小波阈值去噪在烟气轮机信号分析中的应用

由于烟气轮机振动信号中含有大量的噪声成分,常使其非线性特征量的提取不准确,因此将基于阈值的小波去噪应用于烟气轮机振动信号分析中。首先介绍了小波阈值去噪的基本原理、阈值和阈值函数的选择方法,并对阈值函数进行了改进;然后分别对含噪Lorenz信号和实测振动信号进行小波阈值去噪实验,计算了其去噪前、后的关联维数。结果表明,小波分解后,不同尺度上信号和噪声的小波系数的分布规律明显不同,通过对其分析可以合理选择小波分解的尺度;在此基础上对小波系数进行阈值处理并重构,能有效地去除信号中含有的噪声,很好地保存信号的局部特征;去噪后信号的伪相图更加规则,关联维数估计值更加合理。该方法能提高信号分析的准确率。     

基于提升小波变换的心音去噪新方法

针对传统的小波阈值函数去噪无法有效滤除信号中的特定噪声,结合软、硬阈值函数的优点,提出了一种基于提升小波新阈值函数算法对心音信号进行去噪.首先利用提升小波变换对心音信号进行分解;然后利用新阈值函数更新其小波系数进行重构;最后与提升小波软、硬阈值函数去噪后的心音进行了希尔伯特包络提取验证其去噪效果.实验结果表明,提出的提升小波去噪新方法较软、硬阈值方法有更好的滤波效果,且提取的曲线包络更加清晰、平滑.     

平移不变量小波去噪方法的研究

在小波去噪的方法中,应用最为广泛的是Donoho等人提出的非线性小波变换阈值法.但在有些情况下,如在信号的不连续点处,运用阈值法去噪会产生伪吉布斯(psuedo-Gibbs)现象.在阈值法基础上加以改进的平移不变量小波去噪方法不仅能有效的抑制伪吉布斯现象,而且能减小原始信号和估计信号之间的均方根误差(RMSE).通过仿真实验可以看出,该方法比阈值法有更好的去噪效果.     

改进的小波域阈值去噪方法

针对使用常规小波域阅值去噪方法对含有高频噪声的低频信号或较平稳信号进行处理时，其去噪效果和信号保真度有时不能令人满意的问题，提出了一种对小波变换尺度1上的小波系数进行二次小波变换，并进行去噪处理后重构小波系数的新方法。该方法可去除大部分高频随机噪声。此后，再对重构后的信号进行小波域阈值去噪处理。仿真结果表明：该方法去噪效果明显，且信号主要细节保留较好。     

改进的小波变换阈值去噪方法

针对Donoho的阈值去噪方法有时去噪效果不能令人满意的问题,提出了一种二次小波变换阈值去噪的方法--对小波变换各个尺度上的小波系数都进行二次小波变换,并进行去噪处理后重构小波系数,再由重构的小波系数重构原信号,此时原信号中已去除大部分随机噪声,此后再对重构后的原信号进行小波域阈值去噪.仿真结果表明:该方法具有良好的去噪效果,而且对信号的主要细节保留较好.     

基于小波熵的心音信号去噪算法研究

心音信号在采集过程中,易受到干扰混入噪声,常采用小波变换进行心音信号的去噪处理。传统的小波阈值去噪,未根据心音和噪声的特性选择阈值,导致去噪效果不甚理想。针对小波阈值选择问题,提出基于小波熵的自适应阈值选择方法。基于小波熵阈值、极大极小阈值和固定阈值,分别对正常心音、第二心音分裂和含S4的心音信号去噪仿真分析。结果表明,在同信噪比条件下,本文算法的输出信噪比较大而均方根误差较低,该算法的去噪效果优于其他两种小波阈值去噪算法。     

抑制震荡的自适应小波阈值去噪方法

分析了小波阈值去噪方法在信号的间断附近产生震荡的原因,根据产生机理的不同将它们分为属于伪Gibbs现象的震荡和由于小波阈值去噪在信号的间断部分因为去噪能力下降而属于噪声残留的震荡.为了消除这些震荡, 结合软、硬阈值方法的特点提出了一种新的阈值函数自适应地处理小波系数.试验表明,该方法有效地抑制了信号间断点处的震荡,获得了优于传统阈值方法的去噪效果.     

