基于Mallat算法遥感图像去云雾处理的改进方法

遥感图像云雾处于相对低频、景物处于相对高频。根据小波变换多分辨率的特点,分析云雾和景物在小波系数中的分布,得出景物信息包含于低层细节系数,而云雾信息包含于高层细节系数和近似系数。本文通过增大图像的低层细节系数,减小高层细节系数,并适当减小近似系数,达到去除云雾的目的。最后评价了图像处理结果,并与同态滤波做比较,表明本文方法是有效的。

Mallat算法的光学实现

提出了Mallat算法的光学实现方法。针对振幅型空间光调制器只能实现非负的实函数,且CCD只能记录光的强度,提出一种应用于光学4f系统的光学小波滤波器的设计方法。根据采样间距,基于张量积方法由一维小波滤波器系数构造二维小波滤波函数。然后通过拆分、傅里叶变换与归一化,得到非负的实函数形式的频域小波滤波器。最后,给出相应的光学小波变换后处理方法。使用该种光学小波滤波器及其相应的后处理方法,利用光学4f系统实现Mallat算法的小波分解部分,并通过数值计算实现Mallat算法的小波重构部分。仿真实验结果表明,通过本文提出的方法在理论上能够高精度地重构输入图像;在引入光学器件量化误差的条件下,平均重构PSNR为54.27 dB。利用实际的光学4f系统进行光学实验,也能以良好的质量重构输入图像。仿真分析和光学实验结果验证了方法的正确性。

基于小波Adaline改进的充电桩谐波分析及扰动定位方法

针对Adaline网络在复杂信号谐波检测中基波频率难以获取的问题,提出一种小波重构与改进型Adaline网络结合的谐波分析方法,并将该方法应用于充电桩谐波分析中。首先,用Mallat算法对原信号分解,再将细节信号重构实现扰动定位,将近似信号重构得到去噪原信号与基波信号,通过基波获取频率。其次,对Adaline网络相位提取算法进行优化,使其兼容全部相位范围,将去噪原信号通过优化后的Adaline网络检测谐波幅值及其对应的相位,综合误差为0.766%,比传统的Adaline模型精度提升了28.642%;最后,将该方法应用于充电桩模型,实现谐波检测,并精准定位扰动发生时段,进一步论证了该方法的适用性。

有限长度信号Mallat算法的边界延拓方法

处理有限长度信号时需要对其边界做某种延拓处理。本文在对Mallat算法分析的基础上,研究了有限长度信号Mallat算法中常用的4种边界延拓方法,并详细推导了4种边界延拓方法实现小波变换的一般过程。详细讨论了对称延拓中的2种延拓方式,分别就滤波器长度和信号长度为奇数或偶数的情况进行了研究。在周期延拓和对称延拓中,为了使多级分解与重构顺利进行,引入一个二元标示序列,使得小波变换便于编程实现。最后以bior4.4双正交小波给出实例,计算结果表明,在保持信号长度不变的情况下,按本文延拓方法能实现完全重构。

基于去降Mallat离散小波变换的彩色图像分割

该文针对Mallat快速离散小波变换,提出了一种利用变换平移不变性的离散小波变换的彩色图像分割方法。首先对原始图像进行平移不变性的小波变换,然后提取颜色和纹理特征,并采用k均值算法进行分割。实验表明该方法对纹理图像和彩色自然图像都具有较好的分割效果。

基于Mallat算法和快速傅里叶变换的电能质量分析方法

提出了一种基于Mallat算法和快速傅里叶变换的电能质量分析方法。将小波消噪应用于采样信号,根据信号的突变点检测结果,将采用Mallat分解算法得到的第一层和第二层高频系数作为区分稳态和非稳态扰动的判据,进而求出扰动的持续时间。根据多分辨分析的频带划分原理,采用Mallat重构算法提取出了暂态扰动波形,并编制了可准确判别电压骤降、骤升和断电等短期变化扰动的识别子程序。对于稳态扰动,提出可将快速傅里叶变换作为区分谐波和闪变的一种手段。Matlab的仿真结果验证了该方法的准确性和有效性。

基于Mallat算法的日负荷预测实用方法研究

小波变换在时域和频域都具有良好的局部化性质,在电力系统负荷预测中得到了广泛应用。小波变换的实质是卷积运算,在负荷预测过程中存在边界效应,降低了预测的精度。本文采用阈值处理和差分补偿数据延拓方法对原始数据进行处理,然后采用Mallat分解算法对处理后的负荷序列进行分解,针对电力负荷为随机序列的特点,利用时间序列法的随机模型对小波子序列分别进行预测,最后采用Mallat重构算法对预测结果进行重构,提出了一种基于Mallat算法的负荷预测实用方法。算例结果表明该方法有效地减小了边界效应对预测结果的影响,针对具有随机序列特点的电力负荷的预测具有良好的计算精度。

基于小波变换Mallat算法的电网谐波检测方法

针对传统的傅里叶变换方法在分析非平稳运行电网的电量信号时误差较大的问题,提出了一种基于小波变换Mallat算法的电网谐波检测方法。该方法根据不同的分辨率将电量信号分解到不同的子频段,然后分别对子频段进行多次重构,得到原始信号的基波,最后将采样得到的原始信号与重构的基波信号相减,得到谐波信号。Matlab仿真结果表明,该方法能够有效地将电量信号中的基波与谐波成分分离,谐波检测精确度较高。

实施一维Mallat算法的几个问题

详细地研究了ｍ阶尺度函数，特别是Ｄ（Ｎ）ｍ，ｎ（ｔ）和信号的采样，零阶保持逼近。导出了信号初始近谱的计算方法。

a尺度正交双向小波的Mallat算法

研究了a尺度正交双向小波的Mallat算法.引入了正交双向加细函数及a尺度正交双向小波的概念,在此基础上利用a尺度正交双向多分辨分析,得到了正交双向小波的分解与重构的Mallat算法,并给出其矩阵表示,推导了信号分解后完全重构的充要条件.该算法对于能量有限的离散信号的分解与重构有一定的实用价值.

