CN104615877A - 一种基于小波包进行信号去噪的方法 - Google Patents
一种基于小波包进行信号去噪的方法 Download PDFInfo
- Publication number
- CN104615877A CN104615877A CN201510042993.3A CN201510042993A CN104615877A CN 104615877 A CN104615877 A CN 104615877A CN 201510042993 A CN201510042993 A CN 201510042993A CN 104615877 A CN104615877 A CN 104615877A
- Authority
- CN
- China
- Prior art keywords
- wavelet packet
- signal
- threshold
- node
- wavelet
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本方法涉及一种基于小波包进行信号去噪的方法,主要应用于工程测量中的信号处理。小波包去噪对信号的低频与高频部分分别处理,提高了高低频的分辨率。目前使用的信号处理方法对信号进行去噪处理时,由于数据的局限,会带来速度慢、效率低的负面现象,同时由于数据分析中多数都采用硬阈值函数或软阈值函数对分解系数进行量化处理,其会是去噪信号失真,不能得到相对理想的去噪信号。
Description
技术领域
本方法涉及一种基于小波包进行信号去噪的方法,主要应用于工程测量中的信号处理。
背景技术
小波包去噪理论由小波去噪引申而来,其对信号的低频与高频部分分别处理,提高了高低频的分辨率。目前使用的信号处理方法对信号进行去噪处理时,由于数据的局限,会带来速度慢、效率低的负面现象,同时由于数据分析中多数都采用硬阈值函数或软阈值函数对分解系数进行量化处理,其会是去噪信号失真,不能得到相对理想的去噪信号。
发明内容
本发明的目的在于克服现有技术的缺陷,提供一种基于小波包进行信号去噪的方法。
为了实现上述目的,本发明采用了以下技术方案:
小波包分析在小波分析的基础上进行了更精细的分析,它将频带进行多层划分,对多频率分析没有细分的高频序列部分进行进一步分解,并能够根据被分析信号的特征自适应的选取相应频带,使之与信号频谱相匹配,从而提高时-频分辨率,具有比小波分析更广阔的前景。一种直观有效的小波包分析就是对小波包分解得到的各节点系数进行阈值量化,然后对量化后的系数重构,从而达到去噪的目的。
基于小波包分析的信号去噪方法要经历四个基本步骤:1.信号的小波包分解,选择一个小波,然后对含噪信号进行小波包分解;2.选取代价函数,常用的代价函数为信息熵和对数熵;3.最优小波包基的选取,对于一个给定的熵标准,采用自上而下的搜索算法计算最优树,选取最优小波包基;4.选取阈值,根据不同的分解频域采用不同的选取方法来获取不同的阈值;5.小波包分解系数的阈值量化,对于每一个小波包分解的系数,采用改进的软阈值函数与该系数对应的阈值进行量化处理;6.信号的小波包重构,根据最低层的小波包分解系数和经过量化处理的系数,进行小波包重构。
在上述的各步中,最关键的是如何选取阈值和如何进行阈值量化,在一定程度上,他直接关系到对信号进行降噪处理的质量,附图1为该方法进行信号去噪的具体步骤。
小波包基库由许多小波包基组成,不同的小波包基具有不同的性质,反应不同的信号特征,我们希望对特定的信号选取最优的小波包基,用来表达该信号的特点。从信号处理的观点来看,最优基的搜索过程实质上是用尽量少的系数,反应尽可能多的信息,以达到特征值提取的目的。系数之间的差距越大越好,如果只有少数系数很大,那么这几个系数就可以代表信号的特征,相反系数比较平均,差距不大,那么就很难找出信号的特征。
在搜索最优基时,首先要给出一个信号序列的代价函数,代价函数可以定义为任何关于信号序列的函数,然后在小波库中的所有小波包基中寻找使代价函数最小的基,此基便为最优基。为了减少计算量,提高程序运行速度,同时减少未知参数,本方法采用自上而下的基于“剪枝”的二叉树法以对数熵为代价函数进行最优基的选取,也就是说只有下一层的对数熵值的和小于该层的对数熵才进行分解,否则就剪枝,详细的算法流程如下: 对信号节点Un j进行小波包分解,计算各节点对数熵;比较节点Un j熵值和其分解的两个子节点U2n j+1、U2n+1 j+1熵值和,并标记熵值较小的节点;判断节点Un j是否被标记,若被标记,则删除节点U2n j+1、U2n+1 j+1不再进一步向下分解,若没被标记,则将节点U2n j+1、U2n+1 j+1作为节点Un j重复以上步骤。
