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.     

平面几何模型的EMD分解算法及其应用

经验模态分解(Empirical mode decomposition,简称EMD)算法是一种处理非线性非平稳信号的时频分析方法.该方法可以自适应地将输入信号分解成若干层本征模函数(Intrinsic mode function,简称IMF)和一层余项函数,通过对IMF的特定操作可以实现信号的滤波和去噪等功能.经典的EMD算法主要针对标量形式的函数信号,对于平面几何图形,EMD则按每一个坐标分量分别处理,其效果往往较差.文章提出一种向量形式的平面几何模型EMD算法,该算法将一个平面几何模型分解成若干层偏置向量和一个残差模型,其中偏置向量表示几何体不同尺度的特征,残差模型表示输入模型的大致形状.通过在极值点的定义中施加特征尺度的限制从而保证每次分解只分离出特定尺度的特征.实验表明,该方法可以有效地实现平面几何模型的分解,并应用在去噪、特征编辑以及特征迁移的领域.通过与经典方法以及标量函数信号EMD算法的比较,文章方法的有效性得到验证.     

非结构性数据驱动的混合分解集成碳交易价格组合预测

碳交易价格的有效预测有助于投资者合理决策以及政府制定科学的碳交易政策。本文提出一种非结构性数据驱动的混合分解集成碳交易价格组合预测方法。首先，基于百度指数获得碳交易相关非结构性数据，并利用主成分分析(PCA)方法提取其主成分。其次，对主成分序列与碳交易价格历史数据进行经验模态分解(EMD)、变分模态分解(VMD)与小波分解(WT),按频率高低重构后得到它们的高、低频序列和趋势项。然后，自适应选取自回归移动平均模型(ARIMA)、Holt指数平滑法和人工神经网络模型(ANN),结合非结构信息对碳价格的高、低频序列和趋势项进行预测。最后，基于BP神经网络等对三种分解方法的预测值分层集成，得到碳价格最终预测结果。对比实验结果显示，上述组合预测方法充分利用了多源信息，预测精度高且适用性良好。     

EMD-SVM在南京市月平均气温预测中的应用

南京市月平均气温具有非平稳性、噪声大、序列宽频等特征.为了提高温预测精度,本文提出一种经验模态分解(EMD)和支持向量机(SVM)回归相组合的预测模型(EMD-SVM).首先应用EMD分解算法把南京市月平均气温分解成不同尺度的基本模态分量(IMF),再运用支持向量机回归模型对每个IMF预测,最后将预测结果重构得到南京市月平均气温预测值.结果表明:EMD-SVM模型预测与单一支持向量机回归模型预测相比,平均预测精度提高0.59度,是一种有效的预测气温的模型.     

MEMS矢量水听器的一种新的联合去噪算法

针对传感器水声信号存在随机噪声的问题,提出了一种正余弦算法(SCA)和粒子群算法(PSO)相结合优化变分模态分解(VMD)参数κ和α,将含噪信号通过VMD分解为k个固有模态函数,选取相关系数高的模态分量进行小波阈值(WT)去噪后重构信号分量,得到目标信号的算法,记为SCA-PSO-VMD-WT算法.通过将本算法与VMD...     

提升格式下几种去噪方法的比较

本文比较了四种去噪声的效果,利用提升格式设计的灵活性,通过预算子或更新算子的设计最优匹配特定的信号,比较了软阈值函数、硬阈值函数、比例萎缩LAWML法和小波域中值滤波四种去噪方法.     

基于四点插值细分小波的SAR图像去噪

针对SAR图像去噪过程中存在降低相干斑与保持有效细节这一矛盾,提出了一种基于四点插值细分小波的SAR图像去噪算法,该方法将小波和细分方法相融合,将四点插值细分规则应用到细分小波中,提出了图像去噪的新方法.该算法先用四点插值细分小波对原始图像进行分解,然后用Bayes自适应阈值及阈值函数对图像进行去噪,最后对去噪的小波系数进行重构,并通过等效视数、边缘保持指数等评价指标对去噪结果进行了评价.实验结果表明,算法的等效视数、边缘保持指数都有所提高,去噪效果得到了优化.     