基于自适应阈值小波变换的心音去噪方法

在采集心音信号时,难免会引入一些噪声,对心音信号诊断之前必须对其做去噪处理。由于心音信号是非线性非平稳信号,对心音信号去噪处理常用小波变换去噪方法,但是传统的小波阈值函数去噪方法需要自定义阈值,去噪效果也不理想,且可能会滤除了大量的细节特征,从而无法对心音信号做出正确的判断。为了克服传统小波阈值函数对心音信号去噪处理出现失真的问题,本文在半软阈值函数的基础上提出了基于蚁群算法优化选取阈值的非线性小波变换去噪方法。以原始心音为研究对象,通过选用db6小波并进行6层小波分解,分别选用硬阈值函数、软阈值函数、半软阈值函数、蚁群算法的优化阈值的半软函数等不同的小波去噪处理,并将去噪效果与原始心音进行对比,然后利用蚁群算法的全局搜索性搜索最小均方误差意义下的最佳阈值。仿真结果分析表明:蚁群算法优化选取阈值的心音去噪效果不仅能够去除噪声,还能保留信号细节特征,该方法与传统的硬阈值函数去噪方法相比信号的信噪比(SNR)和均方根误差(RMSE)均得到明显的改善。     

基于小波阈值去噪方法的研究

小波分析用于信号去噪的过程中,关键的就是阈值的选取和阈值的处理方法。系统介绍了四种阈值处理函数和四种阈值选取形式,并在MATLAB环境下进行仿真研究,将去噪后的信号进行比较,得出阈值去噪方法的一些结论。     

基于小波阈值的图像信号去噪方法研究

主要对基于小波阈值的图像信号去噪方法展开研究。首先阐述小波分析进行信号分解及重构的算法原理,在此基础上总述了小波阈值进行图像信号去噪的算法原理及流程。最后对去噪效果进行了仿真分析,并将信号去噪结果与均值滤波、中值滤波等经典去噪方法进行比较。仿真结果表明,基于小波阈值的图像信号去噪方法能有效去除一维及图像信号中的噪声,输出信号的信噪比性能较传统滤波去噪方法性能更佳。     

离散小波变换结合二阶盲辨识的眼电伪迹自动去除方法

针对传统去除眼电伪迹的方法极易丢失潜在脑电信号的问题,提出一种离散小波变换(DWT)与二阶盲辨识(SOBI)结合的眼电伪迹自动去除方法(DSOBI)。首先将多通道脑电和眼电信号进行多层DWT得到多尺度下的小波系数,在小波域利用SOBI消除小波系数统计上的相关性,有效分离脑电和眼电伪迹,根据相关系数识别出眼电伪迹源分量并置零,再依次重构得到干净的脑电信号(electroencephalography,EEG)。方法对构造的数据进行去伪迹处理,均方误差为1.93,信噪比为14.32,与传统方法相比具有显著优势;对10位被试的真实脑电数据进行处理,利用相关系数验证本方法去除眼电伪迹的有效性,同时保留更多脑电信息。     

基于工作流图的办公自动化系统的设计和实现

传统的系统需求分析方法有数据流图法等 ,但对于基于工作流的系统如办公自动化系统并不适合 笔者运用工作流图法对办公自动化系统进行需求分析 ,明确了系统需求 ,接着给出了系统的功能模块设计 ,并研究了基于LotusDomino/Notes的系统解决方案和系统实现技术 ,最后应用于镇江市经委OA系统的建设中 ,开发出相关的应用软件 ,为办公自动化系统提供了一种新的实施方法     

A new algorithm for EEG source reconstruction based on LORETA by contracting the source region

A new method is presented for EEG source reconstruction based on multichannel surface EEG recordings. From the low-resolution tomography obtained by the low resolution electromagnetic tomography algorithm (LORETA), this method acquires the source tomography, which has high-resolution by contracting the source region. In contrast to focal underdetermined system solver (FOCUSS), this method can gain more accurate result under certain circumstances.     

风廓线雷达去地杂波方法研究

针对传统的回波模拟方法不能很好的模拟高斯白噪声的分布, 也不利于反应真实的回波信号的问题, 改进了回波信号的模拟方法, 同时为了减小地杂波对信号参数估计的影响, 在静态小波变换的基础上, 提出了一种抑制风廓线雷达地杂波的方法, 由于采用提升实现方式, 其运算量并没有明显增加。相对于传统的基于 DWT 去地杂波的方法, 新方法更加适用于较低信杂比的情况。仿真结果验证了新方法的有效性。     