阈值去噪是一种实现简单、效果较好的小波包去噪方法。其基本思想是对小波分解后的各层系数中模大于或小于某阈值的系数分别处理,然后进行反变换重构出去噪后的信号。
阈值的选择是去噪处理的关键所在,阈值选大了,有效信号的特征将被过滤掉,相反如果阈值选择过小,去噪后的信号中仍然有噪声的存在。由于阈值的选择直接影响消噪效果,人们提出个很多经验模型:软阈值、硬阈值、最小最大阈值、固定阈值等,但所有模型都不是通用的,都有其适用范围。
在实际工程信号中,有用信息主要集中在低频部分,高频部分多数为噪声,只含有少量有用信息。如果选取统一的阈值对分解系数进行处理,很难反映出信号在不同频带的不同特征。因此需要针对不同频带选取多个阈值来进行量化处理。小波包分解树节点的自然顺序与频带顺序存在差异,要想针对不同频带选取不同阈值,首先要弄清小波包分解树节点的频带顺序。小波包每分解一层时,低频分解部分按频率从小到大排列,高频部分按从大到小排列。附图2为三层小波包分解的频域分布规律,可见,小波包分解中各层频域排列与自然排列存在不一致现象,在选取阈值时要对频域序列进行重新排列,再针对不同的高中低频域采用不同的阈值选取方法选取阈值。对于低频序列本方法以公式thr=σ*[log(n)]0.5/(2n)0.5为阈值模型进行阈值的选取,其中n为信号长度,σ为原信号小波包分解系数的标准差。中高频序列的小波包分解系数则采用Stein无偏似然估计原理自适应选取阈值。
在求得阈值后,小波包分析多数都采用硬阈值函数(当|ω|>T时,η(ω)= ω,当|ω|≤T时,η(ω)=0)或软阈值函数(当|ω|>T时,η(ω)= ω-sign(ω)*T,当|ω|≤T时,η(ω)=0)来对各分解节点系数进行处理。硬阈值方法能够很好的保留图像边缘等局部特征,但图像会出现振铃、伪吉布斯效应等视觉失真,软阈值处理要相对平滑,但可能会造成边缘模糊等失真现象。其表现在一维信号中则是硬阈值会使信号变得粗糙,某些点会出现间断,软阈值将间断点收缩,同时也会造成信号的收缩。而本方法提出的改进的软阈值方法(当|ω|>T时,η(ω)= ω-sign(ω)*T+ sign(ω)*T/(2*k+1),当|ω|≤T时,η(ω)= ω2k+1/[(2*k+1)*T2k])是对前两种方法的折中处理,随着分解层数的变大阈值作用方法逐渐靠近软阈值处理方法,而计算分解层数小的节点时则更接近硬阈值处理方法,这样在保留信号完整的同时能够收获理想的去噪效果。附图3为三种方法的函数曲线,从图中也可以看出硬阈值方法在阈值T处出现间断,软阈值方法使曲线在η(ω)方向上产生收缩。
本发明的有益效果是,其相对于传统的去噪方法而言,减少了计算量,提高了程序的效率;克服了硬阈值或软阈值量化系数时带来的信号明显失真的局限,在保留信号完整性的同时,能够得到理想的去噪信号。
附图说明
图1为基于小波包分析的信号去噪流程图。
图2为三层小波包分解的频域分布示意图。
图3为三种阈值作用函数的曲线图,其中3-1为硬阈值函数,3-2为软阈值函数,3-3为本发放提出的改进的软阈值函数。
具体实施方式
小波包分析在小波分析的基础上进行了更精细的分析,它将频带进行多层划分,对多频率分析没有细分的高频序列部分进行进一步分解,并能够根据被分析信号的特征自适应的选取相应频带,使之与信号频谱相匹配,从而提高时-频分辨率,具有比小波分析更广阔的前景。一种直观有效的小波包分析就是对小波包分解得到的各节点系数进行阈值量化,然后对量化后的系数重构,从而达到去噪的目的。
基于小波包分析的信号去噪方法要经历四个基本步骤:1.信号的小波包分解,选择一个小波,然后对含噪信号进行小波包分解;2.选取代价函数,常用的代价函数为信息熵和对数熵;3.最优小波包基的选取,对于一个给定的熵标准,采用自上而下的搜索算法计算最优树,选取最优小波包基;4.选取阈值,根据不同的分解频域采用不同的选取方法来获取不同的阈值;5.小波包分解系数的阈值量化,对于每一个小波包分解的系数,采用改进的软阈值函数与该系数对应的阈值进行量化处理;6.信号的小波包重构,根据最低层的小波包分解系数和经过量化处理的系数,进行小波包重构。
在上述的各步中,最关键的是如何选取阈值和如何进行阈值量化,在一定程度上,他直接关系到对信号进行降噪处理的质量,附图1为该方法进行信号去噪的具体步骤。
