一、基于雙Haar小波軟閾值去噪的閾值選?。ㄕ撐奈墨I(xiàn)綜述）
黎晨[1]（2021）在《基于聲發(fā)射信號(hào)的管道泄漏檢測(cè)及定位方法研究》文中提出隨著管道運(yùn)輸行業(yè)的蓬勃發(fā)展,管道老化、管道泄漏等問(wèn)題也日益凸顯。管道泄漏不僅會(huì)造成環(huán)境污染,而且嚴(yán)重影響人們的生命和財(cái)產(chǎn)安全。因此針對(duì)管道進(jìn)行泄漏檢測(cè)和泄漏點(diǎn)定位的研究具有十分重要的意義。本文分析了管道泄漏和定位研究中的重點(diǎn)和難點(diǎn)問(wèn)題,設(shè)計(jì)了一套基于STM32的管道泄漏聲發(fā)射信號(hào)檢測(cè)和定位系統(tǒng)。本文的主要做了如下的工作:（1）通過(guò)對(duì)現(xiàn)有管道泄漏檢測(cè)方法的分析,并基于管道泄漏聲發(fā)射信號(hào)的產(chǎn)生原理及其傳播特性,提出通過(guò)對(duì)管道泄漏聲發(fā)射信號(hào)的檢測(cè)完成對(duì)管道泄漏的定位。（2）通過(guò)對(duì)現(xiàn)有信號(hào)去噪方法的分析,設(shè)計(jì)了一種改進(jìn)的小波閾值函數(shù),并采用該改進(jìn)的小波閾值函數(shù)對(duì)含噪信號(hào)進(jìn)行了去噪,結(jié)果表明改進(jìn)的小波閾值函數(shù)其去噪效果優(yōu)于其它閾值函數(shù)?；谏鲜龇治?通過(guò)對(duì)變分模態(tài)分解VMD算法在信號(hào)處理中所顯示出的優(yōu)點(diǎn),提出了一種變分模態(tài)分解VMD和改進(jìn)的小波閾值的聯(lián)合去噪算法。通過(guò)對(duì)已知信噪比的不同含噪信號(hào)的去噪處理,驗(yàn)證了所提出的聯(lián)合去噪算法能夠更加有效地提高信號(hào)的信噪比。（3）完成了基于STM32的管道泄漏檢測(cè)和定位系統(tǒng)的設(shè)計(jì)。硬件方面主要包括單片機(jī)和傳感器的選型以及信號(hào)調(diào)理模塊的設(shè)計(jì);軟件方面主要包括下位機(jī)和上位機(jī)的設(shè)計(jì),下位機(jī)主要完成對(duì)采集到的傳感器信號(hào)的軟件去噪處理,同時(shí)判定管道是否泄漏,并估計(jì)泄漏點(diǎn)位置,之后將得到的管道泄漏信息傳送給上位機(jī)進(jìn)行顯示。（4）搭建了管道泄漏檢測(cè)與定位系統(tǒng),并進(jìn)行了相關(guān)實(shí)驗(yàn)。實(shí)驗(yàn)時(shí),使用三種不同加權(quán)函數(shù)加權(quán)的廣義互相關(guān)算法對(duì)兩傳感器的信號(hào)進(jìn)行了時(shí)延估計(jì)并對(duì)結(jié)果進(jìn)行了對(duì)比。最終選用SCOT函數(shù)加權(quán)的廣義互相關(guān)算法實(shí)現(xiàn)了對(duì)管道泄漏聲發(fā)射信號(hào)傳播速度的計(jì)算,同時(shí)完成了管道泄漏位置的估計(jì)。實(shí)驗(yàn)結(jié)果表明本文設(shè)計(jì)的管道泄漏檢測(cè)與定位系統(tǒng)可以有效地檢測(cè)出管道是否發(fā)生泄漏,并能準(zhǔn)確估計(jì)出泄漏點(diǎn)的位置。同時(shí),實(shí)驗(yàn)結(jié)果證明,本文所設(shè)計(jì)的聯(lián)合去噪算法能有效抑制噪聲對(duì)定位精度的影響。
賀園園[2]（2021）在《基于Duffing振子的繞組變形微弱信號(hào)幅值檢測(cè)方法研究》文中指出研究表明繞組變形是變壓器故障的主要原因,因此及時(shí)有效地對(duì)繞組健康情況進(jìn)行檢測(cè)十分重要。本文針對(duì)頻響法在線檢測(cè)繞組健康情況時(shí),響應(yīng)信號(hào)被噪聲淹沒導(dǎo)致目標(biāo)正弦信號(hào)幅值無(wú)法準(zhǔn)確獲取的問(wèn)題,進(jìn)行了相關(guān)檢測(cè)方法研究。首先,根據(jù)含噪信號(hào)信噪比低、噪聲背景復(fù)雜及目標(biāo)信號(hào)頻率已知的特點(diǎn)提出利用Duffing振子系統(tǒng)混沌與周期狀態(tài)的分界區(qū)別檢測(cè)微弱正弦信號(hào)幅值的方法。研究表明:Duffing振子可有效檢測(cè)混合噪聲干擾下各頻率目標(biāo)信號(hào)的幅值,其檢測(cè)的最低信噪比范圍為-25.52～-27.26dB。同時(shí)考慮到繞組變形實(shí)際檢測(cè)時(shí)響應(yīng)信號(hào)的相位會(huì)發(fā)生偏移,而信號(hào)相位偏移會(huì)對(duì)幅值檢測(cè)造成一定影響,因此提出了幅值檢測(cè)的預(yù)處理方法——先利用Duffing振子組成的振子列檢測(cè)相位,再檢測(cè)幅值。研究表明:本文方法可有效檢測(cè)信噪比約為-26dB混合噪聲干擾下目標(biāo)信號(hào)的幅值,而直接進(jìn)行幅值檢測(cè)（即便是在無(wú)噪聲干擾的情況下）,檢測(cè)誤差仍超過(guò)電力行業(yè)標(biāo)準(zhǔn)允許最大誤差（12.2%）。其次,針對(duì)強(qiáng)噪聲導(dǎo)致的Duffing振子幅值檢測(cè)精度低的問(wèn)題,提出先利用小波變換對(duì)含噪信號(hào)進(jìn)行預(yù)處理的方法,該方法降低了含噪信號(hào)中的噪聲功率,提高了幅值檢測(cè)精度。研究表明:相較于單一 Duffing振子的檢測(cè),本文方法的檢測(cè)誤差降低了 2%～5%,同時(shí)拓寬各頻率信號(hào)最低檢測(cè)信噪比門限-2～-4dB。最后,利用本文所提的方法對(duì)在線檢測(cè)的三組實(shí)測(cè)響應(yīng)信號(hào)進(jìn)行后續(xù)處理,由檢測(cè)結(jié)果可知:檢測(cè)所得信號(hào)幅值與標(biāo)準(zhǔn)信號(hào)的最大誤差為5.69%,符合電力行業(yè)標(biāo)準(zhǔn)要求,即證明了本文所用方法在繞組變形檢測(cè)中具有實(shí)用價(jià)值。
盛祖維[3]（2021）在《基于小波去噪的閾值函數(shù)改進(jìn)及其應(yīng)用研究》文中提出小波分析理論是眾多研究領(lǐng)域的學(xué)者們共同而奮斗的結(jié)晶,在故障診斷、語(yǔ)音信號(hào)處理、圖像壓縮以及流體力學(xué)方面,小波變換憑借強(qiáng)大的分析能力,已經(jīng)成為非常重要的處理工具,反映了在現(xiàn)代科學(xué)時(shí)代,眾多學(xué)科之間相互交織的特點(diǎn)。傅里葉分析是小波理論的基礎(chǔ),由于傅里葉變換在進(jìn)行信號(hào)處理時(shí)存在一定的缺陷,它只能處理相關(guān)的平穩(wěn)的信號(hào),而如果信號(hào)是非平穩(wěn)的,傅里葉變換就不能對(duì)該信號(hào)進(jìn)行分析了,而小波分析可以對(duì)信號(hào)進(jìn)行局部化分析,反映信號(hào)在時(shí)頻域上的重要特征,對(duì)信號(hào)進(jìn)行更深層次的解讀。在對(duì)相關(guān)信號(hào)進(jìn)行分析時(shí),都需要先對(duì)信號(hào)進(jìn)行去噪之后再做相關(guān)的處理,所以,信號(hào)去噪在信號(hào)的處理中占據(jù)重要的地位。傳統(tǒng)的硬閾值和軟閾值函數(shù)自身存在一定的不足,在當(dāng)前快速發(fā)展的信號(hào)處理方面顯得無(wú)能為力,因此新的小波閾值函數(shù)的提出在當(dāng)前的信號(hào)處理面前顯得格外重要。首先,本文對(duì)小波分析的相關(guān)理論進(jìn)行概述,然后詳細(xì)介紹了小波信號(hào)去噪的相關(guān)原理和流程以及常見的信號(hào)去噪方法。在這幾類去噪的方法中,小波閾值去噪方法憑借最大信噪比和最小均方誤差性質(zhì),去噪效果最為強(qiáng)大。因此,對(duì)小波閾值去噪方法進(jìn)行深入的研究和應(yīng)用也很有必要。其次,對(duì)小波閾值去噪的相關(guān)影響方面進(jìn)行分析,這其中包括小波基函數(shù)的選取,小波分解層數(shù)的選擇,閾值規(guī)則的選取以及閾值函數(shù)的選取,這些方面選擇的不同,都會(huì)對(duì)影響信號(hào)去噪的效果。本文主要針對(duì)閾值函數(shù)這一影響因素做出改進(jìn),硬閾值函數(shù)是不連續(xù)的,信號(hào)容易產(chǎn)生比較大的方差,重構(gòu)的信號(hào)很容易產(chǎn)生振蕩,最終導(dǎo)致信號(hào)的重構(gòu)效果質(zhì)量變差;軟閾值函數(shù)在進(jìn)行軟閾值處理時(shí),原始信號(hào)和去噪信號(hào)兩者的小波系數(shù)存在恒定的偏差,也會(huì)導(dǎo)致信號(hào)的重構(gòu)受到相應(yīng)的影響,重構(gòu)質(zhì)量變差。本文在傳統(tǒng)的閾值函數(shù)基礎(chǔ)上進(jìn)行研究,構(gòu)造出新的閾值函數(shù),新的閾值函數(shù)具備良好的數(shù)學(xué)特性,克服了傳統(tǒng)閾值函數(shù)相關(guān)缺陷,同時(shí)對(duì)比信號(hào)去噪的信噪比和均方誤差兩個(gè)評(píng)價(jià)標(biāo)準(zhǔn)進(jìn)行分析,驗(yàn)證了新的閾值函數(shù)具有良好的去噪效果。最后,本文從信號(hào)去噪的應(yīng)用這個(gè)角度出發(fā),將小波閾值去噪方法與Elman神經(jīng)網(wǎng)絡(luò)相結(jié)合,構(gòu)造新的股價(jià)預(yù)測(cè)模型方法,首先對(duì)Elman神經(jīng)網(wǎng)絡(luò)方法相關(guān)概念進(jìn)行闡述,然后選取上證綜指的收盤價(jià)進(jìn)行信號(hào)去噪處理,在Elman神經(jīng)網(wǎng)絡(luò)模型中,對(duì)去噪的數(shù)據(jù)信號(hào)進(jìn)行建模,做出相關(guān)的預(yù)測(cè)處理。同時(shí)將數(shù)據(jù)有和沒有去噪的兩種情況下,使用神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的效果進(jìn)行對(duì)比分析,發(fā)現(xiàn)閾值去噪之后再進(jìn)行神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的效果更好。
