Poincare Index与复数滤波相结合的指纹奇异点提取算法

提出了一种使用Poincare Index与复数滤波相结合的方法提取指纹奇异点的方法。首先,使用Poincare Index方法提取指纹图像奇异点,由于Poincare Index易受噪声干扰而提取伪奇异点,使用复数滤波检测备选奇异点的邻近区域,判断该奇异点的可信程度,从而确定奇异点。该方法消除了Poincare Index对噪声敏感、容易提取伪奇异点的缺陷,也弥补了复数滤波无法准确找到奇异点位置的不足。通过实验验证,用该方法提取指纹奇异点取得了很好的效果。     

基于模型分析的指纹奇异点检测

针对传统的奇异点检测方法主要基于方向场变化且容易受噪声影响,提出了一种新的基于模型分析的指纹奇异点检测方法.首先用基于离散余弦变换基函数对方向场进行建模,在计算方向场的基础上,利用常微分方程系统线性化数学模型,通过对模型参数和平衡点进行分析,检测指纹奇异点位置.实验结果表明,基于常微分方程线性化模型分析的指纹奇异点检测方法比传统的Poincare Index方法对噪声更具有较好的鲁棒性,能进一步提高奇异点检测的准确度.
     

基于双路奇异值分解的信号降噪方法

针对常规奇异值分解对强噪声抑制效果不佳的问题,提出了一种基于双路奇异值分解的信号降噪方法。首先采用奇异熵定阶的方法对高阶噪声进行预处理,然后从双路奇异向量的相关性出发确定低阶噪声奇异向量的位置,最后将剩余的奇异值与奇异向量重构得到优化估计的降噪信号。仿真实验表明：双路SVD相比常规SVD的降噪方法在低信噪比、白噪声的环境下信噪比增益提升4.07 dB,与纯净信号波形相关系数增量提升0.11。以一段受到座舱噪声污染的语音信号为实验对象,文中方法与双通道自适应噪声抵消的降噪方法对比,信噪比增益提升4.83 dB,运算耗时缩短1.5 s。此外,文中方法不受噪声类型的限制,对于有色噪声和单频干扰甚至混合噪声同样具有良好的适应性,有广泛的应用前景。     

子波消噪技术及其应用

基于信号和噪声在小波变换下表现出的截然不同的性质,提出了一种非线性消噪方法．该方法与传统的消噪方法不同：它并非等价于信号通过一个低通或带通滤波器,而是根据信号与噪声的奇异点性质不同滤波．因而,在改善信噪比的同时,又保持相当高的时间分辨率．     

基于连续双正交样条小波的股价指数奇异点检测

针对噪声背景下股价指数曲线给出的一种小波硬阈值消噪和奇异点检测的有效方法,选择双正交样条小波作为基小波,运用小波分析消除信号噪声干扰;结合多尺度分析及奇异点的检测,揭示股价指数信息隐含的背景。     

基于高阶统计特征及形态学的图像奇异点分割和检测

给出了这类图像的一种图像模型,并在此基础上,提出了一种新的分割和检测奇异点的方案。该方案对原图像进行非分除小波变换,以得到带通图像,使得带通图像上的奇异点得到增强,同时背景和噪声得到抑制。将所得到的带通图像分割成互相重叠的方形区域,通过计算每个区域的扭曲度(Skerness)和峭度(Kurtosis)特征来判断该区域分布的非对称性和拖尾程度,并将具有较高值的区域标记为感兴趣区域ROI(Regions Of Interest)。在ROI中,如果能量特征超过某一给定阀值,则被视为准奇异点,形成二值图像。对二值图像进行数学形态处理的检测结果进一步证明了该奇异点分割和检测方案的有效性。     

细胞动作电位的线性重建

在强噪声干扰下恢复有阶跃点的奇异波形,并检测其参数在生物医学工程中具有重要的意义．利用矩形波重建方法,将带噪声动作电位信号通过低通滤波器建立相应的矩形波,然后再采用计算机辅助设计法设计一个波形形成数字滤波器,使矩形波通过此滤波器后重建出纯净的细胞动作电位．结果表明,这种方法能有效滤除光学采集动作电位上叠加的白噪声,从而实现无损检测．     