小波包基库由许多小波包基组成,不同的小波包基具有不同的性质,反应不同的信号特征,我们希望对特定的信号选取最优的小波包基,用来表达该信号的特点。从信号处理的观点来看,最优基的搜索过程实质上是用尽量少的系数,反应尽可能多的信息,以达到特征值提取的目的。系数之间的差距越大越好,如果只有少数系数很大,那么这几个系数就可以代表信号的特征,相反系数比较平均,差距不大,那么就很难找出信号的特征。
在搜索最优基时,首先要给出一个信号序列的代价函数,代价函数可以定义为任何关于信号序列的函数,然后在小波库中的所有小波包基中寻找使代价函数最小的基,此基便为最优基。为了减少计算量,提高程序运行速度,同时减少未知参数,本方法采用自上而下的基于“剪枝”的二叉树法以对数熵为代价函数进行最优基的选取,也就是说只有下一层的对数熵值的和小于该层的对数熵才进行分解,否则就剪枝,详细的算法流程如下:对信号节点Un j进行小波包分解,计算各节点对数熵;比较节点Un j熵值和其分解的两个子节点U2n j+1、U2n+1 j+1熵值和,并标记熵值较小的节点;判断节点Un j是否被标记,若被标记,则删除节点U2n j+1、U2n+1 j+1不再进一步向下分解,若没被标记,则将节点U2n j+1、U2n+1 j+1作为节点Un j重复以上步骤。
阈值去噪是一种实现简单、效果较好的小波包去噪方法。其基本思想是对小波分解后的各层系数中模大于或小于某阈值的系数分别处理,然后进行反变换重构出去噪后的信号。
阈值的选择是去噪处理的关键所在,阈值选大了,有效信号的特征将被过滤掉,相反如果阈值选择过小,去噪后的信号中仍然有噪声的存在。由于阈值的选择直接影响消噪效果,人们提出个很多经验模型:软阈值、硬阈值、最小最大阈值、固定阈值等,但所有模型都不是通用的,都有其适用范围。
在实际工程信号中,有用信息主要集中在低频部分,高频部分多数为噪声,只含有少量有用信息。如果选取统一的阈值对分解系数进行处理,很难反映出信号在不同频带的不同特征。因此需要针对不同频带选取多个阈值来进行量化处理。小波包分解树节点的自然顺序与频带顺序存在差异,要想针对不同频带选取不同阈值,首先要弄清小波包分解树节点的频带顺序。小波包每分解一层时,低频分解部分按频率从小到大排列,高频部分按从大到小排列。附图2为三层小波包分解的频域分布规律,可见,小波包分解中各层频域排列与自然排列存在不一致现象,在选取阈值时要对频域序列进行重新排列,再针对不同的高中低频域采用不同的阈值选取方法选取阈值。对于低频序列本方法以公式thr=σ*[log(n)]0.5/(2n)0.5为阈值模型进行阈值的选取,其中n为信号长度,σ为原信号小波包分解系数的标准差。中高频序列的小波包分解系数则采用Stein无偏似然估计原理自适应选取阈值。
在求得阈值后,小波包分析多数都采用硬阈值函数(当|ω|>T时,η(ω)= ω,当|ω|≤T时,η(ω)=0)或软阈值函数(当|ω|>T时,η(ω)= ω-sign(ω)*T,当|ω|≤T时,η(ω)=0)来对各分解节点系数进行处理。硬阈值方法能够很好的保留图像边缘等局部特征,但图像会出现振铃、伪吉布斯效应等视觉失真,软阈值处理要相对平滑,但可能会造成边缘模糊等失真现象。其表现在一维信号中则是硬阈值会使信号变得粗糙,某些点会出现间断,软阈值将间断点收缩,同时也会造成信号的收缩。而本方法提出的改进的软阈值方法(当|ω|>T时,η(ω)= ω-sign(ω)*T+ sign(ω)*T/(2*k+1),当|ω|≤T时,η(ω)= ω2k+1/[(2*k+1)*T2k])是对前两种方法的折中处理,随着分解层数的变大阈值作用方法逐渐靠近软阈值处理方法,而计算分解层数小的节点时则更接近硬阈值处理方法,这样在保留信号完整的同时能够收获理想的去噪效果。附图3为三种方法的函数曲线,从图中也可以看出硬阈值方法在阈值T处出现间断,软阈值方法使曲线在η(ω)方向上产生收缩。
Claims (4)
1.一种基于小波包进行信号去噪的方法,小波包分析在小波分析的基础上进行了更精细的分析,它将频带进行多层划分,对多频率分析没有细分的高频序列部分进行进一步分解,并能够根据被分析信号的特征自适应的选取相应频带,使之与信号频谱相匹配,从而提高时-频分辨率,其特征在于,具体步骤为:
1)信号的小波包分解,选择一个小波,然后对含噪信号进行小波包分解;
2)选取信息熵或对数熵作为代价函数;
3)最优小波包基的选取,对于一个给定的熵标准,采用自上而下的搜索算法计算最优树,选取最优小波包基;
4)选取阈值,根据不同的分解频域采用不同的选取方法来获取不同的阈值;
