基于小波模极大值的电压骤降定位检测

电压骤降是一种典型的暂态电压扰动信号.分析了小波系数与Lipschitz指数的关系,将利用小波模极大值检测信号奇异性的方法应用到电压骤降信号的定位检测.仿真算例表明:该方法有效,能准确确定电压骤降的起止时刻,但在选择小波类型方面需要综合考虑其消失矩、正则性、支集长度.     

基于小波变换的自适应多用户检测算法

在分析传统自适应多用户检测的基础上 ,提出了一种基于小波变换的自适应多用户检测算法。用小波变换进行前处理 ,然后再通过 LMS算法实现自适应多用户检测。与通常的自适应多用户检测算法相比 ,该算法利用了小波变换对小波空间进行了分解 ,信号经小波变换后自相关性会下降 ,收敛速度提高。同时在此分解过程中 ,根据信号与白噪声在不同尺度上的小波变换模极大值表现完全不同的特性进行信号的消噪。理论分析和仿真结果表明 ,该算法收敛速度较快 ,计算量增加较少 ,易于实时实现 ,而且具有良好性能。同时仿真实验表明 ,收敛速度与小波基选择有关 ,对于同一小波基系列 ,小波基的正则性越好收敛速度越快     

电压扰动定位中小波与HHT性能分析

为实现配电网电压扰动的有效检测,分别运用小波变换与希尔伯特-黄(HHT)变换2种方法对电压扰动信号进行定位检测,分析对比2种方法的检测精度和性能。仿真算例结果表明:2种方法均具有较好的多分辨率分析特性,但HHT受噪声影响比较大,因此在合适的小波基下小波分解方法检测精度高于HHT变换检测精度。     

基于小波去噪的暂态电压扰动检测方法研究

采用小波软阈值去噪方法对信号噪声进行预处理,很大程度地减小了噪声对扰动检测的干扰.利用小波多分辨率分析方法对去噪后的扰动信号进行检测,更精确地提取出了暂态电压扰动信号的特征值.在仿真环境中对去噪前后的电压骤降信号进行检测和比较.结果表明:去噪后的检测结果更接近于原始信号,小波软阈值去噪方法能够提高暂态电压扰动检测的准确性.     

双正交Coifman型小波的构造

针对Coifman与Tian等人关于Coifman型小波构造方法中长度与消失矩受到严格限制的缺陷，通过研究具有一般长度双正交特性的Coifman小波的长度与消失矩的关系，得到了一种构造一般Coifman型小波的有效方法．新型小波系数均含有自由变量，现有Coifman型双正交小波都可以通过取特殊长度以及特殊参数时得到，因此，我们的结果推广了Coifman与Tian等人的结果。     

基于小波包变换的暂态电能质量扰动信号分析

暂态电能质量问题在当今电能质量问题中变得越来越重要。针对暂态电能质量扰动信号,通过小波包变换对扰动信号进行时间定位和消噪并对产生数据加以比较,确定小波包变换能否对暂态电能质量信号进行有效的分析。以电压骤升、瞬态脉冲扰动信号为例,通过去噪来对暂态电能质量扰动信号进行小波包计算、分析和比较,结果表明:暂态电能质量扰动起止时刻是描述扰动的重要属性,并且证明了小波包变换是分析暂态电能质量信号的一种有效的方法。     

高维张量积M e y e r小波的一种新分解

基于Meyer小波的无穷可微性、急减性和消失矩性等重要性质,给出了高维张量积Meyer小波的一种新的分解形式.     

基于图像边缘检测方法的暂态电力扰动检测

应用数字图像边缘检测理论,提出了基于数学形态学的暂态电力扰动检测和时间定位方法.该方法根据正常情况下和扰动情况下电力信号变化的不同特点,采用图像边缘检测算子获取电力扰动发生时信号"阶梯变化"产生的奇异点,并采取形态滤波、优化采样频率和结构元素长度等措施抑制信号噪声和正常情况下信号"斜坡变化"对扰动检测的影响,提高检测灵敏度.算法实现简单,计算量小,定时精度高,实时性好,对硬件要求低.对多种常见暂态电力扰动的仿真检测,验证了所提方法的可行性和有效性.     

电能质量扰动分类的决策树方法

提出一种新颖的基于决策树方法的电能质量扰动自动分类方法.该方法首先对采集到的扰动信号进行小波多分辨率分解,扰动信号在每个小波分解尺度的能量分布构成一个特征向量;然后利用CART决策树算法从这些特征向量构成的训练样本中自动提取相应的分类规则,得到决策树分类模型,并将该模型应用到电能质量扰动测试数据中.仿真结果表明所提电能质量扰动数据分类挖掘方法的有效性和鲁棒性.     

Banach空间中的正则Landweber迭代法

利用一致凸一致光滑的Banach空间的几何性质, 研究了Banach空间中线性和非线性算子的正则Landweber迭代法. 假定所测的右端数据具有扰动的情况下, 得出了此正则Landweber迭代法的收敛性.     

