利用组合广义Harmonic小波设计梳状滤波器

在机械振动信号处理中常出现多倍频谐波谱特征或多边带调制谱特征,为更好地提取或去除这些特征频率,需要设计性能优良的梳状滤波器。根据Harmonic小波的特点,给出了利用组合广义Harmonic小波设计梳状滤波器的详细步骤和应用实例。研究结果表明:增大滤波器的阶数和使用旁瓣小的窗函数可以提高梳状滤波器的性能。     

基于小波变换和支持向量机的水下目标分类方法

水下目标识别技术是世界各国十分重视的研究课题之一,具有重要的理论和应用价值。简要介绍了小波变换、多分辨率分析及支持向量机的基本原理,针对舰船辐射噪声信号,利用小波变换来完成信号的预处理和滤波,在小波变换后信号的多尺度子空间上提取信号的能量特征参数,归一化处理后构建特征向量,最后用支持向量机算法进行分类。仿真结果表明,利用小波变换的多分辨率分析和支持向量机能对舰船辐射噪声信号进行有效分类识别。     

红外空中小目标小波域检测方法

针对空中远距离红外小目标检测的实际问题,提出了一种基于小波变换的检测算法.该方法首先对小目标图像进行小波分解并在考虑高频系数能量的基础上对噪声和背景边缘系数进行抑制,然后将遗留下来的高频系数通过线性映射变换成灰度图像.其次对3个方向的高频图像按照一维最大熵法进行二值化处理并通过形态开算子进一步滤除噪声,随后将高频图像两两相与关联生成单帧检测结果,并进一步利用帧间目标位置的相关性完成小目标检测过程.最后,在原图像中以检测结果图像的质心为中心生成跟踪窗口.试验结果表明,相对于通常的小目标检测算法,提出的算法在背景抑制、检测准确度以及速度方面都具有一定的优势.     

基于汉明编码和提升小波变换的数字水印算法

通过对水印图像混沌加密和汉明编码,以及对原始图像进行提升小波变换,并结合人类视觉系统特性值计算,提高了水印算法的鲁棒性。     

一种新的形态中值小波图像去噪方法

图像去噪是图像预处理中一项重要环节.针对线性小波分析在图像去噪中会丢失一些细节信息这一缺点,利用数学形态学算子的非线性特征,构建了一种非线性的可用于灰度图像处理的形态中值小波,并应用于图像去噪.对比实验结果表明,该方法比线性小波去噪方法具有更好的去噪性能,图像细节信息损失更小.     

基于ICEEMDAN和小波阈值的Φ-OTDR信号去噪算法

针对分布式光纤声波传感系统信号信噪比较低的问题,提出了一种改进的自适应噪声完全集成经验模态分解方法。改进方法利用样本熵和小波阈值去噪算法,从高噪声分量中提取有效成分。通过改进的自适应噪声完全集成经验模态分解(ICEEMDAN,Intrinsic Computing Expressive Empirical Mode Decomposition With Adaptive Noise)对实际采集的信号进行分解,计算样本熵,将其中的含噪分量进行小波阈值去噪,最后与未处理的信号分量进行重构。实验结果表明,对实采的信号进行降噪处理后,信噪比提高了5.34 dB,均方误差降低了0.014 8,波形互相关系数提高了5.7%。与其他常用的去噪方法相比,该方法不仅在信噪比方面表现更优秀,而且在均方误差和波形互相关系数方面也具有更好的性能,能够更好地保留有用信号。     

小波方法在滚动轴承振动信号分析中的应用

通过分析滚动轴承表面损伤类故障信号的特点,提出了基于小波包分解和信号重构技术的滚动轴承故障精密诊断方法.试验表明,该方法是有效的,适用于滚动轴承早期故障的振动监测和诊断.     

基于AFSA-WNN的Sallen-Key滤波器电路软故障诊断

为提高对Sallen-Key滤波器的软故障诊断能力,提出一种基于多分辨率变换与小波神经网络(WNN)的软故障诊断方法。该方法先引入多分辨率变换提取Sallen-Key滤波器电路的软故障特征,在此基础上,采用人工鱼群算法优化的WNN构建电路软故障诊断模型。仿真结果表明,与单纯的WNN相比,所提出方法对电路软故障的诊断性能更好,总正确率达到94.1%。从而证明该方法用于Sallen-Key滤波器软故障诊断是可行的,也是有效的。     

火炮射击冲击加速度信号提取方法研究

火炮结构在受到射击产生的冲击时易发生故障,最终影响火炮的寿命和性能。故障信号通常淹没在冲击加速度信号中,不易被识别。针对上述问题提出一种基于经验小波变换(EWT)和能量算子的信号提取方法,通过能量算子增强冲击响应特征,改进传统EWT的频谱分割方法,将火炮加速度信号分解为多个模态,有效地提取火炮的冲击特征。实验表明,改进后的EWT方法相对传统EWT对故障信号提取效果更好,时频图表现更清晰。     

基于尺度UKF小波网络的混沌时间序列预测

根据小波网络和Kalman滤波的特点,将小波网络的权重、平移因子和伸缩因子作为Kalman滤波的状态变量进行估计,提出一种训练速度快、泛化能力强的小波网络的尺度无轨迹Kalman滤波学习算法。然后,利用Rǒssler时间序列和变参数的Ikeda时间序列对该算法进行了验证。仿真结果表明,该算法预测混沌时间序列收敛速度快,预测精度高,而且在混沌时间序列的嵌入维数未知时也能取得较好的预测效果。可以胜任混沌时间序列的精确建模和预测任务。