5)小波包分解系数的阈值量化,对于每一个小波包分解的系数,采用改进的软阈值函数与该系数对应的阈值进行量化处理;
6)信号的小波包重构,根据最低层的小波包分解系数和经过量化处理的系数,进行小波包重构。
2.根据权利要求1所述的基于小波包进行信号去噪的方法,其特征在于,步骤3)中所述最优小波包基的选取的具体步骤为:首先给出一个信号序列的代价函数,然后在小波库中的所有小波包基中寻找使代价函数最小的基,此基便为最优基;采用自上而下的基于“剪枝”的二叉树法以对数熵为代价函数进行最优基的选取,也就是说只有下一层的对数熵值的和小于该层的对数熵才进行分解,否则就剪枝,详细的算法流程如下: 对信号节点Un j进行小波包分解,计算各节点对数熵;比较节点Un j熵值和其分解的两个子节点U2n j+1、U2n+1 j+1熵值和,并标记熵值较小的节点;判断节点Un j是否被标记,若被标记,则删除节点U2n j+1、U2n+1 j+1不再进一步向下分解,若没被标记,则将节点U2n j+1、U2n+1 j+1作为节点Un j重复以上步骤。
3.根据权利要求1所述的基于小波包进行信号去噪的方法,其特征在于,步骤4)具体为:对频域序列进行重新排列,针对不同的高中低频域采用不同的阈值选取方法选取阈值,对于低频序列以公式thr=σ*[log(n)]0.5/(2n)0.5为阈值模型进行阈值的选取,其中n为信号长度,σ为原信号小波包分解系数的标准差,中高频序列的小波包分解系数则采用Stein无偏似然估计原理自适应选取阈值。
4.根据权利要求1所述的基于小波包进行信号去噪的方法,其特征在于,步骤5)中所述的改进的软阈值函数为:当|ω|>T时,η(ω)= ω-sign(ω)*T+ sign(ω)*T/(2*k+1),当|ω|≤T时,η(ω)= ω2k+1/[(2*k+1)*T2k];随着分解层数的变大阈值作用方法逐渐靠近软阈值处理方法,而计算分解层数小的节点时则更接近硬阈值处理方法,这样在保留信号完整的同时能够收获理想的去噪效果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510042993.3A CN104615877A (zh) | 2015-01-28 | 2015-01-28 | 一种基于小波包进行信号去噪的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510042993.3A CN104615877A (zh) | 2015-01-28 | 2015-01-28 | 一种基于小波包进行信号去噪的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104615877A true CN104615877A (zh) | 2015-05-13 |
Family
ID=53150318
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510042993.3A Pending CN104615877A (zh) | 2015-01-28 | 2015-01-28 | 一种基于小波包进行信号去噪的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104615877A (zh) |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105719658A (zh) * | 2016-03-04 | 2016-06-29 | 安徽师范大学 | 基于新阈值函数和自适应阈值的小波包语音降噪方法 |
CN106228520A (zh) * | 2016-07-22 | 2016-12-14 | 上海联影医疗科技有限公司 | 图像增强方法及装置 |
CN106330343A (zh) * | 2015-07-07 | 2017-01-11 | 大连测控技术研究所 | 一种基于小波包和模糊理论的水声信标信号提取方法 |
CN106437687A (zh) * | 2016-08-31 | 2017-02-22 | 中国船舶重工集团公司第七八研究所 | 一种基于最优小波包分解树的随钻泥浆脉冲信号降噪方法 |
CN106782588A (zh) * | 2016-11-15 | 2017-05-31 | 中国人民解放军第四军医大学 | 一种基于听觉小波包的毫米波生物雷达语音增强方法 |
