基于小波多尺度乘积的信号去噪算法

根据信号与噪声在小波变换下表现出截然不同的性质,提出了一种基于小波多尺度乘积的信号去噪算法,该算法首先对信号进行多尺度二进制小波变换,通过相邻尺度小波系数乘积提取小波变换模极大值的小波系数和去除噪声小波系数：再利用模极大值小波系数进行小波逆变换得到去噪后的信号。实验仿真表明：该算法在有效去除噪声的同时,也能保留信号的重要特征。     

一种改进的第2代小波变换算法及应用

为了获得基于分析数据特征的小波函数,将第2代小波变换插值细分方法与最优估计理论相结合,提出了一种改进的第2代小波变换算法,在设计预测系数时,以小波分解的细节信号的平方和最小为目标函数,使预测满足一定的消失矩,通过最小二乘法确定预测系数,使预测系数能够反映分析数据的特征,采用最优插值估计的第2代小波变换分解及重构算法的降噪效果优于其他类型的小波,因此较理想地提高了滚动轴承振动信号的信噪比。     

基于改进二进制小波变换的图像边缘检测算法

针对传统二进制小波变换在图像边缘检测应用中的不足，提出了基于改进二进制小波变换的图像边缘检测算法．该算法首先按水平、垂直和对角方向对图像进行改进的多尺度二进制小波变换，提取三个方向的小波系数，然后采用相邻尺度小波系数相乘的方法去除图像的噪声．再对去噪后的小波系数乘积极大值点进行检测，最后将这3个方向上的极大点进行融合，形成图像的边缘．     

基于小波域相干边沿检测器的脉冲序列检测与定位算法 

摘要：
利用小波变换技术研究了雷达 通信共存系统中脉冲信号的有效检测与定位方法.基于小波变换的能量集中特性和脉冲边沿的小波变换系数在小波滤波器支撑集中高度相关的特性,提出了小波域相干边沿检测器,其判决统计量为小波变换系数在不同时延上的自相关值之和.导出了该判决统计量的统计特性与最优求和长度,并提出了基于小波域相干边沿检测器的脉冲信号的有效检测与定位方法.仿真结果表明了基于小波域相干边沿检测的脉冲信号检测与定位方法优于已有方法.     

煤热重信号的两步法去噪

提出不同于传统方法的两步法小波去除热重信号噪声的方法,即将小波去噪过程分成两步:首先,利用小波的二进制离散变换将信号进行不同层次的分解,分析不同分解层的小波系数,利用方差来区别突变信号的特性,对小波系数和尺度系数进行不同的滤波处理,重构获得除去突变噪声的含噪信号;然后采用传统方法将含白噪声的信号进行消噪处理.将该方法用于河北峰峰变质煤的恒温热重信号消噪,从去噪结果上看:两步法可以有效地滤除掉突变信号的干扰,且较好地保留了信号的基本特征.     

信号瞬变成分检测与提取及其在故障诊断中的应用

研究基于小波变换的信号瞬变成分检测与提取方法及其在机械故障诊断中的应用 .在分析信号的连续小波变换的模极大值理论的基础上 ,指出连续小波变换系数的模与信号瞬变成分的关系 ;通过分析小波函数的性质 ,分析小波函数对信号的连续小波变换的影响 ;在信号瞬变特征的提取过程中 ,提出基于门限值的特征重建方法 .将该方法应用于齿轮箱振动信号中瞬变成分的检测与重建 .结果表明基于连续小波变换方法能有效检测到信号中的瞬变成分 ,瞬变成分的重建结果有效地表示了机械的故障状态 .     