基于小波分析的信号去噪方法

介绍了小波变换出现的背景及应用意义、信号去噪效果的标准及小波变换去噪的基本原理和方法。利用MATLAB软件特别是MATLAB小波工具箱编写仿真程序,结果表明小波变换在信号去噪中的有效性和优越性。     

基于无下采样的正交小波变换的阈值去噪方法

现行的小波阚值去噪算法中,都包含采样的操作,但下采样导致信号所含信息出现丢失,上采样则引入新的畸变。为克服这些不足之处,提出了基于无下采样的正交小波变换的阚值去噪方法,并在Matlab6．5环境下给出了具体的算法。并进行了数值试验。试验结果表明,取消下采样的操作,可以提高信噪比,减小最小均方误差,使去噪效果得到了明显改善。     

玉米产量性状配合力的最小二乘分析及其与杂种优势的相关性研究

采用最小二乘法对玉米不完全双列杂交产量性状的配合力进行了分析 ,结果表明 :一般配合力效应和特殊配合力效应对产量性状的表达均起作用 ,但以一般配合力效应为主。在与对照优势的相关性分析中 ,双亲一般配合力效应之和与其相关达极显著水平 (r =0 92 98 ) ,而组合特殊配合力效应与其相关为 (r =0 36 81)。本试验一般配合力效应为正向的自交系分别为A3180 (2 2 4 90 9)、DB42 4(12 9 34 1)、48- 2 (5 5 0 2 4) ;前 4名强优势组合分别为DB42 4×A3180 (4 1 16 % )、DB40 6×A3180 (38 98% )、DB42 8×A3180 (34 11% )、DB42 4× 48- 2 (2 8 6 2 % )。     

小波消噪在数字基带系统中的应用

介绍了一种基于小波消噪的数字基带系统,利用小波变换的分解与重构对接收的信号进行消噪声处理,从而大大提高了系统的性能。通过在加性高斯白噪声(AGWN)信道中的模拟仿真,其结果说明了此系统的优越性,并通过卷积编码,进一步降低了系统的误码率。     

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.     

小波去噪用于电磁感应式角加速度传感器测量

白行设计了一种电磁感应式角加速度传感器,阐述了传感器的基本机械结构和工作原理,然后采用该传感器对空载时的单相异步电机进行了实际的角加速度测试,验证了测量原理的正确性,并由实验波形观测到传感器的输出信号存在大量噪声,因此构建了一种基于小波变换的去噪方案。首先对传感器的实际输出信号采用sym8小波进行分解,然后利用半软闭值对含噪信号进行处理,最后对信号进行重构。结果表明该方法可以去除大部分高频噪声,能够恢复数据的真实性,进而提高数据的置信度和泛化性能,且去噪效果远好于传统的傅里叶变换。     

基于加Blackman窗FFT和db44小波包变换的综合电力系统谐波分析

传统的傅里叶变换（FFT）主要适用于平稳信号的分析,确定信号的幅值和频率,但会丢失信号的局部信息,而小波包变换虽然可以准确得到信号局部细节的信息,但其分析精度不及傅里叶变换。将高分析精度的傅里叶变换和可以准确得到信号局部细节信息的小波包变换结合,提出结合两者优点的谐波分析方法。对平稳信号采用加Blackman窗傅里叶变换进行分析,得到信号的频率和幅值。对暂态信号采用db44小波包变换进行分解分析,得到信号局部细节的信息。通过 MATLAB仿真结果表明,该方法可以准确分析电力系统中的稳态谐波并准确定位暂态谐波。     

基于小波阈值–卡尔曼的水田旋耕平地机倾角信号的去噪方法

基于全球卫星导航系统(GNSS)的水田旋耕平地机田间试验,采集平地机在调平过程中的倾角信号,采用小波硬阈值法,获取低频信号,并实时估计倾角信号的噪声方差,作为卡尔曼滤波的修正信息,再将低频信号作为系统输入,运用卡尔曼滤波对信号进行二次修正。试验结果表明：小波硬阈值–卡尔曼融合算法的滤波效果优于单一的小波阈值法和卡尔曼滤波,倾角信号经融合算法处理后,信号的信噪比由21.704提高到39.116,均方根误差从0.035 1减小至0.012 6。倾角信号中的噪声成分明显减少,信号的精确度更高。     

基于二进小波变换极大模法的土壤腐殖酸NMR谱信号滤噪

实验数据的滤噪在分析化学领域中具有重要的意义。小波变换技术具有很强的具有信号分离能力容易把随机噪声从信号中分离出来，从而提高信号的信噪比。本文使用的滤噪方法不同于传统离散小波变换方法，而是通过引入二进小波变换和李氏指数的概念，根据噪声与有用信号的极大模截然不同的特征，实现信号滤噪。实验数据的仿真结果研究也证明该方法具有可行性。     

基于小波变换的网络异常检测研究

由于普通的网络流量很难从中检测出异常,为了有效地分析网络流量,深入研究网络流量的性质,本文提出了一种基于小波的分解与重构思想,将网络流量通过小波变换分解成不同尺度下的逼近信号和细节信号,然后分别单支重构成低频序列和高频序列,根据低频序列和高频序列的特性,对异常网络流量进行检测.通过对真实网络流最的仿真实验,结果显示该方法能够比较简单且准确地检测出异常的网络流量.