喬思蓉[4]（2021）在《基于構(gòu)架載荷信號(hào)多尺度熵的高速列車工況識(shí)別研究》文中指出隨著國(guó)民經(jīng)濟(jì)的增長(zhǎng),人們的出行方式發(fā)生了改變,從單一的汽車、自行車到快捷的飛機(jī)、高鐵。據(jù)統(tǒng)計(jì),我國(guó)2015年高鐵旅客發(fā)送量?jī)H25億,而2019年高鐵旅客發(fā)送量迅速增長(zhǎng)到35億,旅客數(shù)量的持續(xù)增長(zhǎng)充分證明了高鐵的普遍性,同時(shí)也對(duì)高鐵的運(yùn)行安全性提出嚴(yán)峻的考驗(yàn)。高鐵運(yùn)行速度的增長(zhǎng)和載客量的增加對(duì)軌道車輛零部件疲勞可靠性提出新要求,轉(zhuǎn)向架作為動(dòng)車組關(guān)鍵承載部件,其結(jié)構(gòu)疲勞強(qiáng)度評(píng)估和可靠性設(shè)計(jì)至關(guān)重要。載荷譜編制是研究動(dòng)車組轉(zhuǎn)向架關(guān)鍵部件結(jié)構(gòu)可靠性的前提。大規(guī)模的載荷譜編制工作,需要已知不同運(yùn)用工況下高速動(dòng)車組轉(zhuǎn)向架構(gòu)架載荷數(shù)據(jù),因此通過(guò)對(duì)不同工況下構(gòu)架載荷的信號(hào)特征進(jìn)行分析,找到可以表征工況特征的統(tǒng)計(jì)量,在此基礎(chǔ)上進(jìn)行典型工況識(shí)別。本文選用中國(guó)標(biāo)準(zhǔn)動(dòng)車組于大西線實(shí)測(cè)線路載荷信號(hào)進(jìn)行分析,主要研究?jī)?nèi)容如下:（1）針對(duì)傳統(tǒng)的時(shí)域信號(hào)分析方法無(wú)法準(zhǔn)確描述頻率隨時(shí)間變化的信號(hào)微小特征問(wèn)題,本文采用時(shí)頻聯(lián)合分析中的小波變換和集合經(jīng)驗(yàn)?zāi)B(tài)分解對(duì)原始載荷數(shù)據(jù)進(jìn)行時(shí)頻處理。對(duì)于單一尺度難以全面概括時(shí)間序列復(fù)雜性以及時(shí)間尺度未知的問(wèn)題,本文使用多尺度熵進(jìn)行不同工況下構(gòu)架載荷復(fù)雜性研究,得到不同工況載荷復(fù)雜性變化規(guī)律。（2）基于構(gòu)架載荷在不同工況下的復(fù)雜性規(guī)律,建立基于多尺度熵的工況特征提取方法,并通過(guò)增加數(shù)據(jù)量進(jìn)行顯著性檢驗(yàn)的方法對(duì)提取的特征進(jìn)行異常值排除。已有的研究表明,模式識(shí)別結(jié)果并非隨著維數(shù)的增加而持續(xù)增加,特征維數(shù)過(guò)多會(huì)導(dǎo)致識(shí)別時(shí)間過(guò)長(zhǎng)和識(shí)別精度下降,因此采用Relief算法對(duì)提取的工況特征數(shù)組進(jìn)行降維,建立特征向量。為了證明基于多尺度熵的工況特征提取方法對(duì)于提高工況識(shí)別效果有積極作用,建立基于傳統(tǒng)時(shí)頻分析的工況特征向量,為后續(xù)進(jìn)行傳統(tǒng)與改進(jìn)方法的工況識(shí)別結(jié)果對(duì)比做準(zhǔn)備。（3）分別將已建立的基于傳統(tǒng)時(shí)頻分析和基于多尺度熵的工況特征向量作為輸入向量,代入支持向量機(jī)中進(jìn)行模式識(shí)別。分別采用傳統(tǒng)優(yōu)化算法網(wǎng)格搜索和自然進(jìn)化算法遺傳算法對(duì)支持向量機(jī)核參數(shù)g和懲罰系數(shù)C進(jìn)行優(yōu)化,根據(jù)識(shí)別結(jié)果擇優(yōu)。最終基于多尺度熵的制動(dòng)工況、道岔工況和曲線工況識(shí)別結(jié)果均在90%以上,基本滿足工程要求。而基于傳統(tǒng)時(shí)頻分析的道岔工況識(shí)別結(jié)果僅為50%～60%,證明了基于多尺度熵的特征提取方法可以顯著提高道岔工況的識(shí)別效果。圖57幅,表32個(gè),參考文獻(xiàn)75篇
邵廣盛[5]（2021）在《基于小波包閾值法的脈沖星信號(hào)去噪方法研究》文中研究指明自2016年500M口徑的FAST射電望遠(yuǎn)鏡在貴州平塘落成,作為脈沖星研究的利器,FAST采用19波束多波束接收機(jī)系統(tǒng)全年200多天每天8小時(shí)對(duì)天區(qū)進(jìn)行大規(guī)模巡天搜索,搜尋并接收脈沖星發(fā)出的電磁波脈沖信號(hào),依據(jù)電磁脈沖信號(hào)確定天區(qū)中是否存在脈沖星,然而由于各種天體運(yùn)動(dòng)、光學(xué)噪聲的影響使得脈沖星信號(hào)被淹沒在大量的噪聲中。因此,在FAST射電望遠(yuǎn)鏡接收到電磁脈沖信號(hào)以后必須要進(jìn)行去干擾、消色散、去噪聲等操作才能夠完整的獲取脈沖星的真實(shí)信號(hào),從而找到更多的脈沖星,為我國(guó)天文學(xué)科探索宇宙提供更多的數(shù)據(jù)支撐。傳統(tǒng)的信號(hào)去噪方法為傅里葉變換法,而脈沖星信號(hào)屬于離散的、非平穩(wěn)的信號(hào),傳統(tǒng)傅里葉變換并不能起到十分理想的效果。為此小波變換去噪法進(jìn)入了科研人員的視野,小波變換由于其自身具有的多分辨分析特性非常適合處理非平穩(wěn)信號(hào),因此被廣泛運(yùn)用到脈沖星信號(hào)的去噪,然而隨著脈沖星信號(hào)去噪研究的進(jìn)一步發(fā)展,人們發(fā)現(xiàn),小波變換每次都在不斷的分解低頻信號(hào),并沒有繼續(xù)分解高頻信號(hào),高頻信號(hào)中可能隱藏的脈沖信號(hào)無(wú)法被分離出來(lái),從而降低了去噪的精度。小波包變換是為克服小波變換不能進(jìn)行全頻段分解的不足而提出的一種信號(hào)分析方法,能夠更加精確的去除各個(gè)頻段的噪聲,同時(shí)也能夠?qū)⒏哳l部分隱藏的脈沖信號(hào)分解出來(lái),達(dá)到更好的去噪效果。鑒于此,本文提出了基于小波包閾值法的脈沖星信號(hào)去噪方法,將脈沖星信號(hào)原始數(shù)據(jù)去干擾、消色散以后首先進(jìn)行小波包分解,再進(jìn)行閾值法處理,最后重構(gòu)回脈沖星信號(hào),從而達(dá)到去噪的目的。由于小波基函數(shù)的選擇直接影響著小波包閾值法去噪的實(shí)驗(yàn)效果,實(shí)驗(yàn)中使用均方跟誤差和信噪比作為選擇依據(jù)選擇去噪后信號(hào)均方跟誤差最小的小波基函數(shù)作為小波包去噪的小波基函數(shù)。本實(shí)驗(yàn)采用平滑度、功率譜、信噪比、峰值信噪比、均方根誤差等作為去噪效果評(píng)價(jià)指標(biāo),實(shí)驗(yàn)結(jié)果顯示:采用本文方法去噪的效果明顯優(yōu)于小波閾值法:實(shí)驗(yàn)中對(duì)Parkes觀測(cè)數(shù)據(jù)處理得到的文件、FAST觀測(cè)數(shù)據(jù)處理得到的文件進(jìn)行了實(shí)驗(yàn),分別選用了依據(jù)均方根誤差與信噪比作為選擇標(biāo)準(zhǔn)進(jìn)行小波變換確定下的小波基函數(shù)、閾值進(jìn)行小波閾值法去噪和小波包閾值法去噪,去噪結(jié)果顯示Parkes脈沖星觀測(cè)數(shù)據(jù)采用小波包硬閾值法對(duì)脈沖星信號(hào)進(jìn)行去噪得到的效果圖的平滑度為0.000068、信噪比為128.574093d B、峰值信噪比為50.216641d B,而小波閾值法對(duì)脈沖星信號(hào)去噪的效果圖的平滑度為0.000070,信噪比為127.619843d B,峰值信噪比為48.308142,其中小波包閾值法較小波閾值法去噪平滑度降低了0.000002、信噪比提高了0.95425d B,峰值信噪比提高了1.908499d B。FAST觀測(cè)數(shù)據(jù)采用小波包硬閾值法對(duì)脈沖星信號(hào)進(jìn)行去噪得到的效果圖的平滑度為0.000144、信噪比為92.736203d B、峰值信噪比為92.870728d B,而小波閾值法對(duì)脈沖星信號(hào)去噪的效果圖的平滑度為0.000338,信噪比為86.325067,峰值信噪比為86.459591,其中小波包閾值法較小波閾值法去噪平滑度降低了0.000214、信噪比提高了6.411136d B,峰值信噪比提高了6.545661d B,為脈沖星信號(hào)去噪提供了一種的新的嘗試,對(duì)脈沖星信號(hào)的去噪,乃至觀測(cè)、發(fā)現(xiàn)都具有十分重要的意義。
