基于小波变换的舰船雷达信号去噪方法

由于舰船雷达信号目标环境的复杂性,从强杂波中检测目标异常困难,基于小波变换下奇异信号和随机噪声在多尺度空间中不同的模极大值传播特性,设计了一种实用的小波消噪方法。对舰船雷达回波信号实验检测结果表明,该方法能较好地改善信噪比增益,同时又能保持对突变信号的良好分辨率。     

基于平移不变的小波去噪方法及应用

基于传统的小波变换去噪算法可能使信号的急剧变化部分产生人为的振荡现象，产生这种现象的一个直接原因是小波缺乏平移不变性。提出了基于平移不变的小波去噪方法，对所分析的信号进行循环平移，再利用软或硬门限对该信号的小波系数进行压缩，重构信号，再进行相反的循环平移，通过多次的平移-消噪-平移，平均所获得的结果，从而消除小波基的平移依赖性。该方法有效地消除人为的振荡现象，使消噪后的信号更加光滑，更好地逼近真实信号。     

基于小波包变换的信号去噪应用研究

小波包变换可以将不同频段的信号分离,信号和噪声经小波包分解后,其小波包系数将表现出不同的特性,通过对小波包系数进行阈值处理,可以有效地抑制噪声,很好的重构信号。在平均浮动阈值的基础上,通过计算机仿真,显示了平均浮动阈值下小波包变换信号去噪的效果,结果表明:此方法具有良好的效果。     

基于信号去噪的小波算法研究

小波作为一种数学函数,被应用在很多领域,从信号去噪的角度对小波进行分析研究。首先给出小波的理论介绍,接着在matlab中通过实验对前面的理论进行进一步的阐释,最后鉴于FPGA的查找表的特点和DA算法的思想,硬件实现小波算法。     

小波变换在语音去噪中的应用

提出一种新的基于小波变换的语音去噪算法。利用此特性对信号进行小波域波滤,可从加噪的语音中提取人耳所能接受的频率成份,是一种简单有效的语音去噪算法。     

用小波剔除局放信号中白噪声的一种实用方法

局部放电信号中的白噪声给局放信号的后续处理带来了很大的困难，白噪声的剔除是局部放电信号处理中的一个不可缺少的环节。虽然有很多剔除白噪声的方法，但是大都不是很适合局放信号的处理。局部放电信号和白噪声有着不同的Lipschitz指数，经过小波变换后二者在时间--尺度平面上有不同特征。据此，文中提出了一种剔除白噪声的新方法，该方法运算简单，适合局放信号快速处理。处理后的局放信号不失真，而且剔除效果良好，能够运用于现场局部放电信号的处理。     

基于小波变换的语音信号去噪

讨论了离散小波变换在语音去噪中的应用。根据语音中浊音段和清音段的特点，采用了不同的阈值方案，可以保证在失真较小的前提下，获得更好的去噪效果。     

基于小波变换的心音信号去噪方法

心音信号在采集的时候常常会受到噪声的干扰,因此对心音信号的去噪声处理成为众多研究者关心的一个问题。本文分析了基于小波变换的心音信号去噪方法的性能,以及小波基函数和分层系数的选择问题。实验表明采用Daubechies小波并进行6层分解,心音信号的去噪效果最优,在保持原始心音信号的成分后还能有效的滤除噪声。     

小波变换与信号去噪

本文通过对信号与噪声在经过小波变换后不同特点的分析,讨论了一种对含噪信号进行噪声消除的方法,该方法与传统的低通滤波器相比在改善信噪比的同时还保持了很好的时间分辨率,最后通过仿真实验,证明了该方法的有效性。     

基于小波分析的信号去噪方法

介绍了小波变换出现的背景及应用意义、信号去噪效果的标准及小波变换去噪的基本原理和方法。利用MATLAB软件特别是MATLAB小波工具箱编写仿真程序,结果表明小波变换在信号去噪中的有效性和优越性。     

基于多小波的局部背景隐马尔可夫模型图像去噪

小波域局部背景隐马尔可夫模型（LCHMM）可获得尺度内的相关性和局部的统计特征,并且复杂度小,多小波分析在图像去噪方面有很好的性能。利用多小波分析和局部背景隐马尔可夫模型各自在图像去噪方面的优势,将两者结合起来,提出了一种基于多小波的局部背景隐马尔可夫模型（M—LCHMM）图像去噪算法。算法主要有两步：局部背景隐马尔可夫模型去噪处理和均值处理。该算法简单有效,仿真试验表明M—LCHMM的去噪效果优于目前许多已有的去噪算法。     

基于小波域隐马尔可夫模型的信号处理技术研究

研究寻北仪惯性传感器信号处理问题,采用基于小波域的隐马尔可夫模型(WHMM),对连续旋转式寻北仪陀螺的输出信号进行降噪处理. WHMM使用混合高斯模型描述小波系数的分布特性,隐状态间的概率转换描述不同尺度小波系数间的相互关系,并采用期望极大化(EM) 算法对模型参数进行训练. 通过训练得到的WHMM估计真实信号的小波系数,将估计出的小波系数进行逆小波变换,实现信号的降噪处理. 应用实例表明,该方法对陀螺输出信号有效地进行了降噪处理,抑制了干扰,提高了寻北精度.     

