基于小波变换及子带阈值的彩色图像降噪

提出了一种对彩色图像降噪的新方法,该方法先把彩色图像分解为红、绿、蓝3个基色图像,然后利用小波变换分别对3个基色图像进行多尺度分解,求出其各个尺度三个方向高频系数的子带阈值,并组成1个子带阈值矩阵,对单基色图像的各个尺度3个方向的高频系数进行阈值处理,实现对单基色图像的降噪,最后把降噪后的3个基色图像融合为一幅彩色图像。实验结果表明该方法可以很好地消除噪声,又可以较好地保持图像细节。     

基于小波变换的图像降噪

根据小波变换和噪声信号的能量分布特性,提出了一种先用小波变换对含噪图像进行多尺度分解,求出各尺度小波变换高频系数的噪声方差和阈值,利用各尺度的阈值对高频系数进行处理,然后利用小波变换系数重构图像,实现图像降噪的方法;实验结果说明该方法可以有效地降低噪声,又可以较好地保持图像细节。     

基于VMD和CNN的滚动轴承故障定量诊断方法

针对滚动轴承故障尺寸难以定量诊断的问题,提出了变分模态分解(variational mode decomposition,VMD)和卷积神经网络(convolutional neural networks,CNN)相结合的诊断方法。首先对带有不同故障尺寸滚动轴承的运行进行监测,得到1个与滚动轴承故障尺寸有关的数据库;然后对数据进行VMD,提取有效的训练模式分量,并去除噪声等的干扰;最后将训练模式分量置入CNN进行训练,得到能对滚动轴承故障尺寸进行预测的网络模型。实验结果表明,所提方法可有效实现对滚动轴承的定量诊断。     

基于小波变换星地同步数据处理技术研究

阐述了星地授时同步原理和小波变换理论,分析了小波基的选取准则以及阈值,阈值函数的选取方法。将小波变换理论应用于星地同步数据的处理上,在matlab的平台上对星地同步数据进行降噪仿真处理,分别采用haar小波、db6小波、db10小波和sym6小波对星地授时同步数据进行降噪处理。实验结果表明,小波变换方法实现了对授时同步数据的有效降噪,将授时同步精度提升至10纳秒以内,是一种可靠的分析方法,为星地同步数据降噪方法提供了一定的参考价值。     

基于小波变换的滚动轴承故障诊断研究

分析滚动轴承的失效机理及出现故障时的特征频率。小波分析能同时从时域和频域两个方面对信号进行分析,应用小波变换加包络分析相结合的方法,成功提取仿真信号和实测信号中的周期性成分,对滚动轴承故障做出准确诊断。     

基于CNN与GRU降噪自编码的心电信号分类方法

心电图是一种用来监测心脏活动的标准测试。心电图能够体现心脏异常,包括心律失常,心律失常是心律异常的通称。同一类型的心律失常在同一患者不同阶段的心电信号存在一定差异,不同患者同一类型的心律失常心电信号差异会更大,这对人工判断是一大挑战。提出一种基于降噪自编码的CNN与GRU结合的心电图分类方法,从公共数据库（MIT-BIH）中提取原始心电信号集中进行实验。该集合人为扩大到平均5类心跳实例,并过滤掉高频噪声。该方法对室上（S）和心室搏动（V）的准确率分别为99.49%、99.43%,灵敏度分别为90.55%、96.65%,精确率分别为91.04%、95.46%。结果表明,该模型与目前先进水平在性能上有较大提高,具有良好的可扩展性。     

滚动轴承故障的卷积神经网络诊断研究

随着大数据时代的到来与人工智能的发展,故障诊断也朝着智能化方向发展.针对滚动轴承的故障诊断,提出基于短时倒频谱变换与卷积神经网络的故障诊断方法.首先,对实验采集到的滚动轴承原始信号进行短时倒频谱变换,得到二维的倒频谱,按照故障尺寸划分为不同标签的训练集和测试集,且每组数据集包含3种转速;然后,采用正交实验选取卷积神经网...     

