特性也能得到较大程度的恢复.与小波阈值法和集合经验模态分解（EEMD）消噪法相比,可获得更好的消噪效果.