CN107273585A (zh) * | 2017-05-25 | 2017-10-20 | 国网山东省电力公司青岛供电公司 | 一种有载分接开关故障检测方法及装置 |
CN107659314A (zh) * | 2017-09-19 | 2018-02-02 | 电子科技大学 | 分布式光纤传感时空二维信号的稀疏化表示及压缩方法 |
CN107688120A (zh) * | 2016-11-17 | 2018-02-13 | 丹阳华神电器有限公司 | 基于模糊熵的含噪信号处理方法及迭代奇异谱软阈值去噪方法 |
CN108491355A (zh) * | 2018-02-05 | 2018-09-04 | 南京邮电大学 | 一种基于ceemd与小波包的超声信号降噪方法 |
CN108647614A (zh) * | 2018-04-28 | 2018-10-12 | 吉林大学 | 心电图心拍分类识别方法及*** |
CN108873813A (zh) * | 2018-06-25 | 2018-11-23 | 山东大学 | 基于数控机床主轴伺服电机电流信号的刀具磨损度检测方法 |
CN108985234A (zh) * | 2018-07-19 | 2018-12-11 | 沈阳建筑大学 | 一种适用于非高斯信号的贝叶斯小波包降噪方法 |
CN109561437A (zh) * | 2017-09-26 | 2019-04-02 | 大唐移动通信设备有限公司 | 一种对信号进行处理的方法及装置 |
US10290108B2 (en) | 2015-12-31 | 2019-05-14 | Shanghai United Imaging Healthcare Co., Ltd. | Methods and systems for image processing |
CN110096998A (zh) * | 2019-04-29 | 2019-08-06 | 天津大学 | 一种用于机加工表面形貌特征提取的分解方法 |
CN110691229A (zh) * | 2019-08-23 | 2020-01-14 | 昆明理工大学 | 一种全息图压缩方法、编码器和再现像输出*** |
CN111079591A (zh) * | 2019-12-04 | 2020-04-28 | 国网天津市电力公司电力科学研究院 | 基于改进多尺度主成分分析的不良数据修复方法及*** |
CN112613705A (zh) * | 2020-12-14 | 2021-04-06 | 中广核研究院有限公司 | 部件质量获取方法、装置、计算机设备和存储介质 |
CN115389888A (zh) * | 2022-10-28 | 2022-11-25 | 山东科华电力技术有限公司 | 一种基于高压电缆的局部放电实时监测*** |
WO2024099006A1 (zh) * | 2023-07-12 | 2024-05-16 | 广西科学院 | 一种基于小波包分析的北斗海上多径干扰消除方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2005067640A2 (en) * | 2004-01-07 | 2005-07-28 | University Of Hawaii | Methods for enhanced detection & analysis of differentially expressed genes using gene chip microarrays |
CN102156963A (zh) * | 2011-01-20 | 2011-08-17 | 中山大学 | 一种混合噪声图像去噪方法 |
CN102508206A (zh) * | 2011-10-31 | 2012-06-20 | 哈尔滨工程大学 | 基于小波包去噪和功率谱熵的线性调频信号参数估计方法 |
CN103901474A (zh) * | 2014-04-18 | 2014-07-02 | 成都新核中创信息科技有限公司 | 一种基于折中小波阈值分析的微地震弱信号提取方法 |
-
2015
- 2015-01-28 CN CN201510042993.3A patent/CN104615877A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2005067640A2 (en) * | 2004-01-07 | 2005-07-28 | University Of Hawaii | Methods for enhanced detection & analysis of differentially expressed genes using gene chip microarrays |