基于小波包分解的自适应同步压缩短时傅里叶变换

获得同时含有稳态频率和瞬态频率成分信号的高分辨率时频分布是时频分析的重点与难点,为了解决此类信号进行同步压缩短时傅里叶变换(synchro-squeezed short time Fourier transform, SSTFT)时窗长受限的问题,提出了基于小波包分解的自适应同步压缩短时傅里叶变换(adaptive synchro-squeezed short time Fourier transform by wave packet decomposition, WPD-ASSTFT)方法。首先,借助小波包分解将信号分解为若干个子信号;之后,对不同的子信号进行自适应窗长选择,确定使子信号进行短时傅里叶变换(short time Fourier transform, STFT)的时频分布Renyi熵值最小时对应的窗长——最优窗长;然后,将各个子信号在最优窗长下进行SSTFT;最后,将所有子信号的时频分布相加得到原始信号的时频分布。通过小波包分解,将信号分解为不同频率范围的子信号,通过自适应窗长选择,使得SSTFT的时频图分辨率最佳。利用该方法对仿真信号和铁路轴箱加速度信号进行分析,结果...     

基于卷积神经网络的故障诊断模型振动信号处理方法比较

针对利用卷积神经网络(convolutional neural networks, CNN)对滚动轴承进行故障诊断时可采用的振动信号处理方法较多的情况,设计了基于CNN的振动信号处理方法对比实验,采用不同的振动信号处理方法对滚动轴承在不同工况下的采样数据进行处理,再将动信号输入CNN故障诊断模型进行训练及测试,根据测试精度比较处理方法对故障诊断精度的影响。采用CNN中的AlexNet作为实验模型,选择模型中的最后3个全连接层,以达到快速训练的目的。对比不同信号处理方法对应的检测准确率可知,基于小波变换的滚动轴承故障诊断模型的检测准确率最高。     

基于小波变换的语音降噪分析与实现

介绍了小波变换的一般理论及在信号降噪应用中的理论基础,分析了染噪后语音信号的特性,并使用多种小波和不同阈值对语音信号进行小波变换降噪,对结果进行了分析比较。     

一种基于小波变换和边缘信息的地理图象压缩方法

利用小波变换的多尺度特性,根据压缩比的要求,选择恰当的小波函数和分解尺度,用此来检测出图象的边缘点,对一幅图象只存贮边缘点及左右码。如果要求较高的压缩比,则进一步用直线段或园弧段进行拟合,只存贮端点等及左右码,解码特别快。     

一种基于小波变换的图形压缩方法研究

将小波理论应用于视频和图像压缩是目前国内外十分重视的图像压缩技术。小波分析技术和多分辨分析理论改善了基于分块DCT变换的压缩编码技术的方块效应和飞蚊噪声的不足；而分形压缩编码方法，由于其可以获得极高的压缩比而得到广泛关注。本文在借鉴前人的图像压缩编码算法的基础上，提出了一种图像压缩方法：该方法首先将图像进行小波分解，然后对不同的频带特征采用不同量化、压缩方法进行编码。实践表明，该方法不仅能够大大提高图像的压缩比，而且在网络信道不稳定的情况下，能在一定程度上克服数据传输出错，从而避免数据丢失造成的恢复图像质量下降。     

基于小波变换的图像阈值去噪法

图像去噪是图像处理领域中的重要研究方向之一。小波变换具有选基灵活和多分辨率特性等,能清晰图像,因此在图像去噪中获得了广泛的应用。当含噪图像经过小波变换后,图像和噪声在不同的分辨率下呈现出不同规律,设定阈值门限,接着调整小波系数,最终达到去噪的目的。在硬软阈值去噪法的基础上提出新算法,并且利用Matlab进行仿真,实验结果表明新算法的峰值信噪比较高,具有较好的去噪效果。     

