基于sym8小波寻北系统去噪研究

针对寻北系统在实际运用中因受周围环境影响而导致寻北精度下降的问题,提出了基于小波变换的去噪方法.该方法选用sym8小波基,采用高次逼近法和改进的小波阈值对含有阵风噪声的原始陀螺信号进行小波去噪.结果表明sym8小波基为含阵风噪声陀螺信号进行小波去噪的最优小波基.调整其分解尺度进行仿真,发现分解尺度为4时达到了最佳去噪效果且提高了寻北精度,证明了方法的有效性与可靠性.

基于sym8小波和部分hadmard矩阵的深空图像压缩编码

针对传统深空图像编码导致系统资源极大浪费的问题,提出了基于sym8小波和部分hadmard矩阵的深空图像压缩感知编码方法。对图像sym8小波分解后的低频系数进行3级小波分解后用CCSDS编码,高频系数利用部分hadmard矩阵观测后进行量化编码。解码时,CCSDS解码恢复低频系数,正交匹配追踪算法恢复高频系数,然后再通过逆sym8小波变换合成图像。仿真结果表明:相同压缩比下峰值信噪比比小波稀疏基方法和单层小波压缩感知方法分别有5～8 dB和1～1.4 dB的明显提升。

小波分析在微地震信号处理中的应用研究

通过探究小波分析特性选取适合微地震信号处理的基本小波,并以实测微地震信号为例,论述了利用MATLAB小波工具箱成功实现微地震信号处理的过程。利用对称小波函数sym8、启发式阈值选择规则、软阈值函数、5层分解等参数实现了信号的自动去噪,经检验去噪效果良好。通过尺度-频率转换成功绘制出频率-时间-小波系数图和时间频率谱,为分析信号时频同步特性提供了有效手段。

小波-ANFIS模型在年最大洪峰预测中的应用

洪水的非线性变化特征使其预测结果在防汛指挥中难以让决策者实时有效利用,基于此,提出两种小波-ANFIS模型,将其应用于张家庄水库的年最大洪峰流量预测中,从而选出预测效果较好者。首先拟合1973—2002年的原始数据S,利用不同小波分解函数db5和sym8,分别对S信号进行尺度为4的分解,得到两组系列的低、高频信号;然后利用各低、高频信号对ANFIS模型进行训练,调试得到最佳模型并用来预测各低、高频信号在2003—2007年的信息;最后将各系列低、高频预测信号进行重构,即生成由sym8-ANFIS和db5-ANFIS模型预测的两个序列。经比较分析,sym8-ANFIS模型具有较快的收敛速度,且精度更高。

小波消噪方法在目标磁信号检测中的应用

磁信号检测中,针对含噪磁信号信噪比较低的问题,应用小波消噪方法对其消噪处理,滤除磁噪声,提高信号的信噪比。先构建磁性目标偶极子模型,仿真得到磁性目标含噪磁异常信号,再应用sym8小波进行5层分解,使用heursure软阈值法对含噪信号进行消噪,仿真试验表明该方法具有一定的工程应用价值。

基于变分模态分解的光纤电流传感器小波去噪方法

为了提高光纤电流传感器测量信号的信噪比和测量精度,提出一种结合小波分析的变分模态分解去噪方法。该方法利用消除趋势波分析确定变分模态分解层数,并且采用互信息法确定相关模态,筛选出含噪声量较大的不相关模态,对不相关模态用sym8小波变换进行去噪处理,在此基础上进行信号重构,保证信号特征和完整度。在仿真的基础上,对光纤电流传感器的模拟阶跃直流电流和交流谐波电流,分别采用该方法去噪,把方均根误差和信噪比作为衡量去噪效果的指标,并和传统模态分解去噪、经验模态分解去噪和局部均值分解去噪进行比较。仿真结果显示,该方法能有效降低光纤电流传感器输出信号的噪声含量。

GNSS不同类型实验观测墩对不同类型噪声幅值影响分析

以小波分析方法为基础,对2km范围以内的不同类型试验观测墩在同等观测条件下的GNSS时间序列的线性拟合残差进行sym8小波8尺度分解,得到不同尺度(也即不同频段)的噪声残差,然后将不同尺度的噪声残差组合成具有白噪声特性的高频部分、闪烁噪声特性的中频部分和随机游走性质的低频部分。仅分析了不同类型观测墩的被认为是GNSS固有的高频部分(白噪声)和中频部分(闪烁噪声)噪声幅值大小及变化情况。分析结果表明,在ITRF2005下按单日解采样并考虑观测误差及数据处理误差水平的情况下,可认为基岩、土层和楼顶标稳定性对白噪声及闪烁噪声幅值影响不大,在进行临震异常分析或震后形变异常监测时,上述不同类型观测墩观测数据基本满足要求。

基于Wavelet-Anfis模型的陈家湾水库长期径流预测

针对径流序列特性变化复杂且难以预测的问题，提出了基于WaveletAntis的径流预测模型。首先对长期径流序列进行拟舍得到原始信号，通过Sym8小波对该信号进行尺度为4的分解，得到对应的低频信号A。和高频信号D1～D4，利用Anfis对这些分解信号逐步训练以确定最佳模型，从而预测出低、高频信号预测期的序列值，最后将各预测序列重构回原尺度生成径流预测值。将该方法应用于陈家湾水库年径流序列中，并与直接Antis预测结果进行对比。结果表明，Wavelet—Anfis模型预测值的相对误差较小，且具有较快的收敛速度，既有效又准确。