柴油机振动信号的小波包奇异值降噪

柴油机的振动信号中含有大量噪声，在进行故障特征提取之前必须加以消除。首先对傅里叶滤波降噪、小波降噪和小波包降噪的效果进行了对比，然后将奇异值分解技术用于信号降噪。最后提出了一种将小波包和奇异值分解相结合的降噪方法。该方法将输入信号进行一次小波包分解，利用奇异值分解方法对分解后的幅值量化系数进行降噪。实例表明，小波包和奇异值分解相结合的方法降噪效果最好。与其他方法相比，用新的方法对柴油机缸盖振动信号进行降噪处理的信噪比最高，且能明显识别出燃烧爆发、气门落座等各个阶段的振动信号，大大提高了特征提取的准确率。     

基于小波分析的水力机组故障诊断奇异数据还原研究

采用小波变换中奇异信号检测的基本原理,首先检测出信号中的奇异点,将奇异点剔除后再通过处理过的细节系数和近似系数一起重构信号,根据重构信号再对机组进行重新分析。实例仿真结果表明,小波能够正确识别水力机组奇异信号,并对机组信号进行准确重构,基于此可正确认识机组故障并准确描述机组状态。     

基于小波变换和奇异值分解的模态参数识别方法

提出了一种新的基于小波变换和奇异值分解相结合的结构模态参数识别方法.该方法首先对环境激励下的结构加速度响应信号进行互协方差分析,得到时域互协方差响应,通过小波变换将互协方差响应转换到时频域中得到信号的时频系数并沿每一个尺度点提取协方差响应的小波系数阵,然后对提取的小波系数阵进行奇异值分解得到奇异值和奇异向量,最后从重组的奇异值和奇异向量中识别出结构的模态参数.文章对提出的方法进行了理论证明,通过三自由度系统的数值算例验证了该方法的可行性,表明与直接小波变换方法相比,其识别结果精度更高.     

基于双阈值小波变换在雷达测试数据处理中的应用

针对雷达测试数据中存在大量噪声和野值的问题,分析了雷达测试数据噪声、野值产生的原因及其在小波域上的特性,根据此特性提出基于显著检验水平的准则野值判别方法和小波阈值消噪的新双阈值函数.利用此双阈值对数据小波变换细节分量进行处理,然后重建原数据,从而达到消噪、去野值的目的.与小波默认阈值消噪相比,此方法对野值的剔除效果显著,消噪后的信噪比有较大提高.     

小波奇异值分解的瞬变弱信号检测

研究小波阈值法和奇异值分解法,分析最大分解层数、阈值函数、小波基函数的选取以及窗长和保留奇异值个数等参数的选择,并在此基础上提出小波与奇异值分解相结合降噪检测信号的方法。该方法首先将信号作小波分解,再对小波分解系数作奇异值分解,最后通过阈值法保留小波系数并重建降噪信号,利用重建信号进行信号检测。结果表明:该方法能更好地区分信号和噪声,获得更好的降噪和检测结果。     

基于奇异值分解的连续小波消噪方法

针对小波软阈值消噪的缺点,提出了一种基于奇异值分解的连续小波消噪方法.通过对小波变换的系数矩阵进行奇异值分解,将其中的信号特征成分和噪声分解到不同的正交子空间中,在子空间中选取集成信号特征成分的奇异值矢量进行重构,从而提取出淹没在噪声中的信号成分.通过仿真数据的对比分析和工程测试信号的应用,表明该方法适用于冲击成分信号的提取,与软阈值消噪法相比,它提取出的信号特征成分更完整,信噪比更高.     

井下指令信号的小波-奇异值分解双层滤波降噪

针对旋转导向钻井井下接收的指令信号进行降噪时存在奇异点和突变点等问题,提出一种基于小波-奇异值分解的双层滤波降噪方法。该方法将小波改进分层阈值降噪与奇异值分解降噪相结合,采用小波变换与奇异值分解WT-SVD双层滤波降噪方法,对小波改进分层阈值降噪后的信号进行矩阵构造,经过奇异值分解和重构使信号得以还原。通过实验确定了所选取的奇异值个数及重构矩阵结构,并对比研究了奇异值分解、小波改进分层阈值和WT-SVD双层滤波3种不同降噪方法降噪后的信号波形及信噪比、均方根误差和相关系数。实验结果表明,WT-SVD双层滤波方法降噪效果明显。     

