数字信号在紧支集正交小波变换后的精确重建

得到了有限长度的数字信号在紧支集正交小波变换下分解与合成算法的矩阵形式。理论和实验证实，算法能精确重构原数字信号，重构的数字信号没有边畸变。     

一种基于离散傅里叶变换的小波变换的快速算法

小波理论中的多分辨率分析和Mallat算法近年来已在数字信号处理中得到了广泛的应用．但如果直接按照上述算法计算信号的小波分解和重构,其计算量将是很大的．通过对离散傅里叶变换及Mallat算法原理的分析,针对离散小波变换算法结构特征,对其结构进行了重组,在此基础上利用快速傅里叶变换,提出了一种快速离散小波变换算法,并从理论上进行了分析和论证;与直接算法相比,可有效降低运算量．     

二代小波消噪在数字信号处理器中的实时实现

以数字信号处理器(DSP)为开发平台，提出了基于二代小波的一种新的信号消噪算法．它只需把信号分解一层，然后把分解后的高频系数和低频系数同时进行软阈值量化处理，再进行小波重构，就可以有效地消除信号中的噪声．相对于传统的一代小波，该算法计算简单，可有效节约内存，因此非常适合于DSP的实时实现．同时，为了提高计算效率，对程序的处理流程进行了并行优化，用仿真信号对该算法进行了验证，并应用于对实测信号的消噪中．研究结果表明，该算法可以有效地提高信噪比，降低原始信号中所含有的噪声．     

一种离散小波变换的快速分解和重构算法

通过对实序列的快速傅里叶变换算法的推导及Mallat算法原理的分析，根据离散小波变换（DWT）算法结构特征，提出了一种离散小波变换的快速分解和重构算法；给出了相应的算法步骤，从数学理论上对该算法进行了论证。结果表明与原有的快速小波算法（Mallat算法）相比，可显著减少信号与滤波器长度N较大（大于16）时小波变换的实乘次数（分解仅为（5log2N 7)N次，重构仅为4N（1 log2N)次）提高了运算速度，且该算法有着良好的并行性，易于数字信号处理器（DSP）的快速实现。     

基于DSP的快速小波分解和重构

在小波变换和TI(TexasInstruments)的浮点数字信号处理器TMS320C3X的基础上,对Mallat快速算法的分解公式和重构公式分别作了详细地说明,提出并实现了利用Matlab作辅助的设计工具在TMS320C3X DSP上实现快速小波分解和快速小波重构的方法,并给出了主要的汇编代码.该方法利用DSP(Digital Signal Processor)指令集的特点,以较少的指令周期,实现了Mallat算法.实际运行结果表明,该方法满足实时处理场合的要求.     

快速小波变换及其在光纤陀螺信号处理中的应用

为了提高光纤陀螺输出信号的精度和实时性,提出了一种适合在数字信号处理器(DSP)上实现的快速算法,该算法不需要传统小波变换中内插和抽取步骤,给出了相应的快速分解和快速重构实现公式,并采用半软阈值作为快速小波变换的重构阈值.实验结果表明:在静态和动态陀螺输出条件下,在TMS320C6713 DSP实现半软阈值快速小波变换处理信号时间比原来降低了一个数量级,而滤波精度与原来相当,并且易于硬件实现,完全满足光纤陀螺高精度和高实时性的要求.     

一种可重构的离散和连续小波变换结构

提出了一种基于提升算法的连续和离散统一的小波变换算法，给出可重构的计算结构，包括可重构的提升节点阵列和地址发生器．为了验证该结构的正确性，在现场可编程门阵列平台上测试了离散的二维5/3和9／7变换（JPEG2000标准中采用）及连续的二维Hart变换，结果证明该设计具有普遍的兼容性．     

ENO(Essentially Non-Oscillatory)形态小波及其在信号处理中的应用

提出了ENO形态小波算法,利用ENO插值基本无振荡的特性,改进了重构策略,即对原始信号进行形态小波算法分解,按ENO插值法进行重构.把该算法应用到信号处理中,实例分析结果表明,与形态小波相比,该算法取得的效果更好.     

向量小波的构造及其在语音信号增强中的应用

构造了一种新的二进向量小波，借助于ｒ 重多分辨分析思想，给出了向量小波的离散化表示及其分解、重构的快速算法，以浮动阈值进行信号去噪，获得了一种新的语音信号增强算法，实验结果表明：此种算法可使得信号中的加性噪声几乎完全消除，重建后的波形又保留原信号中尖锐陡峭变化的曲线轮廓，效果颇佳．     

周期双正交小波的数值算法

在周期小波理论研究的基础上讨论周期双正交小波数值算法,给出了周期双正交多分辨分析中1-周期函数表示的快速数值算法.这些算法包括分解,重构,插值,点估计.     