一种基于小波变换的边缘检测方法

基于信号与噪声在不同尺度下小波变换系数模不同的变化特征,提出了一种边缘检测方法,该方法通过对图像的小波变换域中由噪声引起的小波变换系数模进行处理,再利用小波变换系数模局部极大值来提取图像的边缘特征,实验结果说明这种特征提取方法可以有效地降低噪声,同时又较准确地提取出图像的边缘。     

小波包变换及其在低信噪比雷达信号检测中的应用

雷达对目标进行检测之时，常常遇到目标回波信号被噪声污染的问题。为了把弱目标信号从强噪声背景中检测出来，对小波包变换良好的时频分析特性进行了分析，根据信号与噪声具有不同的Lipschitz指数，通过引入子频带∞-范数，对信号和噪声进行频谱分析，将最佳子空间的熵值及最佳子空间在完整二叉树中的位置参数作为特征量，应用浮动阈值去噪方法，解决了低信噪比情况下的雷达信号检测。最后，通过计算机的数值计算，模拟了小波包变换和小波变换在低信噪比雷达信号检测中的具体应用，得出了在低信噪比信号检测方面小波包变换优于小波变换的结论。     

基于小波变换和奇异值分解的模态参数识别方法

提出了一种新的基于小波变换和奇异值分解相结合的结构模态参数识别方法.该方法首先对环境激励下的结构加速度响应信号进行互协方差分析,得到时域互协方差响应,通过小波变换将互协方差响应转换到时频域中得到信号的时频系数并沿每一个尺度点提取协方差响应的小波系数阵,然后对提取的小波系数阵进行奇异值分解得到奇异值和奇异向量,最后从重组的奇异值和奇异向量中识别出结构的模态参数.文章对提出的方法进行了理论证明,通过三自由度系统的数值算例验证了该方法的可行性,表明与直接小波变换方法相比,其识别结果精度更高.     

一种改进的模极大值混沌信号降噪方法

基于混沌和噪声的不同表现特征,提出一种改进的小波模极大值信号降噪方法。首先,该方法根据不同尺度噪声残余率的差别,确定离散二进制小波变换的最优分解尺度。然后,结合奇异谱理论对小波变换后的近似系数进行处理,去除表征噪声的较小奇异值;利用空间尺度相关性分析细节系数,自适应选取模极大值的阈值范围,提取有用信号,体现混沌系统内部特性。以Lorenz模型和月太阳黑子为例进行仿真分析,验证了本方法的可行性和实用性,提高了系统的信噪比,降低了系统的重构误差。     

Feature Extraction and Classification of Echo Signal of Ground Penetrating Radar

0IntroductionGrvoeluonpde dpienne rtercaetinntg y reaardsa r, (wGhiPchR)is i se map lnoeywedte bcyh nsicqieunet idset-and engineers to obtaininformationfromsubsurface and man-made structures .It has advantage of quick,easy and non-de-structive way toi mage the first few meters of the subsurfaceSo,it is widely used in utility location,landmine detectionroad and airport runway inspection,geophysical survey,andarchaeological investigations ,etc[1 ,2]. Conventionally,radaecho signals can be form…     

EEG Signal Denoising and Feature Extraction Using Wavelet Transform in Brain Computer Interface

Electroencephalogram (EEG) signal preprocessing is one of the most important techniques in brain computer interface (BCI). The target is to increase signal-to-noise ratio and make it more favorable for feature extraction and pattern recognition. Wavelet transform is a method of multi-resolution time-frequency analysis, it can decompose the mixed signals which consist of different frequencies into different frequency band. EEG signal is analyzed and denoised using wavelet transform. Moreover, wavelet transform can be used for EEG feature extraction. The energies of specific sub-bands and corresponding decomposition coefficients which have maximal separability according to the Fisher distance criterion are selected as features. The eigenvector for classification is obtained by combining the effective features from different channels. The performance is evaluated by separability and pattern recognition accuracy using the data set of BCI 2003 Competition, the final classification results have proved the effectiveness of this technology for EEG denoising and feature extraction.     

