基于小波变换提取和分析兔体感诱发电位

单次提取兔体感诱发电位,并定位和分析诱发电位波形成分．麻醉兔,以0．5Hz频率电脉冲刺激兔下肢隐神经,3764Hz采样频率收集兔头皮电位．采用一维多分辨分析提取兔体感诱发电位,并用连续小渡变换定位和分析诱发电位波形成分．单次诱发电位的小波变换与叠加平均诱发电位比较表明,Daubechies小波多分辨分析可以单次提取诱发电位．连续小渡变换能够精确定位诱发电位中波形成分,并可采用连续小波变换分析诱发成分的频域特性．连续小波变换技术把一维时域信号投影到二维时频空间研究将成为医学信号处理的一个有用方法．     

小波变换在视觉诱发电位信号提取中的应用

在基于视觉诱发电位脑机接口研究中，需要在强噪声背景下迅速准确地提取出微弱的视觉诱发电位信号。对信号进行小波分解，分析诱发电位信号及噪声在不同尺度上的分布特点，选择诱发电位信号能量相对集中且能较好反映信号主要特征的频带设计了小波时频滤波器。小波时频滤波器结合少量次累加平均，可提高信噪比，提取出视觉诱发电位信号。实验表明，平均刺激9-20次就能提取出信号。本方法能准确快速地提取出有明显特征的诱发电位信号，有利于提高脑机接口通信速度及正确率。     

基于多分辨分析的位场滤波算法

将基于多分辨分析（ＭＲＡ）的组合滤波器用于重力位场滤波算法，取得了令人满意的效果．该组合滤波器可以对异常进行更为精细的滤波，在一定程度上解决了常规小波滤波器分解阶数过大的问题．相对于Ｆｏｕｒｉｅｒ分析，ＭＲＡ组合滤波器的频时双重局域性能保持原始异常的形态，更适用于高保真的位场滤波．数值模拟结果表明该算法是有效的．     

小波包信号提取算法及其在故障诊断中的应用

提出了提取强噪声背景下多通带窄带信号的一种新方法小波包信号提取算法．这是利用小波包将信号按任意时频分辨率（满足测不准原理）分解到不同频段的特点而提出的．介绍了小波包理论；给出了小波包信号提取算法，并以仿真结果说明了该算法的有效性；以滚动轴承的故障诊断为例，说明该方法可以用于故障诊断和预知维修     

基于多通道时频相干的诱发电位单次提取

针对信噪比低、频带宽的诱发电位信号单次提取问题，提出了一种在时间—频率域中的多通道相干成分分离算法．本算法采用头皮电板进行多通道同步观测和记录，在各通道的观测数据中诱发电位信号具有较高的相干性，而其他干扰信号的相干性较低，因此根据其相干性将诱发电位信号与其他信号分离，实现诱发电位的提取．为实现相干成分的分离，本算法首先应用于小波包分解将信号在时频域展开，然后通过计算相干系数确定相干的诱发电位信号在时频域中的分布区，并据此去除噪声的能量分布而得到诱发电位的时频域分布，再通过小波包重构就可以分别提取出各通道中高信噪比的诱发电位信号．本算法可以有效地提取各类宽频带信号，能够极大地提高低信噪比信号的辨识能力，具有良好的非重复信号捕捉性能，应用此算法已成功地实现了视觉诱发电位的单次提取．     

小波变换时频特性的信号识别

研究了小波变换时频特性的信号识别及其在复合材料损伤检测中的应用．根据小波变换的框架重构理论及时频相空间理论,提取信号的时频域特征,通过比较原信号的时频空间和小波变换相空间的相同部分,得到能反映同样时频特征的小波级数展开项和的个数,并用误差函数的最小化提取能反映时频性质的小波系数．以此作为小波神经网络的学习参数,经过学习后,使之能对信号进行识别．应用此方法对复合材料试验过程中的复杂曲线进行了实验识别,效果很好．从小波时频特性提取的信号特征,在时间和频率方面都能体现原信号所包括的本质信息,供助Ｂ样条小波神经网络的识别结果,达到了预期目的．     

Haar小波及其机械故障诊断应用

小波变换是一种时频分析方法，在机械信号处理应用中，基小波常根据其时域波形与被检测的信号成分相似或匹配选择，很少考虑小波其他特性，这种方法并不完善．通过Haar小波说明这个问题，推导了Haar小波连续变换在时问和尺度上的周期性，应用于机械信号处理，有效地提取出故障特征频率．该研究结果开拓了基小波选择的思路．     

巴特沃斯小波变换算法在故障诊断中的应用

提出了一种基于巴特沃斯滤波器的离散小波变换快速算法 ,通过控制巴特沃斯滤波器的频率截止特性来抑制小波变换中的频率混迭现象 ,还可通过控制各小波函数对应的巴特沃斯滤波器的截止频率位置来改变离散小波变换的频率分辨率 ,实现 1 / 1频程 (二进小波变换 )、1 / 3频程、1 / 6频程等高频率分析精度的离散小波变换     

高维不可分双正交多小波包

首先，给出了对应于多重多分辨分析的双正交多小波包的定义，建立了具有任意矩阵伸缩的双正交多小波包的理论框架．在此基础上，给出了具有任意矩阵伸缩的高维不可分双正交多小波包的构造方法．由此构造的多小波包的分解系数可以从不同的滤波器中抽取．这使得小波包的应用更灵活．     

