复合信号的小波分形特征

将分形理论与小波理论相结合，提出一种用于重叠复合化学信号中确定组分数和各峰位置的新方法－－小波分形峰位法。首先通过连续小波变换，将复合化学信号变换成一定小波尺度范围内在时间域的连续小波变换值，然后再将其转换成容量维数Dc，根据Dc的变化确定出复合信号的各组分数及相应组分的峰位置，同时研究了小波尺度对不同重叠信号中各峰位置的影响。结果表明，该法是一种提取化学重叠信号中各单独信号并准确确定峰位置的有效工具，即使对于重叠程度严重的信号仍能获得满意的结果。将其用于处理镉－铟体系的重叠伏安峰，峰位置的相对误差小于1％。用小波分形峰位法提取峰位置方法简便、快捷、准确，且处理过程中无需对不同体系进行小波惊讶的重复选择，只需将原始信号进行连续小波变换后转换为容量维数即可，所以具有广阔的发展前景。     

样条小波用于电分析化学信号微分的研究

通过对样条小波特性的研究发现,如果用三次样条函数的导函数二次样条函数作为小波基函数,其小波变换既具有去噪功能又具有微分功能。从理论上探讨了信号的样条小波变换与信号微分的关系,并将其应用于电分析化学信号的处理。研究结果表明,利用样条小波变换可以对信号微分。与其他小波变换相比较,样条小波变换可同时实现信号滤波和微分功能;与数字微分和模拟微分相比较,样条小波变换不仅具有滤波功能,而且由于不用选择步长、Ｒ     

时频分析在非平稳信号消噪中的应用

文章用时频分析方法中的傅里叶变换和小波变换方法对非平稳信号进行噪声消除,并根据仿真,就这两种方法对信号消噪处理结果,比较傅里叶变换和小波变换这两种方法的优缺点。     

样条小波与样条插值分段滤波方法

针对窄带锐峰含噪信号峰尖以及峰周围所采集数据点少的特点,提出了样条小波与样条插值分段滤波的联用技术,并对Ｖ和Ｍｎ和ＣＣＤ－ＩＣＰ－ＡＥＳ实际光谱信号进行了处理,结果令人满意,研究结果表明,这种新的联合技术,对处理奇异突变信号十分有效,能提高波谱的清工和分析的准确度。     

基于GCV准则的小波阈值去噪算法研究

在对小波去噪文献进行理解和综合的基础上，研究了广义交叉确认准则下的GCV阈值方法，对其原理进行了分析，给出了GCV阈值的推导过程。     

样条小波多重过滤的滤波分析

在电分析化学研究过程中,当被测物浓度很低,采样数据序列常常含有非常严重的白噪声,严重影响检出限和输出波形,同时也给伏安波的进一步分析带来困难。在众多的提高信噪比方法中,以Fourier为基础的数字处理方法得到广泛的研究和应用,它主要把时间域的测量变换成频率域的测量,但是,Fourier方法有几个无法克服的弱点。近几年来,小波分析在工程界和理论界获得了广泛的研究和应用。它的主要特点为:可以把信号按频率直接分解,容易求出信号频域分布状态的时域表示,这种表示方法同时具有时频局部化的特点;另外,在某一段频域范围(小波波谱)的信号,在不了解原始信号的情况下,可选择适合于该曲线特性的小波基,这样能更准确地处理所描述的信号。     

基于GCV准则的小波阈值去噪算法研究

在对小波去噪文献进行理解和综合的基础上,研究了广义交叉确认准则下的GCV阈值方法,对其原理进行了分析,给出了GCV阈值的推导过程。     

基于GCV准则的小波阈值去噪算法研究

在对小波去噪文献进行理解和综合的基础上,研究了广义交叉确认准则下的GCV阈值方法,对其原理进行了分析,给出了GCV阈值的推导过程.     

多尺度小波及其边缘检测应用研究

论述了小波变换的边缘检测原理并采用B样条小波进行检测.实验仿真证明,利用小波变换提取的图像边缘效果明显优于sobel、prewitt、canny等传统的边缘检测方法.     

多尺度小波及其边缘检测应用研究

论述了小波变换的边缘检测原理并采用B样条小波进行检测。实验仿真证明，利用小波变换提取的图像边缘效果明显优于sobel、prewitt、canny等传统的边缘检测方法。     

小波神经网络在红外光谱数据压缩中的应用

红外光谱是进行化合物定性及定量分析的重要依据,通常需要大量的数据才能较准确地反映所测化合物的结构特征.对应于众多的化合物,红外光谱的数据量非常庞大.因而,在保证红外光谱主要特征基本不变的前提下,如何对红外光谱进行压缩,较大地减少数据量,进而改善红外光谱的存储、检索及处理等方式是一项很有意义的研究工作.小波神经网络(Wavelet neural network),简称小波网络,是基于小波分析所构造的一种新的神经网络模型,目前在化学界尚未见到介绍和应用.本文将其应用于聚苯乙烯薄膜红外光谱的压缩表达.结果表明,小波网络在大量压缩数据的同时,能够很好地恢复原有红外光谱,特别是能够较准确地反映吸收峰的位置和强度.     