基于奇异值分解和共振解调的滚动轴承故障特征提取

针对共振解调方法容易受到噪声干扰,以及带通滤波器参数难以确定,很大程度上依赖经验的问题,提出一种基于奇异值分解和共振解调的滚动轴承故障特征提取方法;利用奇异值分解算法,将轴承振动信号分解成多个奇异值分量,计算各分量的峭度值,选择峭度值最大的分量,利用谱峭度算法确定中心频率和带宽,并对该分量信号进行带通滤波和包络解调分析。结果表明,提取性能以及鲁棒性能实验证明了该方法能够自适应确定滤波频带,降低噪声干扰的影响,并且在带通滤波器失效情况下有良好的稳定性。     

小波去噪及其在信号检测中的应用

基于信号和噪声在小波变换下表现出的截然不同的性质，提出了一种非线性的消噪方法．该方法与传统的消噪方法不同，它并非等价于信号通过一个低通或带通滤波器，而是根据信号与噪声的奇异点性质不同进行滤波，因而在改善信噪比的同时，又保持相当高的时间分辨率．理论分析和实验表明该方法特别适合于弱信号的检测和定位     

小波变换理论在管道泄漏检测中的作用

分析了负压波泄漏定位方法的关键技术，提出了小波变换与负压波相结合的方法，利用信号奇异点与小波变换模极大值在多尺度上变化对应的性质，将离散小波变换应用到获取压力波信号序列特征奇异点中，可以对泄漏点进行定位。因为现场采集的数据中含有大量噪声，采取小波门限去除噪声干扰的方法，可以很好地消除噪声干扰。在实际应用中取得了良好的效果。     

非高斯噪声下的参数自适应高斯混合CQKF算法

研究非高斯噪声环境下的高斯混合滤波方法,进行纯方位跟踪系统的目标跟踪。利用改进的参数自适应方法,调整位移参数的大小,从而修正了高斯混合模型,提出了在非高斯噪声下的参数自适应高斯混合CQKF算法;基于非高斯噪声下的离散系统模型,分析了高斯混合CQKF算法中建模过程的局限性,并结合初值优化方法,提出了利用参数自适应方法修正高斯混合滤波模型的方法,从而克服了高斯混合滤波的局限性,提高了滤波精度。仿真实验表明在非高斯噪声下参数自适应高斯混合CQKF算法比原算法有更高的滤波精度。      

基于空域相关阈值滤波的雾气激光信号处理算法

针对雾气环境下微弱激光信号特征提取困难,在研究小波空域相关滤波算法基础上,提出了小波空域相关阈值滤波方法。阐述了小波空域相关阈值滤波的思想和原理,特别研究了滤波阈值选取的方法,比较了空域相关阈值滤波与空域相关滤波的滤波效果。结果表明对雾气环境下的激光信号,空域相关阈值滤波具有最好的滤波效果。在不同雾气浓度和不同信号信噪比情况下的实验结果表明,空域相关阈值滤波能够在保持激光回波信号特征的前提下有效地抑制大部分噪声,更适于雾气环境下微弱激光回波信号处理和特征提取。      

边缘导向的非局部均值图像滤波

传统去噪方法在处理高强度噪声干扰图像时, 往往不能有效去除噪声且在修复过程容易引入二次污染。为此, 提出一种边缘图导向的非局部图像均值滤波算法。 首先获取二阶差分边缘信息, 在非局部范围内搜索相似块, 以边缘导向图与噪声图像共同生成滤波器权值, 进而构建由边缘信息导向的非局部协同滤波框架。 与传统滤波为代表的局部线性滤波方法相比, 所提出算法能挖掘图像边缘信息并利用一种新的非局部协同滤波框架进行图像去噪, 因此增强了高强度噪声干扰环境下的边缘修复能力。 实验证明, 提出算法在高强度噪声污染的情况下, 修复的图像不仅获得了更高的测量指标, 视觉效果也更加理想。     

