小波阈值技术在图像降噪中的应用研究

通过对图像的小波变换系数进行阈值操作，可以有效降低噪声，同时又较好地保持图像细节。在文章中详细讨论了这种小波阈值降噪技术，并给出了在此种降噪方法中阈值选取的几种方法。由实验结果可以知道此种小波阈值方法是一种有效的图像降噪方法。     

基于多尺度小波变换的二维图像角点检测技术

提出一种基于多尺度小波变换的二维图像角点检测算法。首先利用二维零交叉边缘检测算子对图像进行边缘提取得到二值边缘图，通过基于边素（边过程）的围线跟踪算法得到图像的边缘围线。对边缘围线的方向曲线进行多尺度小波变换，利用变换结果的局部最大值信息检测和定位出图像角点。仿真结果表明该算法可有效地实现二维图像的角点检测与定位，具有较高的精度     

对DJ小波VisuShrink去噪法中j0取值的分析

ＤＪ小波ＶｉｓｕＳｈｒｉｎｋ去噪法在数字信号处理方面的应用已十分广泛,但是去噪后恢复信号质量的优劣与低分辨率截断参数ｊ０的选取是密切相关的,而ｊ０的选取又与被污染信号的噪声指数σ以及采样率有关。这篇文章对这些关系进行了分析,并给出了仿真计算的结果,分析与计算的结论对如何选取最佳低分辨率截断参数ｊ０具有一定的指导意义。     

分形的小波分析

从Fourier变换引出小波变换,以多尺度分析建立小波与分形的联系,然后对分形插值函数和分形Brown运动方程进行小波分析.     

对“飞毛腿”导弹测轨时间和预报误差的估计

本文描述了近程弹道式导弹的轨道确定的有关问题,如测轨时间和预报精度的有关问题。     

基于PSO优化小波神经网络的无人机动力系统故障诊断模型

针对传统小波神经网络对无人机动力系统的故障信号降噪和识别能力差以及网络收敛速度慢、训练精度不高的问题,构建了基于改进粒子群算法(PSO)优化小波神经网络的无人机动力系统故障诊断模型。该模型运用软、硬阈值函数组合改进的新阈值函数和改进PSO优化小波神经网络的方式,克服重构信号不连续或严重失真的问题,优化了小波神经网络初始权值和阈值,使模型能够实现快速、准确分析和识别故障类型,具有较好的故障预测和诊断能力。本文中通过对比不同阈值函数的降噪能力和PSO、GA、ACO对小波神经网络的改进效果,比较BP神经网络、传统小波神经网络、PSO优化小波神经网络的故障诊断预测效果,验证了本文中构建的PSO优化小波神经网络故障诊断模型远优于其他对比模型,具有故障识别和降噪能力强、收敛速度快、训练精度高的优点,在无人机动力系统的故障诊断领域,具有较好的可行性和有效性。     

基于ANSYS Workbench的轴套表面裂纹应力强度系数有限元分析研究

针对轴套表面裂纹受力复杂、不易进行理论计算的问题,开展了基于ANSYS Workbench的裂纹有限元仿真方法的研究,得到了轴套表面裂纹应力分布与裂纹尺寸和过盈偏差的关系,以及应力强度系数沿裂纹前缘位置的分布规律。通过对比发现,轴套表面裂纹的仿真结果与理论计算误差10%,由此说明了有限元方法的有效性。     

基于改进的软阈值小波包网络的电力信号消噪

为了克服传统软、硬阈值在信号消噪中存在的不足,首先构造了一种新的软阈值函数,并将小波包变换和神经网络相结合;然后,基于改进的软阈值小波包网络对实际采集电力信号进行消噪。MATLAB仿真结果表明:改进的软阈值小波包网络比传统硬、软阈值小波包消噪的信噪比高,且均方根误差小,是一种非常有效的电力信号消噪方法。     

基于战争成本—收益计算的国防支出决定模型

国防支出是国防建设的资源投入和基本保障。如何确定国防支出的比例或规模既是国家决策者关心的重大现实问题,也是国防经济学研究的最基本问题之一。与以往研究不同,文章创造性地从战争成本—收益计算的视角出发,构建了一个基于本国武器装备杀伤系数的决定国防支出比例的基础模型;并在此基础上,通过逐步引入抵抗外敌入侵的自毁系数、敌国武器装备对本国进攻与防守能力的抵消作用、敌国武器装备使本国武器装备数量的失效作用、敌国攻击本国的获胜概率等变量对模型进行扩展;最后通过跨期模型加以动态化,说明在长期均衡状态下国防支出的变化趋势。通过这些模型的构建和求解,我们得出:一国国防支出的比例(或规模)主要取决于该国武器装备的杀伤系数、自毁系数、敌国国防支出、敌国获胜概率、本国的国民财富、经济增长率和武器装备折旧率等因素。这为在实践中安排好一国的国防支出提供了十分有益的参考。     

平稳小波去噪算法中的参数选择

为研究平稳小波变换去噪算法在工程应用时如何选择小波基、小波系数处理方法和阈值计算方法的参数以取得最优去噪效果,通过仿真实验,对比不同小波基、不同小波系数处理方法及不同阈值计算方法对平稳小波变换去噪算法去噪效果的影响,对算法的参数选择问题进行研究。实验结果表明：相比其他滤波器组,大部分情况下Daubechies 小波基对应的滤波器组去噪效果更好;信号信噪比较低时选用软阈值法,信噪比较高时选用硬阈值法;使用阈值法处理小波系数,信号信噪比不高的情况下应采取固定阈值法来确定阈值,信号信噪比较高时应采取无偏风险估计法。