基于小波变换奇异信号检测的研究

奇异信号中的奇异点及不规则的突变部分经常携带有比较重要的信息 ,它是信号重要的特征之一。用李氏指数 (Lipschitz)来描述信号的局部奇异性。证明了小波变换确实能用来检测信号的局部奇异性。而利用小波变换模的局部极大值和信号奇异点之间的关系 ,同样可以对信号的局部奇异性进行分析 ,而且运算量较小。证明了小波变换模极大值能够检测信号奇异性 ;分析了奇异信号检测时小波基的选择的条件。最后给出实例分析的结论 :为了有效地检测奇异信号的各种奇异性特征 ,小波基消失矩必须具有足够的阶数     

小波变换用于奇异性检测与小波类型选择的仿真

小波变换具有空间局部性,它能聚焦于信号的局部结构,因此用小波变换确定信号的奇异性位置更加有效。提出了一种新的奇异性检测方法,它包含两点:寻找小波变换模极大值在细尺度的坐标以确定奇异性发生的时间;通过小波变换模极大值的衰减计算Lipschitz指数,从而判断奇异的性质。在仿真实验的基础上验证了方法的可行性。并在仿真实验结果的基础上,总结出了小波类型选择的规律。     

基于小波包能量特征的滚动轴承故障监测方法

对滚动轴承的故障特点进行分析，根据小波包变换能将信号按任意时频分辨率分解到不同频段的特性，提出了小波包能量特征的概念及算法，并给出两个仿真算例，然后将小波包能量特征与径向基函数网络相结合，提出了一种新的滚动轴承故障诊断方法，数字仿真实验证实了该方法的正确性和有效性。     

噪声调频干扰下的一种雷达目标检测方法

分析了Morlet小波变换的性质,利用Morlet小波变换在时间、频率局部化信号的能力,提出了一种噪声调频干扰下的雷达目标检测方法.运用该方法对雷达信号进行小波变换和相关处理,可极大限度地抑制噪声调频干扰和白噪声,由相关函数的峰值对雷达目标进行检测.仿真结果表明,该方法能够在噪声调频干扰下,有效地进行雷达目标检测.     

小波-神经网络在模拟电路故障诊断中的应用

小波变换具有时频局部化、多尺度分析等特性，而神经网络具有非线性映射、学习推理等优点，将二者结合起来，提出基于小波-神经网络的模拟电路故障诊断方法。采用正弦信号仿真模拟电路，应用小波变换对模拟电路响应的采样信号进行故障特征提取，建立故障字典，然后利用神经网络对各种状态下的特征向量进行分类决策，实现模拟电路的故障诊断。对标准电路仿真结果表明：该方法能够实现故障检测及定位，具有准确率高的特点。     

小波变换在有噪图像边缘检测中的应用

描述了有噪图像边缘检测的方法,它基于小波变换的多尺度分析。通过合理选择小波基,可以得到图像的多分辨表示。证实了小波多尺度变换在有效去噪的同时可以保持图像的特征。通过信号,噪声奇异性的分析,对有噪图像小波变换局部极大值的检测可提取出所需的图像边缘特征。实验结果证实了该方法的可行性     

小波变换在激光陀螺信号处理中的应用与实现

针对动态条件下激光陀螺(RLG)随机噪声其非平稳和非正态分布的特性,提出了基于小波变换的RLG降噪方法,研究了小波去噪和Lipschitza指数奇异值检测的原理,给出了离散Db4小波滤波器的硬件实现方法,采用双正交静态小波基对RLG信号进行不同尺度的分解,通过不同小波基及低通滤波效果的比较,发现Db4小波具有较好的去噪性,其分解和重建滤波器系数也十分简单,验证了小波变换在陀螺仪信号去噪中的可行性,在用Db4滤波后的数据进行导航解算时,发现导航误差有很大的减小,研究成果对导航系统精度的提高有着重要的参考价值。     

