小波变换在信号降噪中的应用

介绍采用小波变换进行信号降噪的原理；利用小波分解和重构函数对轧机主传动轴应力和扭矩信号进行降噪处理。结果表明，其降噪效果良好。     

基于小波分解的径流非线性预测

利用小波变换原理将具有非平稳特征的径流序列进行分解，使其平稳项与随机项分离。对平稳项采用传统的AR模型加以预测，而通过对随机项的混沌特征研究，发现其具有明显的混沌特征，进而提出了基于非线性混沌动力学的预测模型方法。最后通过小波对所提出的AR NCDF预测模型预测结果予以重构，实现对原始径流序列的预测。该方法通过实例验证具有较高的精度，是一种实际可行的方法。     

小波变换集遗传算法神经网络的径流预测建模

为获得更精确的径流预报结果,利用dmey小波变换对径流时间序列分解为高频信号和低频信号,再使用遗传算法优化的BP神经网络分别对其进行预测,最后利用dmey小波逆变进行重构,以此建立径流总量预测模型。通过对柳江径流总量进行实例分析,并与遗传算法优化的神经网络模型、BP神经网络模型及传统的时间序列分析方法对比,该方法获得更准确的预测结果。研究结果表明该模型能充分反映径流时间序列趋势,预报稳定性好,预报准确率高,为径流时间序列预测提供一个有效建模方法。     

小波变换在图像压缩中的应用

介绍了小波变换的基本理论以及基于小波变换的图像分解与重构过程．讨论了在Matlab语言环境下实现图像压缩的基本方法,并对小波变换用于图像压缩时小波基的选取所要考虑的因素进行了分析．从工程和实验两个方面较为直观地探讨了小波变换在图像压缩中的应用．实验结果表明：小波变换用于图像压缩能够实现很高的压缩比,具有很高的使用价值．     

基于神经网络的小波变换矢量量化图像压缩

根据神经网络的特性，提出了一种基于小波变换的矢量量化图像数据压缩方法，基本思路是利用小 变换实现图像的多分辨率分解，用矢量量化（VQ）对分解后的图像进行编码，利用神经网络做矢量量化编码器，从而实现通过神经网络的鲁棒性来加强对某些非典型矢量的容错能力，结果表明，该方法提高了整个系统的性能，最终提高了重构图像的质量。     

基于希尔伯特-黄变换与小波方法的径流序列分析

将希尔伯特-黄变换方法用到黄河三门峡站的天然年径流水文的分析与识别中,分解得到不同尺度下的固有模态函数;与小波分解方法对比,仿真出的径流变化成分不仅在时域上,而且在频谱上把低频信号中奇异信号的局部变化刻画出来,并具有更加清晰的物理意义;为水文径流序列的演变模式研究提供了一种新的分析方法.     

小波变换在医学图像压缩中的应用研究

分析了数据压缩的必要性，说明了利用小波分解和重构进行数据压缩的理论依据和方法，并利用Matlab软件对图像进行分解与重构，实现了对图像的压缩，对不同闽值下采用不同小波压缩的结果进行了比较和讨论。     

小波变换在信号滤波中的应用

概要地叙述了小波，小波包理论，提出了一种用小波包分解和信号重构进行信号滤波的方法，先用小波包分解把信号分解到相邻的不同频率段上，然后用信号重构方法各个频率段上的信号进行重构，以电机的振动信号为例，说明这种方法可以有效地用于信号的滤波。     

水文序列周期的小波变换检测方法探讨

将小波变换引入随机水文过程的研究领域,根据水文现象的物理成因,通过对水文序列进行小波变换,借以测定水文序列隐含的近似周期,并利用检测验最终确定水文序列隐含的近似周期,计算结果表明,用小波变换确定水文序列隐含的近似周期,准确性较高,是一个较好的确定水文序列近似周期的方法。     

径流序列的相空间重构神经网络预测模型

在水文水资源领域中引入混沌理论，将相空间重构理论与神经网络理论相结合，提出了径流时间序列预测模型．通过相空间重构，把一维径流时间序列拓展为多维序列，而多维序列可挖掘更为丰富的信息，有利于神经网络的训练．研究表明，利用神经网络建模可以较好地解决非线性问题，使预测更符合实际．以汉江石泉水库逐月平均入库径流序列为例，建立了径流时间序列相空间重构与神经网络耦合预测模型，计算结果表明，模型有较高的预测精度．     