图像分割与平稳小波变换法融合红外与可见光图像

为改善红外与可见光图像融合后的视觉效果,提出一种基于图像分割和平稳小波变换的图像融合方法。首先,结合最大类间方差方法与边缘检测方法,将红外图像分割为背景部分和目标部分;然后利用平稳小波变换对红外图像的背景部分与可见光图像分别进行多尺度分解,低频部分采用区域空间频率取大融合准则,高频部分采用绝对值取大融合准则,对多尺度分解后的各层进行融合,再利用平稳小波逆变换得到融合结果;最后,对该融合结果与红外图像的目标部分采用加权求和的融合准则进行融合,得到最终的红外与可见光融合图像。实验结果表明,通过提出的方法进行红外与可见光图像融合,不仅很好地突出红外图像的目标信息,还较好地体现可见光图像的场景细节信息,视觉效果明显改善;其标准差、信息熵、互信息均优于拉普拉斯金字塔变换和小波变换等传统的融合算法。实验结果验证了方法的有效性。     

基于谱残差与笔画宽度变换的显著性文本检测方法

为有效利用Android智能终端实现对文本信息的有效识别,提出一种基于谱残差和笔画宽度变换的显著性文本特征提取方法.首先应用基于谱残差的显著性检测获取显著图;然后利用最大熵判别方法分割并建立显著性文字候选区域;最后通过笔画宽度变换算法在候选区域内提取闭合边缘等宽特征.构建基于Android智能终端和服务器的C/S架构实验平台,在MSRA-TD500文字定位数据库与实验室场景数据库中的实验结果表明,该算法可较好地获取图像中的显著性文字特征,在保证运算效率的同时算法性能有所提升.     

Information flow among neural networks with Bayesian estimation

Estimating the interaction among neural networks is an interesting issue in neuroscience. Some methods have been proposed to estimate the coupling strength among neural networks; however, few estimations of the coupling direction (information flow) among neural networks have been attempted. It is known that Bayesian estimator is based on a priori knowledge and a probability of event occurrence. In this paper, a new method is proposed to estimate coupling directions among neural networks with conditional mutual information that is estimated by Bayesian estimation. First, this method is applied to analyze the simulated EEG series generated by a nonlinear lumped-parameter model. In comparison with the conditional mutual information with Shannon entropy, it is found that this method is more successful in estimating the coupling direction, and is insensitive to the length of EEG series. Therefore, this method is suitable to analyze a short time series in practice. Second, we demonstrate how this method can be applied to the analysis of human intracranial epileptic electroencephalogram (EEG) recordings, and to indicate the coupling directions among neural networks. Therefore, this method helps to elucidate the epileptic focus localization.     

基于提升静态小波变换的风廓线雷达地杂波抑制方法

针对现有的基于离散小波变换(DWT)去风廓线雷达地杂波技术中最佳分解层数与阈值不好确定,且DWT不具有平移不变性的问题,介绍静态小波变换(sWT)的提升实现方法,提出一种基于提升SWT的风廓线雷达地杂波抑制方法。这种方法通过计算各层小波系数上的2阶原点矩来确定最佳分解层数,并以最邻近地杂波频段的2个频段的平均值作为阈值。由于采用提升实现方式,其运算量相对于传统的基于DWT去地杂波的方法并没有很大的提高,且能适用于较低杂信比的情况。仿真结果验证算法的有效性。     

基于脑电节律的小波熵分析方法

 针对现有小波熵方法的影响因素分析不明确,影响认知特性的分析结果和可比性,本文确定了分解层数和P_n（第n个子空间信号能量与信号总能量之比）的选择和计算原则,在此基础上结合脑电节律特性,提出了一种基于节律特征的脑电小波熵分析方法,以构成节律信号的所有子空间为单元,统计所有子空间的能量和作为该节律的能量,经过计算得到脑电节律小波熵。基于该方法提取的脑电小波熵值描述了脑电节律信号的分布情况,同时结合小波熵值与脑电节律的联系,分析了小波熵值变化的原因,可追溯到脑电节律信号的变化规律,进而分析相应的认知特性,初步建立了脑电信号-脑电节律-脑电节律小波熵-认知特性的联系。     

脑电信号中独立分量特征提取与脑力负荷分类

脑力负荷过高会造成作业绩效下降和人因事故,过低则会造成人力资源浪费,所以研究操作人员脑力负荷状态非常有意义。现有脑力负荷分类方法利用脑电(electroencephalogram, EEG)信号特征进行分类,准确率较低。所以,本文针对视觉和操作类脑力负荷提出一种基于脑电独立分量特征的分类方法,该方法采用独立分量分析(Independent Component Analysis, ICA)对脑电信号进行分离,直接对得到的独立分量提取四种不同频段的能量特征,最后将特征作为支持向量机(Support Vector Machine, SVM)的输入,对脑力负荷进行分类。由于直接使用脑电独立分量特征,所以分类精度高于现有方法,平均分类精度提高29.14%。本文还进一步发现脑电独立分量中存在的眼电伪迹对分类结果没有明显影响。本文提出的方法可以实现快速、准确、自动的脑力负荷分类。