小波理论与振动分析

小波理论是近年来迅速发展起来的新兴学科。已成为多领域的研究热点。本文介绍了连续小波变换和离散小波变换的构造及部分性能；分析了波变换与Ｆｏｕｒｉｅｒ变换的关系；小波分析的特点与适用领域。给出了振动工程上的三个典型应胜。并就小波理论这一前沿领域的发展现状做了相应的评述。     

基于直方图小波变换的图像颜色特征索引技术

提出了一种基于直方图小波变换的图像颜色特征索引技术:对图像HSV颜色直方图进行小波变 换,变换后数据用于相似性的递进匹配。该方法与直接直方图比较具有相同的效果,而特征矢量长度明 显减少,检索效率明显改进。实验结果表明,小波变换由于其金字塔形式可为图像数据库提供内容特征 的递进匹配,明显加快图像检索匹配速度。     

基于整数小波变换和改进零树编码的图像压缩方法

研究了基于整数小波变换和改进零树编码的图像压缩方法：先进行整数小波变换，将图像变换到小波域，再用改进的零树编码对图像进行压缩。给出了试验结果以及与EZW压缩方法的比较，结果表明，整数小波变换和改进零树编码相结合应用于图像压缩是有效的，在一定程度上能缩短计算时间，并提高峰值信噪比。     

基于小波变换的语音信号去噪

利用小波的时频域局部化特性，解决语音信号的去噪问题。文中给出了语音信号的小波去噪算法，并基于不同的阈值选取，提出了采用适合于语音信号的浮动阈值，实验表明去噪效果好，提高了语音信号的识别率。     

基于支持向量机的苹果叶部病害识别方法研究

为提高苹果叶部病害自动识别水平并实现快速有效地识别苹果叶部病害,本研究首先采用小波滤波算法对采集的苹果叶部锈病、斑点落叶病的图像进行去噪平滑,然后利用病斑颜色差异和边界跟踪算法对病斑进行分离,最后提取病斑颜色、形状和纹理等方面的特征,采用支持向量机(SVM)技术对病害进行自动识别。试验表明,该方法对苹果叶锈病和斑点落叶病样本进行处理识别的正确率较高,能够满足实际需求。该结果对苹果叶部病害的自动快速诊断和防治具有一定的指导意义。     

基于提升小波和学习向量量化神经网络的小麦病害图像识别

通过研究小麦叶部病害的症状特点及图像特点,应用K_means硬聚类算法对小麦叶部病害图像进行彩色图像分割,得到二值化分割和彩色分割,利用多重分形分析从二值化分割图像中提取病害形状特征参数,分别利用提升小波变换和脉冲耦合神经网络从彩色分割图像中提取颜色特征参数和纹理特征参数.根据提取的组合特征参数,利用学习向量量化神经网络进行小麦病害分类识别.结果表明,该算法对小麦病害的识别率可达到95％以上.     

基于红外光谱概率神经网络的诃子产地鉴别

利用傅里叶变换红外光谱,测定了不同产地诃子(Terminalia chebula Retz.)样品的红外光谱图.采用常规预处理方法和小波变换对红外光谱原始数据进行了预处理,并采用主成分分析进一步压缩光谱数据,前3个主成分的累积贡献率为98.054％.以前3个主成分作为网络输入,诃子产地类别作为网络输出,建立了概率神经网络,同时对建立该网络模型的扩展常数进行了分析.模型分析表明,建立的网络模型能够对40个诃子样品进行产地鉴别,红外光谱法结合神经网络可作为中药材产地分类鉴别的一种新的现代化方法.     

基于尺度噪声水平估计的双树复数小波变换图像去噪方法

利用噪声与图像双树复数小波变换各层系数的关系,提出基于尺度噪声水平估计的双树复数小波变换图像去噪方法并进行了试验.结果表明,该估计方法与图像噪声水平近似线性相关,能很好地反映各层系数的噪声水平.双变量收缩函数阈值去噪法采用该估计比采用全局噪声水平估计去噪效果更好,平均结构相似度明显提高.     

基于小波分解的害虫发生非平稳时间序列分析和预测

将小波分解应用于害虫发生程度非平稳时间序列的分析和预测。通过小波分解,将非平稳时间序列分离为多个平稳分量,然后采用自回归滑动平均方法对各平稳分量分别进行分析和建模,最后将所有分量的模型进行组合,从而可以得到原非平稳时间序列的预测模型。在实例分析中,利用1959年至2004年烟台市一代玉米螟发生程度数据序列建立了预测模型,利用2005年至2009年的数据对模型进行了检验。检验结果表明:5年预测准确率达到了80%,预测效果令人满意。     

不同辐照下大豆胰蛋白酶抑制剂荧光的小波分析

用db4小波分析了不同剂量的60Co-γ辐照下大豆胰蛋白酶抑制剂(KSTI)的荧光发射谱.结果表明:随着辐照剂量的增加,KSTl蛋白分子破碎程度加深,光谱噪声加重,因此要获得KSTI光谱相关信息,需要对不同的光谱数据进行不同层次的小波分解和重构.