小波Mallat谐波测量的带内泄漏误差分析与算法改进

电力谐波的小波变换分频带测量目前常采用Mallat算法,在信号同步采样条件下具有较高的准确度。当非同步采样时,通过理论分析指出该测量方法存在着很大的带内泄漏误差,并推导了带内泄漏误差的频域形式表达式。仿真和实验表明带内泄漏引起的相对误差可达5×10-2。针对带内泄漏误差,采用整系数交迭窗函数构造子带内抗混叠滤波器,提出一种抗带内泄漏的小波变换谐波测量算法。仿真表明抗带内泄漏算法的有效值测量相对误差小于1.3×10-4;实验表明抗带内泄漏算法的功率测量引用误差小于1.3×10-3,测量准确度比小波变换Mallat算法提高了1～2个数量级。

基于改进Mallat算法的分形图像压缩

根据传统分形图像压缩算法的实现条件,针对现有二进小波信息量仍然存在冗余,提出了将Mallat算法应用于分形图像压缩。MATLAB实验表明,通过改进Mallat算法的应用,有助于增强图像的压缩比以及图像质量。

基于Mallat算法的小波分解重构的心电信号处理

为了实现对微弱低信噪比的心电信号的有效提取,采用了Mallat算法的小波分解重构法去除心电信号的噪声。首先确定小波分解重构的小波基;其次确定分解的层数;然后直接提取有用信号所在的频带(有用信号占优的频带)进行重构;最后,Matlab仿真MIT-BIT标准数据库中的心电信号表明小波分解重构法可以有效的去除心电信号中的多种干扰;同时比起传统滤波器法来说,小波分解与重构去噪法应用起来更方便。

小波变换Mallat算法实现中的边界延拓研究

本文通过对M allat算法公式的分析推导,说明了在M allat算法实现过程中边界延拓的必要性,并介绍了适合不同边界延拓方式的一维信号小波变换一般实现方法.通过计算机仿真,给出了3种延拓方式下的一维信号小波分解重构结果.

基于小波Mallat算法的次同步振荡监测

提出了1种基于小波Mallat算法的次同步振荡实时监测方法,该方法可以通过对发电机转速或定子电流2种不同类型的信号进行多分辨率分析,在不同尺度上实现对次同步振荡的分量提取和奇异性检测,从而使次同步振荡的监测在时频域均具有较高的分辨率。现场实际应用表明该方法具有较好的工程应用价值。

基于改进Mallat算法及包络线的气阀故障诊断

气阀故障微弱信号特征不明显,常规方法难以通过计算结果来判断气阀状态,且传统Mallat算法存在频率混叠及边界震荡现象,难以提取出气阀故障特征。为此,提出一种结合改进Mallat分解算法及包络线的故障特征提取方法。改进传统的边界处理方式,对信号右边界进行数据延拓,用二阶Volterra模型对延拓信号进行预测,用递推最小二乘法求取预测系数,用非抽样算法对信号进行小波包分解。对分解得到的各频带信号进行奇异值降噪处理,通过奇异熵增量曲线选择降噪阶次,画出信号的上、下包络线,用于提取气阀故障特征。对仿真信号及工程信号的处理表明,用改进的Mallat算法对信号进行分解,消除了边界震荡及频率混叠现象,成功提取了阀片破损的微弱故障特征,取得了良好的效果。

基于Mallat算法的图像边界问题的研究

首先介绍了一维信号边界对称延拓方式及图像双正交小波分解重构算法,然后在一维信号边界延拓方式的基础上,研究了当高、低通滤波器长度为偶数,且关于1/2对称时,图像能够精确重构的边界延拓问题,并给出了图像的小波变换及边界对称延拓的步骤。最后,通过仿真实例验证了该对称边界延拓方式能够保证图像在小波变换中精确重构。

流式Mallat塔式分解与事件检测

在Miallat塔式分解算法基础上，提出流式Mallat塔式分解算法，该算法克服了Mallat塔式分解由于采用逐级二次抽样造成定位检测误差的缺点。根据数据流信号的特点，选择适当的共轭镜像滤波器对流式分解的每一级都能准确跟踪数据流中的每一点。计算机仿真实验对比结果表明，流式Mallat分解算法用于事件检测、局部分析等方面比原Mallat分解算法更具优越性。

Mallat算法频率混叠原因及其改进模型

Mallat算法由于自身设计的原因,在信号分解过程中,存在频率混叠现象.在利用小波分析进行信号提取时,这种现象是一个不容忽视的问题.通过分析Mallat算法,找出了造成Mallat算法产生频率混叠的原因,给出了一个能有效消除频率混叠的改进算法模型.

基于Mallat小波分解与改进GWO-SVM的道岔故障诊断

为顺应道岔故障诊断向智能化和自动化的发展趋势,以S700K转辙机功率曲线为例,提出一种改进型灰狼优化算法(GWO)与支持向量机(SVM)相结合的故障诊断方法。在8种故障模式和正常模式所对应的功率曲线实施5层Mallat小波分解,得到各层近似系数和细节系数,并计算各层系数的平方和;利用主成分分析法对系数平方和组成的向量集进行降维,得到特征向量集;改进型灰狼优化算法优化支持向量机参数,并用优化好的支持向量机进行故障预测。研究结果表明:该方法能有效提高道岔故障诊断的准确率。