颈动脉血流多普勒信号的特征提取

利用小波变换在表征信号瞬态特性上的优点，对颈动脉血流多普勒信号的最大频率曲线进行多尺度小波分析，并从不同尺度模极大值的变化曲线上提取出特征参数．临床初步试用结果表明，该参数比传统声谱图参数以及零极点模型参数对脑血管疾病的诊断具有更好的效果。     

超声多普勒栓子信号的小波特征提取及分类应用

采用超声多普勒技术无损检测栓子,有积极的临床意义。为降低探头或病人移动引起的干扰对检测栓子的影响,从超声多普勒信号小波变换的两个角度研究相应特征参数的提取。先根据小波尺度图分析信号波形的奇异性,提取表征尺度图特征的横向和纵向参数;然后提出自适应小波包基分析方法,提取表征信号最优逼近特性的能量、尺度等参数。综合两方面特征,通过求解Fisher广义最佳鉴别平面,建立起一个超声多普勒栓子信号分类系统。通过对300例仿真和298例临床采集的脑动脉超声多普勒信号的试用。结果表明:系统对训练集和测试集的栓子信号检测率分别达99.0%和98.5%。可见,本方法比传统方法在检测准确性上有了较大的提高,有望应用于栓子信号的临床自动检测。     

倒谱参数稀疏分解下的汉语音谎言检测

为了提高汉语语音的谎言检测准确率,提出了一种对信号倒谱参数进行稀疏分解的方法。首先,采用小波包滤波器组对语音信号进行多频带划分,求得子频带对数能量并进行离散余弦变换以提取小波包频带倒谱系数,结合梅尔频率谱系数得到倒谱参数;其次,依据K-奇异值分解方法分别利用说谎和非说谎两种状态下的语音倒谱参数集训练得到过完备混合字典,在此字典上根据正交匹配追踪算法对参数集进行稀疏编码提取稀疏特征;最终进行多种分类模型下的识别实验·实验结果表明,稀疏分解方法相比传统参数降维方法具有更好的优化性能,本文推荐的稀疏谱特征最佳识别率达到78.34%,优于其他特征参数,显著提高了谎言检测识别准确率。      

结点阈值小波包变换图像去噪新算法

小波包变换是小波变换的推广,可视为普通小波函数的线性组合,具有灵活的时频分析能力,随着分解层数的增加,小波包分解能够在所有的频率范围聚焦。提出一种应用结点阈值小波包变换的新型图像去噪算法。利用小波包变换对含噪图像进行分解,在图像信号的子带层次上进行结点阈值操作,采用软阈值的方法进行阈值处理,结点噪声采用谱熵法估计,并使用峰值信噪比评估去噪后的图像质量。实验结果表明,相比于使用其它阈值方法的小波包图像去噪算法,该算法具有更好的图像去噪性能。     

基于支持向量机的~(252)Cf中子裂变信号时频特征分析及识别

基于裂变中子(252Cf)对裂变链(235U系统)依存关系,在对252Cf中子裂变信号的测量原理及信号特点分析基础上,开展了基于支持向量机的中子裂变信号时频特征分析及识别研究工作。采用小波分解和去噪小波包分解方法,提取不同状态下随机核信号的时频能量特征,借助于统计学习理论的支持向量机(SVM)分类器原理进行训练和分类。研究结果表明:通过直接小波分解或去噪小波包分解,以获取核信号特征的方法是有效的;去噪小波包分解特征提取方式,较之直接小波分解特征提取方式更能反映中子裂变核系统的内部特征和规律;基于SVM核信号样本的分类,训练后的SVM分类器有着大于70%以上的正确率,且较好地克服了训练样本数较少的问题,验证了方法的可行性和有效性。     

经验模态分解法在光纤光栅围栏报警系统中的应用

为了解决基于FBG传感器的光纤围栏报警系统中多个FBG传感器在同时受扰时,定位报警信号难的问题,实现对报警信号的有效识别和判断,提出了一种基于经验模态分解（EMD）和小波包特征熵算法的分析方法。利用经验模态分解法对于信号的突变性敏感和有效保留以及其特有的自适应性分解特性,首先对报警信号进行经验模态分解,再结合小波包分解,得到小波包系数提取其信号的能量分布,再做归一化得到信号的能量分布特征向量,进而运用相关性分析实现对报警信号的识别和判断。通过建立实验模型,对采集到的报警信号做了分析,证明了该方法对于解决光纤围栏报警系统中FBG传感器的级联判断报警信号的有效性。     

小波分析在激光多普勒信号处理中的应用

 提出将激光多普勒测速仪(LDV)应用于车载惯性导航系统中,阐述了激光多普勒自身速度仪的基本原理和小波变换的相关理论,并运用小波变换对多普勒信号进行检测、去噪及提取多普勒频率,仿真及实验结果表明：信号进行小波分解后,对每一级小波进行阈值处理,得到了较好的去噪效果;在小波降噪常见的阈值原则中,无偏似然估计阈值和极值阈值不容易丢失信号中的有用成分,而启发式阈值原则和固定阈值原则可以更有效地去除噪声;对于提取多普勒频率而言,小波变换与快速傅里叶变换所得的结果是一致的,而小波变换不但可以求出系统自身的运动速度,而且还可以求出对应速度发生的时刻。     