小波在图象边缘检测中的应用

作者在文章中，介绍了小波理论以及小波在处理信号的奇异值方面的优越性。提出了多尺度逼近小波变换在图像边缘检测中的方法。经计算机模拟，该方法效果令人满意。     

柴油机振动信号的小波包奇异值降噪

柴油机的振动信号中含有大量噪声,在进行故障特征提取之前必须加以消除.首先对傅里叶滤波降噪、小波降噪和小波包降噪的效果进行了对比,然后将奇异值分解技术用于信号降噪,最后提出了一种将小波包和奇异值分解相结合的降噪方法.该方法将输入信号进行一次小波包分解,利用奇异值分解方法对分解后的幅值量化系数进行降噪.实例表明,小波包和奇异值分解相结合的方法降噪效果最好.与其他方法相比,用新的方法对柴油机缸盖振动信号进行降噪处理的信噪比最高,且能明显识别出燃烧爆发、气门落座等各个阶段的振动信号,大大提高了特征提取的准确率.     

小波变换在心电图R波检测中的应用

介绍了一种新颖的信号处理方法－小波变换．利用三阶样条小波分析了信号的奇异点与其小波变换的关系，并通过ＥＣＧ信号的小波变换，分析了小波变换的抗干扰能力．最后提出了一种以小波变换为基础的ＱＲＳ波检测方法     

基于小波奇异值分析的管道泄漏特征提取研究

分布式光纤泄漏检测技术在油气管道泄漏监测领域有广泛的应用前景。本文通过分布式光纤测温系统获取输油管道实时的温度信号,利用小波奇异值分析对信号进行特征提取,判断管道的泄漏程度及位置。实验结果表明:小波奇异值分析不仅对严重泄漏时的温度信号可突出特征,而且对于轻微泄漏情况下或干扰作用下特征信息微弱的温度信号,具有很好的降噪、特征提取的作用。     

基于小波变换和奇异值分解的图像压缩

本文首先介绍了基于小波域的奇异值压缩算法,然后提出了基于矩阵分块和阈值约束的奇异值压缩编码算法：低频子带直接进行熵编码。针对高频子带分块处理,结合各频带的能量与奇异值之间的关系,选择不同的阈值,对分块矩阵进行带阈值条件的奇异值分解方法。通过改进的算法和直接的奇异值分解进行了实验对比,在同样的压缩率的情况下可以获得更高的峰值信噪比。     

奇异值分解对轴承振动信号中调幅特征信息的提取

为了从复杂的轴承振动信号中提取微弱的故障信息,提出了一种基于奇异值分解的特征提取方法.分析了基于奇异值分解的信号分解和特征提取原理,指出其信号分解的实质是一种线性叠加分解,并通过对轴承振动信号构造Hankel矩阵,利用奇异值分解处理后得到多个分量信号,并选择前面一定数目的分量信号进行叠加,准确地提取到了因滚道损伤引起的调幅特征,进而研究分析了不同数目分量所获得的调幅特征效果,并与小波变换进行比较.研究结果表明SVD对调幅特征的提取效果优于小波变换.     

小波及奇异值分解在混沌特征计算中的综合去噪研究

观测时间序列的非线性动力学混沌特征研究在电力、气象、地震、边坡等工程领域的应用日益广泛，但观测序列的噪声对研究结果具有重要的影响，人们通常采用傅立叶或者小波变换方法去噪。但对于混沌序列来说，这种去噪方法具有一定的局限性，会造成观测数据一定程度的破坏，对混沌分析结果会产生一定的影响。本文探讨运用小波变换结合奇异值分解（SVD）方法来解决观测时间序列在混沌特征分析时的去噪问题，该方法针对混沌分析过程中的源观测数据特点，首先用小波方法对一维观测序列去噪，并对去噪后的序列计算混沌特征分析中的重要参数一相空间重构参数m，τ，根据m，τ对源一维观测序列进行重构，得到重构的相空间矩阵A，然后对矩阵A采用SVD方法进行处理，通过这两种方法相结合的方式来达到更好的去噪目的。结果表明其去噪效果是明显的，数据经过小波变换和SVD联合处理后其观测序列的混沌特征更明显和易于提取，提高了观测时间序列混沌分析的可靠性。     