程靖宇[6]（2021）在《射頻信號(hào)去噪算法研究》文中認(rèn)為現(xiàn)如今,射頻信號(hào)的應(yīng)用領(lǐng)域日趨廣泛,如:無(wú)線通信、RFID射頻信號(hào)檢測(cè)與識(shí)別系統(tǒng)、雷達(dá)通信系統(tǒng)等。射頻信號(hào)就是經(jīng)過(guò)一定調(diào)制得到的利于信道傳輸?shù)母哳l信號(hào),然而噪聲干擾的不可避免性會(huì)使得接收端對(duì)于接收信號(hào)的信息解析產(chǎn)生誤差,對(duì)后續(xù)研究工作造成不良影響,因而去噪意義不言而喻。目前,信號(hào)處理領(lǐng)域已有諸多去噪算法,各種算法都有其優(yōu)劣性及應(yīng)用條件,但大多數(shù)都應(yīng)用于圖像和低頻信號(hào),針對(duì)射頻信號(hào)的研究則相對(duì)較少,這就使得射頻信號(hào)去噪算法的課題具有重要價(jià)值和意義。本文以小波分析理論和奇異值分解理論為重點(diǎn),研究了它們的去噪可行性,并將其應(yīng)用至射頻信號(hào)中,主要工作如下:首先,概述了射頻信號(hào)去噪的背景及意義,簡(jiǎn)述了國(guó)內(nèi)外研究現(xiàn)狀和進(jìn)展,并對(duì)通信系統(tǒng)中的常見噪聲、射頻含噪信號(hào)模型和常用的去噪指標(biāo)做了介紹。其次,詳細(xì)介紹了小波分析法相關(guān)理論,主要包括:多分辨率分析、連續(xù)和離散小波變換、Mallat快速算法、小波基數(shù)學(xué)特性和選取原則以及常用小波函數(shù)。將小波閾值去噪算法應(yīng)用于射頻信號(hào),介紹了閾值施加方式和閾值估計(jì)準(zhǔn)則,并進(jìn)行了實(shí)驗(yàn)仿真和對(duì)比分析。結(jié)果表明:針對(duì)本章節(jié)的仿真信號(hào),選取不同小波參數(shù),高頻系數(shù)直接置零法均失效,而利用軟硬閾值函數(shù)和多種閾值估計(jì)準(zhǔn)則的方法取得了良好的去噪效果,信噪比分別提高了約4.9～7.8d B不等,均方根誤差和互相關(guān)系數(shù)指標(biāo)也都有所提升。最后,介紹了奇異值分解去噪理論,通過(guò)仿真分析了分解矩陣的構(gòu)造和維數(shù)以及奇異值處理對(duì)去噪結(jié)果的影響,并提出了兩種結(jié)合方式下的小波和SVD的聯(lián)合去噪算法。結(jié)果表明:針對(duì)本章節(jié)的仿真信號(hào),利用Hankel矩陣構(gòu)造信號(hào),得到的去噪效果良好,且在矩陣維數(shù)相近并選取前2個(gè)主奇異值重構(gòu)信號(hào)時(shí)的效果最優(yōu),信噪比提高了約30.4d B,同時(shí)小波和SVD的第二種結(jié)合方式的去噪效果優(yōu)于第一種,使小波高頻系數(shù)置零法的信噪比改善了約18.0d B。
李寄仲[7]（2021）在《基于小波變換和免疫算法自適應(yīng)改進(jìn)的醫(yī)學(xué)圖像去噪研究》文中進(jìn)行了進(jìn)一步梳理圖像作為一種極為重要的信息載體,其質(zhì)量直接影響著人們了解與傳播信息。特別在醫(yī)學(xué)領(lǐng)域,醫(yī)生的診斷情況與圖像質(zhì)量緊密相關(guān),因此對(duì)醫(yī)學(xué)圖像進(jìn)行去噪處理是必要的。以肺部CT圖像的去噪處理為例,其要求在去除噪聲的同時(shí)要對(duì)原始圖像中的病灶等信息進(jìn)行完好的保留,而傳統(tǒng)圖像去噪算法在這方面還存在一定的不足。相較之下,基于小波變換的圖像去噪方法是一種更先進(jìn)的技術(shù),其中小波閾值去噪是最常用的方法之一。人工免疫系統(tǒng)（Artificial Immune System,AIS）通過(guò)模仿與借鑒生物免疫機(jī)理為實(shí)際工程問(wèn)題的解決提供新的思路,現(xiàn)今已成人工智能研究領(lǐng)域中的一個(gè)重要分支。針對(duì)上述兩個(gè)領(lǐng)域,主要做了以下工作:（1）對(duì)人工免疫系統(tǒng)與其常用算法進(jìn)行了系統(tǒng)性的分析,針對(duì)其中的克隆選擇算法存在的缺陷,針對(duì)性地從編碼方式、變異算子和變異率等方面提出了一種改進(jìn)方案,通過(guò)實(shí)驗(yàn)對(duì)比改進(jìn)前后的克隆免疫算法在多峰函數(shù)尋優(yōu)問(wèn)題中的表現(xiàn),證明改進(jìn)后的克隆選擇算法相較于傳統(tǒng)克隆選擇算法有著更快的收斂速度,更好的全局搜索能力以及更優(yōu)秀的穩(wěn)定性。（2）在小波閾值去噪方法中,其常用的閾值函數(shù)分為軟、硬閾值兩種,但是傳統(tǒng)的閾值函數(shù)都存在著一定的不足。在現(xiàn)有的閾值函數(shù)基礎(chǔ)上引入了自適應(yīng)調(diào)節(jié)參數(shù)對(duì)其進(jìn)行改進(jìn),使新的閾值函數(shù)可以在不同去噪場(chǎng)景下實(shí)現(xiàn)自適應(yīng)調(diào)節(jié)以獲取更好的去噪效果。實(shí)驗(yàn)證明,相較于傳統(tǒng)閾值函數(shù),使用新的閾值函數(shù)可以提高去噪后圖像的峰值信噪比,獲得更好的去噪效果。（3）最后,在現(xiàn)有閾值選取方式的基礎(chǔ)上,提出了一種改進(jìn)的自適應(yīng)閾值選取方式,并通過(guò)引入改進(jìn)的克隆免疫算法對(duì)自適應(yīng)閾值進(jìn)行優(yōu)化,實(shí)驗(yàn)表明,在使用自適應(yīng)閾值對(duì)圖像進(jìn)行去噪處理時(shí),基于免疫算法可以對(duì)閾值的選取過(guò)程進(jìn)行優(yōu)化。當(dāng)自適應(yīng)閾值使用通過(guò)免疫學(xué)習(xí)得到的調(diào)節(jié)參數(shù)時(shí),其處理后的圖像相較于使用現(xiàn)有閾值有著更高的峰值信噪比和去噪效果,實(shí)現(xiàn)了對(duì)獲取最優(yōu)自適應(yīng)參數(shù)這一過(guò)程的智能調(diào)節(jié),并結(jié)合改進(jìn)后去噪方法在醫(yī)學(xué)圖像邊緣檢測(cè)中的實(shí)驗(yàn)效果,證明了其具有良好的應(yīng)用價(jià)值與通用性。
王浩林[8]（2020）在《寬帶微功率無(wú)線通信系統(tǒng)的信道估計(jì)與均衡的FPGA實(shí)現(xiàn)》文中研究表明用電信息采集系統(tǒng)作為智能電網(wǎng)的重要組成部分,在智能電網(wǎng)的建設(shè)中起著至關(guān)重要的作用。隨著用電信息采集系統(tǒng)的業(yè)務(wù)需求逐漸升級(jí),傳統(tǒng)的窄帶、低速率的微功率已難以滿足不斷拓展的業(yè)務(wù)要求。寬帶微功率技術(shù)是實(shí)現(xiàn)低壓電力用戶用電信息匯聚、傳輸、交互的高速無(wú)線通信網(wǎng)絡(luò),是一種理想的無(wú)線通信方案。由于電力無(wú)線通信環(huán)境復(fù)雜,存在著多徑效應(yīng)、環(huán)境噪聲等各種影響系統(tǒng)性能的問(wèn)題,因此本文通過(guò)對(duì)Chirp-BOK系統(tǒng)特性、信道估計(jì)及均衡技術(shù)的研究,提出了一種適合寬帶微功率系統(tǒng)的信道估計(jì)與均衡算法及高級(jí)可編程邏輯器件（Field-Programmable Gate Array,FPGA）實(shí)現(xiàn)方案,主要研究?jī)?nèi)容如下:首先,針對(duì)具有前導(dǎo)結(jié)構(gòu)的寬帶微功率無(wú)線通信系統(tǒng),本文提出一種結(jié)合小波去噪的最小二乘（Least-Square,LS）信道估計(jì)算法,該算法結(jié)合寬帶微功率系統(tǒng)的信道特點(diǎn),選取Haar小波基函數(shù)和啟發(fā)式閾值選擇標(biāo)準(zhǔn),在小波去噪算法中對(duì)閾值進(jìn)行逐步壓縮,解決了閾值函數(shù)中所存在的恒定偏差問(wèn)題。仿真結(jié)果證明,在寬帶微功率系統(tǒng)中改進(jìn)閾值函數(shù)的小波去噪算法明顯提高了信道估計(jì)的性能。然后,本文對(duì)迫零（Zero-Forcing,ZF）和最小均方誤差（Minimum Mean Square Error,MMSE）的均衡算法進(jìn)行了仿真驗(yàn)證,分析其性能和復(fù)雜度。通過(guò)對(duì)比算法的性能與硬件實(shí)現(xiàn)復(fù)雜度,最終選取了結(jié)合小波去噪的最小二乘信道估計(jì)算法和迫零信道均衡算法,并把定點(diǎn)化FPGA實(shí)現(xiàn)的信道估計(jì)與均衡模塊的定點(diǎn)字長(zhǎng)定為12bit。其次,本文設(shè)計(jì)了包括前導(dǎo)碼提取、小波去噪、信道估計(jì)以及信道均衡四個(gè)部分的硬件實(shí)現(xiàn)結(jié)構(gòu),按照自上而下的設(shè)計(jì)思路根據(jù)模塊功能定義完成了模塊的狀態(tài)機(jī)、模塊接口等設(shè)計(jì),利用查找表避免時(shí)序緊張,并通過(guò)公式變換減少了乘法器的使用,在保證時(shí)序正確的同時(shí)盡可能減小對(duì)系統(tǒng)資源的損耗和占用。最后,論文對(duì)設(shè)計(jì)的寄存器轉(zhuǎn)換級(jí)（Register Transfer Level,RTL）電路進(jìn)行了驗(yàn)證,從資源占用表可以看出資源消耗較小,符合設(shè)計(jì)預(yù)期。在信道估計(jì)與均衡整個(gè)模塊上建立時(shí)間和保持時(shí)間均有余量,在時(shí)序方面設(shè)計(jì)合理,方案可行。最后,利用美國(guó)國(guó)家儀器（National Instruments,NI）平臺(tái)驗(yàn)證了RTL設(shè)計(jì)的模塊性能良好,符合寬帶微功率系統(tǒng)設(shè)計(jì)的要求。
