基于经验模态分解和改进小波软阈值降噪法的电站信号降噪研究

在对电站各类信号进行故障诊断时,由于其所处的复杂工作环境,采集设备得到的信号中经常包含背景中强噪声干扰,导致在后续信号关键特征的识别和处理时会出现较大困难。为降低噪声的影响,本文将经验模态分解与改进小波软阈值降噪法相结合进行电站信号的处理并进行了方法有效性验证。该方法的主要流程如下:首先,将信号进行经验模态分解,分离出若干个本征模态分量和残差。其次,对其与原始信号进行互相关分析,识别有用信号主导的分量和噪声主导的分量,并将噪声信号主导的分量进行改进小波软阈值降噪法处理后,将其与有用信号分量和残差进行重构。最后,将经验模态分解和改进小波软阈值降噪法降噪处理后的信号与传统只采用小波阈值降噪法处理后的信号进行评价,结果表明本文方法的信噪比更高、均方根误差更小、相关系数更高、平滑度更好,可有效消除背景噪声的影响。

面向水下焊接电信号的粒子群优化小波软阈值去噪法研究

为降低噪声干扰以及提高检测精度,提出一种针对水下焊接电信号的基于粒子群优化的小波软阈值去噪方法。通过对信号进行小波分解,以信噪比作为评价指标,不断迭代进行全局搜索最优阈值从而完成信号去噪,并分别进行仿真及实测水下焊接电信号的去噪实验。结果表明,提出的算法具有信号信噪比更高、均方根误差更小、能有效保留信号的细节信息等优点,有利于水下焊接电信号特征的提取,从而为水下焊接质量在线监测提供基础。

小波软阈值算法去除SAR图像中的Speckle噪声

在详细分析了Donoho小波软阈值的基础上 ,应用小波变换技术对SAR图像进行分析处理 .使用“小波局部软阈值算法”来计算阈值 ,对高频小波系数进行阈值确定 .求得估计小波系数 ,对其取小波反变换后 ,去除SAR图像中的Speckle噪声 .实验结果表明此方法对去除Speckle噪声十分有效 。

小波软阈值去噪和GRNN网络在月度负荷预测中的应用

在介绍了小波阈值降噪理论和广义回归神经网络基本理论的基础上,针对电力系统的月负荷数据同时具有趋势增长性和季节波动性的复杂非线性特征,提出了一种月负荷预测新方法。首先对历史数据进行小波软阈值去噪,以横向历史数据和纵向历史数据作为神经网络的输入,建立了月度负荷预测模型,并将其应用于我国某地区月度负荷预测,结果表明:该模型既具有较好的鲁棒性,预测精度较高且较为稳定,又具有良好的实用性。

基于CEEMDAN和小波软阈值的电能质量扰动信号去噪新方法

为了有效降低噪声对电能质量扰动信号检测的影响,文中提出基于自适应加噪的完备集合经验模态分解(CEEMDAN)和小波软阈值相结合的去噪新方法。该方法利用CEEMDAN将含噪信号分解成为多个频率由高到低的固有模态分量(IMF),采用BP神经网络对含噪信号两端进行延拓来抑制端点效应,通过计算各IMF的多尺度排列熵(MPE)的均值来确定高频含噪分量和低频扰动信号分量,然后使用小波软阈值对高频分量进行去噪,最后将去噪后的IMF与低频IMF进行信号重构,这样既保留了高频分量的有效信息又滤除了噪声。仿真实验表明,利用所选定的新方法去噪效果相对于小波硬阈值去噪、小波软阈值等传统方法有一定的优势,去噪后的信号能够真实地反映电能质量扰动信号的特征,所得结果合理、有效。

小波软阈值径向基神经网络同时测定多组分混合物

建立了一种小波软阈值径向基函数神经网络 (STWRBFN)方法 ,同时定量分析了多组分混合物。结合小波软阈值法和径向基函数神经网络改进了回归质量。通过最佳化 ,选择了小波函数、小波分解水平(L)、阈值法类型和网络的伸展参数 (σ)。两个程序PSTWRBFN和PRBFN被设计执行STWRBFN和径向基函数神经网络 (RBFN)计算。实验结果表明STWRBFN是成功的且优于RBFN法 ,和经典的多变量线性回归(MLR)方法相比较 。

小波软阈值核心偏最小二乘法同时定量分析光谱严重重叠的四组分混合物

用一种小波软阈值核心偏最小二乘(WSTKPLS)方法同时定量分析光谱严重重叠的对苯二酚、邻苯二酚、间苯二酚及苯酚的混合物。结合小波软阈值法和核心偏最小二乘法改进回归质量。选择小波函数、小波分解水平、阈值法类型以优化除噪效果。采用小波软阈值核心偏最小二乘法和偏最小二乘法编制了两个计算程序。计算结果表明,WSTKPLS方法是成功的且优于偏最小二乘法。