基于快速提升小波变换的谐波实时检测新方法

提出一种基于提升小波变换的有源电力滤波器谐波实时检测方法.以经典Daubechies小波为谐波检测基函数,利用欧拉算法因子化分解得到其第二代小波提升步骤;通过当前采样值与历史采样值构造改进型数据帧实现小波实时算法,并采用周期延拓处理数据帧边界.搭建dSPACE试验平台,自编Simulink/Embedded Matlab Function函数实现检测算法,将Simulink/RTW和dSPACE/RTI生成C代码载入实时硬件系统进行分析.试验结果表明:该方法能准确实时地分离出电网稳态谐波分量,暂态跟踪调整时间少于一个周波;较第一代Mallet小波算法加速近一半;改进的实时数据帧构造方法硬件实现更加快速.     

基于Morlet小波变换与SVD的故障特征提取

针对Morlet小波变换结果中的特征提取问题,对连续小波变换得到的小波系数矩阵进行奇异值分解(SVD),分析了所获得的奇异值与Morlet小波变换结果中的特征信号以及噪声的对应关系.基于这种关系,通过选择合适的奇异值进行重构,清晰地提取到Morlet小波分解结果中的有效特征信息;进一步计算得到频率-能量谱,根据峰值位置能够提取冲击特征.将该方法应用于轴承振动信号的故障特征提取,并与其他方法进行了比较.结果表明,文中方法所获得的故障波形非常清晰,在低信噪比时具有较好的故障特征提取效果.     

基于SOM神经网络的永磁同步电机故障诊断

为实现永磁同步电机的故障类别的诊断, 采用小波函数根据不同频段进行故障特征提取, 进行归一化数据样本处理, 以剔除奇异样本, 利用小波函数构成SOM(Self Organizing Map)的领域函数, 形成次兴奋神经元进行权值更新, 以避免SOM的局部最优。采用实验提取的故障数据作为SOM神经网络的输入样本进行网络训练, 从而得出产生特定故障时所激发的相应神经元索引。实验结果验证了该方法的可行性和实用性。     

一种新型信号奇异值预处理方法

随着变频器等大功率电子开关器件的广泛应用,电信号中电磁干扰现象越来越严重,数据采集系统实时数据中的奇异点增多,且其分布特征不明显,对于低成本小系统来说,一些先进的数据处理方法无法实施,而传统均值滤波法和中值滤波法等滤波效果往往不理想。对此,提出了一种新型的信号奇异值的预处理方法,即PMF（预测均值滤波）法。该方法通过计算信号的前向均值和后向均值来分析信号的趋势,并将这个趋势作为判断奇异值的依据。如果是奇异值则将现有数据舍弃并根据前面判断的趋势对信号进行插值;如果不是则保留原数据,最后再对新的数据序列作均值滤波。应用结果表明,信号经过PMF法处理后其特征性能和平滑性得到大幅度提高,具有较好的实用价值。     

心电信号中R波的小波探测法

心电信号中的R波是心室除极时所产生的电位突奕，是典型的峰值奇异信号。笔者研究了小波变换对心电信号R波峰值奇异点的精确检测机理，分析了Mexican hat小波特有的时域特性，该小波具有任意阶连续性、对称性和指数衰减，具有零阶和一阶消失矩。因此Mexican hat小波基对R波具有良好的定位特性和分析精度。通过MIT／BIH（Massachusetts Institute of Technology/Boston's Beth Israel Hopital）心电数据库的测试和应用实例的验证，即使在有严重噪声干扰的情况下，该方法也很容易实现对R波的准确检测和精确定位，具有相当高的定位精度（定位误差不大于1个采样点，约80％能准确定位）和分析精度（不存在累计误差），同时具有较高的实时性，可以实现R波产时检测和分析。     

基于压缩感知与小波域奇异值分解的图像认证

提出了一种基于压缩感知与小波域奇异值分解的图像哈希认证新方法.该方法首先通过小波变换得到图像的低频子带,然后对低频子带进行基于块的奇异值分解,最后对产生的最大奇异值数组进行基于压缩感知的随机投影,产生哈希认证信息,并偕同原图像传送到接收端.图像接收端通过比较哈希信息完成图像认证,并通过利用传递的哈希信息重建原始图像的奇异值,进一步映射奇异值差值到图像像素域,从而实现对图像篡改的识别与定位.大量实验结果证明了该方法的有效性.