基于LPC预测误差DWT的语音基音检测

在对语音信号进行ＬＰＣ分析的基础上，提出了一种有效的语音基音周期检测算法。该算法利用小波变换中著名的Ｍａｌｌａｔ算法逐层分解ＬＰＣ预测误差信号，在最低分辨率的逼近信号中寻找峰值，然后逐层回溯各个分辨率的逼近信号，最后在ＬＰＣ预测误差中确定出峰值，从而求出相应的基音周期。     

基于LPC预测误差DWT的语音基音检测

在对语音信号进行ＬＰＣ分析的基础上，提出了一种有效的语音基音周期检测算法。该算法利用小波变换中著名的Ｍａｌｌａｔ算法逐层分解ＬＰＣ预测误差信号，在最低分辨率的逼近信号中寻找峰值，然后逐层回溯各个分辨率的逼近信号，最后在ＬＰＣ预测误差中确定出峰值，从而求出相应的基音周期。     

Mobius反演与“算术 Wavelet变换”

将数论中的Ｍｏｂｉｕｓ反演公式应用到小波级数上，用以计算小波级数展开式的系数。这种算法是不同于Ｍａｌｌａｔ算法的新算法，是近几年来兴起的算术Ｆｏｕｒｉｅｒ变换在小波分析中的推广，并称之为算术Ｗａｖｅｌｅｔ变换。     

快速小波变换，循环卷积和数论变换

证明了二维Ｍａｌｌａｔ分解算法可通过二维循环卷积来计算，从而快速计算循环卷积的方法，如快速论变换，ＦＦＴ等，均可用来实现二维Ｍａｌｌａｔ分解算法。这也就提供了快速小波变换的一个新算法。作者分别比较了直接用二维Ｍａｌｌａｔ分解算法和ＦＮＴＴ实现二维Ｍａｌｌａｔ分解算法 法和加法运算的次数，分析表明，在通常情况下，亲 法的中法次数均会少一些，并在微ＰＣ／５８６上用ＦＮＴＴ通过二维Ｍａｌａｔ分解法对一个     

小波分析在油气田地球物理勘探中的应用

阐明了具有Ｌｉｐｓｃｈｉｔｚ指数的地震道信号奇异性的数学特征。对油气勘探区的人工地震资料，选取具有紧支集的二次样条函数作为小波基。然后将采样所得的数据作离散二进小波变换，采用Ｍａｌｌａｔ塔式算法对地震波信号进行分散与重构。     

离散小波变换的探讨

在Ｍａｌｌａｔ的基础上，讨论了从连续小波变换到离散小波变换的过程，得出离散过程要受诸多因素的限制，其中信号ｆ（ｔ）的离散同样必须满足Ｎｙｑｕｉｓｔ抽样定理。     

抽样定理与小波变换

经典的Ｓｈａｎｎｏｎ抽样定理有许多应用和推广。从多分辨的观点看，它提出了Ｓｉｍｅ尺度函数。介绍了小波子空间中的抽样定理，并给出了基于Ｍａｌｌａｔ算法的小波变换系数的计算方法。．     

一种图像数据压缩方法

提出了一种小波变换中Ｍａｌｌａｔ算法的图像数据压缩方法。这种方法通过对图像进行多尺度描述,可实现时／频局部化特性,可使图像具有很高的压缩比和质量。     

语音DCT变换的一种小波编码方法

语音信号离散余弦变换的小波变换编码方法是根据DCT变换和小波变换特点，并结合语音信号的特征而提出的一种高效简便的语音编码方法，在编码中，对不同层次小波系数分配不同的量化位，可灵活、方便地控制重构话音的质量，以汉语语音音节为例的实验表明，在16kbps的编码数据率时，重构(或再生)的话音质量与原始话音质量基本相同。     

基于小波变换的语音增强去噪方法

将小波变换应用到语音识别系统中,提出了在语音信号预处理阶段基于小波变换估计的维纳滤波算法,结合小波变换的阈值处理方法对语音信号进行去噪处理,模拟实验表明该方法去噪效果较好.     