小波软阈值技术在电力负荷预测中的应用

电力系统中长期电力负荷数据相对较少,影响因素多且很难预测,其主要由随机性因素和确定性因素决定。根据这些信息中隐藏频率的不同,可利用小波变换原理将其分解到若干频率段上,即得到若干"近似"项和"细节"项,在各项上附加不同的阈值后,应用小波原理对经过阈值处理的各项进行重构,从而达到对原始数据降噪的目的,将去噪后的长期负荷数据作为神经网络的输入进行预测。算例表明,该方法预测结果准确、可靠。

基于CEEMDAN与小波软阈值的语音去噪算法研究

语音信号在应用场合中容易被噪声信号干扰,导致应用效果不佳。为了降低语音信号噪声的影响,根据CEEMDAN自适应分解的优点、自相关函数能得到不同时刻取值相关程度的特性,以及小波软阈值去噪的优势,提出了一种基于CEEMDAN与小波软阈值联合去噪的语音信号处理算法。通过仿真实验验证了该算法的有效性,相较于小波软阈值直接去噪与传统CEEMDAN去噪,该算法能有效地提高受噪声污染的语音信号的信噪比,降低噪声对语音信号造成的影响。

基于小波软阈值的中长期电力负荷预测研究

由于中长期电力系统负荷数据相对较少,影响因素广泛,常用的负荷预测方法很难达到满意的精度,所以提出一种结合小波软阈值和广义回归神经网络的综合预测模型,该模型充分考虑了长期负荷数据相对较少和影响因素广泛的特点,把负荷预测看作一个信号序列,应用小波去噪原理,将信号与噪声分离,然后利用广义回归神经网络进行预测。实际应用证明,预测结果是令人满意的。

无边界效应D小波软阈值法去除肉品图像斑点噪声

肉品图像中的斑点噪声与肌内脂肪的颜色特征相似,要准确提取肌内脂肪,就必须先对斑点噪声进行滤除。在小波软阈值法滤除SAR图像中的斑点噪声算法基础上,结合肉品图像的特点进行了改进。首先,使用由耿则勋提出的算法,在小波分解时对左右边界进行处理,重构时外推值为0,对离散小波变换的边界效应进行处理,精确重建图像,消除小波变换的边界效应。选择了D8小波,3级分解后,在不同的阈值下进行了实验。结果表明:阈值的选取影响去噪效果,但在所有参数都相同时,改进算法消除边界效应的同时,在斑点指数和方法噪声两个客观评价指标均优于其他几种边界延拓方式,图像失真最小。

利用小波软阈值法除去图像中的统计噪音

利用小波软阈值法对加入统计噪音的SPECT图像除去噪音。试验表明这种方法既能除去噪音又能很好的保留图像的特征,是1种理想的方法。

基于经验模式分解与小波软阈值的联合去噪法

为获得往复运动摩擦副摩擦力信号良好的去噪效果,在分析传统的经验模式分解去噪和小波阈值去噪的优缺点的基础上,提出在模式相关系数准则下,将经验模式分解去噪与小波软阈值去噪结合起来的综合去噪方法。首先利用经验模式分解出若干个固有模式函数分量,在模式相关系数准则下找出由噪声主导和由信号主导的固有模式函数分量的分界点,接着对由信号主导的模式函数分量分别进行小波软阈值去噪,然后再进行重构从而获得去噪信号。实验结果表明,此去噪方法具有良好的自适应性和稳定性,提高了信噪比,并较好地保留了原信号的细节信息。

基于CEEMD的小波软阈值和粗糙度惩罚平滑技术的联合信号去噪方法

为了有效去除采集信号中的噪声,基于MEMS水听器在采集信号时混入不同噪声的情况下,提出了一种基于CEEMD的小波软阈值和粗糙度惩罚平滑技术的联合信号去噪方法。CEEMD用于将一个含噪信号分解为几个固有模态(IMFS),然后把几个固有模态和原始信号作一个线性相关分析,分为相关性高的模态和相关性低的模态。将软阈值技术应用于相关性低的固有模态,并将粗糙度惩罚平滑技术应用于相关性高的固有模态,以提取尽可能多的信息,然后把处理后的新的固有模态重构形成去噪信号。分别在仿真和真实数据的基础上进行了实验,验证了方法的有效性。结果表明,联合信号去噪方法无论在去噪效果和性能指标上都优于基于CEEMD的小波软阈值的去噪方法和CEEMD的去噪方法,克服了经验模态方法和小波软阈值去噪的不足,为进一步分析与处理信号提供参考。

