用Malvar子波变换实现MCM信道不等带宽分配

本文把Malvar子波变换应用于多载波调制(MCM)系统,提出了对信道进行不等带宽分配,克服多个单音(窄带)干扰的思想,有效地提高了信道的利用率和系统的稳定性。

基于回声状态网络的飞机混沌时间序列预测模型

准确检测飞机即将发生的故障或预测其状态的变化趋势,对于实现飞行安全具有重要意义。文章针对传统基于回声状态网络在故障预测中的不足,构建了基于小波降噪的回声状态网络预测模型。该模型保留了非线性时间序列回声状态网络预测的优势,并采取小波变换对混沌时间序列进行降噪预处理,有效提高了含噪混沌时间序列的预测精度。论文通过对某飞机发动机滑油散热器温度时间序列数据序列进行预测分析,表明文中模型具有较好的预测精度,验证了模型的有效性。

基于Morlet小波变换的信号去噪及在轴承状态监测中的应用

为在强噪声背景下利用振动信号中隐含的冲击特征成分来反映轴承性能退化趋势,提出一种基于Morlet小波变换和时域特征参数提取相结合的轴承状态监测方法。通过引入谱峭度评估Morlet小波滤波的去噪效果,再从信号滤波结果构建的组合信息中提取时域特征参数。对轴承全寿命数据的应用结果表明,特征参数的变化趋势能够监测轴承状态的劣化过程,伴随的早期故障检测可以提高轴承使用的安全性。

油液磨粒超声回波信号的双树复小波去噪研究

超声回波信号反映了润滑油中磨粒的大量信息。为了提取淹没在强噪声环境下的超声回波信号,提出了一种基于双树复小波变换(DT-CWT)的油液磨粒超声散射回波信号去噪新方法。利用双树复小波变换具有近似平移不变性和有效去噪等优点,首先对超声散射回波信号进行双树复小波分解,然后对分解得到的高频系数进行阈值处理,最后进行双树复小波重构。结果表明:分解层数为6层时,去噪后信号的信噪比更高、均方误差更小、相似系数更大、幅值最大偏差更小。双树复小波变换硬阈值去噪效果比传统小波去噪效果明显好。

基于小波变换系数统计特征值和深度神经网络的快速噪声水平评估算法

鉴于噪声干扰导致图像小波变换系数的统计特征值产生有规律的变化以及深度神经网络(Deep Neural Network,DNN)强大的函数逼近(映射)能力,提出了一种快速噪声水平评估(Fast Noise Level Estimation,FNLE)算法。具体地,先利用Daubechies 9/7小波基在3个尺度、3个方向对噪声图像进行小波变换,再利用广义高斯分布(Generalized Gaussian Distribution,GGD)模型为变换后各个子带上的小波系数值建模并以GGD模型的2个参数作为统计特征值,共可得到18个特征值构成描述图像噪声水平高低的特征矢量;然后,选用大量已知噪声水平值的噪声图像构成噪声图像集合,提取集合中噪声图像的特征矢量并与所施加的噪声水平值构成训练数据集;最后,利用DNN深度神经网络技术在训练数据集上进行训练从而获得能够将特征矢量映射为噪声水平值的预测模型。为了获得更加准确的预测值,将噪声水平值范围细分为5个子范围分段训练以获得更为精准的预测模型。相对于现有的算法,FNLE算法采用了基于训练的实现策略。预测模型一旦训练完成,其用于预测的执行时间非常短。同时,DNN深度神经网络技术保证了预测结果的准确性。大量实验数据验证了FNLE算法在预测准确性和执行效率两个关键评价指标上具有更好的综合优势。