基于小波变换的汉语三字词基音提取

给出了一种基于小波变换的汉语三字词基音提取方法。根据小波变换应用于突变信号检测的原理,充分利用多分辨率分析,准确地实现了汉语三字词基音的提取,同时给出了小波变换的快速算法。     

小波分析法对多带激励声码器基音提取的改进

作者介绍了小波变换用于语音信号基音周期检测的原理，提出了基于小波变换后波形特征的基音提取算法。该算法与原多带激励声码器基音提取算法相比，能有效避开噪声的干扰，正确提取语音的基音，计算复杂度也降低很多。     

基于小波包变换的自适应波束形成

在小波变换算法的基础上，结合智能天线所处理的信号空域频率较高的特点提出了基于小波包变换的线性约束最小方差波束形成算法。该算法利用了小波包分解对高频分析更细致的特性。仿真结果表明，该算法的极点处增益和零陷都优于小波变换算法。     

多尺度分解下的自适应滤波器组的构建方法

通过分析自适应滤波和小波变换的多尺度分解滤波的原理与方法,建立了非平稳信号的多尺度分解下自适应滤波器组的构建模型和滤波方法.将小波变换分离出来的噪声成分作为自适应滤波器的输入,通过自适应滤波器组,能实现多种噪声成分的自适应滤波.通过模型验证和工程实例的应用,该方法能实现非平稳信号在同频段对噪声成分和有用信号的最佳估计.通过自适应滤波器组,能同时实现对多种噪声成分的最佳滤波,具有优良的滤波性能.     

一种基于小波系数方差的语音端点检测方法

首先分析讨论了小波变换的原理,在此基础上提出了一种利用小波系数方差识别含噪语音信号中静音与语音的新算法。算法首先对含噪语音进行小波分解,观察各层小波系数的统计特性,提取它们的方差作为检测特征,从而进行语音端点检测。对该算法进行了仿真实验,并与传统的基于能量与过零率的端点检测算法进行了比较。实验结果表明:该算法在低信噪比条件下也能够有效分割语音。     

基于数学形态学和小波分解的QRS波群检测算法

为了解决心电图 QRS波群检测的问题 ,研究了一种基于数学形态学及小波分解相结合来检测 QRS波群特征点的算法。数学形态学算法是基于信号局部特征的 ,可以有效地突出信号的峰谷点 ;小波分解对信号做多分辨率分解 ,可以突出信号的特征信息 ,便于 QRS波群检测。实验结果表明 :两种分析方法的结合可以有效地消除基线漂移 ,低频干扰 ,以及大 T波的影响。其 QRS波检出率达到 99.86 % ,从而提高了波形的信噪比     

小波变换在语音信号处理上的应用

利用小波的多分辨率分析,以及其良好的空间域和频率域局部化特点,针对语音信号特征,选取适当的小波算法进行去噪和增强语音,压缩编码,提取语音信号特征等处理。通过Matlab仿真分析,得到增强后的信号图和压缩后的压缩比参数、能量保留参数、零系数比例系数,提取的信号特征。结果表明,基于小波变换的语音信号处理表现出良好的特性。     

跟踪共振峰的小波包语音增强仿真研究

通过仿真实验,研究和分析了语音共振峰的子波时频特性,发现在各子带可跟踪并找到共振峰,结合听觉感知,提出了一种跟踪共振峰的小波包自适应阈值语音降噪新算法.该算法能拟合人耳听觉特性,紧密跟踪语音信号的能量变化,通过系数实时调节子带阈值,消噪同时能有效减少语音弱分量损失.仿真实验表明,相对较传统算法,新算法在低信噪比输入时,能有效提高增强语音的输出信噪比、保持较小的波形失真度、获得较好的听觉效果.     

小波变换Mallat算法实现中的边界延拓研究

在Mallat算法[1]的推导中,假定输入序列是无限长的,而实际应用中常常是分时采样,即输入序列为有限长.此时,滤波器系数与输入序列卷积时就会出现轮空的现象.因此有必要对原始信号进行边界延拓,减小边界误差.解决的方法通常有补零法和周期延拓法[2].补零法是在输入序列的末尾补零     

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。