基于双密度小波变换的信号去噪研究

为了改善信号的去噪效果,在分析离散小波变换和双密度小波变换的基础上,提出一种基于双密度小波变换的去噪算法。双密度小波有两个小波函数,同一个尺度内相邻的小波间的频带间隔更小,有效的克服了离散小波变换时移性的缺点,有近似的平移不变性,更能描述信号的真实特征。将该算法用于不同噪声强度下的信号去噪,实验结果表明：基于双密度小波变换的去噪算法优于基于离散小波变换的去噪算法,是一种有效的信号去噪新算法。     

基于最大能量熵的小波阈值去噪法研究

分析了现有的软阈值、硬阈值以及软硬折衷阈值三种小波阈值去噪方法的优缺点,在此基础上,提出了一种基于最大能量熵的小波阈值去噪方法,根据最大能量熵的理论确定了改进型阈值函数中的加权因子。用三种阈值函数分别对Blocks、Bumps、Droppler信号进行滤波处理中,结果表明,基于最大能量熵的小波阈值去噪方法各项性能指标均优于另外两种方法,具有良好的去噪效果。     

基于相关函数的小波变换实现语音去噪研究

语音信号是非平稳的短时瞬态信号,有用信号与所含噪声处于同一频率段,采用滤波器形式的传统去噪方法,不能将噪声有效分离。小波变换具有时频局部分析的特点,通过将含噪信号进行分解,分离噪声信号,将有用信号进行重构,可有效地去除噪声。白噪声为平稳随机信号,在不同尺度上的小波变换是不相关的。本文根据白噪声和语音信号在不同尺度下的相关性表现,结合小波去噪的基本思想,提出一种基于相关函数的小波变换进行语音去噪的方法。经MATLAB仿真,相关函数确定的去噪方法,能有效去除语音信号的白噪声。     

经验模态分解在电力绝缘气体SF6红外光谱去噪中的应用

经验模态分解(EMD)是以信号极值特征尺度为度量的时空滤波器,它充分保留了信号本身的非线性和非平稳特征,在信号去噪中具有较大的优势.本文以电力绝缘气体SF6为研究对象,在介绍EMD分解方法的基础上,首先对含噪的SF6光谱信号做EMD分解,得到各阶本征模态函数(IMF),然后对高频的IMF分量用阈值法进行处理,把经过阈值处理后的高频IMF分量与低频IMF分量叠加重构得到去噪后的信号.分析了在不同噪声水平上与小波阈值去噪方法的处理效果.实验结果表明EMD阈值去噪法有效地去除了噪声,较好地保留了光谱的细节信息,与小波阈值去噪方法相比较具有自适应的优势.     

荧光光谱信号的去噪算法研究

分析了目前两类去噪方法的优缺点.针对荧光光谱信号与高斯白噪声在频率上的差异,重点探讨了以光谱信号提取为主的去噪方法.对经验模态分解的相关理论进行了分析,提出了基于经验模态分解的荧光光谱信号的去噪算法,并与小波去噪法进行了对比,验证了经验模态分解在提高荧光光谱信号的信噪比上的优势.     

基于面部图像的非接触式婴儿心率监测

为实现便捷、可靠的日常婴儿心率实时监测,提出一种基于面部图像的非接触式婴儿心率实时监测方法。首先引入欧拉视频放大技术,对一定时间间隔内视频的每一帧图像进行颜色增强处理,从而改善婴儿面部颜色变化微弱、所含心率信息不明显的问题;然后,通过Adaboost算法从每一视频帧中识别出婴儿面部,并从婴儿面部选取脸颊区域作为敏感区域以提取脉搏波信号,以此为基础提出一种改进的反射光强模型,抑制日间因环境光变化引起的干扰以及运动噪声干扰,提高脉搏波信号信噪比;此外采用摄像头的红外自主光源,通过一种基于相空间重构的单通道独立成分分析法分离夜间脉搏波信号的运动噪声,解决因夜间光照条件差引起的婴儿心率监测困难的问题;最后开发整个系统上位机应用程序,并通过实验验证该方法正确性和有效性。     