信息熵在导航传感器故障诊断中的应用研究

对组合导航系统中占主要地位的惯导系统进行故障诊断研究,给出了一种基于小波包能量熵的神经网络故障诊断方法。利用小波包分析原理对原始故障信号进行3层的小波包分解,并提取小波包能量熵,然后构造信号的小波包特征向量,以此向量作为故障样本对3层BP神经网络进行训练,实现智能化故障诊断。采用惯导系统中关键性器件陀螺仪进行仿真研究,仿真结果表明此方法可有效地检测故障且提高了精度。     

小波降噪在微弱GPS信号捕获中的应用

为了解决微弱卫星环境下接收机对信号的正确捕获问题,首先介绍微弱GPS信号捕获特点及捕获方法,并从检测概率和灵敏度的角度分析了相关积分、差分累加方法的捕获性能。在此基础上引入了小波降噪与相关积分、差分累加相结合的捕获方法,并给出详细的理论推导和捕获性能分析,从小波基的选取、小波变换层数和阈值选择三方面进行深入分析,从而得出合适的小波阈值降噪方法。考虑到小波降噪的阈值应跟据变换尺度不同而分别选取,给出一种自适应阈值降噪方法。实验证明,相比传统的相关积分、非相干累加和相关积分、差分累加信号捕获方法,小波降噪方法的引入在保证较高检测概率的同时,可以有效提高微弱卫星信号捕获的输出信噪比,从而降低了误码率。     

基于小波时频图与Swin Transformer的柴油机故障诊断方法

针对用传统的故障诊断方法难以对非线性非平稳的柴油机故障信号进行准确高效诊断的问题，提出基于小波时频图与Swin Transformer的柴油机故障诊断方法。该方法可以有效结合小波时频分析在处理非线性非平稳信号方面的优势和Swin Transformer强大的图像分类能力，通过连续小波变换将原始信号表示为小波时频图，将小波时频图作为特征图输入到Swin Transformer进行训练，实现柴油机故障状态识别。实验结果表明，与对比方法相比，所提方法具有较好的故障识别精度及稳定性，在公开数据集和实验室实测数据中的整体故障诊断准确率分别达到100%和98.88%,为柴油机故障诊断提供了一种新的思路。     

DSSS卫星通信中基于小波包变换的干扰抑制方法

卫星通信中利用直接序列扩频技术具有一定的抗干扰能力,但由于扩频增益无法做到无限大,当强干扰超过系统的干扰容限时,系统传输性能将会大幅降低。通过变换域信号处理技术对直接序列扩频中的干扰进行检测与抑制,能够增强其抗干扰能力。小波包变换具有优异的时频域局部分析能力,非常适合用于直接序列扩频系统中干扰检测与抑制。分别对规则小波包分解和最佳小波包分解进行了研究,提出了一种基于最佳小波包分解的干扰抑制新方法,通过将子带功率比与最小功率阈值相结合,实现对干扰进行定位和抑制。仿真结果表明,所提出的算法与基于规则小波包分解的干扰抑制和传统的快速傅里叶变换算法干扰抑制相比较,性能得到显著改善,且在计算复杂度上上升极少,是提高直接序列扩频信号抗干扰能力的更有效的选择。     

基于重排小波-Radon变换的LFM雷达信号参数估计

小波变换是一种兼顾时频分辨率的线性变换,对多分量情况不会引入交叉项。针对此问题,提出基于重排小波-Radon变换的多分量线性调频信号的参数估计法。该方法先将小波尺度图转为时频分布图,为提高聚集性引入了时频重排,再将重排图进行Radon变换以进行参数估计。对单分量和双分量的情况进行了仿真,结果表明,该方法有效提高了时频分布图的聚集性,大大节省了后续Radon变换的时间,同时也抑制了噪声干扰,辨识效果明显提高。     