含有自适应筛选系数的广义经验模态分解方法

经验模态分解(EMD)是针对非线性和非平稳数据的有效分析方法,但是原始算法有多余分量、分量之间不完全正交等缺点.本文引入筛选系数λ将原始EMD算法推广为广义EMD算法,并且使用最小化正交条件来选取最优筛选系数.模拟数据和实际数据的分析结果显示,相比于原始EMD算法,该算法有效地减少了多余分量,更好地分解出了时间序列的趋势成分,而且提高了IMF成分序列之间的正交性.由于筛选系数是数据本身决定的,因此该算法比原始算法有更强的自适应性.     

非线性多尺度建模及其应用

针对非线性时间序列数据建模问题,首先对数据进行经验模态分解(Empirical Mode Decomposition,EMD),得到一系列反映序列演化过程的本征模态函数(Intrinsic mode function,IMF),然后对IMF进行Hilbert变换,利用各分量的Hilbert变换的振幅和频率建立非线性多尺度数学模型.以黄河某水质检测站溶解氧含量为例,应用EMD分解和Hilbert变换的结果,建立两个多尺度的数学模型.经过检验,模型的拟合精度、显著性和残差均符合要求.模型模拟结果中提取溶解氧多尺度信息,并且应用该模型进行预报,预报的相对误差小在0.08%~12.8%之间.     

基于改进小波阈值去噪算法的心电信号处理及仿真

为更好地滤除心电信号处理过程中基线漂移、肌电以及工频干扰等噪声,提出了一种新阈值函数去噪算法.通过仿真确定了最佳的小波函数类型和分解层数;改进算法克服了传统的阈值函数在信号处理中存在不连续性或恒定偏差的问题;利用双曲线函数实现向原函数的快速逼近,避免了去噪后的波形失真和振荡现象的发生;具有更少的参数,调节方便,计算量小;注重对较小系数的处理,提高重构信号的精度.利用MIT-BIH心律失常数据库中的105号数据进行验证.算法能有效地滤除噪声干扰,相比于其他方法,其重构信号的信噪比和均方误差均有极大的改善,去噪效果更好.     

基于多指标融合小波包分解与SVM的脑磁信号分类

脑磁信号作为一种新的脑机接口输入信号,由于其信号微弱,背景噪声强,是一种随机性很强的非平稳信号.所以在引进了小波包分解基础上,利用多指标融合方法确定最佳分解尺度后,把该尺度下的分解系数作为脑磁信号的特征向量,并利用三种不同核函数的支持向量机对该特征向量进行学习选出最佳参数,然后对含有手运动方向模式信息的脑磁信号进行测试,并与其他5种算法进行比较,其平均分类正确率低于PCA与LDA融合的方法和改进半监督聚类方法,但超过了EMD与AR融合的方法,EMD与Hillbert变换融合的方法以及MVAR与MPCA融合的方法.实验表明了算法在非高斯、含噪声的脑磁信号分类是有效.     

小波和EMD的滤波特性在轴承故障诊断中的比较

通过仿真实验将小波变换和经验模态分解(EMD)方法分解信号的能力进行了比较,并将这种滤波特性应用于旋转机械的故障诊断中,结合包络谱分析,比较了两者对于滚动轴承内圈故障的诊断效果.仿真及轴承实验结果表明EMD方法在滤波的自适应性、分解结果的准确性以及诊断效果等方面均具有优势,更重要的是它分离出的主要分量物理意义明确,反映了信号的真实内涵.     

基于M-LSTM的股票指数日内交易量分布预测研究

针对现有预测建模方法难以高效提取日内交易量分布复杂变化规律,影响VWAP策略执行效果的问题,本文提出一种MEMD分解下基于LSTM-Attention的股市指数日内交易量分布预测方法M-LSTM。首先,运用MEMD方法将区间多维交易量时序同步分解为若干个独立的本征模态函数(IMF);其次,对各维度分解中高频IMF进行去噪与重构,构建基于LSTM-Attention神经网络的日内交易量分布预测模型,并深入分析股票指数不同走势阶段下模型预测的有效性;最后,分别采用M-LSTM、ARIMA以及SVR等主流方法,对上证指数等四个代表性指数的日内交易量分布进行预测。实验结果表明:M-LSTM预测误差更小,是一种更有效的股票指数日内交易量分布预测方法。     

时间序列预处理与信息噪声之间的关系研究——基于离散小波变换和ARIMA模型

时间序列的噪声等预处理是数据挖掘及建模过程中重要的一步,对系统分析与预测具有重要意义.基于改良的离散小波变换方法,以2009年5月14日至2019年5月14日为时间范围,以上证指数高频收益率日数据、低频收盘价日数据为实验样本进行去噪预处理,对比四类参数取不同值时的性能表现,并通过ARIMA模型验证预测效果.时间序列预处理与噪声之间不存在矛盾关系,小波方法适当消噪后也可以保留有用信息,提高了分析与预测的正确率.通过研究时间序列预处理与信息噪声之间的关系,期望可以为金融时序的深度挖掘、预测提供一定的指导意见.     