应用多分辨率小波变换提取脑电信号异常节律

脑电信号是非平稳的随机信号，其中包含了大量的生理和疾病信息，对于医生判断脑都是否有器质性的病变具有重要作用。因此对脑电信号的分析和处理一直是人们努力研究的领域。考虑到小波变换良好的时频局部化特性，利用多分辨率小波变换方法来实现脑电信号异常节律的提取，脑电信号经多分辨率小波变换后所得到的各个尺度的信号不仅反映了信号的频率信息，即尺度越大，对应信号的频率越低，同时也反映了信号的时间信息，即反映此时的EEG状态，实验结果表明，选择合适的小波基，可以有效地提取脑电信号中的异常节律。     

子波神经网络在火灾探测中的应用

论述了用于信号识别的子波神经网络的结构和算法,并根据火灾传感器信号处理的特点,提出了将其用于火灾探测的方法,在子波神经网络中采用了子波函数和共轭梯度优化方法．实验表明,子波神经网络对火灾信号具有很好的学习和探测能力,与ＢＰ神经网络火灾探测方法相比,所提出的方法能够更快和更准确地探测各种标准实验火．     

自适应小波阈值语音增强新方法

针对单一小波闻值语音增强方法降低语音可懂度这一问题，提出一种基于自适应小波闻值的语音增强新方法．根据噪声帧频谱的平整度判断出噪声的类型，即是白噪声（合频响曲线比较平整的有色噪声）还是频响曲线不平整的有色噪声．由于不同类型的噪声具有不同性质的Lipschitz指数，对两种不同的噪声类型分别采用不同的自适应小波阚值对带噪语音信号进行增强处理．用计算机仿真和实际环境录制的语音数据对该方法的性能进行了测试，实验结果表明在两种实验数据情况下，该方法均具有较好的噪声抑制能力．     

脑-计算机接口系统中诱发脑电信号的小波分析

针对特定思维诱发脑电信号的特点,提出一种确定其分布情况及提取其波形的方法·首先采用离散小波变换对脑电信号进行分解,然后使用小波奇异点检测和小波统计分析相结合的方法进行特征分析,确定特定思维诱发脑电信号处于小波变换的哪个尺度上,并根据分析结果重构出诱发脑电信号·结果表明,这种方法能够有效地消除脑电信号中的常见噪声,尤其适用于对诱发脑电信号的提取·     

小波方差与小波熵在信号特征提取中的应用

讨论了单一尺度下的小波方差,并结合信息论中信息熵的定义和物理意义,进一步引进了多尺度下的小波熵;分别以频率突变和幅度突变两种仿真信号为对象,分析了小波方差与小波熵在反映随机信号统计特征方面的特点;最后,以一类钻井信号为例,分别利用两种方法分析和提取了信号在强噪声环境下的脉冲特征。仿真和实例说明,相对于小波方差对尺度选择的依赖,小波熵可以综合各尺度的信息,能够从整体上更有效地提取信号特征。     

改进的阈值小波和PSO－SVM算法及应用

本文提出了基于改进阈值小波及改进支持向量机的低速重载滚动轴承故障识别方法.首先在实验台上测量三种不同工况的轴承信号,利用改进阈值小波对信号进行降噪处理,将降噪的信号利用小波包分解法得出各频带的特征能量值;其次利用粒子群算法来优化支持向量机的学习因子,提高支持向量机多分类器的识别性能;最后,将特征能量值导入优化后的多分类器,实现低速重载滚动轴承的智能识别.结果表明,结合后的方法有着良好的诊断效果.     

涡流检测自然裂纹与信号处理

在用涡流检测(Eddy Current Testing,ECT)法评价设备缺陷时,缺陷信号由于受到探头提离及设备结构变化引起的非缺陷信号及环境噪声的影响而恶化,直接影响到对缺陷的正确评估.采集了自然裂纹 ECT 信号并根据其特点,采用小波变换对其进行了去噪处理.首先将 ECT 信号进行小波分解,去除非缺陷信号及白噪声信号分量,然后对小波系数进行反变换,重构缺陷信号.对一维和二维 ECT 信号处理结果表明这种信号处理技术对提取湮没在非缺陷信号和自噪声中的缺陷信号非常有效.     

小波分析在故障诊断中的应用

简述小波分析的数学原理和小波分析在故障诊断中的应用机理，并以钻井泥浆泵为例，分析了小波分析在故障诊断中的应用。结果表明，用小波降噪的方法先对泵阀信号进行处理后再进行特征提取和故障诊断变得容易；用小波进行泵阀信号的消噪可很好地保存瞬态冲击信号中的尖锋和突变部分。     

基于小波变换的火车车轮扁疤信号能量分析

火车车轮扁疤是火车行车事故的重大隐患之一，了解扁疤信号的能量分布情况对正确检测车轮扁疤有重要的意义．针对车轮扁疤信号具有持续时间短、突变快等特点，提出了一种运用小波变换的多分辨率分析和小波能量谱对扁疤信号进行分析的方法，通过比较扁疤信号在不同尺度下的能量密度，找出能量与各频段之间的对应关系，得出了扁疤信号的能量主要集中在2500Hz以下的频带范围内，在实际的车轮扁疤检测算法中只需分析频带范围为2500Hz以下的扁疤信号即可，通过实验验证了该能量分析方法的有效性．     

基于小波和小波包的信号消噪方法分析

在实际的工程应用中,采集的数据信号存在着大量的电子线路热噪声、环境噪声等系统噪声,小波及小波包对除去噪声信号是非常有效的。采用多种方法对平稳、非平稳信号进行消噪处理,在Matlab环境下比较分析结果,从而找到检测信号的最佳手段。