一种快速离散小波变换算法及其在语音信号中的应用

随着小波分析的理论研究水平不断提高,其应用领域也在不断扩展。特别是其多分辨率分析和Mallat算法在数字信号处理和数字通信中得到了广泛的应用。但是如果直接按照上述算法计算信号的小波分解和重构,其计算量将是很大的。通过对实序列的快速傅里叶变换(FFT)算法的推导及Mallat算法原理的分析,根据离散小波变换算法结构特征,提出了一种基于FFT的快速离散小波变换算法,并从数学理论上进行了论证。同时把该算法应用到实际的语音信号处理中,得到了很好的快速分解和重构效果。     

基于双树复小波的色谱重叠峰分解方法研究

针对色谱分析中重叠峰的分解问题,提出一种基于双树复小波变换的色谱重叠峰分解方法。首先深入研究了双树复小波变换相较于离散小波变换的优越性;然后利用双树复小波变换分解与重构模拟色谱信号,计算分离度、峰位和峰面积,与离散小波变换的结果对比,并对噪声信号进行测试;最后利用双树复小波变换分解与重构实验所测得的色谱信号。实验结果表明,双树复小波分解色谱重叠峰比一般的实数小波准确,能够有效地分离重叠峰,分解后峰形平滑对称未发生畸变,峰位相对误差与峰面积相对误差较小,适合定性定量分析。     

基于小波分析的大词汇汉语连续语音识别系统鲁棒性的研究

本文提出一种基于小波分析的大词汇汉语连续语音识别的方法,即采用一维小波变换将原始语音信号进行五层小波分解,然后对各层小波系数进行重构,得到五层语音信号,分别对各层语音信号进行训练,得到各层的声学模型,然后结合语言模型对各层声学模型的性能进行测试。通过对纯净语音和带噪语音的各层重构语音数据进行测试。结果表明对于含有高斯白噪声的带噪语音,该方法能使系统性能有所提高,但对于粉红噪声,该方法效果不明显。对于含有真实环境噪声的带噪语音,该方法能获得比基线系统更好的性能。     

基于小波变换的图像分解与合成

１概述 小波变换有完善的重建能力,能保证信号在分解过程中没有任何信息损失,即小波变换作为一组表示信号分解的基函数是唯一的; １９８７年 Ｍａｌｌａｔ巧妙地将计算机视觉领域内的多尺度分析的思想引入到小波分析中,由此来构造小波函数及实现信号的分解和重构。这样小波变换可把图像分解成模糊图像和细节图像之和,同时为图像的分析提供了方向性的选择,这种方向选择性又非常适合于人眼的视觉系统特性,也就是说,小波变换的方向选择性恰与人类视觉系统的方向性相吻合;同时Ｍａｌｌａｔ又研究了小波变换的离散化情形,使离散小波变…     

基于小波分析的故障系统在旋转机械中的应用

就小波分析技术在旋转机械故障诊断应用中的故障特征提取问题进行了深入研究,提出了基于小波奇异性及小波变换模极大值的故障特征提取方法,通过对故障信号与小波变换的多分辨率方法以及奇异性理论相结合进行研究,发现小波分析便于对信号的总体和局部进行刻画;利用小波变换对信号的分解和重构特性,可有针对性地选取有关频带的信息以及降低噪声干扰,通过对重构信号的频谱分析能更有效地提取裂纹故障的典型特征。结果表明,对于旋转机械的非平稳信号来说,利用小波变换方法进行故障诊断是行之有效的。     

由小波变换模极大值重构信号的改进解析迭代算法

在分析了经典的重构算法的不足之后，以小波变换的多孔算法电路为依据，提出了一种改进的解析迭代新算法，由信号的各个分解尺度上的小波变换的模极大序列和最大分解尺度上的离散逼近信号，通过迭代直接重构信号。该算法不需要进行小波反变换，也不需要对最大分解尺度上的离散逼近信号进行重采样，而且投影算子是解析形式的，克服了非解析形式投影算子计算量大、程序复杂等缺点。数值仿真试验证明了该算法信号重构的精度较高，收敛速度较快。     

离散空间中正交小波分解重构算法的实现

针对目前离散空间中分解重构算法的过程较为复杂,主要研究离散空间中周期小波和非周期小波分解重构算法的实现.首先证明离散空间中的多层小波分解重构算法可以按照Mallat分解重构算法的塔式结构实现,从而将离散序列空间与函数空间中的小波理论联系起来;其次,举例说明离散空间中的分解重构算法比函数空间中的Mallat分解重构算法在滤波器的选择上更加灵活;最后,数值结果表明基于离散小波对信号进行处理在很多应用中可以取得更好的效果.     

