目前，小波分析在信息技术和其他学科方面的应用是众多科技工作者关心的课题。在理论方面，新观点、新方法不断涌现。本文旨在完善小波的基本理论，对原有的小波去噪方法作进一步的改进。 经典的信号处理方法，例如傅立叶变换、短时傅立叶变换等具有局限性，因而限定了它们的应用范围。小波分析作为一种全新的信号处理方法，它将信号中各种不同的频率成分分解到互不重叠的频带上，为信号滤波、信噪分离和特征提取提供了有效途径，特别在信号去噪方面显出了独特的优势。本文介绍了经典的去噪方法，并对其适用范围和效果进行了分析和比较。并且，讨论了小波分析的基本理论，介绍了连续小波变换、离散小波变换和小波变换的快速分解与重构算法，最后研究了小波基的数学特性，分析了它们对实际应用的影响和作用。进而，介绍了小波的几种去噪方法：小波变换高频系数置零去噪方法、小波变换模极大值去噪方法、小波阈值去噪方法、小波空域相关性去噪方法。用小波变换将高频系数强制置零去噪的方法是比较方便的，但它的不足之处是经将高频系数强制置零去噪后重构的信号会使信号丢失一些细节，且小波基的选择亦有相当的难度，只有靠经验来确定，不过比传统的滤波方法所得的效果还是要好。对于小波变换模极大值去噪的原理，分析了去噪过程中几个参数的选取问题，并给出了一些选取依据；对小波阈值去噪方法的几个关键问题进行了详细讨论。对阈值去噪进行了改进，利用均值逼近与阈值去噪相结合的方法来实现信号的处理，并通过实验仿真实现。实验结果表明该方法提高了信噪比，去噪效果优于单独应用阈值去噪的方法。 在空域相关去噪算法的基础上，进行了改进，利用阈值滤波与相关去噪算法相结合的一种组合去噪算法，仿真试验结果表明，由该算法滤波之后得到的小波系数不仅连续性好，准确率高，而且易于重构信号。 本文分别对这四种方法进行了算法分析比较，通过实验仿真来实现，并对实验结果进行了分析。实验仿真结果表明了利用小波分析理论对信号去噪的可行性和有效性。 关键词：小波分析，信号去噪，阈值，均值逼近，空域相关
上传时间： 2013-07-19
上传用户：啊飒飒大师的
心音信号是人体最重要的生理信号之一，包含心脏各个部分如心房、心室、大血管、心血管及各个瓣膜功能状态的大量生理病理信息。心音信号分析与识别是了解心脏和血管状态的一种不可缺少的手段。本文针对目前该研究领域中存在的分析方法问题和分类识别技术难点展开了深入的研究，内容涉及心音构成的分析、心音信号特征向量的提取、正常心音信号（NM）和房颤（AF）、主动脉回流（AR）、主动脉狭窄（AS）、二尖瓣回流（MR）4种心脏杂音信号的分类识别。本文的工作内容包括以下5个方面： a）心音信号采集与预处理。本文采用自行研制的带有录音机功能的听诊器实现对心音信号的采集。通过对心音信号噪声分析，选用小波降噪作为心音信号的滤波方法。根据实验分析，选择Donoho阈值函数结合多级阈值的方法作为心音信号预处理方案。 b）心音信号时频分析方法。文中采用5种时频分析方法分别对心音信号进行了时频谱特性分析，结果表明：不同的时频分析方法与待分析心音信号的特性有密切关系，即需要在小的交叉项干扰与高的时频分辨率之间作综合的考虑。鉴于此，本文提出了一种自适应锥形核时频（ATF）分析方法，通过实验验证该分布能较好地反映心音信号的时频结构，其性能优于一般锥形核分布（CKD）以及Choi-Williams分布（CWD）、谱图（SPEC）等固定核时频分析方法，从而选择自应锥形核时频分析方法进行心音信号分析。 c）心音信号特征向量提取。根据对3M Littmann（） Stethoscopes[31]数据库中标准心音信号的时频分析结果，提取8组特征数据，通过Fihser降维处理方法提取出了实现分类可视化，且最易于分类的心音信号的2维特征向量，作为心音信号分类的特征向量。 d）心音信号分类方法。根据心音信号特征向量组成的散点图，研究了支持向量机核函数、多分类支持向量机的选取方法，同时，基于分类的目的 性和可信性，本文提出以分类精度最大为判断准则的核函数参数与松弛变量的优化方法，建立了心音信号分类的支持向量机模型，选取标准数据库中NM、AF、AR、AS、MR每类心音信号的80组2维特征向量中每类60组数据作为支持向量机的学习样本，对余下的每类20组数据进行测试，得到每类的分类精度（Ar）均为100％，同时对临床上采集的与上述4种同类心脏杂音信号和正常心音信号中每类24个心动周期进行分类实测，分类精度分别为：NM、AF、MR的分类精度均为100％，而AR、AS均为95．83％，验证了该方法的分类有效性。 e）心音信号分析与识别的软件系统。