楊旭東[9]（2020）在《基于小波變換的ECG信號(hào)特征參數(shù)提取研究》文中研究說(shuō)明目前,心血管病死亡占我國(guó)城鄉(xiāng)居民總死亡原因的首位,而隨著人口老齡化及城鎮(zhèn)化進(jìn)程的加速,今后10年心血管病患病人數(shù)仍將保持快速增長(zhǎng)。傳統(tǒng)的心電圖檢測(cè)方式設(shè)備體積巨大,操作復(fù)雜,且需要專業(yè)人員的診斷。隨著可穿戴設(shè)備及自動(dòng)分析診斷技術(shù)的不斷發(fā)展,對(duì)心電信號(hào)提取的研究也日益增多。在此背景下,本文基于小波變化,對(duì)心電信號(hào)特征參數(shù)提取算法進(jìn)行了研究,并將其應(yīng)用于FPGA平臺(tái)。本文的主要研究工作有:第一,在心電信號(hào)降噪濾波方面,采用了小波閾值降噪中的軟閾值算法對(duì)心電信號(hào)進(jìn)行了處理。以50Hz的正弦波來(lái)模擬工頻干擾噪聲,并以0.5Hz的正弦波來(lái)模擬基線漂移建立噪聲模型,然后通過(guò)對(duì)比各小波的特點(diǎn),選取db4小波對(duì)含噪聲心電信號(hào)進(jìn)行8層小波分解,實(shí)現(xiàn)了對(duì)心電信號(hào)的降噪濾波,并在最后對(duì)降噪效果進(jìn)行評(píng)估。第二,在心電信號(hào)特征參數(shù)提取方面,基于小波變換和自適應(yīng)雙閾值算法設(shè)計(jì)了心電信號(hào)R波檢測(cè)系統(tǒng)。檢測(cè)系統(tǒng)分為QRS波提取模塊和QRS波判定模塊兩部分。首先對(duì)比不同方案的效果,利用bior4.4小波對(duì)心電信號(hào)進(jìn)行5層小波分解。然后設(shè)計(jì)了QRS波判定過(guò)程中用到的滑動(dòng)窗口積分算法及自適應(yīng)雙閾值算法。自適應(yīng)雙閾值充分利用了FPGA集成度高、運(yùn)算速度快的優(yōu)點(diǎn),利用高低雙閾值,實(shí)現(xiàn)了更準(zhǔn)確的QRS波實(shí)時(shí)檢測(cè)。最后,通過(guò)Matlab對(duì)整個(gè)系統(tǒng)進(jìn)行建模仿真,利用MIT-BIH心電數(shù)據(jù)庫(kù)中的48組心電數(shù)據(jù),統(tǒng)計(jì)得到本算法對(duì)于正常心電信號(hào)的QRS波檢出率接近100%,整體檢出率為98.93%,滿足設(shè)計(jì)要求。第三,基于CycloneⅣ系列的4CE115F23I7核心芯片,將QRS波實(shí)時(shí)檢測(cè)系統(tǒng)在FPGA上實(shí)現(xiàn)。本部分首先將整個(gè)QRS波檢測(cè)系統(tǒng)模塊化,分為了小波變換模塊、QRS波判定模塊及數(shù)據(jù)發(fā)送模塊。主要內(nèi)容是以bior4.4小波為基函數(shù)對(duì)心電信號(hào)進(jìn)行5層小波變換;然后將提取到的QRS波處理為具有單一波形的波峰信號(hào),并對(duì)其進(jìn)行判定;最后利用UART傳輸模塊將數(shù)據(jù)發(fā)送至上位機(jī)。整個(gè)系統(tǒng)由Verilog硬件描述語(yǔ)言編寫,并利用QuartusⅡ軟件進(jìn)行編譯綜合。最后,對(duì)檢測(cè)系統(tǒng)進(jìn)行仿真及上板測(cè)試。進(jìn)行了Modelsim的時(shí)序仿真,并完成了上板測(cè)試以及利用SignalTap進(jìn)行信號(hào)分析。得到了與Matalb仿真一致的結(jié)果,本文所設(shè)計(jì)的檢測(cè)算法能夠應(yīng)用于FPGA硬件平臺(tái),實(shí)現(xiàn)QRS波的實(shí)時(shí)檢測(cè)。
王宏旭[10]（2020）在《多通道EEG信號(hào)去噪算法的研究》文中提出腦電圖是當(dāng)今流行的疾病診斷工具,常用于監(jiān)控腦電（簡(jiǎn)稱EEG）信號(hào)變化,幫助人們更好地了解大腦的生理結(jié)構(gòu),醫(yī)療工作者可根據(jù)經(jīng)驗(yàn)對(duì)腦電圖進(jìn)行分析和診斷,但EEG信號(hào)中包含了大量的噪聲,所以噪聲的去除是EEG數(shù)據(jù)分析及處理的首要環(huán)節(jié)。如何從含噪的信號(hào)中恢復(fù)原信號(hào),實(shí)現(xiàn)信噪分離,已成為EEG去噪的重要研究課題。小波分析是近些年多通道EEG信號(hào)去噪領(lǐng)域中迅速發(fā)展起來(lái)的一種新技術(shù),目前被廣泛應(yīng)用于臨床診斷和科學(xué)研究,很多學(xué)者也借助小波函數(shù)進(jìn)行EEG去噪研究。但目前去噪的算法在噪聲識(shí)別和噪聲去除上存在一定的局限,鑒于此,本文在小波去噪算法的基礎(chǔ)上,提出了新的小波閾值函數(shù)去噪方法,同時(shí)應(yīng)用了貝葉斯估計(jì)新的小波閾值函數(shù)的系數(shù),并對(duì)去噪后的EEG信號(hào)進(jìn)行了卡爾曼濾波分析。主要研究工作如下:基于多通道EEG信號(hào)的特點(diǎn),采用PCA降維技術(shù)去掉了多通道EEG信號(hào)之間的信息冗余,討論了傅里葉、小波分解與重構(gòu)、小波軟閾值的去噪算法及影響,構(gòu)建了新的閾值小波函數(shù),解決了多尺度分解條件下EEG信號(hào)去噪效果不理想的問(wèn)題。通過(guò)仿真實(shí)驗(yàn),驗(yàn)證了新的閾值小波函數(shù)算法的去噪效果,并從信號(hào)的評(píng)價(jià)指標(biāo)上,比較了不同的算法對(duì)去噪性能的影響。在新的小波閾值去噪算法的基礎(chǔ)上,根據(jù)多通道EEG信號(hào)的拉普拉斯噪聲模型,對(duì)貝葉斯估計(jì)理論進(jìn)行了解析。從貝葉斯估計(jì)算法出發(fā),論證了該算法可有效地估計(jì)新閾值函數(shù)的小波系數(shù)。實(shí)驗(yàn)結(jié)果表明,貝葉斯估計(jì)新閾值小波函數(shù)系數(shù)的算法相比于新閾值小波函數(shù)去噪算法,可有效地解決能量低的問(wèn)題,從信號(hào)的評(píng)價(jià)指標(biāo)上分析,能量比提升了12%,均方根誤差下降了0.1,信噪比提升了0.2d B,譜峰值和原始信號(hào)更加接近。以貝葉斯估計(jì)算法去噪后的EEG信號(hào)進(jìn)行實(shí)驗(yàn),通過(guò)對(duì)噪聲信號(hào)的狀態(tài)方程進(jìn)行評(píng)估,從而選擇最優(yōu)的去噪解對(duì)觀測(cè)值進(jìn)行卡爾曼濾波。實(shí)驗(yàn)研究結(jié)果表明,相比于貝葉斯估計(jì)算法,應(yīng)用卡爾曼濾波算法可有效地濾除幅值為5mv以下的噪聲,且信噪比提升了0.3d B,能量比接近了100%,更好地還原了原始信號(hào)特征。
二、基于雙Haar小波軟閾值去噪的閾值選取（論文開題報(bào)告）
（1）論文研究背景及目的
此處內(nèi)容要求：
首先簡(jiǎn)單簡(jiǎn)介論文所研究問(wèn)題的基本概念和背景，再而簡(jiǎn)單明了地指出論文所要研究解決的具體問(wèn)題，并提出你的論文準(zhǔn)備的觀點(diǎn)或解決方法。
寫法范例：
本文主要提出一款精簡(jiǎn)64位RISC處理器存儲(chǔ)管理單元結(jié)構(gòu)并詳細(xì)分析其設(shè)計(jì)過(guò)程。在該MMU結(jié)構(gòu)中,TLB采用叁個(gè)分離的TLB,TLB采用基于內(nèi)容查找的相聯(lián)存儲(chǔ)器并行查找,支持粗粒度為64KB和細(xì)粒度為4KB兩種頁(yè)面大小,采用多級(jí)分層頁(yè)表結(jié)構(gòu)映射地址空間,并詳細(xì)論述了四級(jí)頁(yè)表轉(zhuǎn)換過(guò)程,TLB結(jié)構(gòu)組織等。該MMU結(jié)構(gòu)將作為該處理器存儲(chǔ)系統(tǒng)實(shí)現(xiàn)的一個(gè)重要組成部分。
（2）本文研究方法
調(diào)查法：該方法是有目的、有系統(tǒng)的搜集有關(guān)研究對(duì)象的具體信息。
觀察法：用自己的感官和輔助工具直接觀察研究對(duì)象從而得到有關(guān)信息。
