小波变换与傅里叶变换相结合的暂态谐波分析方法

结合小波变换良好的时频局部化特性和傅里叶变换良好的频域分析特性,提出小波变换与傅里叶变换相结合的暂态谐波分析方法。利用傅里叶变换和静态小波变换得到被测信号频域特性和时域特性,再结合连续小波变换得到暂态谐波的时频特性。理论分析和仿真试验结果表明,利用本方法得到的暂态谐波幅值与理论值一致。本方法能够准确分析电网中的暂态谐波,可为电力系统暂态谐波的分析和治理提供依据。     

基于正交小波系数的阈值降噪法

依据信号与噪声小波变换系数的差异,提出的用阈值法去噪可以很好的使噪声得到抑制,且几乎保留了原始信号所有的特征点.本文详细阐述了小波分析信噪分离的基本原理和方法,通过仿真分析得到良好的效果,为信号去噪提供一条有效的途径.     

提升小波变换及其在信号去噪中的应用

介绍了提升方法(1ifting Scheme)的基本原理,给出了用提升方法构造传统小波的实现方法,并将目前常用的小波转换成提升小波。同时还将提升小波应用到信号去噪中,并进行了数值仿真试验,结果表明,在去噪后信号的信噪比相近的情况下,提升小波与传统小波相比,其优点在于计算简单、编程容易、速度快。     

基于小波变换的树木年轮微密度信号处理

对树木年轮微密度信号进行分析,采用小波多分辨分析方法获取微密度近似信号,并通过重构误差和相位一致性分析,选出适于微密度信号多尺度分析方法的最优小波基.结果表明,小波变换有利于年轮微密度边界点识别和总体趋势分析;db5小波重构精确高、相位失真误差小,是树木年轮微密度信号小波变换的最优小波基.     

基于小波变换算法的图像处理技术研究

为了提高农作物叶部病害识别的可靠性,本文提出基于小波变换算法的农作物叶部病害图像处理技术.在图像分解的基础上,应用二维离散小波变换,论述了二维小波变换在农作物叶部图像去噪和图像增强中的应用.仿真实验结果表明此方案能够有效改善图像质量,提高对象识别的可靠性.     

基于小波变换的图像融合算法的实现

图像融合技术能综合多幅图像满足人们要求,日益受到研究者的重视,现已广泛应用于医学、遥感、计算机视觉以及其他领域。有效实用的融合算法是进行图像融合的关键。文章着重讨论了基于小波变换的融合方法(基于像素的融合规则)及其实现方式,经仿真取得很好的效果。     

基于希尔伯特-黄变换与小波变换的无定河径流变化周期对比分析

【目的】对基于希尔伯特-黄变换(Hilbert-Huang transform,HHT)与小波变换的径流周期分析方法进行比较,为选择适合研究流域的径流变化周期判定方法提供参考。【方法】采用HHT与小波变换,对无定河流域干流上的代表水文站白家川站1956-2009年天然径流资料进行分析,探讨2种方法在分析无定河流域年径流变化周期上的差异性。【结果】无定河天然径流演化模式由4个本征模态函数和1个零均值趋势项组成,通过分析各个固有模态函数(Intrinsic Mode Function)分量,由希尔伯特谱及经验分解图可以看出,不同尺度径流波动对径流演变的作用为,随尺度增大,径流平均周期由短变长,由年际变化转为代际变化。无定河流域天然径流演化存在3,7,12和21～22年的近似周期。通过小波系数实虚部及模、模方等值线图,判定其径流丰枯变化及主要周期中心为7,25,40和53年。【结论】基于HHT与小波变换的径流周期分析方法的计算结果基本吻合,但小波分析只能分析出近似周期,而HHT分析还可发现年内变化和年际变化在周期变化中占主导作用,表明HHT方法更为优越。     

一种改进的基于小波变换模极大值的边缘检测方法

一种改进的基于小波变换模极大值的边缘检测方法包含如下2个步骤:(1)求出边缘及噪声点的局部极大值;(2)利用边缘点与噪声点具有不同小波变换模极大值的特点,对局部极大值进行二次判别,从而实现噪声与边缘的分离.实例验证结果表明,该方法能很好地解决高精度定位与强去噪能力之间的矛盾.     

地震前兆的复杂性与地震预报

地震前兆与地震关系的确认是地震预报的关键因素。本文从地震预测和地震前兆异常两个方面系统地介绍了国内外的观测结果和研究成果，并在此基础上初步探讨了前兆异常和地震之间的关系；结合具体的地震观测资料，介绍了地震前兆的多样性以及地震成因的复杂性，进一步阐述了地震预报研究过程中遇到的困难和产生的新问题。     

基于小波变换与神经网络的上倾管流型识别方法

为实现上倾管气液两相流流型的智能识别,提出了基于小波变换与概率神经网络的流型识别方法。采用中国石油大学(华东)室内小型环道试验装置进行气液两相流试验,采集上倾管流型以及相应的持液率信号。运用小波变换对持液率信号进行5级分解,并对分解后的信号提取标准差作为概率神经网络的输入参数,对试验中获得的分层流、气泡流、段塞流、严重段塞流流型进行识别。结果表明:该方法对4种流型的识别效果较好,其整体识别率为96.5%,其中分层流和严重段塞流的识别率高达98%。基于小波变换与概率神经网络的上倾管流型识别方法能够有效克服传统识别方法中主观因素的影响,不仅显著提高了流型识别的准确率,而且识别过程更加智能。(图5,表3,参22)