基于小波变换的主动水声信号检测

信号检测是水声信号处理领域的研究重点之一。文章通过对水下航行器自噪声特性的研究，发现其具有1／f衰减特性，同时利用小波变换对1/f信号有类似K—L展开的作用，提出了一种基于小波变换的信号检测方法，对1/f噪声背景下的主动水声信号进行了检测；文中详细推导了相应的检验统计量及其统计分布特性；同时，将该方法与匹配滤波器、能量检测器的检测性能进行了比较，仿真试验结果表明了本方法的有效性。     

基于小波变换的Page-Test水声瞬态信号检测

针对鱼雷、空投浮标、火箭助飞深弹等反潜武器入水瞬间产生的水声瞬态信号所具有的持续时间短、信噪比低、突发和不稳定等特点,以传统的Page—Test检测器为基础,提出了一种新的水声瞬态信号检测方法．该方法首先对采集的水声信号进行小波去噪,去除信号中的随机频谱成分,提高信噪比,然后利用Page—Test检测器进行检测．仿真结果表明,该方法可在低信噪比条件下有效地提取出瞬态信号的起始位置,其处理效果明显优于传统的Page—Test检测方法．     

基于小波变换和均值滤波的图像去噪方法

将小波变换和均值滤波相结合提出了一种有效的图像去噪方法,先将含噪图像进行小波分解,获得不同频带的子图像.将低频近似图像保持不变,对水平、垂直和对角三个方向高频细节图像根据其特性采用三种不同形状的模板进行均值滤波,最后将低频近似图像与三个均值滤波后高频细节图像合成得到去噪后的图像.实验结果表明,该方法在降低了图像噪声的同时又尽可能地保留图像的细节,其去噪效果优于单一小波阈值法和均值滤波法.     

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。     

基于小波变换模改进Perona-Malik模型的强噪声信号滤波算法

鉴于偏微分方程在图像去噪中的原理和应用,针对传统机械振动信号去噪方法的局限性,提出了一种基于小波变换模改进Perona-Malik模型的强噪声信号滤波算法并用于机械振动信号去噪。首先研究了小波阈值去噪和Perona-Malik非线性各向异性扩散滤波模型之间的相关性,其次用小波变换模替代梯度模构建改进的扩散系数,并推导出了基于小波变换模的改进Perona-Malik模型。实验结果表明,与传统去噪方法和基本Perona-Malik模型相比,改进Perona-Malik模型不仅较好地实现了强噪声背景信号有效去噪,而且同时保留了信号细节特征,改进算法抗噪声干扰能力强,去噪之后信号畸变小,改进算法使信噪比平均提高了约3 dB。     

基于小波变换和中值滤波的图像去噪

针对图像中同时含有脉冲和高斯混合噪声的情况下,本文提出了一种中值滤波和小波变换相结合的图像去噪方法。仿真结果表明,该方法可以有效地滤除混合噪声,改善图像的视觉效果。     

基于小波变换的声信号去噪处理方法

本文对阿帕奇直升机与坦克的声信号加上白噪声进行FIR线性滤波和小波变换滤波预处理，再应用一个非线性软门限函数在小波域内将噪声抑制，最后通过小波逆变换得到重构的声信号。结果表明。小波变化预处理方法较传统滤波方法具有更好的去噪效果。     

基于小波分析的复合瞬态水声信号的特征描述

1.背景介绍 由于海洋声场的复杂性,水声信号往往异常复杂,相应地,水声信号处理也是信号处理领域中一个具有挑战性的研究方向.水声信号处理中,爆炸声是经常遇到的一种信号.这是因为在确定海洋声场特性时,总需要一个宽带的主动信号源,该信号经过传播后的频散结果就携带了关于传播环境的丰富信息.     

基于小波变换的旋转机械振动信号数据压缩方法的研究

在分析了旋转机械振动信号的特点和小波变换在信号奇异性检测上的特性后,提出了利用小波系数表征信号的奇异性特征,及用信号的频谱来表征信号的整体特征。而用这二类数据表征信号时的数据量远无小于振动时域信号的数据量。因此本文提出了利用这二类信号寻振动信号进行数据压缩的方法。通过信真计算对实际数据的计算证明,该方法既可以得到较高的信号压缩比又保留了信号的局部特征,有着很好的信号重构性。     

