电能质量信号的KSVD-NRAMP归一化自适应稀疏重构算法

针对稀疏重构算法在电能质量重构中存在实时性差、重构精度低的问题,提出一种基于特征向量归一化的K奇异值分解(KSVD-NRAMP)自适应稀疏重构算法。算法针对电能质量信号的非线性非稳态特征,采用迭代式匹配追踪得到信号稀疏特征矩阵,然后对矩阵进行归一化处理,量化特征向量,加快函数收敛速度。接着对得到的矩阵原子进行奇异值分解,改善迭代步长波动造成信号重构精度低的问题,最后构建信号的高斯随机矩阵并重构信号。当信号压缩率在50%~90%时,该算法重构信噪比其它重构算法的重构信噪比高出26dB~28dB。实验结果表明,该算法重构精度更高且计算时间短,为电能质量信号的研究提供了一种新思路。     

基于小波变换的压缩感知算法在交通监控中的应用研究

针对交通监控各个节点数据采集压缩环节存在数据量大、采样压缩存储负荷大等问题,提出了基于小波变换的压缩感知算法在远低于奈奎斯特采样率的情况下能够大幅降低采样压缩图像数据量,并采用了多种其他小波变换改进算法进行对比实验,对比重构图像的PSNR值和各还原图像数据,验证了此改进型算法能够降低并缓解监控数据采集压缩等环节负荷大的问题。     

基于变换域的压缩感知快速重构算法

压缩感知是信号处理领域热门研究课题,其应用前提为原信号是稀疏或可压缩的。时域非稀疏信号可以变换为频域稀疏信号,但变换后的信号和传感矩阵表示形式为复数,增加了重构复杂度。为了降低复杂度,提高信号重构效率,提出一种基于实变换的重构算法,该算法将复数形式的稀疏信号和传感矩阵的实部和虚部分离后再参与重构。与传统重构算法相比,该算法改善了重构信号的均方误差,明显缩短了重构时间,极大提高了信号重构效率。     

基于位置信息的1-bit压缩感知重构算法

针对现行1-bit压缩感知硬判决算法在高误码环境下对弱信号重构性能较差的问题,提出一种基于位置信息的重构算法。首先将测量数据分成位置数据和数值数据,然后在重构端对位置信息进行重构,再根据重构结果对数值信息进行重构。该算法较之经典的1 bit压缩感知硬判决重构算法,在维持相同测量数目的前提下,大大提高了位置信息重构性能。由于在数值信息重构过程中应用了精确的位置信息,使数值重构性能优于同类算法约0-3dB。     

声发射信号的压缩感知仿真与实现

声发射检测技术对大型构件进行在线监测、检测时会产生大量的数据,这对检测系统的数据传输和存储性能提出了更高的要求。为了解决这一问题,基于压缩感知理论原理,选取不同的压缩采样率对声发射仿真信号和断铅实验信号进行了压缩重构,并对重构的结果进行了对比分析。结果表明:压缩采样率是影响重构效率的重要因素,随着压缩采样率的增加,重构信号的精度也随之增加,但重构时间也会相应变长。综合考虑信号的时频特征、重构误差和重构时间等参数,当压缩采样率不小于25%时,即可满足声发射信号分析要求。     

电能质量信号扰动检测与定位

在Piella G等人提出的自适应提升小波变换的基础上,提出了有效分析电能质量信号扰动检测与定位的改进的自适应提升小波预测算法;根据改进的自适应提升小波对信号的极强分类能力,将经过派克变换后的电能质量信号分为正常区与扰动区以及间断点区与非间断点区,再对各不同的区运用不同的更新算法与预测算法,能够快速准确地对电能质量信号作出扰动检测定位以及扰动程度的定量刻划;并且根据测出的扰动时间及扰动方向可以对扰动类型做出准确的分类;运用该算法对电压凸起、电压凹陷、电压暂态中断、电压瞬时脉冲、电压暂态振荡的检测与定位以及电压谐波的分析都证实了该算法的准确性和有效性。     

多小波在分析电能质量的应用研究

多小波可以同时具有对称性、正交性、短支撑性、高阶消失矩等性质。利用GHM多小波对几种典型的电能质量信号进行检测分析,能够准确提取暂态信号的时间特征,并对电能质量问题进行诊断、定位和分类。     

电能信号降噪研究

基于小波信号的变换原理,增加小波重构,提高电信号的精确度,同时增加反馈环节。先对电信号进行小波分解,查看是否有较多的暂态突变,假如有较多的暂态突变,或者电力系统部件有什么故障,可获得实时修正,使最后得到的降噪后信号更加精确。将重构的信号与真实信号相减,得出降噪方式处理后的实验结果发现:强制降噪范围比默认阈值降噪与给定阈值降噪大6~8倍,降噪后的信号与原信号相比差别太大,说明把较多有用信号去除了,这就违背了降噪的初衷,强制降噪后的信号精度不够。在实际工程应用中,可以根据情况选择给定阈值降噪方式以及默认阈值降噪方式。     