基于坡变换的表面测量中的形态学操作理论探究（英文）

目的:通过引入坡变换,揭示表面测量中形态学操作的本质。创新点:引入坡变换,将空间域的形态学膨胀操作转换为坡域的加法操作,揭示结构元素对表面轮廓坡度和曲率的改变。方法:1.基于坡变换理论,空间域的切膨胀操作对应于坡域的加法操作(图9);2.分析圆结构元素作用于正弦波和圆的理论解;3.用不同半径的圆结构元素作用于正弦波,分析切膨胀和经典膨胀的相同和不同之处。结论:1.坡变换将形态学操作从空间域转换到坡域,可获取类似于傅立叶变换将卷积操作从空间域转换到频域的分析能力;2.切膨胀操作为经典膨胀操作的上确界,但会产生重叠区域。     

结合非对称卷积与复合感受野结构的图像降噪方法

为提高图像降噪精度,在去除图像噪声的同时尽可能保留图像边缘细节,在对多种传统降噪算法以及现代卷积神经网络架构研究的基础上,结合非对称卷积与复合感受野结构,提出一种新的降噪卷积神经网络模型.该模型在多尺度上获得了不同感受野下的图像特征,能更好地学习含噪图像到降噪图像的端到端映射.非对称卷积减少了模型参数量,使其更易于训练...     

基于神经网络的机车滚动轴承故障诊断研究

针对目前机车滚动轴承故障诊断效率低、速度慢的问题,设计一种基于小波包与粗糙集神经网络的机车走行部滚动轴承故障诊断方法。首先运用小波包分解构造故障特征集,之后运用粗糙集对故障特征集进行降维处理,消除冗余信息,然后将降维后的最小属性集作为Levenberg Marquardt算法改进的BP神经网络的输入,建立相应的神经网络模型实现故障诊断。测试结果表明,相较于普通BP网络模型,该方法降低了神经网络模型构建的复杂度,提高了故障诊断速度与故障诊断准确率。     

基于Contourlet变换的图像非局部Bayes阈值去噪方法

轮廓波是一种有效的图像多尺度变换工具,由于其包含更多的有效信息,并能更好地刻画图像细节,因而被广泛应用于图像去噪领域。对非下采样轮廓波变换后的噪声系数进行统计,分析了不同强度噪声图像经轮廓波分解后,噪声系数在各方向子带间的分布特点,提出了非局部贝叶斯阈值去噪方法。首先,最外层各个子带进行以模板为单位的自适应Bayes阈值选取操作,并对相应噪声点进行预处理;其次,对预处理后的分块图像进行重构;最后,对重构图像进行非局部均值滤波处理。实验结果表明,该方法无论在视觉去噪效果还是客观评价指标上都明显优于传统的硬阈值去噪方法,并且较传统的非局部均值滤波也有所提高。     

基于Curvelet变换和均值滤波的图像去噪方法

针对图像中的高斯噪声干扰,提出一种改进的图像去噪方法．首先利用Curvelet变换将含噪声图像分解成多个子频带,再根据子带系数的高斯分布特性,利用阈值去噪和加权平均滤波相结合的方法对高频子带进行去噪处理,最后利用Curvelet反变换得到去噪后的图像．为了验证该方法的有效性,与传统的硬阈值、软阈值、基于小波变换的方法相比较,实验结果表明,该方法能够获得较好的峰值信噪比和视觉特性,保留较多的细节信息．同时也说明了Curvelet变换比小波变换能够得到更好的去噪效果．     

基于L0梯度范数泛函优化和变换域阈值的图像去噪算法

基于L0梯度泛函优化和变换域阈值法的图像去噪算法,首先利用L0梯度泛函的最优化算法把含有噪声的图像分解为显著边缘层和细节纹理细节层,然后对含有噪声的细节纹理层图像进行短时傅利叶转换,并在变换域中利用阈值法分离纹理细节层中的图像细节纹理和噪声,进而去除图像的噪声。实验结果表明图像去噪算法获得了显著的去噪效果。     

基于时间序列的参数模型和Fisher判别分析的滚动轴承故障诊断方法

提出了基于时间序列参数模型和Fisher判别分析的滚动轴承故障诊断方法。该方法通过对轴承振动信号建立自回归模型,将自回归模型的特征参数作为特征向量,然后采用Fisher判别分析方法对轴承状态进行分类与识别,实验结果验证了所用方法的有效性。