本文以MATLAB语言的可视化功能实现了心音信号分析与识别的软件运行平台构建，可完成对心音信号的读取、预处理，绘制时-频、能量特性的三维图及两维等高线图；同时，利用MATLAB与EXCEL的动态链接，实现对心音信号分析数据的存储以及统计功能；最后，通过对心音信号2维特征向量的分析，实现心音信号的自动识别功能。 本文的研究特色主要体现在心音信号特征向量提取的方法以及多分类支持向量机模型的建立两方面。 综上所述，本文从理论与实践两方面对心音信号进行了深入的研究，主要是采用自适应锥形核时频分析方法提取心音信号特征向量，根据心音信号特征向量组成的散点图，建立心音信号分类的支持向量机模型，并对正常心音信号和4种心脏杂音信号进行了分类研究，取得了较为满意的分类结果，但由于用于分类的心脏杂音信号种类及数据量尚不足，因此，今后的工作重点是采集更多种类的心脏杂音信号，进一步提高心音信号分类精度，使本文研究成果能最终应用于临床心脏量化听诊。 关键词：心音信号，小波降噪，非平稳信号，心脏杂音，信号处理，时频分析，自适应，支持向量机
上传时间： 2013-04-24
上传用户：weixiao99
在工业应用中常用一组传感器对问一个被测量目标在一个过程的不同位置进行测量，然而由于每个传感器位于过程的不同位置，它们将不问程度的受到嗓声的干扰，为了从被嗓声干扰的多传感器测量值中获得更准确的测量结果，霱要进“步研究多传感器的融合理论多传感器数据融合系统的关键在于如何充分利用各个传感器的信息，得到对被测参数的最优估计，本文主要研究了以加权的方式进行多传感器数据融合的方法，即研究如何对每个传感器进行加权，从而得到对被测参数最优佑计的方法为此本文在介绍了多传感器数据融合技术的基础上，首先研究了基于奇异值分解的数据融合算法，通过对传感器测量值构成的矩阵进行奇异值分解，利用每个传感器测量值所对应的奇异值，可以估计出对每个传感器权值的最优估计，从而在不要任何先验知识的条件下，可仅由多传感器的测量值，利用提出的算法得到在最小均方误差意义下的被测参数的最优估计，此外，在许多工业过程中，人们利用多传感器测量同一过程参数以控制该参数在过程中的不同位置能根据需要进行合理分布，此时人们希望利用多传感器融合的测量结果，对每一个传感器的测量数据进行重建，以获得对每一个传感器的测量结果进行更为准确的估计。为此，本文进一步研究了基于小波降噪和数据融合的传感器数据重建算法，仿真和实验结果都说明提出算法是有效的，最后，研究了非线性动态系统的状态融合问题，研究了加权无气味卡尔曼滤波（UKF）方法，研究表明无气味卡尔曼波波能克服了扩展卡尔曼滤波（EKF）在状态融合估计中的不足，可以得到了更准确的状态融合估计结关键词多传感器系统，数据融合，奇异值分解，UKF
上传时间： 2022-03-16
上传用户：aben
针对信号检测中经常存在的噪声污染问题，利用小波分解之后可以在各个层次选择阈值，对噪声成分进行抑制，手段更加灵活。本文介绍了小波变换的一般理论以及在信号降噪中的应用，分析了被噪声污染后的信号的特性；利用MATLAB软件进行了信号降噪的模拟仿真实验并在降噪光滑性和相似性两个方面体现出小波变换的优势。本文分别使用了不同类型的小波和相同类型小波下不同阈值对信号进行了降噪．仿真结果表明小波变换具有良好降噪的效果。
上传时间： 2013-10-19
上传用户：alex wang
提出了一种基于仿生小波变换和模糊推理的变步长自适应滤波语音降噪算法。该算法首先用仿生小波变换法对包含噪声的语音信号进行小波分解，以分离出来的噪声信号作为自适应滤波器的输入，选择基于模糊推理变步长自适应算法对带噪声语音信号进行降噪处理，最终实现语音信号的信噪分离，去除语音信号中的噪声。仿真结果表明，该方法对语音信号有较为明显的降噪效果。
上传时间： 2013-10-14
上传用户：恋天使569
小波变化是一种语音降噪的方法，其特点是灵活性好，具有较强的抗噪性能
上传时间： 2015-11-18
上传用户：妄想演绎师
小波分析理论及MATLAB7实现例程,第13章信号和图像的降噪与压缩
上传时间： 2013-12-23
上传用户：xiaoxiang
本文是小波分析在信号降噪方面的应用，有很全的源代码和文字说明，对学习的人有很大的帮助，并且有直观的图像和结果分析。与大家共享
上传时间： 2016-01-16
上传用户：远远ssad
基于小波变换的图像降噪.pdf
上传时间： 2016-11-10
上传用户：阿四AIR
该程序包为用MATLAB编写的一个基于小波变换降噪的软件，有很多值得借鉴的地方
上传时间： 2016-11-24
上传用户：hgy9473