實(shí)驗(yàn)法：通過(guò)主支變革、控制研究對(duì)象來(lái)發(fā)現(xiàn)與確認(rèn)事物間的因果關(guān)系。
文獻(xiàn)研究法：通過(guò)調(diào)查文獻(xiàn)來(lái)獲得資料，從而全面的、正確的了解掌握研究方法。
實(shí)證研究法：依據(jù)現(xiàn)有的科學(xué)理論和實(shí)踐的需要提出設(shè)計(jì)。
定性分析法：對(duì)研究對(duì)象進(jìn)行“質(zhì)”的方面的研究，這個(gè)方法需要計(jì)算的數(shù)據(jù)較少。
定量分析法：通過(guò)具體的數(shù)字，使人們對(duì)研究對(duì)象的認(rèn)識(shí)進(jìn)一步精確化。
跨學(xué)科研究法：運(yùn)用多學(xué)科的理論、方法和成果從整體上對(duì)某一課題進(jìn)行研究。
功能分析法：這是社會(huì)科學(xué)用來(lái)分析社會(huì)現(xiàn)象的一種方法，從某一功能出發(fā)研究多個(gè)方面的影響。
模擬法：通過(guò)創(chuàng)設(shè)一個(gè)與原型相似的模型來(lái)間接研究原型某種特性的一種形容方法。
三、基于雙Haar小波軟閾值去噪的閾值選取（論文提綱范文）
（1）基于聲發(fā)射信號(hào)的管道泄漏檢測(cè)及定位方法研究（論文提綱范文）
| 摘要 |
| abstract |
| 1 緒論 |
| 1.1 研究背景及意義 |
| 1.2 管道泄漏的主要檢測(cè)方法 |
| 1.3 國(guó)內(nèi)外研究現(xiàn)狀 |
| 1.3.1 運(yùn)輸管道泄漏檢測(cè)研究現(xiàn)狀 |
| 1.3.2 泄漏聲發(fā)射信號(hào)檢測(cè)研究現(xiàn)狀 |
| 1.4 本文主要工作內(nèi)容 |
| 2 管道泄漏聲發(fā)射信號(hào)特性與泄漏檢測(cè) |
| 2.1 引言 |
| 2.2 管道泄漏聲發(fā)射信息的產(chǎn)生機(jī)制 |
| 2.3 管道泄漏聲發(fā)射信號(hào)的特征分析 |
| 2.3.1 管道泄漏聲發(fā)射信號(hào)的特點(diǎn) |
| 2.3.2 聲波在管道中的傳播特性 |
| 2.3.3 管道泄漏聲發(fā)射信號(hào)的數(shù)學(xué)模型 |
| 2.4 管道泄漏聲發(fā)射信號(hào)的處理 |
| 2.4.1 管道泄漏聲發(fā)射信號(hào)去噪 |
| 2.4.2 管道泄漏檢測(cè)和定位方法 |
| 2.5 本章小結(jié) |
| 3 管道泄漏聲發(fā)射信號(hào)的去噪算法研究 |
| 3.1 引言 |
| 3.2 小波變換及小波閾值去噪算法 |
| 3.2.1 連續(xù)型小波變換 |
| 3.2.2 離散型小波變換 |
| 3.2.3 小波變換去噪 |
| 3.2.4 小波閾值去噪算法 |
| 3.2.5 其他閾值函數(shù) |
| 3.3 改進(jìn)的閾值函數(shù) |
| 3.3.1 改進(jìn)的閾值函數(shù) |
| 3.3.2 基于改進(jìn)的閾值函數(shù)的去噪仿真實(shí)驗(yàn) |
| 3.4 變分模態(tài)分解VMD的原理 |
| 3.4.1 瞬時(shí)頻率的定義 |
| 3.4.2 本征模態(tài)分量IMF的定義 |
| 3.4.3 變分模態(tài)分解VMD的基本原理 |
| 3.5 變分模態(tài)分解VMD和改進(jìn)的小波閾值算法聯(lián)合去噪仿真 |
| 3.5.1 變分模態(tài)分解和改進(jìn)的小波閾值算法聯(lián)合去噪流程 |
| 3.5.2 聯(lián)合去噪算法仿真 |
| 3.6 本章小結(jié) |
| 4 管道泄漏聲發(fā)射信號(hào)檢測(cè)系統(tǒng)設(shè)計(jì) |
| 4.1 引言 |
| 4.2 硬件部分設(shè)計(jì) |
| 4.2.1 硬件系統(tǒng)的總體方案 |
| 4.2.2 核心單片機(jī)模塊的選擇 |
| 4.2.3 傳感器的選型 |
| 4.2.4 信號(hào)調(diào)理模塊設(shè)計(jì) |
| 4.3 核心單片機(jī)模塊軟件設(shè)計(jì) |
| 4.3.1 ADC+DMA采樣模塊設(shè)置 |
| 4.3.2 通訊模塊設(shè)置 |
| 4.3.3 定時(shí)器模塊設(shè)置 |
| 4.3.4 信號(hào)處理軟件設(shè)計(jì) |
| 4.4 上位機(jī)軟件設(shè)計(jì) |
| 4.4.1 Qt及 Qt Creator基礎(chǔ)知識(shí)介紹 |
| 4.4.2 系統(tǒng)軟件方案設(shè)計(jì) |
| 4.5 本章小結(jié) |
| 5 管道泄漏檢測(cè)與定位系統(tǒng)實(shí)驗(yàn)與分析 |
| 5.1 引言 |
| 5.2 實(shí)驗(yàn)平臺(tái)的搭建 |
| 5.3 基于時(shí)延估計(jì)的管道泄漏檢測(cè)與定位模型 |
| 5.4 管道泄漏聲發(fā)射信號(hào)沿管壁傳播速度估計(jì) |
| 5.4.1 廣義互相關(guān)算法 |
| 5.4.2 仿真實(shí)驗(yàn) |
| 5.5 實(shí)驗(yàn)驗(yàn)證及誤差分析 |
| 5.5.1 實(shí)驗(yàn)驗(yàn)證 |
| 5.5.2 誤差分析 |
| 5.6 本章小結(jié) |
| 6 結(jié)論與展望 |
| 6.1 結(jié)論 |
| 6.2 展望 |
| 致謝 |
| 參考文獻(xiàn) |
| 攻讀學(xué)位期間主要研究成果 |
（2）基于Duffing振子的繞組變形微弱信號(hào)幅值檢測(cè)方法研究（論文提綱范文）
| 摘要 |
| abstract |
| 1 緒論 |
| 1.1 課題研究背景與意義 |
| 1.2 微弱信號(hào)檢測(cè)現(xiàn)狀 |
| 1.2.1 現(xiàn)階段微弱信號(hào)檢測(cè)方法分析 |
| 1.2.2 小波變換在微弱信號(hào)檢測(cè)上的發(fā)展及研究現(xiàn)狀 |
| 1.2.3 Duffing振子在微弱信號(hào)檢測(cè)上的發(fā)展及研究現(xiàn)狀 |
| 1.3 本文的主要研究工作 |
| 2 Duffing振子理論模型及應(yīng)用分析 |
| 2.1 Duffing振子的混沌理論 |
| 2.2 Duffing振子模型分析 |
| 2.2.1 Duffing振子方程 |
| 2.2.2 Duffing振子動(dòng)力學(xué)分析及微弱信號(hào)檢測(cè)原理 |
| 2.2.3 檢測(cè)任意頻率周期信號(hào)的Duffing振子模型 |
| 2.3 噪聲對(duì)Duffing振子的影響 |
| 2.3.1 高斯白噪聲對(duì)Duffing振子的影響 |
| 2.3.2 其他頻率噪聲對(duì)Duffing振子的影響 |
| 2.4 Duffing 振子系統(tǒng)閾值判別法 |
| 2.4.1 直接觀察法 |
| 2.4.2 Lyapunov指數(shù)法 |
| 2.5 本章小結(jié) |
| 3 基于Duffing振子的微弱信號(hào)檢測(cè) |
| 3.1 微弱信號(hào)檢測(cè)性能指標(biāo) |
| 3.2 不同噪聲干擾下的Duffing振子幅值檢測(cè)能力研究 |
| 3.2.1 殘余電網(wǎng)基波、諧波干擾下 Duffing 幅值檢測(cè)結(jié)果 |
| 3.2.2 高斯白噪聲干擾下Duffing振子幅值檢測(cè)結(jié)果 |
| 3.2.3 混合噪聲干擾下Duffing振子幅值檢測(cè)結(jié)果 |
| 3.3 相位偏移對(duì)幅值檢測(cè)的影響 |
| 3.3.1 相位偏移對(duì)Duffing振子幅值檢測(cè)的影響 |
| 3.3.2 Duffing振子陣列法求信號(hào)相位 |
| 3.4 相位未知信號(hào)的幅值檢測(cè) |
| 3.5 本章小結(jié) |
| 4 基于小波變換的濾波分析 |
| 4.1 小波變換基本原理 |
| 4.1.1 連續(xù)小波變換 |
| 4.1.2 離散小波變換 |
| 4.1.3 多分辨率分析 |
| 4.1.4 Mallat算法 |
| 4.2 小波去噪 |
| 4.2.1 小波去噪方法分析 |
| 4.2.2 閾值去噪法 |
| 4.2.3 四種閾值去噪效果分析 |
| 4.3 小波基函數(shù)及其特點(diǎn) |
| 4.4 本章小結(jié) |
| 5 基于Duffing振子和小波變換的微弱信號(hào)檢測(cè) |
| 5.1 各頻率信號(hào)分解層數(shù)的選擇 |
| 5.2 基于 Duffing 振子和小波變換的微弱信號(hào)檢測(cè) |
| 5.2.1 高斯白噪聲干擾下微弱信號(hào)幅值檢測(cè) |
| 5.2.2 混合噪聲干擾下微弱信號(hào)幅值檢測(cè) |
| 5.3 繞組變形在線檢測(cè)實(shí)驗(yàn)數(shù)據(jù)處理驗(yàn)證 |
| 5.4 本章小結(jié) |
| 6 總結(jié)與展望 |
| 6.1 工作總結(jié) |
| 6.2 研究展望 |
| 致謝 |
| 參考文獻(xiàn) |
| 攻讀碩士學(xué)位期間主要研究成果 |
（3）基于小波去噪的閾值函數(shù)改進(jìn)及其應(yīng)用研究（論文提綱范文）
| 摘要 |
| abstract |
| 第一章 緒論 |
| 1.1 研究背景及意義 |