基于小波分析的RAIM算法卫星故障检测研究

作为一种传统的卫星故障诊断方法,RAIM在卫星故障监测中发挥着重要作用;文中基于奇偶矢量RAIM算法,提出一种基于小波分析的RAIM算法的卫星故障检测方法;首先利用Haar小波分解,对卫星故障信号进行小波变换处理,提取故障信号特征,通过在不同尺度的奇异性变化找到信号突变点,然后将检测结果反馈给RAIM算法进行故障检测,对不同条件下的卫星故障进行故障检测性能进行分析;仿真实验表明,该算法提高了系统故障检测的准确性,降低了误警率。     

小波包分形在远区核爆电磁脉冲识别中的应用

针对远区核爆电磁脉冲(NEMP)和闪电电磁脉冲(LEMP)的识别率不能满足实际需求的问题,提出了一种基于小波包分形技术的识别方法。首先,对实测的NEMP和LEMP做插值、归一化等预处理;然后,基于小波包理论对预处理后的信号进行2层小波包分解,并利用小波包系数重构信号的分形维数,组成信号的特征向量;最后,采用最小二乘支持向量机(LSSVM)作为分类器,利用五折交叉验证法选取最优的模型参数,将特征向量输入分类器中进行训练后获得测试结果。实验结果表明,小波包分形方法在NEMP和LEMP的识别上效果显著,平均识别率达到99%以上,具有较高的应用价值。     

基于提升小波变换的雷达生命信号去噪技术

对于噪声干扰严重、非线性、非平稳、多奇异点的微弱雷达生命信号而言,去噪是对有用信号进行分析前的必要手段。基于多普勒效应原理和雷达噪声的统计特性,建立了雷达生命信号的模型,分别用传统小波变换和提升小波变换对强噪声干扰下的生命雷达信号进行了去噪处理,结果表明被强噪声污染的雷达生命信号可以用传统小波变换的方法和提升小波变换法对其有效去噪,提升小波变换去噪效果优于传统小波变换去噪效果,其信噪比(SNR)和均方误差(MSE)两个性能指标均高于传统小波去噪。对雷达生命信号进行去噪处理时,使用的小波基函数是sym8,分解层数为3层。     

基于小波分解和Duffing振子的变尺度微弱信号检测

传统的时频分析方法在对周期性微弱信号进行检测时,提取的信息具有信噪比不高的缺点,从而影响了检测效果,为此,利用Duffing振子混沌系统对噪声的强免疫力的特征,提出了一种基于小波分解和混沌阵子的混合微弱信号检测方法;首先,采用小波变换对信号进行分解,通过小波变换的平滑作用实现对含噪微弱信号的离散处理,并设计了一种根据阈值来确定分解层数的方法,然后将降噪后的重构信号作为Duffing阵子的周期驱动力并入混沌系统,采用混沌Duffing阵子阵列实现在强噪声背景下的微弱信号检测,并提出了一种临界状态策动力幅值和初始相位的自适应确定方法;在Matlab7仿真环境下进行实验,结果表明:文中方法能有效地对湮没在强噪声下的微弱信息进行检测,具有信号检测信噪比高,重构信号频率较其它方法更接近于真实频率,具有较强的可行性。     

基于小波包分解和FK分析的次声信号参数估计

频率波数分析法是一种估计信号慢度和方位角的台阵数据处理方法,在地震波信号处理中得到广泛应用,但将频率波数分析法应用于次声信号的时候,分辨率不高,易受噪声的影响,伪峰较明显。因此,本文提出了一种基于小波包分解和FK分析的次声信号参数估计方法,该方法借助小波包分解对信号整个频带的分辨能力,有效提高了算法的分辨率,降低了噪声的影响,有效压制了伪峰,并利用高斯调制正弦信号模拟次声信号,对比分析了方位角的均值、方差和均方根误差,验证了算法的性能,最后利用IS45台站接收的实际次声数据对算法进行对比分析,进一步验证了算法的有效性。     

多尺度分析在激光微多普勒效应特征提取中的应用

由于小波变换具有准确度高、抗噪性好等优点,在微多普勒效应探测方面具有很好的应用前景。利用多尺度分析（MRA）将信号进行分解并提取出含有微多普勒效应的低频平滑信息,获取了目标微小振动引起的微多普勒效应。用频谱分析和基于瞬时频率(Instfreq)的时-频域联合分析方法对原始信号及通过MRA分解得到的结果进行了对比研究。结果表明：利用时-频分析对MRA处理后的低频信号进行分析,可更加有效地提取微多普勒效应中振动信号的特征,为目标特征的识别、分类和探测提供了便利。     

