液压系统故障信号的小波包检测方法

提出了一种利用小波包检测调速阀故障信号的方法.通过小波的小波包分析将信号按一定的尺度进行划分,不同频率的信号被划分到不同的频段中.由经过预处理的信号经过小波包分解与重构后,可以得到小波包重构图,由图中可以获得故障产生的时间点和频率,再对故障的严重程度进行了量化分析.实验结果表明用小波包理论进行故障检测是可行的.     

液压系统故障信号的小波包检测方法

提出了一种利用小波包检测调速阀故障信号的方法.通过小波的小波包分析将信号按一定的尺度进行划分,不同频率的信号被划分到不同的频段中.由经过预处理的信号经过小波包分解与重构后,可以得到小波包重构图,由图中可以获得故障产生的时间点和频率,再对故障的严重程度进行了量化分析.实验结果表明用小波包理论进行故障检测是可行的.     

多小波处理图像压缩时前滤波器的设计

在应用中,对于单小波可以直接利用分解与重构公式对信号进行滤波。但是多小波是用矢量滤波器组对信号进行分解、重构。滤波对象必须是满足一定要求的矢量信号。因此,在进行多小波分解前必须通过前置滤波器对原始离散信号进行预处理得到初始矢量,然后才能进行多小波变换。同样,对重构后的数据也要进行后处理才能得到需要的结果。不同的多小波有不同的预处理和后处理方法。以GHM多小波为例,设计了多小波新的前滤波器,并将多小波通过前滤波后用于图像压缩,将其结果与单小波相比较,获得较好的结果。     

基于小波包熵的船舶轴频电场信号检测

为了有效地从海洋环境电场背景中检测微弱的船舶轴频电场信号,提出了一种基于小波包熵的船舶轴频电场信号检测算法.首先使用小波包变换对测量信号进行多层分解并计算最后一层各结点的重构信号;然后计算各结点重构信号的小波包熵;最后选取小波包熵最小的重构信号作为检测信号进行滑动功率谱检测.通过实测数据和仿真数据对该算法和滑动功率谱算...     

基于小波包熵的船舶轴频电场信号消噪研究

在海洋环境下,为有效地将微弱的轴频电场信号提取出来,本文在对小波包熵理论分析的基础上,提出了基于小波包熵的船舶轴频电场信号消噪方法.首先使用小波包变换对测量信号进行多子带分解,并将各子带分成几个子区间;然后计算各子带不同子区间的小波包熵,利用最大小波包熵自适应地选择各子带的阈值;最后对各子带的小波包系数进行阈值处理,并利用处理后的小波包系数对信号进行重构.通过实测数据和仿真数据对该消噪方法进行验证,结果表明此方法在低信噪比情况下能较好地将微弱的轴频电场信号从环境背景噪声中分离出来.     

用多小波对图像分解和重构

与单小波相比较,多小波同时具备诸如紧支性,正交性,对称性等诸多在信号处理中非常重要的良好性质．这决定了多小波是一种优于单小波的信号处理技术．在应用中,对于单小波可以直接利用分解与重构公式对信号进行滤波．但是多小波是用矢量滤波器组对信号进行分毹、重构．滤波对象必须是满足一定要求的矢量信号．因此,在进行多小波分解前必须通过前置滤波器对原始离散信号进行预处理得到初始矢量,然后才能进行多小波变换．同样,对重构后的数据也要进行后处理才能得到需要的结果．本文以GHM多小波为例,实现了对图像的预处理、分解和变换后的重构、后处理过程,并将解压缩后的结果与单小波相比较,获得较好的结果．     

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。     

冗余提升多小波包的构造及其应用

针对提取隐藏在原始振动信号中的弱周期性冲击信号,提出结合冗余提升多小波包(RLSMWP)及滑动窗奇异值分解(SWSVD)降噪的方法。利用提升方案实现具有5阶逼近阶性质的冗余Haar预处理,对信号进行预滤波,获得2重矢量信号。对多小波分解得到的矢量细节信号进行进一步分解,实现冗余提升多小波包变换。对最后一层各输出通道信号进行SWSVD降噪,重构后获得降噪信号。结果表明,RLSMWP与SWSVD相结合具有很好的降噪效果,提取出了隐藏在气阀振动信号中的弱周期性冲击成分;与传统多小波构造方法相比,新方法在时域实现了预滤波、多小波分解、多小波重构及后处理,具有计算简单、节省内存、运算速度快、可完全重构等优点。     

基于离散小波变换与小波包分解的语音增强算法

提出了一种基于离散小波变换（DWT）和小波包分解（WPD）的语音增强算法.该算法首先将带噪语音进行离散小波变换,并分别对离散逼近信号和离散细节信号采用不同的基小波进行小波包分解,再按照不同的规则选取阈值进行去噪,最后对去噪后的语音信号完成重构.计算机仿真表明,在计算量相当的情况下,该算法优于离散小波变换法去噪和小波包分解法去噪.     