谐波小波样本熵与HMM模型的轴承故障模式识别

根据谐波小波分解非平稳振动信号优良特性与隐马尔科夫(HMM)模型的时序模式分类能力,提出了一种基于谐波小波样本熵与HMM模型结合的轴承故障模式识别方法.该方法首先利用谐波小波对轴承各个状态故障信号进行分解,进而由谐波小波三维时频网格图的频率层数特征计算合理的样本熵维数和阈值,依次提取轴承振动信号各层的样本熵构成特征向量序列;然后将序列前120组输入HMM模型中进行训练得到对应故障模型,剩余80组进行测试与识别,通过对比对数似然估计概率输出值确定轴承故障类型.实验通过与BP和RBF神经网络模型进行不同训练组数的正确识别率对比,验证了该组合方法具有识别准确率高,稳定性强的优点.     

隐马尔柯夫模型在信号检测中的应用

用隐滤波器隐马尔哥尔夫模型从相似功率谱噪声中检测脑电信号，运用似然比检验的方法对混有噪声的脑电信号进行检测。实践表明，该方法检测效果较好，在－１８ｄＢ信噪比时仍得到满意的ＲＯＣ曲线。     

基于小波域隐马尔可夫模型的人脑MRI体数据分类

为保证三维体视化图像能较准确地表达组织，以人脑磁共振图像为例，提出了基于小波域隐马尔科夫模型的体数据分类算法，首先采用EM算法进行HMT模型参数估计，然后通过小波分解，得到近似初始分类数和各类在小波空间中的特征量，这在以往体数据分类中需要事先对体数据进行大量的训练才能得到．分类结果采用ICM（iterated conditional mode）方法获得．其结果表明，该方法在运算时间和分类效果上都优于以往的多分辨率分类方法．     

隐马尔可夫过程小波变换的参数估计

作者提出了一种新的方法来解决通过小波变换后的隐马尔可夫过程参数的计算问题．这个方法不必根据变换后的结果对系统参数进行重新估计,而只需利用变换后输出的小波系数直接来计算参数即可,避免了保留所有训练数据的繁琐复杂计算过程。     

基于局部保持映射和隐马尔科夫模型的模拟电路故障诊断方法

针对模拟电路信号的非线性特征,提出一种基于局部保持映射和隐马尔科夫模型的故障模式识别新方法. 首先提取模拟电路的信号特征构成原始高维特征样本空间;然后采用LPP算法将原始高维故障数据映射至低维空间,提取数据的内在流形特征作为特征矢量;最后通过构建混合HMM反映系统的真实状态,并作为分类器实现对各状态的分类识别. 通过仿真分析,将该方法与其他方法进行对比,结果表明,LPP-HMM方法可以有效识别早期故障特征,具有较高的故障识别率.      

基于小波域隐马尔可夫模型多尺度图像分割

提出了一种基于小波域自适应上下文结构的多尺度图像分割算法（JACMS）．该算法为了减小计算复杂度,采用隐马尔可夫半树模型和参数加权训练算法,得到了可靠的初始分割．为了获得较好的区域一致性和边缘准确性,在进行尺度间融合时,采用自适应的上下文结构分别应用于图像纹理均质区域和图像纹理边缘,保证了图像大致轮廓的准确性和可靠性,提高了分割后图像纹理边缘的精确度．对合成图像与航摄像片的实验结果表明,该方法的分割错误概率低于传统的基于小波域隐马尔可夫树模型的图像分割方法,且对真实图像得到了理想的分割效果．     

基于隐马尔可夫树非高斯信号的建模分析与分类识别

研究了基于小波域隐马尔可夫树模型非高斯信号的建模方法．探讨了海洋环境噪声和船舶辐射噪声在不同工况下所表现出的不同模型特征，并根据它们在HMT模型参数上的特征差异提出了一种新的检测方法，实验证明，该方法的检测性能比过零检测、能量检测以及二阶统计量检测方法要好．通过结合小波域隐马尔可夫模型和支撑向量机，提出了一种新的水声非高斯噪声信号的识别分类方法，实验证明，该方法具有较好的分类性能．     

变压器局部放电监测中的小波去噪方法

由于强烈的窄带周期干扰、白噪声和脉冲干扰等外部干扰,变压器局部放电在线监测技术中的局部放电信号提取一直是个难题.应用小波去噪技术研究了局部放电在线监测中的噪声抑制方法,对母小波及阈值(threshold)的自动选择方法进行了深入研究.仿真信号和现场实测信号分析表明,该方法适于变压器局部放电在线监测中的白噪声抑制,而对周期窄带干扰的抑制效果相对较差,需与其它对窄带周期干扰抑制效果较好的数字滤波方法结合,将具有良好的实际应用效果.