基于小波变换的爆破地震信号去噪的应用

运用小波变换在不同的尺度下观察信号局部化特征。由于信号和噪声具有不同的奇异性，它们的二进小波变换模的极大值在不同尺度下的传播特性也不相同。在相邻模极小构成的待选通域中分析出噪声局部极大值所在的选通域进行平滑处理，从而得到局部信号的小波系数，将其反变换重建出去噪后的信号。将该方法用于爆破地震信号去噪声，结果表明：这种方法计算简单，且去噪效果较好。     

小波变换应用于雷达信号处理的潜力和展望

着重讨论了小波变换在雷达信号中的潜在应用，特别是在宽带或超宽带雷达中的应用，进一步讨论了小波变换用于雷达模糊函数分析，信号检测与参数估计和雷达目标识别等问题，最后，展望了小波变换应用于信号处理的前景。     

一种有效的聚束式合成孔径雷达图像特征提取算法

提出一种聚束式合成孔径雷达图像特征提取的有效算法.通过小波变换图像去噪法提高信噪比;利用Canny算子完成边缘检测;根据雷达图像的特点提出边缘检测后不做曲线闭合,而直接进行阈值处理的图像分割.图像预处理后提取具有旋转、尺度、平移不变性的Hu矩作为特征矢量并归一化,在训练阶段引入聚类分析.以MSTAR实测数据为样本,用最近邻分类器和BP神经网络分类器对该特征提取算法进行识别能力测试,算法的有效性得到了验证.     

机械信号连续小波系数的统计特征研究

通过对机械信号的连续小波分解，利用小波滤波器良好的时频特性，针对机械信号的特征，论述了机械信号经过连续小波分解后的统计特征。在机械信号连续小波系数的特征提取中，引入机械系统的动力学维数，将连续小波系数按尺度方向进行了研究。利用尺度与频率的对应关系，应用小波系数的容积维数来研究其统计特性，并提取信号特征。实践证明，这种方法能够简单有效地提取机械信号的振动特征，并在诊断机械故障中得到了应用。     

Implementation of Texture Based Image Retrieval Using M-band Wavelet Transform

0　IntroductionItisbecomingwellknownthatsignalandimageprocessingaregettinggreatimprovementsinperfor mancebyusingwaveletbasedmethods.Wavelettheoryhasbeenfoundtobeausefulapproachinsignalandimageprocessing .Theresultsofwavelet basedimageanalysismethodsaresuperiortothoseobtainedbyusingtraditionalapproaches[1 ,2 ] .But 2 bandwaveletanaly sisisnotaveryeffectivemethodforfeatureextractionorpatternrecognition ,forthepartitionofhighfre quentbandsisquitecoarserin 2 bandwaveletdecom position ,whichisnot…     

基于小波自适应阈值方法的探地雷达去噪

探地雷达在实际使用过程中会被各种噪音信号干扰,针对这一问题,本文提出一种基于小波自适应阈值算法的探地雷达信号处理方法。常规小波阈值算法处理探地雷达B-scan图像时因处理前后的小波系数有所差异,可能导致图像失真。为了使目标信号更加明确,并消除噪音等干扰,通过对小波阈值的选取方式和阈值函数进行改进,使用小波变换的不同层数的子带长度确定阈值,实现阈值自适应准确量化。实验结果表明该方法相对传统小波阈值算法更加适用于探地雷达信号处理,自适应阈值函数拥有更好的良好连续性和稳定性,进一步提高了去除直达波和降噪效果,更好的保存了目标图像的细节。与其他方法对比结果表明,本文提出的算法提高了峰值信噪比,降低了图像熵。可见该方法在探地雷达实际使用情况下有一定的应用价值。     

基于小波变换和K-SVD的探地雷达杂波抑制研究

针对探地雷达原始图像中存在着大量以地表直达波为主的杂波噪声干扰问题,为了有效提取目标信号,提出了一种基于小波变换和K-Means奇异值分解的自适应双边滤波方法。将原始雷达数据进行小波分解,并应用K-SVD算法变换稀疏编码和更新原子,用更新后的稀疏系数和字典重构小块,将小块进行小波逆变换重构图像,然后对重构图像进行自适应双边滤波得到处理后的图像,以实现小波变换、K-SVD算法和自适应双边滤波方法的优势互补。与其他方法进行对比的结果表明,所提出的方法具有良好的杂波抑制效果,在峰值信噪比和目标图像熵上性能更好。研究结果在实际雷达勘测任务中具有一定的应用价值。