CN102156963A (zh) * | 2011-01-20 | 2011-08-17 | 中山大学 | 一种混合噪声图像去噪方法 |
CN102508206A (zh) * | 2011-10-31 | 2012-06-20 | 哈尔滨工程大学 | 基于小波包去噪和功率谱熵的线性调频信号参数估计方法 |
CN103901474A (zh) * | 2014-04-18 | 2014-07-02 | 成都新核中创信息科技有限公司 | 一种基于折中小波阈值分析的微地震弱信号提取方法 |
Non-Patent Citations (4)
Title |
---|
侯新国 等: "最佳小波包基改进软阈值的消噪方法及应用", 《振动、测试与诊断》 * |
章浙涛 等: "小波包多阈值去噪法及其在形变分析中的应用", 《测绘学报》 * |
罗永 等: "小波包变换及代价函数设计综述", 《数学理论与应用》 * |
郭晓霞 等: "小波去噪中软硬阈值的一种改良折衷法", 《智能***学报》 * |
Cited By (37)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106330343A (zh) * | 2015-07-07 | 2017-01-11 | 大连测控技术研究所 | 一种基于小波包和模糊理论的水声信标信号提取方法 |
CN106330343B (zh) * | 2015-07-07 | 2020-04-17 | 大连测控技术研究所 | 一种基于小波包和模糊理论的水声信标信号提取方法 |
US10290108B2 (en) | 2015-12-31 | 2019-05-14 | Shanghai United Imaging Healthcare Co., Ltd. | Methods and systems for image processing |
US11880978B2 (en) | 2015-12-31 | 2024-01-23 | Shanghai United Imaging Healthcare Co., Ltd. | Methods and systems for image processing |
US11049254B2 (en) | 2015-12-31 | 2021-06-29 | Shanghai United Imaging Healthcare Co., Ltd. | Methods and systems for image processing |
CN105719658B (zh) * | 2016-03-04 | 2019-11-26 | 安徽师范大学 | 基于新阈值函数和自适应阈值的小波包语音降噪方法 |
CN105719658A (zh) * | 2016-03-04 | 2016-06-29 | 安徽师范大学 | 基于新阈值函数和自适应阈值的小波包语音降噪方法 |
CN106228520B (zh) * | 2016-07-22 | 2019-10-22 | 上海联影医疗科技有限公司 | 图像增强方法及装置 |
CN106228520A (zh) * | 2016-07-22 | 2016-12-14 | 上海联影医疗科技有限公司 | 图像增强方法及装置 |
CN106437687A (zh) * | 2016-08-31 | 2017-02-22 | 中国船舶重工集团公司第七八研究所 | 一种基于最优小波包分解树的随钻泥浆脉冲信号降噪方法 |
CN106782588A (zh) * | 2016-11-15 | 2017-05-31 | 中国人民解放军第四军医大学 | 一种基于听觉小波包的毫米波生物雷达语音增强方法 |
CN107688120A (zh) * | 2016-11-17 | 2018-02-13 | 丹阳华神电器有限公司 | 基于模糊熵的含噪信号处理方法及迭代奇异谱软阈值去噪方法 |
WO2018090467A1 (zh) * | 2016-11-17 | 2018-05-24 | 丹阳华神电器有限公司 | 基于模糊熵的含噪信号处理方法及迭代奇异谱软阈值去噪方法 |