基于听觉感知的电子耳蜗共振峰提取方案

使用听觉感知的小波变换来提取电子耳蜗中的共振峰参数。首先用听觉感知的小波变换对原始语音信号进行分解重构,然后分别用自相关和格型法对合成语音信号和原始语音信号进行共振峰提取。实验结果表明：使用听觉感知的小波变换进行共振峰参数提取的可行性,合成语音信号能更好地表征原始语音信号的特征;同时也证实了电子耳蜗语音处理器中使用由格型法提取共振峰参数比自相关法更精确。     

Hilbert-小波变换的齿轮箱故障诊断*

采用希尔伯特—小波变换对振动加速度传感器获取的齿轮箱振动响应信号进行特性分析。利用小波变换分解获得振动响应信号的各层高频信号小波系数和低频信号小波系数,对小波系数进行重构获得具有不同特征时间尺度的各高频信号和低频信号;再对分解的信号进行希尔伯特变换获得时频信息谱以提取系统的统计特征信息,实现监测齿轮运转工作状态,及时发现齿轮的早期故障,提高机械运行的安全性。仿真研究结果表明,小波变换分解和希尔伯特边际谱方法在故障信息诊断方面是可行和有效的,提高了故障检测的可靠性。     

二次离散小波变换的语音增强方法

提出了一种基于二次离散小波变换（DWT）的语音增强算法。该算法首先对带噪语音信号进行离散小波变换,提取离散细节信号,并对其进行第二次离散小波变换。再按照不同的规则选取阈值,对信号进行去噪处理。最后再对出来后的语音信号进行合并。对比实验结果表明,该方法具有良好的消除噪声的效果,提高了语音的清晰度和可懂度。     

小波变换的频响特性及其在语音去噪中的应用

讨论小波变换在实际语音信号去噪处理中应用。由于语音信号的复杂性 ,信号本身含有奇异性 ,因此不能单一使用阈值去噪法。文中定义了小波变换频响特性 ,并利用它重构低尺度参数上的小波变换模极大 ,达到去噪目的。实例证明它的有效性     

基于级联离散小波变换的信号去噪方法研究

提出了基于级联离散小波变换的信号去噪方法。该方法通过对带噪信号作一层离散小波变换(DWT)后提取的低频部分和高频部分分别作一层DWT和四层DWT,然后,对低频部分提取的低频成分和高频成分均作三层DWT,接着,对所有分解的小波系数进行阈值处理,最后,完成信号重构。实验结果表明:在同样的小波分解层次下,本方法去噪效果好于DWT法和WPD法。     

整数小波图象变换及统计分析

整数小波变换是一种整数到整数的小波变换,它能够完全地重构原始信号。该文采用了一种新的二维整数小波变换方法,并对于几种不同的整数小波图象变换特性给出了具体的统计数据,并进行了详尽的数据分析。     

基于冗余离散小波变换的信号配准及分类

离散小波变换(Discrete wavelet transform,DWT)对输入信号的平移敏感,当输入信号间存在平移时,基于DWT的信号分类会受到负面影响.本文提出一种基于冗余离散小波变换(Redundant DWT,RDWT)的信号配准及分类方法,克服了DWT的平移敏感性,解决输入信号间存在平移变化的信号分类问题,...     

某型导弹测角仪故障检测的小波分析方法研究

现有的时频分析方法很难检测到某型导弹测角仪故障,针对这个问题,提出测角仪故障检测的连续和离散小波变换相结合的时频分析法.给出该方法提出的过程,分析连续和离散小波变换时烦分析法,将两种分析方法的特点结合起来共同分析测角仪故障时的信号信息.通过仿真实验证明,提出的方法能准确的提取测角仪故障时的信号特征,对测角仪故障的检测是...     

基于小波分析和多重自相关法的微弱信号检测技术

离散小波变换具有时频分析特性,可把信号的细微变化反映出来,可明显提高信号的信噪比.在用小波变换进行预处理的前提下,利用正弦信号的特殊性质,在信号未知的情况下,通过多重自相关运算可检测出埋没于噪声中的微弱正弦信号.讨论了多重自相关法在白噪声背景、有色噪声背景等情况下的检测效果,并给出仿真结果.     

一种基于 DWT 的音频水印算法

基于人耳听觉特性和小波变换的时频特性,提出了一种水印嵌入与检测算法。通过提取音频信号幅度的最大值进行小波变换,再在小波变换的重要系数中嵌入水印。仿真实验证明:该算法隐藏水印具有较好的不可感知性和较强的稳健性。     

Fusing images with different focuses using support vector machines

Many vision-related processing tasks, such as edge detection, image segmentation and stereo matching, can be performed more easily when all objects in the scene are in good focus. However, in practice, this may not be always feasible as optical lenses, especially those with long focal lengths, only have a limited depth of field. One common approach to recover an everywhere-in-focus image is to use wavelet-based image fusion. First, several source images with different focuses of the same scene are taken and processed with the discrete wavelet transform (DWT). Among these wavelet decompositions, the wavelet coefficient with the largest magnitude is selected at each pixel location. Finally, the fused image can be recovered by performing the inverse DWT. In this paper, we improve this fusion procedure by applying the discrete wavelet frame transform (DWFT) and the support vector machines (SVM). Unlike DWT, DWFT yields a translation-invariant signal representation. Using features extracted from the DWFT coefficients, a SVM is trained to select the source image that has the best focus at each pixel location, and the corresponding DWFT coefficients are then incorporated into the composite wavelet representation. Experimental results show that the proposed method outperforms the traditional approach both visually and quantitatively.