| 1.1.1 研究背景 |
| 1.1.2 研究的目的和意義 |
| 1.2 國(guó)內(nèi)外研究綜述 |
| 1.2.1 小波技術(shù)發(fā)展及其現(xiàn)狀 |
| 1.2.2 信號(hào)去噪的研究現(xiàn)狀 |
| 1.3 主要工作及論文框架 |
| 1.4 研究的創(chuàng)新與不足 |
| 1.4.1 研究的創(chuàng)新點(diǎn) |
| 1.4.2 研究的不足 |
| 第二章 小波及信號(hào)去噪理論 |
| 2.1 小波分析方法概述 |
| 2.1.1 傅里葉變換 |
| 2.1.2 加窗傅里葉變換 |
| 2.1.3 小波理論簡(jiǎn)述 |
| 2.2 多尺度理論 |
| 2.2.1 多尺度分析概述 |
| 2.2.2 Mallat分解重構(gòu)算法 |
| 2.2.3 極大重疊離散小波變換 |
| 2.3 基于小波變換的信號(hào)去噪流程及方法 |
| 2.3.1 小波去噪基本原理流程 |
| 2.3.2 小波去噪基本方法 |
| 2.4 小波去噪效果的影響因素 |
| 2.4.1 小波基函數(shù)的選擇 |
| 2.4.2 分解層數(shù)的選擇 |
| 2.4.3 閾值的選取 |
| 2.4.4 閾值函數(shù)的選取 |
| 2.5 小波去噪信號(hào)性能評(píng)價(jià)標(biāo)準(zhǔn) |
| 2.5.1 信噪比 |
| 2.5.2 均方差 |
| 2.6 本章小結(jié) |
| 第三章 改進(jìn)閾值函數(shù)的小波去噪 |
| 3.1 小波去噪基本原理 |
| 3.2 閾值函數(shù)的選取 |
| 3.2.1 傳統(tǒng)的閾值函數(shù) |
| 3.2.2 改進(jìn)的閾值函數(shù) |
| 3.3 仿真實(shí)驗(yàn)結(jié)果及分析 |
| 3.3.1 仿真結(jié)果 |
| 3.3.2 仿真結(jié)果分析 |
| 3.4 本章小結(jié) |
| 第四章 基于小波閾值去噪神經(jīng)網(wǎng)絡(luò)模型的應(yīng)用研究 |
| 4.1 小波去噪 |
| 4.2 Elman神經(jīng)網(wǎng)絡(luò) |
| 4.3 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè) |
| 4.3.1 數(shù)據(jù)的預(yù)處理 |
| 4.3.2 預(yù)測(cè)模型的建立 |
| 4.3.3 實(shí)驗(yàn)仿真 |
| 4.4 本章小結(jié) |
| 第五章 總結(jié)和展望 |
| 5.1 研究結(jié)論 |
| 5.2 不足與展望 |
| 參考文獻(xiàn) |
| 致謝 |
（4）基于構(gòu)架載荷信號(hào)多尺度熵的高速列車工況識(shí)別研究（論文提綱范文）
| 致謝 |
| 摘要 |
| ABSTRACT |
| 1 引言 |
| 1.1 選題背景與意義 |
| 1.2 國(guó)內(nèi)外研究現(xiàn)狀 |
| 1.3 論文主要研究?jī)?nèi)容 |
| 1.4 論文預(yù)期成果及目標(biāo) |
| 2 載荷信號(hào)處理以及信號(hào)時(shí)頻分析理論 |
| 2.1 構(gòu)架載荷數(shù)據(jù)提取和前處理 |
| 2.1.1 轉(zhuǎn)向架構(gòu)架結(jié)構(gòu)介紹 |
| 2.1.2 構(gòu)架載荷識(shí)別方法 |
| 2.1.3 信號(hào)前處理方法 |
| 2.2 小波變換 |
| 2.2.1 小波變換理論 |
| 2.2.2 小波去噪 |
| 2.3 集合經(jīng)驗(yàn)?zāi)B(tài)分解 |
| 2.3.1 經(jīng)驗(yàn)?zāi)B(tài)分解理論 |
| 2.3.2 集合經(jīng)驗(yàn)?zāi)B(tài)分解理論 |
| 2.4 本章小結(jié) |
| 3 構(gòu)架載荷信號(hào)的復(fù)雜性分析 |
| 3.1 復(fù)雜性分析方法 |
| 3.1.1 多尺度熵 |
| 3.1.2 載荷信號(hào)復(fù)雜性分析方法的建立 |
| 3.2 不同工況下載荷信號(hào)的復(fù)雜性分析 |
| 3.2.1 制動(dòng)工況 |
| 3.2.2 道岔工況 |
| 3.2.3 曲線工況 |
| 3.3 本章小結(jié) |
| 4 典型工況信號(hào)特征向量建立 |
| 4.1 基于傳統(tǒng)時(shí)頻分析的信號(hào)特征向量建立 |
| 4.2 不同工況多尺度熵的差異性檢驗(yàn) |
| 4.2.1 參數(shù)檢驗(yàn)算例 |
| 4.2.2 非參數(shù)檢驗(yàn)算例 |
| 4.2.3 差異性檢驗(yàn)結(jié)果 |
| 4.3 基于多尺度熵的信號(hào)特征提取方法建立 |
| 4.4 基于多尺度熵的信號(hào)特征向量建立 |
| 4.4.1 Relief算法選取特征向量 |
| 4.4.2 制動(dòng)工況特征向量建立 |
| 4.4.3 道岔工況特征向量建立 |
| 4.4.4 曲線工況特征向量建立 |
| 4.5 本章小結(jié) |
| 5 支持向量機(jī)工況識(shí)別 |
| 5.1 支持向量機(jī) |
| 5.2 網(wǎng)格搜索尋優(yōu) |
| 5.2.1 網(wǎng)格搜索理論 |
| 5.2.2 網(wǎng)格搜索尋優(yōu)算例 |
| 5.3 遺傳算法尋優(yōu) |
| 5.3.1 遺傳算法理論 |
| 5.3.2 遺傳算法尋優(yōu)算例 |
| 5.3.3 兩種尋優(yōu)方法識(shí)別時(shí)間對(duì)比 |
| 5.4 工況識(shí)別結(jié)果 |
| 5.4.1 基于傳統(tǒng)時(shí)頻分析的工況識(shí)別結(jié)果 |
| 5.4.2 基于多尺度熵的工況識(shí)別結(jié)果 |
| 5.4.3 基于傳統(tǒng)時(shí)頻分析與基于多尺度熵識(shí)別結(jié)果對(duì)比 |
| 5.5 本章小結(jié) |
| 6 結(jié)論與展望 |
| 6.1 結(jié)論 |
| 6.2 展望 |
| 參考文獻(xiàn) |
| 作者簡(jiǎn)歷及攻讀碩士學(xué)位期間取得的研究成果 |
| 學(xué)位論文數(shù)據(jù)集 |
（5）基于小波包閾值法的脈沖星信號(hào)去噪方法研究（論文提綱范文）
| 摘要 |
| ABSTRACT |
| 第一章 緒論 |
| 1.1 研究背景及意義 |
| 1.2 國(guó)內(nèi)外研究現(xiàn)狀 |
| 1.3 論文研究?jī)?nèi)容及結(jié)構(gòu) |
| 1.3.1 論文研究?jī)?nèi)容 |
| 1.3.2 論文研究路線 |
| 1.3.3 論文結(jié)構(gòu) |
| 第二章 相關(guān)理論概述 |
| 2.1 傅里葉變換 |
| 2.1.1 連續(xù)傅里葉變換 |
| 2.1.2 離散傅里葉變換 |
| 2.1.3 短時(shí)傅里葉變換 |
| 2.1.4 快速傅里葉變換 |
| 2.2 小波變換 |
| 2.2.1 連續(xù)小波變換 |
| 2.2.2 離散小波變換 |
| 2.2.3 小波變換發(fā)展歷程 |
| 2.2.4 小波變換理論 |
| 2.2.5 小波變換示意圖 |
| 2.3 小波包變換 |
| 2.3.1 小波包變換發(fā)展歷程 |
| 2.3.2 小波包變換理論 |
| 2.3.3 小波包變換示意圖 |
| 2.4 本章小結(jié) |
| 第三章 基于小波閾值法的脈沖星信號(hào)去噪方法 |
| 3.1 小波閾值法算法概述 |
| 3.1.1 小波閾值法去噪算法 |
| 3.1.2 小波閾值法去噪流程 |
| 3.2 小波分解與重構(gòu) |
| 3.3 小波基函數(shù)與分解層數(shù) |
| 3.3.1 小波基函數(shù) |
| 3.3.2 Parkes脈沖星信號(hào)去噪小波基的確定 |
| 3.3.3 FAST脈沖星信號(hào)(單脈沖)去噪小波基的確定 |
| 3.3.4 分解層數(shù) |
| 3.4 閾值與閾值處理函數(shù) |
| 3.4.1 閾值準(zhǔn)則 |
| 3.4.2 閾值處理函數(shù) |
| 3.5 本章小結(jié) |
| 第四章 基于小波包閾值法的脈沖星信號(hào)去噪方法 |
| 4.1 小波包閾值法算法概述 |
| 4.1.1 小波包閾值法算法 |
| 4.1.2 小波包閾值法去噪流程圖 |
| 4.2 小波包分解與重構(gòu) |
| 4.3 小波基函數(shù)與分解層數(shù) |
| 4.3.1 Parkes脈沖星信號(hào)去噪小波基的確定 |
| 4.3.2 FAST脈沖星信號(hào)(單脈沖)去噪小波基的確定 |
| 4.3.3 分解層數(shù) |
| 4.4 閾值與閾值處理函數(shù) |
| 4.5 本章小結(jié) |
| 第五章 實(shí)驗(yàn)結(jié)果對(duì)比與分析 |
| 5.1 評(píng)價(jià)指標(biāo) |
| 5.1.1 信噪比 |
| 5.1.2 均方根誤差 |
| 5.1.3 峰值信噪比 |
| 5.1.4 平滑度 |
| 5.1.5 功率譜 |
| 5.2 實(shí)驗(yàn)對(duì)比與分析 |
| 5.2.1 Parkes脈沖星信號(hào)去噪效果對(duì)比分析 |
| 5.2.2 FAST脈沖星信號(hào)(單脈沖)去噪效果對(duì)比分析 |
| 5.3 本章小結(jié) |