基于多尺度排列熵的睡眠阶段阈值研究

目前睡眠自动分期研究主要集中在选择特征向量类别以提高对睡眠阶段的分类准确度,而忽视了对所选特征的分析.特征分析是提高识别准确率的有效方式之一,因此开展基于多尺度排列熵的睡眠五期阈值研究.选取国际标准数据集Sleep-EDF进行MATLAB仿真,经预处理去噪后进行多尺度排列熵(MPE)参数优化设计实验以及睡眠各期阈值范围...     

纽扣式无线心率监测系统设计

设计了一种纽扣式无线心率监测系统,该系统采用光电容积法(PPG)设计了一款纽扣式传感器实现对心率信号的采集和预处理,利用微处理器Atmega 328进行ADC和心率计算,通过蓝牙将处理后的数据上传给基于LabVIEW设计的心率监测软件,实现对心率信号长时间实时的监测。对5名受测人员分别使用心率监测系统和人工方法进行多次重复性心率测试,心率监测系统的误差小于2%。结果表明,该系统性能稳定,实现了语音提示、语音报警、数据库建立、海量数据存储等功能。     

超声信号在不同阈值下小波去噪结果的比较

基于小波变换的去噪理论对纳米固体AIP/SiO2中激光超声信号进行了去噪处理。根据信号的波形特点选取了小波函数。给出了不同阈值下的去噪结果。结果表明采用heursure阈值去噪有利于提取超声回波波形。     

基于脊波变换的地震信号去噪方法

Ridgelet变换是信号的一种新的多尺度表示方法,它特别适合于具有线奇异性的二维信号的描述.将小波的自适应阈值去噪方法扩展到Ridgelet域中,应用Ridgelet变换,采用自适应阈值对地震信号进行去噪处理.教值实验结果表明,Ridgelet变换在地震信号去噪方面优于小波变换.     

基于形态分量分析的心电信号去噪

针对心电信号(ECG)采集过程中常受到白噪声干扰的情况,提出了一种基于多种基函数的形态分量分析(MCA)去噪方法。MCA利用信号组成成分的形态差异性通过超完备字典对其进行稀释表示,使得各形态成分得到有效分离。根据ECG特征波形的形态差异性,选用离散余弦变换字典来稀疏表示心电信号中的平滑成分(如P波),选用非抽样小波变换字典来稀疏表示心电信号中的突变成分(如QRS波群),同时滤除高频噪声成分。对MIT-BIH心率失常数据库中的样本进行仿真实验。结果表明,该方法去噪效果优于小波消噪法,不仅可以有效地抑制心电信号中的白噪声干扰,还能较好地保留ECG特征波形。     

基于ESMD与SVM的电能质量混合扰动识别

针对实际电能质量扰动种类繁多、扰动信号差异不明显、存在多种混合扰动,导致识别电能质量非常困难的情况,提出一种基于极点对称经验模式分解方法（ESMD）和支持向量机（SVM）的电能质量混合扰动信号分类识别新方法。首先,对加入白噪声的混合扰动信号利用小波软阈值去噪处理|其次,利用ESMD将信号分解为不同信号分量,对每类扰动的不同信号分量分别提取样本熵和互样本熵特征值,所有分量特征值构成特征向量|最后利用SVM对扰动信号特征向量进行分类和混合扰动识别。研究表明,该方法对混合扰动识别正确率很高,是一个有效的方法。     

基于强干扰的地震信号小波去噪与震源识别研究

为了更好地识别强干扰下的地震信号,介绍了一种改进的小波阈值去噪法对天然地震信号和人工爆破信号去噪.去噪后的信号经过经验模态分解之后,取第一个IMF分量.经过希尔伯特黄变换之后提取HHT谱幅比特征和自相关函数的均值特征,利用支持向量机建立天然地震和人工爆破的模型.在利用建立的模型识别已知的震源类型,判断改进的去噪法对震源类型识别的效果.实验结果表明:去噪法改进之后,对天然地震和人工爆破的识别率有显著的提高.     