基于归一化自相关函数与类小波软阈值法的GIS局放信号降噪方法研究

针对目前利用特高频方法检测GIS典型缺陷时,存在白噪声干扰滤除效率低以及原始信号波形畸变率高等问题,构建了GIS特高频局部放电检测试验模型,经人工处理获得4种典型局部放电UHF信号,提出采用EMD分解将4种典型缺陷的特高频信号分解为有限个IMF分量,利用归一化自相关函数找到IMF分量中局部放电信号与白噪声的分界点,对含白噪声的IMF分量使用类小波软阈值进行滤波,随后重构所有IMF分量,得到各缺陷局部放电特高频信号。将文中方法所得信号与小波去噪信号进行信噪比以及波形畸变率对比,结果表明文中所用方法具有更为良好的去噪效果,可用于GIS局部放电监测。

基于小波软阈值去噪和EMD的车辆声信号频谱分析

为了更准确细致地分析普通燃油车和纯电动汽车两类车辆在低速行驶时由动力装置产生的声信号特征,研究无噪声条件下的车辆声信号的频谱尤为重要。文中使用小波软阈值去噪方法对两类声信号进行去噪处理,通过经验模态分解,获得对应的固有模态分量,并对每一个固有模态分量进行快速傅里叶变换,以获得相应的频谱。研究结果表明,与去噪后的声信号的频谱成分相比,小波软阈值去噪后的声信号频谱成分清晰可见。通过频谱分析,确定了两种车型的声信号所包含的频率分量。该文对分析车辆声信号的频谱成分,提供了一种可行的方法。

基于互相关—峭度和小波软阈值的EEMD降噪方法研究

针对目前EMD分解后IMF分量优选方法的不足,提出了一种基于互相关—峭度和小波软阈值的EEMD降噪方法。该方法利用EEMD对信号进行分解得到IMF分量,计算IMF分量的峭度值、标准差及其与原信号的互相关系数。根据互相关系数、标准差和峭度值,设置优选条件,将选定的IMF分量进行重构。与互相关系数、峭度准则单独作为优选条件的重构结果进行对比,结果表明这种新型优选方法的效果更好,利用基于互相关—峭度和小波软阈值的EEMD降噪方法对滚动轴承微弱故障信号进行处理,能够更精确地提取到轴承故障特征。

基于不同经验模态分解的小波软阈值ECG去噪研究

针对ECG信号的非线性和非平稳性,利用不同经验模态分解的小波软阈值方法对其进行降噪处理.根据希尔伯特-黄(Hilbert-Huang)变换提出的一系列的EMD算法,有EMD、EEMD、CEEMD等.首先,将含高斯白噪声的ECG信号分别进行EMD、EEMD、CEEMD分解,所得到的固有模态函数(IMF)分量是从高频到低频排列的,分别舍去前几层含噪IMF'进行重构去噪.由于舍去的IMF分量中含有少部分信号的细节信息,然后利用小波软阈值对前几层含噪IMF提取细节信息得到新的分量,再将剩余分量和新的分量重构去噪后的ECG信号.利用去噪信号图和不同性能指标验证了不同方法的有效性,得出了基于CEEMD的小波软阈值ECG降噪效果最佳.最后,用上述方法对MIT-BIH心电噪声库信号进行去噪处理,其结果与仿真实验相吻合.

基于IGA-小波软阈值的MEMS矢量水听器信号去噪方法

提出了将使用新的遗传策略,将与当前进化迭代和种群平均适应度变化趋势相关的惩罚因子引入到遗传算法的自适应交叉、变异概率中,依据种群适应度集中分散程度自主调节遗传操作顺序的改进的遗传算法,并用此改进的遗传算法自适应获取最佳小波阈值,然后结合小波软阈值去噪方法对信号去噪.仿真实验和实测实验说明提出的基于改进遗传算法的小波软阈值去噪方法具有良好的去噪性能,且具有一定的稳定性.

CEEMD和小波半软阈值相结合的滚动轴承降噪

针对滚动轴承振动信号降噪处理时如何保证信号边缘信息完整性的问题,提出将互补集合经验模态分解(complementary ensemble empirical mode decomposition,简称CEEMD)与小波半软阈值相结合的信号降噪方法,对滚动轴承故障高频振动信号进行降噪处理。首先,采用CEEMD方法对故障振动信号进行分解,针对信号特点自适应获取不同频段模态分量;其次,将对包含噪声污染的高频信号模态分量进行相关性分析,得到含噪成分较高的高频模态分量,进一步采用小波半软阈值进行降噪处理;最后,将降噪后的模态分量同残余分量进行信号重构,完成降噪过程。分析结果表明,相对于传统小波阈值降噪和CEEMD强制降噪方法,提出的方法能够有效去除高频信号的噪声,且最大程度地保证了原始信号的完整性,降噪效果更好。