CN107273585A (zh) * | 2017-05-25 | 2017-10-20 | 国网山东省电力公司青岛供电公司 | 一种有载分接开关故障检测方法及装置 |
CN107273585B (zh) * | 2017-05-25 | 2021-04-13 | 国网山东省电力公司青岛供电公司 | 一种有载分接开关故障检测方法及装置 |
CN107659314A (zh) * | 2017-09-19 | 2018-02-02 | 电子科技大学 | 分布式光纤传感时空二维信号的稀疏化表示及压缩方法 |
CN107659314B (zh) * | 2017-09-19 | 2021-02-19 | 电子科技大学 | 分布式光纤传感时空二维信号的稀疏化表示及压缩方法 |
CN109561437B (zh) * | 2017-09-26 | 2020-10-16 | 大唐移动通信设备有限公司 | 一种对信号进行处理的方法及装置 |
CN109561437A (zh) * | 2017-09-26 | 2019-04-02 | 大唐移动通信设备有限公司 | 一种对信号进行处理的方法及装置 |
WO2019062406A1 (zh) * | 2017-09-26 | 2019-04-04 | 大唐移动通信设备有限公司 | 一种对信号进行处理的方法及装置 |
US11283661B2 (en) | 2017-09-26 | 2022-03-22 | Datang Mobile Communications Equipment Co., Ltd. | Method and apparatus for signal processing |
CN108491355A (zh) * | 2018-02-05 | 2018-09-04 | 南京邮电大学 | 一种基于ceemd与小波包的超声信号降噪方法 |
CN108647614A (zh) * | 2018-04-28 | 2018-10-12 | 吉林大学 | 心电图心拍分类识别方法及*** |
CN108873813B (zh) * | 2018-06-25 | 2020-04-28 | 山东大学 | 基于数控机床主轴伺服电机电流信号的刀具磨损度检测方法 |
CN108873813A (zh) * | 2018-06-25 | 2018-11-23 | 山东大学 | 基于数控机床主轴伺服电机电流信号的刀具磨损度检测方法 |
CN108985234A (zh) * | 2018-07-19 | 2018-12-11 | 沈阳建筑大学 | 一种适用于非高斯信号的贝叶斯小波包降噪方法 |
CN108985234B (zh) * | 2018-07-19 | 2021-08-31 | 沈阳建筑大学 | 一种适用于非高斯信号的贝叶斯小波包降噪方法 |
CN110096998A (zh) * | 2019-04-29 | 2019-08-06 | 天津大学 | 一种用于机加工表面形貌特征提取的分解方法 |
CN110096998B (zh) * | 2019-04-29 | 2023-05-12 | 天津大学 | 一种用于机加工表面形貌特征提取的分解方法 |
CN110691229B (zh) * | 2019-08-23 | 2021-10-22 | 昆明理工大学 | 一种全息图压缩方法、编码器和再现像输出*** |
CN110691229A (zh) * | 2019-08-23 | 2020-01-14 | 昆明理工大学 | 一种全息图压缩方法、编码器和再现像输出*** |
CN111079591A (zh) * | 2019-12-04 | 2020-04-28 | 国网天津市电力公司电力科学研究院 | 基于改进多尺度主成分分析的不良数据修复方法及*** |
CN111079591B (zh) * | 2019-12-04 | 2024-01-02 | 国网天津市电力公司电力科学研究院 | 基于改进多尺度主成分分析的不良数据修复方法及*** |
CN112613705A (zh) * | 2020-12-14 | 2021-04-06 | 中广核研究院有限公司 | 部件质量获取方法、装置、计算机设备和存储介质 |
CN115389888A (zh) * | 2022-10-28 | 2022-11-25 | 山东科华电力技术有限公司 | 一种基于高压电缆的局部放电实时监测*** |
CN115389888B (zh) * | 2022-10-28 | 2023-01-31 | 山东科华电力技术有限公司 | 一种基于高压电缆的局部放电实时监测*** |