巴特沃斯小波构造与应用研究

讨论了小波与正交滤波器组的相互构造关系，以及由正交滤波器组构造小波所要满足的正规性条件，分析比较了由有限冲激响应（FIR）滤波器组构造出的小波与无限冲激响应（IIR）滤波器组构造出的小波，将基于IIR滤波器组的7阶巴特沃斯小波与基于FIR滤波器的Daubechies小波在信号降噪中中的效果进行了比较，得到了低阶IIR滤波器组构造的小波可以与高阶FIR滤波器组构造出的小波分析效果相似，证明Daubechies小波作为小波变换的一个分支，可以在数字信号处理中得到良好的应用。     

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DHWPT的脑电基本节律特征提取

脑电中不同类型的基本节律在不同生理条件下特征不同,有效提取这些特征对于实现脑电定量分析具有重要作用。简要分析了谐波小波独特的优势,研究了基于离散谐波小波包方法精确提取脑电基本节律的问题,得到了两种反映节律特征的量化参数:单个导联上各节律在某时刻的频带能量比例(FBER-S)和某一导联脑电信号在某一频段内的能量占所有导联在该频段内能量的百分比(FBER-A)。对临床病例数据分析表明,这两种特征参数呈现的特点与确诊病例的病症特点吻合得很好,说明它们能够作为临床诊断和长时程脑电监护的有效辅助诊断依据。     

FFT复小波及在设备故障信号分析中的应用

提出一种在频域用数字滤波器定义复小波和展缩小波基,用FFT实现复小波变换的算法。该算法可通过控制滤波器的频率截止特性来生成不同特性的小波函数;通过控制滤波器截止频率位置来改变离散小波变换的频率分辨率。     

强混沌背景中频带内谐波信号提取

针对强混沌背景中频带内信号难以提取这一问题,提出了基于正交小波变换与小波软阈值滤波相结合的方法.以Lorenz混沌背景为例,对强混沌背景中的谐波信号进行提取.仿真试验结果表明,该方法比较适合于混沌背景中弱信号的检测与估计,与现有的相空间处理方法相比,简单直接,计算步骤少,可以实现对信号的实时处理.另外,该方法具有普适性,在混沌背景中信号提取领域有一定的发展前景.     

基于多分辨小波变换的相位匹配

相位匹配是基于频域匹配方法的一种,它利用具有局域频率特征的相位信号作为匹配基元,其匹配过程具有由粗到精的多分辨率特性。通过实信号解析分析法,在选用双正交小波的基础上,利用 Hilbert 交换构造了适于相位信号提取的频带分解滤波器,利用多分辨率小波变换将多分辨率的匹配过程与多分辨率的相位信号提取过程有机地结合起来。     

基于小波分析的傅里叶变换轮廓术应用研究

采用一种基于小波分析的傅里叶变换轮廓术测量了物体三维形貌。利用小波变化的时频特性,对测量光栅图像进行了处理,提取了有用的频率分量,获得了光栅图像的相位信息,抑制了频率混叠。计算机模拟结果验证了该方法的可行性,并在有噪声和无噪声的情况下与一般数字滤波器处理结果进行了比较,无论从测量精度还是测量范围都得到了提高。     

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。     

单历元GPS变形信息特征提取的EMD方法

为了准确地对单历元GPS变形信息特征进行提取,提出应用EMD（经验模式分解）方法对变形数据进行去噪处理。通过对实际工程算例进行分析并与小波变换及中值滤波方法进行对比,结果表明：EMD方法的去噪效果优于中值滤波方法,同时EMD方法具有自适应滤波去噪的功能．避免了应用小波去噪时其效果与小渡基函数的选择相关的缺陷。在对变形数据进行有效去噪的基础上,应用EMD方法可以完成对单历元GPS变形信息进行有效识别并提取出微弱的变形特征。     

Edge detection of magnetic tile cracks based on wavelet

In order to extract the defect edge information on the magnetic tile surface with low contrast and textured background,an edge detection algorithm based on image weighted information entropy and wavelet modulus maxima is proposed.At first,a new Butterworth high pass filter(BHPF) with adaptive cutoff frequency is produced,because the clarity and complexity of the textured background are described by the weighted information entropy of the image gradient variance quantitatively,and the filter can change its parameters through matching the non-linear relationship between the information entropy and the cutoff frequency.And then,the best decomposition scale is obtained by the level determination function to prevent edge information from missing.At last,edge points are got by double threshold after obtaining the wavelet modulus maxima,and then the edge image is linked by the edge points to ensure the edge continuity and veracity.Experiment results indicate that the proposed algorithm outperforms the conventional Canny and Sobel algorithm,and the edge detection algorithm can also detect other defects,and lays the foundation for defecting auto- recognition.     

Effect of excessive Internet use on the time-frequency characteristic of EEG

We examined the effect of excessive Internet use on the time–frequency characteristic of the electroencephalogram by wavelet transformed and non-negative matrix factorization (NMF). The event-related potentials (ERP) of normal subjects and excessive Internet users were acquired using the oddball paradigm experiment. We applied the wavelet transformed and event-related spectral perturbation to ERP in order to extract the time–frequency values. The F-test statistics of time–frequency values were then decomposed into two components by NMF. Excessive Internet use resulted in a significant decrease in the P300 amplitudes (P < 0.05) and a significant increase in the P300 latency (P < 0.05) in all electrodes. The major effect of excessive Internet use on gamma oscillation occurred at 300 ms after stimuli at 40–50 Hz on the parietal central region. Thus, these data suggest that excessive Internet use affects information coding and integration in the brain.