车载手势识别中基于小波变换和双边滤波的图像去噪方法

手势识别是人机交互中的重要研究领域,车载手势识别系统可以减少驾驶员手动操作仪表导致的分心,提高驾驶安全性。受光照变化、汽车环境、摄像头成像质量等各因素的影响,车载手势图像中常会存在大量复杂噪声。这些噪声严重影响后续手势分割、特征提取和手势识别的准确性。针对手势图像中存在的噪声问题,本文提出了一种适用于车载手势图像处理的新方法。该方法先对小波分解后的各高频子带采用不同方向的一维非线性扩散滤波处理得到初步去噪手势图,在此基础上用多尺度双边滤波对图像再次处理。实验结果表明,本文方法可以较好地去除车载手势图中噪声,抑制车载手势图细节的模糊。      

一种SINS/GPS紧组合导航系统的改进自适应扩展卡尔曼滤波算法

针对自适应扩展卡尔曼滤波算法中系统噪声协方差矩阵与量测噪声协方差矩阵不能同时被估计的问题,提出了一种改进的自适应扩展卡尔曼滤波算法.该算法基于残差,主要对滤波算法中的自适应估计器进行改进,改进后可以实时估计系统噪声.基于该算法,设计了新的滤波器并应用在SINS/GPS紧组合导航系统上,可随着系统中噪声的变化而自动地调节协方差矩阵.最后,分别用扩展卡尔曼滤波和改进的自适应扩展卡尔曼滤波对SINS/GPS紧组合模型进行仿真,结果表明改进的自适应的扩展卡尔曼滤波比扩展卡尔曼滤波的定位误差与测速误差更小,滤波的稳定性更好.      

基于端点检测的时频峰值滤波动液面提取技术

油套环空中会产生各种噪声,使测得的液面反射信号非常复杂,真实的液面反射波位置因受到干扰而无法准确辨识。采用时频峰值滤波（TFPF）技术结合语音信号处理中的端点检测（VAD）方法可对动液面波进行有效提取。VAD-TFPF技术先采用短时能量和过零率的双门限VAD方法对声波法测油井信号进行划分,判断出有效信号数据段和接近于零值的数据段,然后采用不同窗长的TFPF分别对两种数据段进行滤波处理。通过对不同噪声强度下的实测数据进行滤波实验与分析,可知该项新技术较之于小波阈值滤波方法对动液面波的辨识能力更强,无论是对背景噪声的压制还是对有效波的提取都表现出更优越的性能。     

基于多尺度分析的数字通信系统消噪

根据数字通信系统中加性高斯白噪声的特点,分析了去噪阈值的选取,详细地讨论了小波的多尺度浮动阈值方法,它能较好地满足在小信噪比下识别微弱信号的要求,并将这种方法应用于通信系统去噪,做到滤去噪声的同时又有效地保留信号的高频成分．     

一种考虑多尺度噪声的平滑去噪方法

针对在实际采集三维点数据模型中遇到多种尺度噪声的问题,提出了一种基于噪声分类组合滤波平滑去噪的方法。首先根据点模型中噪声的位置、密度和无用性等特点,将其分为伪噪声、大尺度噪声和小尺度噪声三类;分别使用直通滤波、半径滤波和统计滤波,以及移动最小二乘重采样(MLS)去除;同时考虑到点云冗余,将体素化网格滤波与移动最小二乘重采样相结合,实现重采样点模型的优化。实验结果表明:能够很好的解决地面三维激光扫描仪采集的点数据模型中存在多种尺度噪声的问题。从模型视觉效果上的漏洞修复、特征保持和光顺效果,以及实际变形度上看,方法优于直接使用MLS重采样和Laplace平滑去噪。     

基于小波变换的信号去噪处理

小波变换是信号处理中一个十分有用的数学工具。基于小波分析理论,本文采用软阈值法滤除与有用信号频率相近的噪声信号,取得了很好的滤波效果。并通过实时数字仿真系统验证了这种方法的有效性。     

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.