基于小波变换和独立成份分析的磁共振信号处理

在信号处理中，小波变换和独立成分分析均为重要的分析方法。从信号的噪声处理方面，因为往往得到的数据是信号的采样，因此使用离散小波变换有助于对相应的自相关噪声进行白化；对于磁共振中得到的其它任务相关信号，独立成分分析则可避免模型的局限，对各种独立成分进行解析从而为进一步理解各成分的意义提供依据。     

基于Windows数据连续采集实时分析的实现及应用

讨论在Window平台下建立信号连续采集实时分析系统的原理和方法，采用虚拟设备驱动程序，将数据采集卡数据存储到计算机内存缓冲区，信号分析处理模块从内存缓冲区中读取数据，同时采用多线程技术，提高系统的工作效率，实现数据的连续采集和实时分析。采用该系统，可以在连续采集信号的同时进行信号分析．并且由干采用软件讲行信号分析．易干根据实际需要进行功能扩充。     

联合独立成分分析和典型相关分析盲分析fMRI数据

为了自动识别功能信号成分,通过对灰质数据和脑脊液数据独立成分的空间相关性进行典型相关分析,有效地解决了独立成分的排序问题.提出的方法不需要任何先验信息,能够稳健地识别与实验设计相关的功能信号成分,实现了对fMRI数据的盲分析.通过对临床真实fMRI数据的分析,阐明了提出方法的有效性及可靠性.     

基于小波域ICA和收缩函数处理的BSS算法

实际环境中的卷积混合情况对语音信号和音乐信号进行盲解卷是一个具有挑战性的问题,ICA在实际环境中的卷积 混合系统分离效果不太理想,分离出的信号中有串扰成分存在．本文介绍了一种新的后置处理方法,即用一组收缩函数去除ICA分离后的小波系数中的串扰成分．实验结果表明该方法能较好地分离语音信号和音乐信号．     

一种基于小波变换的包络分析法

对机械故障中常见的调制信号,包络分析法是一种有效的分析方法,为克服当前的包络分析法需要选择合适的滤波器参数的局性性,提出了一种基于小波变换的包络分析方法,运用小波包将调制信号分解到不同频率段上,提取需要的频率段成分进行重构,对重构后的信号作络细化谱分析就能有效地从原始信号中提取调制信息,仿真信号和实际动用都表明该方法能有效地提取信号的故障特征。     

基于小波理论的GPS信号分析

根据小波的多分辨率分析理论，对GPS信号和SA信号做了多级去噪处理，得到了较好的去噪效果，达到了差分的定位精度，通过对GPS信号的频域分析认识到SA信号既有低频成分又有高频成分，并具有对称性，用含SA的GPS信号与不含SA的GPS信号差，得到SA信号的样本，和含SA的GPS信号具有极强的相似性，进一步证明了上面的观点，这对加密解密研究具有一定意义。     

机器振动诊断中信号处理方法的研究

针对传统的时域和频谱分析不很适合处理非平稳和冲击性机器表面振动信号的问题，研究了小波分析和Choi-Williams时频分布两种先进的信号分析方法在机器振动诊断方面的应用，通过对典型诊断实例的研究表明：对此类信号，用小波分析提取信号中的有用成分或用CChoi-Williams分布分析信号的能量分布，并在此基础上进行机器振动诊断，是两种很有效的分析手段。研究结果为进一步深入开展机器故障的振动诊断奠定了一定的基础。     

应用独立分量分析提取机器的状态特征

以大型轧钢机和滚动轴承试验台为研究对象，应用独立分量分析方法分离机器的声音信号，并提取其状态特征，同时指出，对信号进行自相关预处理，可以突出信号的非高斯成分，较好地满足独立分量分析的前提条件，即源信号统计独立，因此，采用基于峭度的快速独立分量分析（ICA）算法，成功地分离出了信号的一些独立成分及对应的发声零部件，研究结果表明，根据信号结构选择预处理的方法十分重要，正确的预处理可以使独立分量分析有效地提取机械信号中的特征。     

基于独立成分分析和小波变换处理两相流信号

为克服噪声信号给速度测量带来的影响,提供了一种基于独立成分分析(ICA)和小波变换处理两相流信号的方法。首先介绍独立成分分析(ICA)的基本原理及其实现方法,并利用此方法对两相流信号进行处理;根据傅立叶变换确定信号的频谱;然后介绍小波变换和空间滤波的基本原理,并利用小波变换确定信号的带宽;并根据带宽求出固体速度。最后给出仿真实验结果。结果表明:这种方法可以满足固体速度测量的需要。     

一种基于ICA方法的网格化无线电监测方案

为了解决网格化无线电监测的布局和信号处理问题, 提出一种基于独立成分分析(ICA)方法的监测方案, 利用ICA方法对监测信号进行处理, 达到源信号分离及异常信号源检测的目的。搭建仿真平台对该方案的可行性和有效性进行仿真验证, 并对影响监测效果的因素进行分析, 结果表明, 该方案对源信号分离和异常信号源的检测具有较好的效果。     