基于小波变换的弹射加速度滤波分析

根据小波分解与重构理论，对弹射加速度信号进行多尺度的小波变换，即用不同中心频率的带通滤波器对信号滤波，把主要反映噪声频率的那些尺度的小波变换去掉，再把剩余各尺度的小波变换结合起来，作小波重构变换，从而得到较好地抑制了噪声的信号。     

一种基于BP神经网络和小波变换的网络流量预测模型

结合小波变换和BP神经网络,建立一种网络流量预测模型.首先对流量时间序列进行小波分解,得到多个尺度的小波系数序列,以系数序列和原来的流量时间序列分别作为模型的输入和输出,构造人工神经网络并且加以训练.用实际网络流量对该模型进行验证,结果表明,该模型具有较高的预测效果.     

离散信号的二进小波分解与重构

讨论了由一维二进小波构造的二维二进小波的性质,并应用二维二进小波变换导出二维离散信号的分解和重构。     

连续小波变换法分析核酸序列的长程相关性

提出了基于连续小波变换的检测核酸序列长程相关性的新方法。利用小波变换来观察序列，再用分数布朗运动建立数学模型，计算Hurst指数，并以此来衡量序列的长程相关性。最后发现在同一个基因内，外显子序列的Hurst指数明显小于内含子序列，此特征是这两种序列的显区别。     

数字图像小波变换的两种方法比较

采用图像处理技术，用比较直观的两种方法来实现图像小波分解与重构，并在此基础上进行大量的实验，对相关结果进行了分析，获得影响图像处理效果的主要因素。     

基于离散小波变换的水文序列相似查找

运用Mallat算法和Daubechies小波,对水文序列进行离散小波变换。通过k层离散小波变换,将水文序列分解成不同时间尺度的近似部分A和细节部分D,第k层的序列长度是原序列的1/2k。对变换后的序列进行相似查找,提高了查找的时间效率。     

基于多种径流预测耦合模型的流域月径流预测优选研究

为了提高径流预测的准确性,以澄碧河流域坝首站1979-2019年共41 a的实测月径流序列为例,在优选Elman神经网络模型、支持向量机模型、BP单一预测模型的基础上,分别耦合经验模态分解(EMD)、集合经验模态分解(EEMD)和经验小波变换分解(EWT),选取纳什效率系数(NSE)、平均相对误差绝对值(MAPE)和均方根误差(RMSE)对测试集的预测结果进行评价与分析。结果表明：相对于Elman神经网络模型和SVM模型,BP模型的预测效果较好;耦合预测模型预测精度都优于单一模型。耦合模型中,EWT-BP的纳什效率系数为0.91,预报等级为甲级,预测精度优于EMD-BP和EEMD-BP。采用数据预处理技术生成平稳序列,可有效减少原序列存在非线性和不稳定性特征的影响,并有利于提高流域水文模型的径流预测能力。     

小波变换在图文电视视频解码中的应用

简单介绍了基于小波变换的图像编码原理,重点描述了小波变换在图文电视视频解码中的应用,给出了解码中的小波变换部分的MATLAB仿真。     

小波变换及其压缩算法的应用研究

随着小波理论研究的不断深入,小波变换在图像压缩中的应用日臻成熟,本文分析了小波分解原理及小波变换实现图像压缩的一般步骤,着重介绍了图象压缩中小泼基的选取,以及对分解层数的考虑。     

一种离散小波变换的快速分解和重构算法

通过对实序列的快速傅里叶变换算法的推导及Mallat算法原理的分析，根据离散小波变换（DWT）算法结构特征，提出了一种离散小波变换的快速分解和重构算法；给出了相应的算法步骤，从数学理论上对该算法进行了论证。结果表明与原有的快速小波算法（Mallat算法）相比，可显著减少信号与滤波器长度N较大（大于16）时小波变换的实乘次数（分解仅为（5log2N 7)N次，重构仅为4N（1 log2N)次）提高了运算速度，且该算法有着良好的并行性，易于数字信号处理器（DSP）的快速实现。