基于时频分析的高动态多目标识别与仿真

首先分析了编队目标间距引起的目标间多普勒频率的差别以及多普勒频率的变化规律,建立了高速运动的多目标回波信号的数学模型,然后简述了短时Fourier变换、加核函数的Wigner-Ville分布和Morlet小波变换的基本原理,并分析了利用这些时频分析方法提取目标数量等信息时的优缺点,通过综合考虑工程实现的简便性和仿真结果的有效性,小波变换的分析方法是最优的,既取得了对目标的高分辨率,同时计算速度快,数据量小,并且对噪声干扰不敏感,有利于实现实时信号处理,最后给出计算机仿真验证结果。     

速度拖引干扰下运动目标检测

给出了速度拖引干扰下,雷达接收信号模型,提出了一种运动目标的检测方法。利用Morlet小波变换的性质,通过对雷达接收信号进行时-频分析,干扰信号参数估计,相位补偿,滤波,再进行时-频分析,得到目标回波信号的三维时频图及其等高线图,由此进行目标检测。模拟结果表明,此方法是可行的。     

一种基于子波变换模极大值的信号重建方法

本文首先介绍了子波变换的局部时频分析法。基于子波变换系数模极大值同信号奇异性之间的关系，给出了一种利用该极大值信息的信号重建方法。由模拟结果可以看出，这种重建方法的精度在－３５ｄＢ以上。     

基于时频方差聚类的FH信号参数盲估计

为解决复杂电磁环境下跳频(frequency hopping, FH)参数的盲估计问题,提出了基于时频方差聚类的算法。考虑在低信噪比(signal-to-noise ratio, SNR)和定频干扰同时存在的情况下,通过短时傅里叶变换(short time Fourier transform, STFT)将信号变换到时频域,利用遗传算法对信号的时频区间进行提取,根据时频方差对其进行k-means聚类,消除噪声和定频干扰并提取时频脊线,然后运用Haar小波对该时频脊线进行奇异点检测,进而估计出FH信号的FH周期、跳速和FH频率等参数。仿真结果表明,所提算法在SNR低于-5 dB且存在定频干扰的情况下,能够实现对FH参数的精确估计,参数估计正确概率达到90%以上。     

改进时频脊线的跳频参数盲估计算法

为解决基于时频脊线的跳频参数估计算法在信噪比低于-5 dB时估计误差较大且存在定频干扰时方法失效的问题,提出了该算法的改进算法。在短时傅里叶变换(short time Fourier transform, STFT)的基础上,利用迭代去噪法对原时频图进行去噪处理,根据跳频信号与定频干扰驻留时间的不同,采用k-means算法对其进行聚类,消除定频干扰并提取其时频脊线,利用Haar小波对提取到的时频脊线进行奇异点检测,并估计出跳频信号的跳频周期、起跳时间和跳频频率。仿真结果表明,所提算法在信噪比低于-5 dB且存在较强定频干扰的情况下,仍能对跳频参数进行正确估计,且优于原有算法。     

基于多尺度AlexNet网络的健康因子构建方法

针对目前健康因子构建方法存在的单调性和趋势性不够理想的问题,提出一种基于多尺度AlexNet网络的轴承健康因子构建方法。该方法首先利用连续小波分析将原始振动加速度信号转换为时频图,将时频图作为输入对多尺度AlexNet网络进行训练;然后利用训练好的网络在线构建测试轴承健康因子;最后根据健康因子评估准则评估初步构建的健康因子,利用评估结果调整网络参数,实现迭代优化,进一步提高健康因子的单调性和趋势性。实验对比分析结果表明：该方法显著提高了健康因子的单调性与趋势性,不需要进行特征提取、特征选择、特征融合等步骤,具有较高的构建效率和泛化性。     

一种基于遗传算法的小波神经网

网络的优化学习是人工神经研究中的一个重要问题.将遗传算法全局性优化搜索和小波分析的时-频局部性特点相结合,本文提出了一种基于遗传算法学习的小波神经网络--遗传算法小波神经网络(WNNGA).三位异或问题和双螺旋问题的实验结果证明,遗传算法小波神经网络不仅继承了小波分析良好的局部性及其神经网络的学习和推广能力,而且具有遗传算法全局快速寻优的特点,是多层前向神经网络学习的一种理想算法.