基于改进阈值函数的小波去噪算法研究

为更好地消除心电信号（ECG）处理过程中存在的基线漂移、工频干扰和肌电干扰等噪声,提出一种基于改进小波阈值的去噪算法。该算法选定 coi5 作为小波基进行分解,选取分解尺度为 8 层,使用改进的阈值选取方法对每一层信号系数进行去噪。该阈值函数不仅克服了硬阈值函数不连续的缺点,而且解决了软阈值函数存在的恒定偏差,同时具有良好的自适应性。实验结果表明,该方法与传统阈值法相比,信噪比提高了24.26%,均方误差降低了 21.42%;与当前国际上先进的去噪算法相比,信噪比提高了 2.01%,均方误差降低了6.9%,去噪效果显著提升,验证了该算法的有效性。     

基于小波变换和二维随机共振的图像去噪算法

小波变换能对信号特征进行自适应分类提取,并快速有效地将图像信号分解成不同频带范围内的图像分量,利于图像去噪。随机共振能将部分噪声转换成信号能量,达到增大图像对比度、提高图像质量的效果。提出了一种基于小波变换和二维随机共振的图像去噪方法,实验结果表明,该方法取得了不错的去噪效果。     

能谱熵向量法及改进LM神经网络在液压油缸内泄漏故障诊断中的应用

针对基于时域组合特征的故障诊断方法的不足,提出一种基于小波包能谱熵分析的液压油缸内泄漏故障诊断方法。分析无杆腔压力信号的时域特征,采用小波包变换提取压力信号的能谱熵并输入到改进LM神经网络进行内泄漏的故障诊断。实验结果表明,无泄漏压力信号的能谱熵向量各元素分布较均匀;而泄漏信号的能谱熵向量各元素差异较大;改进LM神经网络在精度、准确率等方面高于传统BP、LM神经网络。与时域组合特征法进行比较,结果验证算法的高效可检测性。以不同分类器、不同小波基对算法诊断性能的影响进行分析,结果表明,该方法具有很强的稳定性和优越性。     

有氧运动强度监测指标特征分析与研究

研究了运动指标中的心率、代谢当量、主观感觉程度与运动能量消耗等指标特征,首先,从心率对运动负荷的基本应答特征、运用目标心率安排锻炼负荷强度、心率测量的特征、心率的运动强度监测等方面分析了心率指标特征;其次,阐述了代谢当量指标与主观感觉程度特征及其分级指标;再次,从气体代谢分析仪与心率测试法等方面分析了运动能量消耗测定方法;最后进行了总结与建议。     

基于小波变换的数字调制信号的特征提取

主要研究基于小波变换的数字调制信号的特征提取.和傅里叶变换不一样,小波变换是一个很好的时频分析工具.在实际中数字调制信号常常带有噪声(如白噪声等).首先对ASK、PSK、FSK信号进行小波分析,并对其特征进行提取(幅度、频率和相位等),其次对染噪的数字调制信号进行去噪处理,然后再进行小波分析比较.     

浅析基于小波和EMD的语音信号去噪

针对低信噪比信号的去噪问题,提出了一种基于经验模态分解的小波阈值去噪方法,并与小波变换去噪法的效果相比较.试验结果证明,当信号的信噪比较小时,基于经验模态分解的小渡阈值去噪效果是相当有效和稳定的,为研究环境脉动下结构的输出信号去噪处理提供了新的手段.     

基于小波分析的面波信号处理

面波勘探在矿井探测方面已经成为了一种有力的手段。采集到的面波信号由于受到噪声的干扰,在进行信号解析之前,去除噪声干扰是很有必要的。提出了一种新的基于自适应阈值的小波模极大值算法对面波信号去噪,关键是在每个分解尺度上选取合适的阈值,对小波变换系数的模极大值点进行筛选,相对传统的阈值选取,该方法达到了满意的去噪效果。