自适应分层阈值小波去噪在雷达信号中的运用研究

在处理拉曼雷达回波信号过程中,采用小波去噪法进行算法反演前的数据预处理,针对小波去噪的核心问题-小波基的选择和阈值的设定提出了自适应分层阈值软门限去噪的方法,并选择了不同的小波基组合软硬阈值对去噪结果进行了对比。经实验数据验证,相对传统的滑动平均滤波,纯粹的细节和抑制全局阈值法,自适应分层阈值软门限在获取相同信号、保持相同能量的前提下能更好地恢复信号;在有云情况下信号的尖峰结构也没有变化,有效地抑制了噪声,提高了细节识别度和反演精度。

基于小波分析的医学超声图像去噪与增强研究

去除超声斑点噪声,增强图像以提高图像质量是医学图像处理的重要课题。论文提出基于小波分析的超声图像去噪与增强方法。首先是结合自适应方向加权中值滤波和小波半_软阈值去噪法有效抑制了斑点噪声,保留必要的细节;然后采用基于小波变换高频增强法增强图像并用同态增晰法增强对比度,有效地改善图像的质量;最后从去噪图像和评价指标上与常用斑点去噪法进行了比较。实验表明,该方法优于其他方法,具有实际的应用价值。

一种具有自适应特性的风电机组齿轮箱振动信号预处理算法的研究

采用自适应窄带干扰消除和改进软阈值去噪算法,实现对风电机组振动信号的滤波处理,凸显表征故障特征的源振动信号。风电机组的振动信号由设备正常运转产生的周期性信号、故障源振动信号及噪声信号相互混合而产生。自适应窄带干扰消除算法可合理消除振动信号中的周期性成分,改进软阈值去噪技术可有效剔除背景噪声,结合两种技术特点提出一种具有自适应特性的信号预处理算法,凸显表征故障源振动特性的信号模型。试验结果表明:添加自适应特性能有效提高信号预处理算法的鲁棒性和泛化能力。

用于软件缺陷预测的集成模型

软件缺陷预测的目的是有效地识别出有缺陷的模块。对于类别平衡数据,传统的分类器具有较好的预测效果,但当数据类别比例分布不均衡时,传统的分类器往往偏向于多数类,易使得少数类模块被误分。但是,真实的软件缺陷预测中的数据往往是类别不平衡的。为了处理软件缺陷中的这种类别不平衡问题,文中提出了基于改进的类权自适应、软投票与阈值移动的集成模型,该模型在不改变原始数据集的情况下,从训练阶段和决策阶段同时考虑处理类别不平衡的问题。首先,在类权值学习阶段,通过类权自适应学习得到不同类的最优权值;然后,在训练阶段,使用前一步得到的最优权值训练3个基分类器,并通过软集成的方法组合3个基分类器;最后,在决策阶段,根据阈值移动模型来做出决策,以得到最终预测类别。为了证明所提方法的有效性,实验采用NASA软件缺陷标准数据集和Eclipse软件缺陷标准数据集进行预测,并在相同的数据集上将其与近年提出的几种软件缺陷预测方法在召回率值Pd、假正例率值Pf和F 1度量值F-measure方面进行了对比。实验结果表明,所提方法的召回率Pd平均提高了0.09,在F 1度量值F-measure上平均提高了0.06。因此,文中提出的处理软件缺陷预测中类别不平衡问题的方法的整体性能优于其他软件缺陷预测方法,具有较好的预测效果。

基于多尺度虚拟格网的LiDAR点云数据滤波改进方法

机载激光雷达(LiDAR)点云数据滤波是目前点云数据处理领域研究的重点。针对目前点云数据滤波的难点,提出了一种基于多尺度虚拟格网和并行计算的改进滤波方法。该方法通过点云数据构建多级虚拟格网,对格网进行多尺度分解,剔除LiDAR数据中的粗差点,获取初始地面点及地物点;根据双向阈值滤波原理,以网格尺度由大到小的顺序逐层进行滤波处理,得到较为精细的地面点,并结合点云数据的并行编程处理,减少了滤波算法的误差积累。实验结果表明:改进算法与其他经典滤波算法相比,滤波精度有了较大的提高,在不同的地形条件下能有效地控制第II类误差,同时减少了总误差,提高了滤波处理的效率和数字高程模型(DEM)的可靠性。

基于平衡正交多小波的MR图像去噪算法研究

磁共振图像中的噪声分布的特殊性不仅大大降低了图像的质量,影响医学诊断,而且为噪声的去除提出了更高的要求。平衡正交多小波同时满足正交性和对称性,不仅具有比单小波分解更加精确、去噪效果更好的特点,同时避免了普通多小波分解过程中的预处理过程。文中对磁共振图像进行平衡正交多小波分解后,采用了一种自适应性更高的阈值确定函数与半软阈值相结合方法对小波系数进行萎缩处理,实现降噪目的。结果表明:该方法优于97提升小波及ghm多小波方法,去噪效果进一步提高。