一种基于二进提升方案的医学图像增强

通过分析和研究二进提升方案,得到一种新的提升二进小波滤波器的构造方法.以新的B-样条二进小波作为初始二进小波滤波器,结合二维6 trous算法对原始医学图像进行多层分解,根据分解后系数特点,一方面对不同级数的高频系数利用单阈值和双阈值函数增强,对低频子带系数用线性拉升来扩大图像的整体对比度.另一方面结合消失矩条件,调整滤波器的提升参数,构造了具有线性相位、紧支撑、高阶消失矩及有限长的单位脉冲响应的提升二进小波,并将其与初始二进小波滤波器增强后图像进行比较.仿真结果表明提升后的滤波器对于对比度低、弱光照图像比初始滤波器的增强效果有了进一步提高,噪声放大问题有明显改善,更好地突出图像边缘特征、保留了图像更多细节信息.     

基于多特征与卷积神经网络的SAR图像分类方法

针对合成孔径雷达图像的分类优化方法,提出一种基于多特征与卷积神经网络的SAR图像分类方法Canny-WTD-CNN.将Canny算子提取的边缘特征,与小波阈值去噪法提取的小波特征进行自适应融合,作为卷积神经网络的输入;以softmax为分类器,对SAR图像进行分类识别检测.最后利用MSTAR公开数据集的三类目标数据进行试验,并给出该方法与其他方法结果的对比,表明该方法的有效性,识别率达到99.14%.     

基于平稳Contourlet变换的图像去噪方法

多尺度几何分析中的Contourlet变换可以实现灵活的多分辨、多方向图像表示,但是由于不具有平移不变性,在图像去噪中容易产生伪吉布斯现象,本文应用具有平移不变性且能有效表示图像纹理信息的平稳Contourlet变换,提出了软硬阈值结合的去噪法.试验结果表明该方法有效提高去噪声后图像的PSNR,有效保存图像纹理信息以及更好的视觉效果.     

去除稀疏和结构化噪声的交替方向增强拉格朗日算法

图像和视频去噪是数字图像处理的必要环节之一.为了去除图像和视频中广泛存在的稀疏噪声和结构化噪声,提出了一种分离低秩矩阵、稀疏矩阵和结构化矩阵的优化模型一主成分离群点追求.在交替方向最小化思想的基础上,利用增强拉格朗日乘子法求解主成分离群点追求模型,设计了求解模型的交替方向增强拉格朗日(ADAL)算法,加入了一种连续技术以提高算法的收敛速率.仿真实验结果表明,提出的模型和算法能够有效去除不同尺寸矩阵的不同比例的稀疏噪声和结构化噪声.     

一种基于模糊集值统计的集对预测方法

在集对分析中,差异度系数i是体现系统不确定性的重要变量,但如何取值一直在理论上没有解决,本文根据i的取值的不确定性与模糊性,提出了一种基于模糊集值统计的差异度系数取值方法.对于原始数据中的噪声,本文提出了一种基于模糊软阈值的小波去噪方法,并利用支持向量回归方法来进行同异反预测,在一定程度上克服了线性建模技术的不足.此外,为了克服同一度、差异度与对立度之间的归一化约束,本文还提出了一种熵变换的方法.     

QTT分解及其在高维数字信号处理上的应用

近几年张量列(TT)和量子化张量列(QTT)分解方法被证明是一种非常有效的特征降维工具,并已广泛应用于PDE、算法加速和信号处理等领域.给出了关于QTT分解的一些新结果.首先用分块张量的方法扩展了QTT的定义,使之适用于更加复杂的降维问题.同时指出新定义的QTT分解也是一种基于流形学习的降维工具.其次讨论了QTT与小波变换和卷积在结构上的联系与区别,并指出QTT也是一种特征提取工具.最后将QTT分解应用于三维数据(MRI图像)的去噪和边缘检测,取得了不错的效果.