基于小波包分解和EMD-SVM的轴承故障诊断方法

针对轴承振动信号具有的非平稳和故障诊断样本数据难以按需获取的问题,设计了一种基于小波包分解和EMD-SVM的故障诊断方法。首先,采用Mallat塔式算法对信号进行降噪,实现信号的小波分解,获得重构后的故障诊断子频带信号。然后,在经典的EMD算法的基础上定义了改进的EMD算法,采用改进的EMD算法对经过小波包降噪的故障诊断子频带信号进行特征提取,从而获得故障诊断特征向量。最后,采用适合小样本分类的SVM进行故障诊断,将经过小波包降噪和EMD特征提取的样本数据用于训练SVM,得到用于故障诊断的多个二分类SVM故障诊断模型,通过投票机制来确定样本数据最终对应的故障诊断类别。在Matlab环境下对轴承故障诊断进行实验,实验结果证明了文中基于小波包和EMD-SVM的方法一种适用于小样本的故障诊断方法,且与其它方法相比,具有诊断效率高和精度高的优点。     

基于主元分析的超声多普勒栓子信号检测

提出基于主元分析的超声多普勒栓子信号检测方法,先从超声多普勒信号中提取出主元成分并获得相应的特征参数, 再结合时域的特征参数对栓子、干扰噪声和正常血流信号进行分类。通过对300例仿真超声多普勒信号和168例临床采集的脑动脉超声多普勒血流信号进行分析,结果表明:主元分析方法对仿真信号和临床信号的最小误判率分别为2％和5％,其分类的准确率相比常规的时域检测方法有了较大提高。可见,基于主元分析的超声多普勒栓子检测方法具有较高的检测率,克服了常规的时域和频域检测方法中由于干扰噪声的影响和频谱分析中时频分辨率的矛盾导致的灵敏度不高的局限,有望用于栓子的临床自动检测。     

非线性时间序列的小波分频预测

基于噪声的小波变换特点，结合小波包分解和模极大重构来抽取含噪信号的主分量，提出了一种基于最佳尺度分解和Volterra自适应滤波的分频预测算法，使用较少的模型训练样本，同时具有强的抗噪能力.该算法克服了传统小波分解尺度选取的盲目性及单纯Volterra预测器抗噪性能的不足，数值仿真表明，针对含强噪声的非线性信号可进行有效预测. 关键词： 小波分解 Volterra自适应滤波器 分频预测     

小波包分解及其参数模型

本文在小波包分析的基础之上，实现了适合于一维信号分析的小波分解算法，并将小波包分析理论和参数模型有机地结合了起来，构造了小波包参数模型。     

对超声DOPPLER声谱图进行分类决策的两种方法

本文介绍了两种对超声多普勒血流声谱图进行了波形自动分类法决策的方法，方法一与统计得到的标准波形相比，按适当判据进行自动分类，方法二，送入训练的人工神经网络进行自动分类，待分类波形由计算多普勒信号的最大频率提取声谱包络并经分段，平均和归一化等处理得以，文中给出了计算机模拟的结果。     

双向血流超声多普勒信号的小波降噪

利用小波框架结合软阈值的方法对表征双向血流的超声多普勒信号进行降噪。为了避免软阈值非线性处理对双向血流多普勒信号方向表征的影响,先对超声多普勒信号进行方向分离,然后对分离后的信号分别进行小波降噪,最后合成降噪后的双向血流超声多普勒信号。对计算机仿真的股动脉超声多普勒血流信号的降噪实验结果分析表明:本方法在不影响双向血流信息的前提下,提高了多普勒信号的信噪比、最大频率曲线和平均频率曲线的估计精度。仿真实验的结果证明了本方法可以用于双向血流超声多普勒信号的降噪。     

气体栓子超声多普勒信号的仿真研究

通过分析研究气体栓子的超声多普勒信号的特征及其成因,建立气体栓子的超声多普勒仿真模型,为后续的气体栓子与固体栓子的分类提供理论基础。先利用超声辐射力和液体黏滞阻力的模型计算气体栓子所受的超声辐射力和黏滞阻力,然后计算气体栓子在血管内的径向加速度和轴向加速度,并从加速度得到气体栓子在血管内的运动轨迹,最后建立气体栓子的计算机仿真模型。实验中仿真合成气体栓子和固体栓子的超声多普勒信号,对信号的分析结果表明,相比于固体栓子,仿真的气体栓子信号受到作用力而产生的加速度将导致气栓信号在多普勒声谱图上频域的展宽,当气体栓子由低速区域加速到高速区域再由高速区减速至低速区将会在声谱图上体现为"V"型,若只有单一的加速或减速运动将只表现为斜线型。将仿真的气栓信号与临床采集的气栓信号进行比较,发现两者的特征是吻合的,说明气栓超声多普勒信号的仿真方法是合理的。