| 第六章 總結(jié)與展望 |
| 6.1 總結(jié) |
| 6.2 展望 |
| 參考文獻(xiàn) |
| 致謝 |
| 攻讀碩士學(xué)位期間主要研究成果 |
（6）射頻信號(hào)去噪算法研究（論文提綱范文）
| 摘要 |
| abstract |
| 第一章 緒論 |
| 1.1 研究背景及意義 |
| 1.2 國(guó)內(nèi)外研究現(xiàn)狀和進(jìn)展 |
| 1.3 本文的研究?jī)?nèi)容及安排 |
| 1.3.1 主要內(nèi)容和工作環(huán)境 |
| 1.3.2 各章節(jié)安排 |
| 第二章 常見噪聲及去噪性能指標(biāo) |
| 2.1 噪聲的定義及分類 |
| 2.2 常見的幾種噪聲 |
| 2.3 射頻含噪信號(hào)模型 |
| 2.4 信號(hào)去噪的性能指標(biāo) |
| 2.5 本章小結(jié) |
| 第三章 基于小波分析的射頻信號(hào)去噪算法 |
| 3.1 小波分析理論 |
| 3.1.1 多分辨率分析 |
| 3.1.2 連續(xù)小波變換和離散小波變換 |
| 3.1.3 Mallat快速算法及分解與重構(gòu)實(shí)驗(yàn) |
| 3.1.4 小波基特性及選取 |
| 3.1.5 常用小波函數(shù) |
| 3.2 小波閾值去噪算法 |
| 3.2.1 小波閾值去噪基本原理 |
| 3.2.2 閾值施加方式 |
| 3.2.3 閾值估計(jì)準(zhǔn)則 |
| 3.3 仿真實(shí)驗(yàn)及結(jié)果分析 |
| 3.4 本章小結(jié) |
| 第四章 基于奇異值分解的射頻信號(hào)去噪算法 |
| 4.1 奇異值分解去噪原理 |
| 4.2 分解矩陣的選取和維數(shù)處理 |
| 4.3 奇異值處理 |
| 4.4 小波和SVD的聯(lián)合去噪算法 |
| 4.5 本章小結(jié) |
| 第五章 總結(jié)與展望 |
| 5.1 論文工作總結(jié) |
| 5.2 目前工作的局限性及后續(xù)安排 |
| 致謝 |
| 參考文獻(xiàn) |
| 攻讀碩士學(xué)位期間取得的成果 |
（7）基于小波變換和免疫算法自適應(yīng)改進(jìn)的醫(yī)學(xué)圖像去噪研究（論文提綱范文）
| 摘要 |
| ABSTRACT |
| 第一章 緒論 |
| 1.1 課題背景及研究意義 |
| 1.2 人工免疫系統(tǒng)國(guó)內(nèi)外研究現(xiàn)狀 |
| 1.3 小波圖像去噪概述與國(guó)內(nèi)外研究現(xiàn)狀 |
| 1.4 本文研究?jī)?nèi)容與章節(jié)安排 |
| 第二章 人工免疫算法及其改進(jìn) |
| 2.1 引言 |
| 2.2 生物免疫系統(tǒng) |
| 2.2.1 生物免疫系統(tǒng)中的基本概念 |
| 2.2.2 生物免疫系統(tǒng)的組成 |
| 2.2.3 生物免疫系統(tǒng)功能 |
| 2.3 人工免疫算法 |
| 2.3.1 人工免疫算法基本原理 |
| 2.3.2 否定選擇算法 |
| 2.3.3 免疫遺傳算法 |
| 2.3.4 克隆選擇算法 |
| 2.4 改進(jìn)的克隆選擇算法 |
| 2.4.1 克隆選擇算法的缺陷 |
| 2.4.2 克隆選擇算法的改進(jìn) |
| 2.4.3 改進(jìn)的克隆選擇算法具體步驟 |
| 2.5 基于改進(jìn)的克隆選擇算法仿真實(shí)驗(yàn)與分析 |
| 2.6 本章小結(jié) |
| 第三章 傳統(tǒng)圖像去噪方法與效果分析 |
| 3.1 引言 |
| 3.2 圖像噪聲分類 |
| 3.2.1 高斯噪聲 |
| 3.2.2 脈沖噪聲 |
| 3.3 圖像去噪效果的評(píng)價(jià)標(biāo)準(zhǔn) |
| 3.3.1 主觀評(píng)價(jià) |
| 3.3.2 客觀評(píng)價(jià) |
| 3.4 傳統(tǒng)圖像去噪方法與效果分析 |
| 3.4.1 均值濾波法 |
| 3.4.2 中值濾波法 |
| 3.4.3 低通濾波法 |
| 3.4.4 傳統(tǒng)圖像去噪仿真與效果分析 |
| 3.5 本章小結(jié) |
| 第四章 基于小波閾值圖像去噪方法的研究與改進(jìn) |
| 4.1 引言 |
| 4.2 小波類別的分析 |
| 4.3 小波閾值去噪方法分析 |
| 4.3.1 小波圖像去噪的基本原理 |
| 4.3.2 噪聲的方差估計(jì) |
| 4.3.3 閾值的選取方式 |
| 4.3.4 傳統(tǒng)小波閾值函數(shù) |
| 4.4 醫(yī)學(xué)圖像的傳統(tǒng)小波閾值去噪方法分析 |
| 4.5 改進(jìn)的小波閾值去噪方法 |
| 4.5.1 改進(jìn)的自適應(yīng)小波閾值函數(shù) |
| 4.5.2 改進(jìn)的自適應(yīng)小波閾值函數(shù)特性 |
| 4.5.3 改進(jìn)的自適應(yīng)小波閾值函數(shù)在醫(yī)學(xué)圖像去噪中的應(yīng)用 |
| 4.6 本章小結(jié) |
| 第五章 改進(jìn)的克隆選擇算法在小波閾值去噪中的應(yīng)用 |
| 5.1 引言 |
| 5.2 改進(jìn)的自適應(yīng)小波閾值 |
| 5.3 基于免疫優(yōu)化的小波閾值去噪方法 |
| 5.3.1 免疫算法優(yōu)化實(shí)現(xiàn)過(guò)程 |
| 5.3.2 實(shí)驗(yàn)結(jié)果與分析 |
| 5.4 基于改進(jìn)后去噪方法的醫(yī)學(xué)圖像邊緣檢測(cè)實(shí)驗(yàn) |
| 5.5 本章小結(jié) |
| 第六章 總結(jié)與展望 |
| 6.1 總結(jié) |
| 6.2 展望 |
| 參考文獻(xiàn) |
| 作者在攻讀碩士期間的學(xué)術(shù)成果 |
| 致謝 |
（8）寬帶微功率無(wú)線通信系統(tǒng)的信道估計(jì)與均衡的FPGA實(shí)現(xiàn)（論文提綱范文）
| 摘要 |
| abstract |
| 注釋表 |
| 第1章 引言 |
| 1.1 研究背景及意義 |
| 1.2 國(guó)內(nèi)外研究現(xiàn)狀 |
| 1.2.1 Chirp寬帶的研究現(xiàn)狀 |
| 1.2.2 信道估計(jì)算法研究現(xiàn)狀 |
| 1.2.3 信道均衡算法研究現(xiàn)狀 |
| 1.3 論文的主要研究?jī)?nèi)容和章節(jié)結(jié)構(gòu) |
| 第2章 Chirp-BOK調(diào)制系統(tǒng)與算法 |
| 2.1 Chirp擴(kuò)頻技術(shù) |
| 2.1.1 Chirp信號(hào)的基本特性 |
| 2.1.2 Chirp擴(kuò)頻技術(shù)的特點(diǎn) |
| 2.2 寬帶微功率系統(tǒng) |
| 2.2.1 寬帶微功率系統(tǒng)模型 |
| 2.2.2 寬帶微功率系統(tǒng)物理層幀結(jié)構(gòu) |
| 2.3 寬帶微功率系統(tǒng)的信道特性 |
| 2.3.1 微功率無(wú)線信道的衰耗特性 |
| 2.3.2 微功率無(wú)線信道的多徑特性 |
| 2.3.3 信道估計(jì)誤差對(duì)信道容量的影響 |
| 2.3.4 信道估計(jì)誤差對(duì)系統(tǒng)信噪比的影響 |
| 2.4 信道估計(jì)與均衡的基本算法 |
| 2.4.1 信道估計(jì)算法研究 |
| 2.4.2 信道均衡算法研究 |
| 2.5 本章小結(jié) |
| 第3章 信道估計(jì)與均衡算法設(shè)計(jì)與仿真 |
| 3.1 寬帶微功率系統(tǒng)信道估計(jì)研究 |
| 3.1.1 基于小波去噪信道估計(jì)算法改進(jìn) |
| 3.1.2 算法性能仿真分析 |
| 3.2 寬帶微功率系統(tǒng)信道均衡算法研究 |
| 3.2.1 寬帶微功率系統(tǒng)的信道均衡算法 |
| 3.2.2 算法性能仿真結(jié)果分析 |
| 3.3 信道估計(jì)與均衡算法的實(shí)現(xiàn)可行性及定點(diǎn)仿真 |
| 3.3.1 信道估計(jì)與均衡算法在FPGA上實(shí)現(xiàn)可行性分析 |
| 3.3.2 定點(diǎn)仿真結(jié)果分析 |
| 3.4 本章小結(jié) |
| 第4章 信道估計(jì)與均衡模塊的設(shè)計(jì)與實(shí)現(xiàn) |
| 4.1 FPGA概述 |
| 4.1.1 FPGA設(shè)計(jì)流程 |
| 4.1.2 FPGA設(shè)計(jì)使用的EDA工具 |
| 4.1.3 Verilog HDL簡(jiǎn)介 |
| 4.2 信道估計(jì)與均衡模塊的設(shè)計(jì)與實(shí)現(xiàn) |
| 4.2.1 硬件實(shí)現(xiàn)的總體框圖 |
| 4.2.2 估計(jì)與均衡模塊的實(shí)現(xiàn) |
| 4.3 信道估計(jì)模塊的驗(yàn)證與綜合 |
| 4.3.1 驗(yàn)證工作簡(jiǎn)介 |
| 4.3.2 驗(yàn)證平臺(tái)介紹 |
| 4.3.3 功能驗(yàn)證仿真 |
| 4.3.4 邏輯綜合 |
| 4.4 軟件無(wú)線電平臺(tái)驗(yàn)證 |
| 4.5 本章小結(jié) |
| 第5章 總結(jié)與展望 |
| 5.1 總結(jié) |
| 5.2 展望 |
| 參考文獻(xiàn) |
| 致謝 |
| 攻讀碩士學(xué)位期間從事的科研工作及取得的成果 |