区间上四重多小波包的分解与重构算法

小波包可对高频信号进行分解.在区间上连续四重多小波的基础上,给出区间上连续四重多小波包的定义,并分析了区间上连续四重多小波包的性质,进而给出其分解与重构算法.     

离散正交小波包及其在噪声抑制中的应用

研究有限长序列的小波包处理和噪声抑制的方法,方法用正交共轭滤波器构造有限维内积空间的正交值和分解及有限长离散小波包,分析了噪声的小波包分解系数的特性,并提出小波包变换域降噪的方法。     

双模噪声背景下多阈值小波包在信号消噪中的应用

针对一类非高斯噪声——双模噪声信号进行消噪时,传统小波变换和小波包变换在选取恰当阈值准则及阈值量化时存在困难,通过详细分析双模噪声信号结构及频率分布特征,在将小波包分解频带按照频率顺序排列且通过比较最底层子空间节点能量大小的基础上,提出一种将频带进行多分段的多阈值小波包消噪方法.实验结果表明:在双模噪声且信噪比相同情况下,该方法比传统的多尺度小波软阈值、小波包自适应阈值消噪效果都优越,是一种非常有效的信号消噪方法.     

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.     

一种新的小波包算法在机械故障诊断中的应用

小波变换由于其良好的时频特性,已广泛用于旋转机械、往复机械、齿轮、轴承等的状态监测和故障诊断中。它能将信号中不同的频率成分分解到互不重叠的频带上,为信号的信噪分离提供了有效途径。在此基础上,我们又引入了小波包分析,它能够为信号提供一种更加精细的分析方法,它能将频带进行多层次划分,对小波分析没有细分的高频部分进一步分解。本文提出了一种新的小波包算法,应用于工程中信号的噪声消除。     

激光多普勒测速信号的小波包全局阈值消噪研究

针对实际的激光多普勒测速信号中混有大量的噪声信号,难以找到所需要的多普勒频移的问题,提出了一种小波包全局阈值消噪方法,并在MATLAB中运用此方法对多普勒测速信号进行处理。根据多普勒信号的特点,通过对小波包分解尺度的选取、阈值估计方法的对比和对阈值thr的调整,可以快速有效地消除信号中的噪声信号,提高信噪比,得到有用信号。     

基于小波包分解的纹理图像去噪

噪声对图像的后续处理影响较大,常用的去噪方法虽然可以去除变化平缓的图像中的噪声,但对细节较多的纹理图像的去噪效果却不太理想．文中基于信号和噪声在小波分解中呈现出来的不同特性,提出了一种新颖的小波包去噪算法．采用该算法对纹理图像进行最优小波包分解,并计算每个子频带的两个范数,然后根据范数值区分信号和噪声,从而达到去除噪声的目的．实验结果表明,该算法对皮革图像具有较好的去噪效果．不仅可以去除纹理图像中的大部分噪声,而且可以较好地保留图像纹理信息．     

基于小波和小波包图像去噪的比较研究

小波和小波包对图像消噪都是十分有用的工具,虽然小波包可以对图像的高频部分做更细致的刻画,对图像的分析能力更强,但其对图像去噪的结果并不一定优于小波。本文通过大量的实验仿真显示:因图像中噪声含量的多少不同,小波包消噪的结果可能优于小波,也可能劣于小波。     

小波包变换在煤与瓦斯突出预测中的应用

针对目前滤噪技术不能很好地使声发射监测得以准确预报的情况,进行了基于小波包变换的去噪研究.该研究利用信号的小波包分析、计算和最优小波包基选取的方法,通过计算机数值计算,模拟了强噪声下声发射信号检测,并通过Sym8小波包与小波变换去噪的比较,证明前者优于后者.用小波包变换进行消噪处理,噪声消除彻底,提高了预警准确性.     

小波包分析在电气化铁道牵引网故障测距中的应用

参考了小波分析的基础上,采用了小波包分析方法对故障实行定位。由于牵引网故障暂态行波中的高频成分多而复杂,小波分析只能对信号的低频部分进行分解,而没有对高频部分进行分解。于是提出将故障信号经过小波包分析,对高频信号进行了进一步的分解。再结合求导算法和相似性算法对故障信号进行分析。通过实测的数据分析可以得出该方法具有更好的优越性,准确的实现了故障定位。     

基于小波包分解的一种非稳态油膜力轴承-转子系统的碰摩故障诊断

奇异信号往往载有设备运行状态的重要特征，小波分析理论可在时域和频域上同时对信号实现局部化处理，转子碰摩信号具有奇异性，利用小波包分散具有“变焦距”性质，或小波包对信号的奇异性即奇异点的位置及奇异度大小的分析更加有效，分析了碰摩信号在小波包变换下的持征，理论分析和计算结果表明，利用小波包分解能有效地实现磁摩故障诊断。