WO2024099006A1 (zh) * | 2023-07-12 | 2024-05-16 | 广西科学院 | 一种基于小波包分析的北斗海上多径干扰消除方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104615877A (zh) | 一种基于小波包进行信号去噪的方法 | |
US20190355152A1 (en) | Point cloud attribute compression method based on kd tree and optimized graph transformation | |
CN102156963A (zh) | 一种混合噪声图像去噪方法 | |
CN103761719A (zh) | 一种基于邻域相关性的自适应小波阈值去噪方法 | |
CN106570843A (zh) | 一种自适应小波阈值函数图像噪声抑制方法 | |
WO2014026378A1 (en) | Method and apparatus for 3d mesh de-noising | |
CN111583152A (zh) | 基于U-net结构的图像伪影检测与自动去除方法 | |
CN107909558A (zh) | 一种基于无监督学习的非局部均值图像去噪方法 | |
CN103713324A (zh) | 一种基于局部方差分析的自适应曲波阈值地震去噪方法 | |
CN109978775B (zh) | 颜色去噪方法及装置 | |
CN103310423B (zh) | 一种矿井图像增强方法 | |
CN109586763B (zh) | 一种电子通信***中扩频信号的去噪方法及其去噪*** | |
CN116385312A (zh) | 基于相位相关的低照度图像去噪方法 | |
Qin et al. | An improved method of image denoising based on wavelet transform | |
Huang et al. | Synthetic aperture radar image compression using tree-structured edge-directed orthogonal wavelet packet transform | |
CN105719658A (zh) | 基于新阈值函数和自适应阈值的小波包语音降噪方法 | |
Liu et al. | Restoration algorithm for noisy complex illumination | |
CN105259539B (zh) | 一种针对极地探冰雷达数据的分部式噪声抑制方法 | |
Nath et al. | Image denoising based on Laplace distribution with local parameters in Lapped transform domain | |
Tin et al. | An efficient sidescan sonar image denoising method based on a new roughness entropy fractal dimension | |
WANG et al. | An improved wavelet threshold function and its application in image edge detection | |
Radhika et al. | Image denoising techniques preserving edge | |
Wang et al. | A modified homomorphism filtering algorithm for cloud removal | |
Ahmad et al. | Rain Streaks Elimination Using Hybrid Median Filter and Contrast Stretching | |
CN104422961A (zh) | 一种地震随机噪声衰减方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20150513 |
|
WD01 | Invention patent application deemed withdrawn after publication |