（9）基于小波變換的ECG信號(hào)特征參數(shù)提取研究（論文提綱范文）
| 摘要 |
| abstract |
| 第一章 緒論 |
| 1.1 研究工作的背景與意義 |
| 1.2 心電圖基礎(chǔ) |
| 1.2.1 心電圖簡(jiǎn)介 |
| 1.2.2 心電信號(hào)采集 |
| 1.3 國(guó)內(nèi)外研究現(xiàn)狀 |
| 1.3.1 心電信號(hào)處理算法的研究現(xiàn)狀 |
| 1.3.2 心電信號(hào)處理硬件的研究現(xiàn)狀 |
| 1.4 研究?jī)?nèi)容及安排 |
| 第二章 小波變換及心電信號(hào)處理基礎(chǔ) |
| 2.1 小波變換的定義 |
| 2.2 多分辨率分析及Mallat算法 |
| 2.2.1 多分辨率分析的定義 |
| 2.2.2 Mallat算法 |
| 2.3 幾種常見的小波函數(shù) |
| 2.4 心電信號(hào)處理基礎(chǔ) |
| 2.4.1 心電信號(hào)的產(chǎn)生及特點(diǎn) |
| 2.4.2 心電數(shù)據(jù)庫(kù)介紹 |
| 2.5 FPGA器件及其設(shè)計(jì)開發(fā) |
| 2.5.1 可編程邏輯器件FPGA |
| 2.5.2 FPGA開發(fā)流程 |
| 2.6 本章小結(jié) |
| 第三章 基于小波變換的ECG信號(hào)降噪算法 |
| 3.1 心電信號(hào)中的噪聲 |
| 3.2 小波降噪的基本原理 |
| 3.3 小波變換降噪算法研究 |
| 3.3.1 小波系數(shù)尺度相關(guān)降噪算法 |
| 3.3.2 模極大值降噪算法 |
| 3.3.3 小波閾值降噪算法 |
| 3.3.4 常用的閾值和閾值函數(shù) |
| 3.4 心電信號(hào)降噪 |
| 3.4.1 選取合適的小波函數(shù) |
| 3.4.2 建立噪聲模型 |
| 3.4.3 確定分解尺度 |
| 3.5 算法實(shí)現(xiàn)及結(jié)果分析 |
| 3.6 本章小結(jié) |
| 第四章 基于小波變換的QRS波檢測(cè) |
| 4.1 小波變換模極大值檢測(cè)奇異點(diǎn)基本原理 |
| 4.2 QRS波檢測(cè)中的小波變換 |
| 4.2.1 選取合適的小波基函數(shù)及分解尺度 |
| 4.2.2 小波變換提取QRS波 |
| 4.3 QRS波檢測(cè)中的判定算法 |
| 4.3.1 移動(dòng)窗口積分 |
| 4.3.2 自適應(yīng)雙閾值算法 |
| 4.3.3 不應(yīng)期檢測(cè)及瞬時(shí)心率 |
| 4.4 檢測(cè)結(jié)果仿真 |
| 4.5 本章小結(jié) |
| 第五章 QRS波檢測(cè)系統(tǒng)的FPGA實(shí)現(xiàn) |
| 5.1 小波變換模塊的設(shè)計(jì)及仿真 |
| 5.1.1 流水線處理及濾波器設(shè)計(jì) |
| 5.1.2 小波變換模塊仿真及測(cè)試 |
| 5.2 UART模塊的設(shè)計(jì)及仿真 |
| 5.3 檢測(cè)系統(tǒng)的FPGA實(shí)現(xiàn) |
| 5.4 本章小結(jié) |
| 第六章 總結(jié)與展望 |
| 6.1 總結(jié) |
| 6.2 展望 |
| 致謝 |
| 參考文獻(xiàn) |
| 攻讀碩士學(xué)位期間取得的成果 |
（10）多通道EEG信號(hào)去噪算法的研究（論文提綱范文）
| 摘要 |
| Abstract |
| 第1章 緒論 |
| 1.1 課題研究的背景和意義 |
| 1.2 EEG信號(hào)中的噪聲 |
| 1.2.1 EEG信號(hào)噪聲產(chǎn)生的原因 |
| 1.2.2 EEG信號(hào)噪聲的類別 |
| 1.2.3 EEG信號(hào)噪聲成分分析 |
| 1.3 多通道EEG去噪國(guó)內(nèi)外研究現(xiàn)狀 |
| 1.3.1 國(guó)外EEG去噪研究現(xiàn)狀 |
| 1.3.2 國(guó)內(nèi)EEG去噪研究現(xiàn)狀 |
| 1.4 論文研究的主要內(nèi)容 |
| 第2章 小波分析基本理論 |
| 2.1 小波變換簡(jiǎn)介 |
| 2.2 小波變換理論分析 |
| 2.2.1 傅里葉變換 |
| 2.2.2 短時(shí)傅里葉變換 |
| 2.2.3 連續(xù)小波變換 |
| 2.2.4 離散小波變化 |
| 2.3 常用小波函數(shù)介紹 |
| 2.3.1 小波基的選擇 |
| 2.3.2 Haar小波 |
| 2.3.3 Meyer小波 |
| 2.3.4 Doubechies小波 |
| 2.4 小波變換的快速算法 |
| 2.5 本章小結(jié) |
| 第3章 基于小波變換的多通道EEG信號(hào)去噪算法研究 |
| 3.1 EEG信號(hào)去噪實(shí)驗(yàn)分析 |
| 3.1.1 實(shí)驗(yàn)數(shù)據(jù)及電極的放置 |
| 3.1.2 實(shí)驗(yàn)方法 |
| 3.2 傅里葉去噪原理 |
| 3.3 小波去噪原理 |
| 3.3.1 小波分解與重構(gòu)去噪原理 |
| 3.3.2 小波閾值去噪原理 |
| 3.3.3 新閾值函數(shù)去噪原理 |
| 3.4 仿真結(jié)果與分析 |
| 3.4.1 傅里葉算法的EEG去噪結(jié)果 |
| 3.4.2 小波分解與重構(gòu)算法的EEG去噪結(jié)果 |
| 3.4.3 小波閾值算法的EEG去噪結(jié)果 |
| 3.4.4 新閾值小波函數(shù)算法的EEG去噪結(jié)果 |
| 3.5 EEG信號(hào)去噪效果綜合評(píng)價(jià) |
| 3.5.1 SNR、RMSE、PER分析 |
| 3.5.2 ROC曲線分析 |
| 3.5.3 頻譜分析 |
| 3.6 本章小結(jié) |
| 第4章 基于貝葉斯估計(jì)的多通道EEG信號(hào)去噪算法研究 |
| 4.1 貝葉斯估計(jì)理論 |
| 4.1.1 貝葉斯定理 |
| 4.1.2 先驗(yàn)分布 |
| 4.1.3 后驗(yàn)分布 |
| 4.2 EEG信號(hào)噪聲模型分析 |
| 4.2.1 噪聲的分類 |
| 4.2.2 高斯噪聲模型 |
| 4.2.3 非高斯噪聲模型 |
| 4.3 基于貝葉斯估計(jì)的EEG去噪算法研究 |
| 4.3.1 拉普拉斯最大后驗(yàn)概率分布 |
| 4.3.2 貝葉斯算法建立 |
| 4.3.3 閾值系數(shù)的估計(jì) |
| 4.4 基于貝葉斯估計(jì)的去噪結(jié)果分析 |
| 4.5 EEG去噪效果綜合評(píng)價(jià) |
| 4.5.1 SNR、RMSE、PER分析 |
| 4.5.2 ROC曲線分析 |
| 4.5.3 頻譜分析 |
| 4.6 本章小結(jié) |
| 第5章 基于卡爾曼濾波的EEG信號(hào)去噪算法研究 |
| 5.1 卡爾曼濾波的EEG信號(hào)算法應(yīng)用 |
| 5.1.1 AR模型分析 |
| 5.1.2 EEG信號(hào)的卡爾曼濾波模型 |
| 5.1.3 卡爾曼濾波模型的參數(shù)估計(jì) |
| 5.2 基于卡爾曼濾波流程分析 |
| 5.3 仿真結(jié)果及分析 |
| 5.4 EEG去噪效果綜合評(píng)價(jià) |
| 5.4.1 SNR、RMSE、PER分析 |
| 5.4.2 ROC曲線分析 |
| 5.4.3 頻譜分析 |
| 5.5 本章小結(jié) |
| 第6章 總結(jié)與展望 |
| 6.1 總結(jié) |
| 6.2 展望 |
| 參考文獻(xiàn) |
| 攻讀碩士學(xué)位期間取得的成果 |
| 致謝 |
四、基于雙Haar小波軟閾值去噪的閾值選?。ㄕ撐膮⒖嘉墨I(xiàn)）
- [1]基于聲發(fā)射信號(hào)的管道泄漏檢測(cè)及定位方法研究[D]. 黎晨. 西安理工大學(xué), 2021(01)
- [2]基于Duffing振子的繞組變形微弱信號(hào)幅值檢測(cè)方法研究[D]. 賀園園. 西安理工大學(xué), 2021(01)
- [3]基于小波去噪的閾值函數(shù)改進(jìn)及其應(yīng)用研究[D]. 盛祖維. 江西財(cái)經(jīng)大學(xué), 2021(10)
- [4]基于構(gòu)架載荷信號(hào)多尺度熵的高速列車工況識(shí)別研究[D]. 喬思蓉. 北京交通大學(xué), 2021(02)
- [5]基于小波包閾值法的脈沖星信號(hào)去噪方法研究[D]. 邵廣盛. 貴州師范大學(xué), 2021(08)
- [6]射頻信號(hào)去噪算法研究[D]. 程靖宇. 電子科技大學(xué), 2021(01)
- [7]基于小波變換和免疫算法自適應(yīng)改進(jìn)的醫(yī)學(xué)圖像去噪研究[D]. 李寄仲. 東華大學(xué), 2021(09)
- [8]寬帶微功率無(wú)線通信系統(tǒng)的信道估計(jì)與均衡的FPGA實(shí)現(xiàn)[D]. 王浩林. 重慶郵電大學(xué), 2020(02)
- [9]基于小波變換的ECG信號(hào)特征參數(shù)提取研究[D]. 楊旭東. 電子科技大學(xué), 2020(07)
- [10]多通道EEG信號(hào)去噪算法的研究[D]. 王宏旭. 長(zhǎng)春理工大學(xué), 2020(01)
標(biāo)簽：小波變換論文; matlab小波變換論文; 仿真軟件論文; 信噪比論文;