OMIS图像条带噪音消除方法研究

分析了OMIS高光谱图像条带噪音产生的主要原因及条带噪音的特点.提出了两种改进的空域和小波域OMIS条带噪音消除新方法.比较了实验图像和数据.结果表明,两种新方法均具有良好的消除OMIS条带噪音的能力,并能较好地保持图像的纹理细节信息,效果明显优于原有方法.     

激光主动探测中回波信号的小波去噪方法

在分析激光主动探测中回波信号的噪声特性和小波变换去噪原理的基础上，提出了一种基于最大信噪比准则的小渡阈值去噪方法。首先用最大信噪比准则对小波变换系数进行阈值选取，然后采用软阂值方法对小波系数进行量化处理后再重构。仿真结果表明最大信噪比准则小波去噪方法改善信噪比效果十分显著，检测下限达到-16．2dB。证明了该方法在激光主动探测系统回波信号检测中的有效性。     

小波域高斯混合模型与中值滤波的混合图像去噪研究

基于高斯混合模型的小波去噪方法并结合中值滤波法对脉冲噪音有较好滤除效果的特点,将这两种方法结合起来,对含有高斯脉冲混合噪音图像进行去噪处理.该算法采用Matlab语言进行仿真.实验结果表明,这种混合去噪方法的效果要优于单纯使用中值滤波或者小波去噪的效果.     

高温拉曼光谱提高信噪比的途径分析

结合累积时间分辨和空间分辨建成了上海大学高温拉曼谱仪SU-HTRS(T/S).由于高温噪声的不可避免,采用了移动平均方法,傅里叶变换滤波和小波分析的方法对其进行了数据降噪处理.在不同噪声水平上分析了不同处理方式对谱峰中心位置、强度、面积的影响及处理后数据的光滑度的影响.三种方法比较起来,移动平均法快而简单,小波分析的去噪效果最好.     

基于复小波包分形理论的爬壁机器人故障检测

通过研究爬壁式机器人的控制和运动特征，提出一种基于复小波包分形理论的故障检测方法．利用复小波包的平移不变性，将爬壁式机器人传感器输出信号分解成独立的频谱，并进行阀值处理和重构，从而有效去除高频噪音并提取故障的特征频率；依据信号分形维数的多尺度不变性，在嵌入维数空间，采用维数最大距离法，确定复小波包域故障信号的关联雏数．仿真实验表明，爬壁式机器人在各种异常工作模式下的故障信号关联维数能比较真实地反映其故障状态空间，同时也验证了故障信号的关联维数低于正常信号的关联维数作为故障发生与否的定量判据的正确性．     

一类对称正交多带小波的构造

收稿考滤了一类多带正交对称小波滤波器对应多相矩阵分解结构,系统地构造了一类具有自由参数多带小波滤波器簇,以4带小波为例得到了用参数角表示的一类正交对称滤波器序列.     

V-系统的快速变换算法

V-系统是L²[0,1]上的一类完备正交分段多项式函数系，由于其基函数的间断特性，在非连续信号的表达与分析上优势显著。然而，在目前的V-系统变换算法中，对于一个长度为N的信号，不仅需要事先生成并存储一个N阶的正交矩阵，而且其时间复杂度高达Ο(N³)。为实现对大规模数据的高效处理，从V-系统的多分辨率分析角度出发，设计并实现了V-系统的快速分解与重构算法，不仅无须存储额外信息，而且其时间复杂度仅为Ο(N)。测试结果表明，提出的快速算法能够满足大规模数据高效处理要求，为V-系统在更多领域的应用奠定了基础。     

紧支撑Gabor框架的稳定性

1引言自Duffin和Schaeffer提出了框架理论以来,框架理论在数学和信息科学等领域占有非常重要的地位,在小波分析和时频分析中起着举足轻重的作用.现在Gabor框架系统被广泛地应用在信息论,量子力学,信号处理和图象处理等方面.Gabor框架的稳定性是应用中所需要的,同时也是人们关心的问题.但是,一直以来对Gabor框架的稳定性的研究主要集中在L~2(R)上,即使在L~2(R~d)上的研究也主要针对单项指标扰动进行了研究.本文借助于文[2]中的定理3和定理4,文[3]中的定理2和文[5]中的定理2.1,分别对L~2(R~d)上紧支撑Gabor框架的窗函数、平移指标、旋转指标以及多项混合扰动的稳定性进行了讨论.     

Morlet小波在确定局部周期中的应用

本文通过引入改进的Morlet小波变换核函数,得到了等幅值的Morlet小波变换(MMWT)和功率谱(MMPS).理论及实验均表明,MMPS不但能够准确的确定信号的局部周期,而且使相同振幅(强度)的谐波产生了相同大小的MMPS,弥补了MPS的不足.对于MMWT还给出了相应的Morlet小波变换尺度与频率转化公式.     

E-紧框架小波来自MRA的特征刻画

设E=■或■,■(x)∈L~2(R~2)且■_(jk)(x)=2■(E~jx-k),其中j∈Z,k∈Z~2.若{■_(jk)|jJ∈Z,k∈Z~2}构成L~2(R~2)的紧框架,则称■(x)为E-紧框架小波.本文给出E-紧框架小波是MRA E-紧框架小波的一个充要条件,即E紧框架小波■来自多尺度分析当且仅当线性空间F_■(ξ)的维数为0或1,其中F_■(ξ)=■(ξ)|j■1},■_j(ξ)={■((E~T)~j(ξ+2kπ))}_(k∈EZ~2,j■1。