二维非平稳信号的小波谱均衡分析方法

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．本文结合上述两种处理手段，提出了一种小波谱均衡方法：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．利用小波谱均衡进行实际信号处理，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．     

风机振动信号的小波阈值降噪处理

针对现场采集到的风机振动信号中存在大量噪声问题,采用不同的小波和阈值组合对仿真信号进行降噪处理,得出db8小波和heursure阈值选取方法可以得到最优的降噪性能.并将该方法应用于风机实际振动信号的降噪处理.结果表明,采用db8小波和heursure阈值选取方法的降噪组合,不仅能够有效降低信号中的噪声成分,还很大限度的保持了原信号的故障特征.     

基于霍尔转速传感器的速度信号采集电路的研究与设计

介绍了一种基于霍尔转速传感器的速度信号采集电路，电路主要为汽车行驶状态记录仪提供转速信号，通过对霍尔转速传感器信号进行放大整形，使处理后的信号转换成标准的方波信号。实际功能验证表明，该转速信号完全能满足汽车行驶状态记录仪的设计需要。     

CO2焊电信号的小波分析

CO2弧焊过程电信号的实际测试过程中，噪声的存在常是难以避免的，消除噪声干扰是信号分析中重要的环节。分析了小波软阈值信号消噪方法，通过对CO2焊过程的电信号进行小波软阈值滤波处理，较好地保持信号的突变部分，改善信号特征信息的提取效果。     

探地脉冲雷达回波信号波达方向估计方法的研究

估计探地脉冲雷达目标回波方向是探地雷达信号处理的一个重要内容，针对脉冲探地雷达回波信号的超宽带特点，提出了将探地雷达阵列信号经过高频带通滤波器分解成几个窄带信号后，再利用窄带子空间方法进行波达方向估计。通过对实验数据的处理发现，低频信号的分辨率较低，误差较大。在实际处理过程中，并不需要对所有频带信号进行处理，只需要用几个较高频率的窄带信号，就可以准确估计出超宽带脉冲探地雷达信号的回波方向。     

基于能量—故障模式的工程机械故障诊断

基于能量-故障模式的工程机械故障诊断方法结合工程机械数学模型，根据输出信号的各频率成分能量的变化，建立能量变化到每一种故障的映射关系，得到表征每一故障的特征向量。然后与实验统计方法得出的特征向量相比较，依据特征向量进行分类决策，从而确定是否有故障及故障的位置。应用此方法，对某正常和故障状态下的信号进行分析，其评判结果与实际较为相符。     

应用主成分分析法的ECG身份识别方法

提出了一种基于主成分分析法对ECG信号进行特征表述的身份识别新方法。在预处理阶段对ECG信号进行滤波、分段、归一化、抽样处理，然后计算ECG信号的协方差矩阵及协方差矩阵的特征值和特征向量，其中较大的特征值对应的特征向量具有与ECG相似的形状，利用这些特征向量可描述、表达和逼近ECG信号并用于后续的身份识别。实验结果表明：相对于ECG基点特征提取技术，该方法提高了录用率，获得了较好的识别效果。     

盲源识别中偏态分量的分析方法

针对实际混合信号中许多分量具有偏态分布的特点，提出了一种用于该类混合信号的新的独立分量分析算法，该方法基于旋转原理，通过优化算法搜索最佳旋转角度，具有不需要循环迭代，计算量小的特点，通过盲源分离，由正弦与冲击信号混合的振动信号，证明该方法完全实用。同时，进行了实际混合声音信号的分离，并取得了好的效果。     

Al-Mg合金钨极气体保护焊接电弧的光谱特征提取方法

摘要：
以Al-Mg合金的脉冲交流钨极气体保护焊接为背景，运用主成分分析方法对电弧光谱进行冗余信息去除和特征信号提取，分别使用信号脉冲周期内平均和小波重构的方法对特征信号进行去脉冲干扰，并对特征信号和不同类型焊接缺陷间的关系进行研究.结果表明，第1、2主成分包含了电弧光谱中的主要信息，分别对应Ar I谱线和金属谱线，反映了焊接过程的不同方面，第1主成分特征信号与电弧的热量输入关系较大，而第2主成分特征信号与熔池的稳定性密切相关.
     

火箭飞行数据的两种滤波方法对比

传统的火箭飞行数据处理方法是使用α-β-γ数字滤皮离线处理，对飞行数据采样信号的第1点、第2点不进行滤波估值，第3点开始逐个进行估值、预测、校正。该方法需要消耗大量的时间，并且滤波后信号的残留噪声仍然较多。针对此问题，经过大量的数值实验和理论分析，发现用小波方法实时处理火箭飞行数据效果较好，比较两种结果，证明无论是滤波后信号的残留噪声还是消耗的时间上小波方法都优于α-β-γ滤波，且实现了数据的实时处理功能，应用前景好。