基于小波变换的暂态电能质量扰动的检测法

该文研究了基于小波变换的暂态电能质量扰动的检测算法,利用快速小波变换算法即Mallat算法检测和提取扰动信号,并在MATLAB环境下进行了仿真,采用db4小波、3尺度进行小波分解与重构并对信号进行检测,验证了小波变换能够实现电能质量扰动信号的准确定位。     

小波域信号重构在地震特殊处理中的应用

地震信号的频率域里包含着丰富的含油气信息,小波域信号重构在时间域和频率域都有良好的局部化特性,提高分辨率的同时还具有很好的保真度。针对小营地区沙二段席状砂油藏储层边界描述不清问题,应用小波域信号重构进行目的层地震特殊处理,提高了地震资料分辨率,储层横向连续性增强,为进一步油藏描述提供了资料支持。     

基于非凸低秩优化的压缩感知植株图像重构

目标植株图像压缩重构对于图像的高效传输及存储意义重大,同时为后期植株生长状态检测及病虫害识别奠定了基础。传统图像压缩感知方法大多是针对信号在某个特征空间的稀疏性进行的,并没有考虑信号的局部特征与结构化特性,存在重构效率不高、重构精度较低等问题。针对以上情况,提出一种基于非凸低秩优化的压缩感知植株图像重构算法。首先通过KinectV2.0采集植株图像深度数据并进行预处理,结合K-means与Mean-shift聚类算法提取目标植株有效区域,再考虑图像的非局部自相似性,采用加权[lp]范数最小化算法（WSNM）求解低秩优化问题,较好地保留了图像结构细节,最后采用Dog-leg最小二乘算法取代最快下降法进行迭代优化。试验结果证明,该算法在不同采样率下的植株图像重构质量优于其它同类算法,尤其在低采样率下重构效果更为突出。     

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。     

基于小波变换的信号降噪

介绍了应用一维小波变换对电信号进行降噪的方法,并利用Matlab编程仿真给出仿真结果.     

基于阵列信号处理的波前重构技术

自适应光学波前重构和信号处理对精度和速度要求很高。介绍了目前常用的波前重构:区域法和模型法。针对常规方法中存在局部性和运算量大的问题,提出阵列信号处理方法在波前重构中的实现步骤,并讨论了工程实现的若干问题。     

基于最优小波包基的信号去噪方法研究

改进了基于最优小波包基的信号去噪算法,该算法以小波包分析为基础,根据最小代价原理搜索信号分解的最优基,然后对高频和低频系数采用不同的阈值算法进行量化,用量化后的系数重构得到去噪后的信号．     

基于复Gaussian小波变换的心电信号预处理

介绍一种新的基于复Gaussian小波变换的心电信号预处理方法,并从理论、实验两方面验证了该方法的可行性．通过对美国MIT／BIH心率失常数据库中数据的实验分析,证明了该方法比经典的Tompkins方法更简单、效果更好．     

二维非平稳信号的小波谱均衡处理方法

小波变换对信号的分时分频的精细表达和多分辨率的全面把握,使我们能更深入地认识信号和噪声的特性,便于基于小波域进行更有效的高分辩率的处理工作;而谱均衡处理技术是提高信号纵向分辨率的有效方法,所以本文提出了将两种方法结合起来共同进行提高二维非平稳信号分辨率.其基本思想是先将二维非平稳信号进行小波分频处理,得到不同尺度的信号;然后将各尺度上的信号分别进行谱均衡处理,再将经谱均衡处理的不同尺度信号进行重建,从而得到高分辨率信号,我们将上述方法称之为小波谱均衡处理.利用提出的新方法进行实际信号处理,处理结果表明该方法的处理效果要好于常规的谱均衡方法,它既能提高二维非平稳信号的纵向分辨率,同时又能保持原信号的固有特征.     

心电信号小波变换自适应编码压缩方法

动态心电监护具有监测时间长、数据量大的特点,所以心电数据压缩十分必要．对于心电信号压缩的方法有很多,文章提出了心电信号小波变换自适应编码压缩方法,与其它压缩方法相比,此方法减少了信号重建时的失真,压缩比5到12．     

基于小波变换的信号消噪

通过对噪声特性的分析并用小波的方法对信号进行消噪处理,结合去噪原理讨论和比较了实际应用中对小波基及阈值规则的合理选取问题。结果表明,这种方法在改善信噪比的同时,又保持相当高的时间分辨率,并且计算简单,有很好的去噪效果。