基于同步挤压小波变换的振动信号自适应降噪方法

振动信号在噪声影响下,特征提取十分困难。为此应用同步挤压小波变换(Synchrosqueezing Wavelet Transform,SST)对振动信号进行降噪,针对分解后本征模态分量(Intrinsic Mode Function,IMF)的选取问题,提出一种基于瞬时频率复杂度和自相关系数峰度值的同步挤压小波变换降噪方法。算法首先对原始信号进行SST信号分解并提取小波脊线生成固有模态分量,然后对生成的分量进行Hilbert变换得到瞬时频率曲线,再根据瞬时频率的复杂度选择相应的合成分量重构信号。为了进一步消除噪声影响,该方法同时采用了自相关系数峰度阈值法对筛选后的分量进行二次剔除,最终实现对原始信号降噪的目的。试验最后通过不同标准方差的噪声仿真信号以及物流机械传送设备振动信号验证该方法的可行性和有效性,同时将该方法与基于集成经验模式分解(Ensemble Empirical Mode Decomposition,EEMD)和小波变换的方法进行比较,结果表明该方法的降噪性能要优于其他方法。     

基于小波变换模极大值恢复的信号消噪方法

大多数的信号常具有某种奇异性，并携带有随机噪声，首先回顾了信号奇异性与小波变换模极大值之间的关系，然后利用信号与噪声的Lipschitz指数的符号不同，在S.Mallat等人工作的基础上，给出了从信号中去除噪声的具体算法。     

基于小波变换的心音信号检测与噪声消除方法

利用小波变换多尺度多分辨率的特点对心音信号进行分解,将不同频带的信号显现在小波分解的不同尺度上,在进行信号重构时,通过选择重构系数消除信号中的各种干扰分量,保留心音信号中的有效心音成分获得准确的心音信号,为心音信号的进一步分析、处理和心血管疾病的无创诊断奠定基础.     

基于小波变换的高分辨率信号频谱分析方法

本文介绍了一种基于小波变换的高分辨率频谱分析方法，该方法对信号频谱分辨率有明显的改善效果，尤其是在短数据采样点上，仍然具有较高的频谱分析效果，适合于快速变化信号的频谱分析。     

基于相关小波变换的信号相位差估计

0引言在雷达、声纳、生物医学和超声学等众多领域,精确地估计由空间上分开的传感器接收到的两列信号间的传输延迟具有重要意义[1]。目前,用于估计两列同频信号间相位差的方法主要有:相关分析法、希尔伯特变换、离散时间傅里叶变换(DTFT)[2]和小波分析方法[3]等。当源信号是确定信号的时候,基于DTFT的方法具有最佳的延迟估计[2],但     

基于小波变换的电力系统突变信号检测

电力系统发生故障的同时会伴随有暂态信号的发生,这些信号会对系统的运行产生严重的影响,因此对这些突变信号进行检测就显得很有必要。本文利用小波变换具有时一频局部化的特点,根据小波变换系数的模极大值点方法,通过对电力系统暂态信号进行三层分解,准确实现了突变信号的检测。最后通过MATLAB仿真结果验证了小波检测的正确性和可靠性。     

基于小波变换的滚动轴承故障信号分析

借助于实验所用滚动轴承正常运行、单点故障尺寸长度为0.007in(1in=2.54cm)、单点故障尺寸长度为0.014in和单点故障尺寸长度为0.021in 4个状态的数据,通过在Matlab中使用短时傅里叶变换和小波变换工具对滚动轴承正常运转时和滚动轴承内圈滚道有裂纹缺陷时的信号进行处理比较。发现对轴承信号进行短时傅里叶变换处理,并对频率进行归一化处理,结果只能粗略反应信号的频率成分,而对轴承信号做bior 2.4小波变换处理,在时间域与频率域都可以反映,且其具有自适应时频特性。两相比较,基于小波变换的滚动轴承故障信号分析对于滚动轴承故障信号具有较明显优势。     

基于分数小波变换的信号降噪新方法

简要介绍了分数小波变换的基本思想及在信号处理方面的特点.利用不同信号在分数小波域具有不同的相关性的特点,提出了一种基于分数小波变换的信号降噪新方法.分析了该方法的降噪特性,同时比较了小波包直接降噪和该方法的降噪效果.结果表明,该方法能够有效降低振动信号中的背景噪声.     

基于小波变换的图像去噪方法

本文首先概括描述了小波变换在图像去噪领域的应用原理,介绍了小波变换去噪方法,进行了计算机仿真,并对实验结果给出了结论.     

小波分析的信号滤波处理

本文对小波分析以及小波分析在动态测试信号的滤波方面的应用原理做了概括,给出了对测试信号进行傅立叶分析和小波分析的滤波结果.     

小波分析的信号滤波处理

本文对小波分析以及小波分析在动态测试信号的滤波方面的应用原理做了概括,给出了对测试信号进行傅立叶分析和小波分析的滤波结果.