小波框架的齐次逼近性质

文章先给出了两个Banach空间,它们中的函数对于满足一定条件的参数序列能产生小波框架,并且在参数和生成元函数有微小扰动的情况下仍然为小波框架。后在前文的基础上放宽了函数属于F1(R)的充分条件。一步,F0(R)中的生成元产生的小波框架满足强齐次逼近条件,也就是函数的小波框架展开式的逼近率在它进行伸缩平移以后是不变的。     

小波框架的齐次逼近性质

文章先给出了两个Banach空间,它们中的函数对于满足一定条件的参数序列能产生小波框架,并且在参数和生成元函数有微小扰动的情况下仍然为小波框架.后在前文的基础上放宽了函数属于F1(R)的充分条件.一步,F0(R)中的生成元产生的小波框架满足强齐次逼近条件,也就是函数的小波框架展开式的逼近率在它进行伸缩平移以后是不变的.     

基于小波包特征提取的车牌字符识别

针对车牌字符识别的特点, 提出了基于二维小波包的车牌字符特征提取方法, 将车牌字符图像进行二维小波包变换, 搜索最优小波包基, 提出了寻找最优小波包基的准则, 并给出了具体算法; 将获得的最优小波包基作为车牌字符的特征, 采用神经网络进行车牌字符分类. 测试结果表明, 与传统方法相比, 文中方法得到了更好的结果.     

小波框架的齐次逼近性质

文章先给出了两个Banach空间，它们中的函数对于满足一定条件的参数序列能产生小波框架，并且在参数和生成元函数有微小扰动的情况下仍然为小波框架。后在前文的基础上放宽了函数属于F1（R）的充分条件。一步，F0（R）中的生成元产生的小渡框架满足强齐次逼近条件，也就是函数的小波框架展开式的逼近率在它进行伸缩平移以后是不变的。     

齿轮箱故障诊断技术的新发展

指出齿轮箱是机械设备的重要传动部件,其故障诊断得到了广泛的重视;综述了小波变换、人工神经网络、专家系统等新的信号分析方法和故障诊断技术。     

基于多心理生理参数和核学习算法的脑疲劳估计

脑疲劳是一种极其复杂的现象, 受环境、健康状态、生命力以及恢复能力的影响. 单一参数无法全面描述. 本研究首先运用主观自评方法研究长时间持续低负荷视频显示终端(VDT)任务对心理的影响, 而后通过心率变异性的功率谱指数、由视觉刺激诱发得到的P300成分以及脑电的小波包参数来共同分析长时间VDT活动对自主神经和中枢神经系统的影响. 最后, 提取脑电的小波包参数作为不同脑疲劳状态下大脑活动的特征, 把核主分量分析(KPCA)和支持向量机(SVM)算法结合起来用于区分疲劳前后两个状态. 统计分析表明, 完成任务后主观困倦和疲劳程度显著增加, 长时间VDT任务引起被试的脑疲劳. 完成任务后被试自主神经系统的主要活动从副交感神经活动转变为交感神经活动. P300成分和脑电的小波包参数与脑疲劳有很强的关联性. 而且, KPCA-SVM方法可以有效地减少特征向量的维数, 加速SVM训练的收敛, 取得了较高的脑疲劳的识别率(87%). 多生理心理参数测量和KPCA-SVM方法有望成为衡量脑疲劳的有前途的工具.     

齿轮箱故障诊断技术的新发展

指出齿轮箱是机械设备的重要传动部件,其故障诊断得到了广泛的重视;综述了小波变换、人工神经网络、专家系统等新的信号分析方法和故障诊断技术.     

一种新型实时拓展小波滤波器处理电分析信号的研究

目前在化学计量学方面文献报道的含噪分析信号处理方法一般有:曲线拟合、卷积平滑、Fourier滤波、Karman滤波、匹配滤波、最小二乘和样条平滑等,并且对某些系统取得了一些有意义的结果.但这些方法具有一定的局限性和缺点,如Fourier方法,要知道全部处理信息及有用信息和噪声信息的频率分布状况,还要经过Fourier正、反变换,只能对信号作离线处理;Karman及匹配滤波器要求对处理信号的了解比Fourier方法更多,才能有较好的滤波效果;其余的滤波器,由于方法本身的局限性,使滤波效果只能达到一定的精度,或是使问题不     

周期正交拟小波

由于在数学及数学物理中常常遇到带周期性的问题,如何在周期函数类构造各种合适的正交小波基就是一个十分重要的问题.国际上这方面的研究十分活跃.由于各种应用的需要,作者近年来用各种不同的周期样条空间构造出周期的正交拟小波基以及建立了有关的双尺度方程,系数的分解及重建公式等等.此外,用周期拟小波逼近的误差阶也获得估计.对非周期函数的逼近也作了研究.另外,对反周期的正交拟小波基也作出构造.十分惊奇的是,关于系数的分解与重建公式中,其所包含的项数在周期时及反周期时分别只含两项及三项.令h_m=T/K(m),K(m)=2~mK,T>0,K>0以{Kh_m}_(K∈(?)为节点.属于C~(n-1)(R~1)的周期为T的n次多项样条函数类的全体记为(?)_n(h_m),它在I=[0,T]上的限制记为(?)_n(h_m,I),则(?)_n=lin span{B_v~(n,m)(x),x∈I,v=0,…,K(m)-1},其中(?)_v~(n,m)(x)是由两个B样条函数相加而成,(?)_v~(n,m)(x)的周期为T的在R~1