导读:本文包含了小波包阈值论文开题报告文献综述及选题提纲参考文献，主要关键词:小波包分析,最优分解层,水声监听信号,分段阈值去噪
小波包阈值论文文献综述
赵杰,杨英,惠力,王志,初士博[1]（2019）在《小波包节点分段阈值降噪在水声监听中的应用》一文中研究指出水声目标信号在发送、传播过程中,易受到环境噪声、系统自噪声等影响,因此水声监听过程中目标信号会掺杂大量噪声信息。为提高获取目标信号的准确性和可靠性,降低噪声,在已有小波分析基础上,提出小波包节点相对能量判断最优分解层,最优分解层节点系数分段阈值处理重构方法,实现水声监听信号分频段去噪。将0.1 kHz~8.4 k Hz实验数据按节点频率排序划分为5个强弱不同的频段信号实现消噪提取,结果表明该方法可将噪声信号与目标信号有效分离,与全局单一阈值相比,具有较好降噪能力。该方法打破了小波阈值去噪高频处理的局限性,提高了识别精度,改善了全局单一阈值去噪存在的短板,在鱼类分析识别、舰船监听、深海探测等方面具有一定的推广和应用价值。(本文来源于《应用声学》期刊2019年06期）
刘云侠[2]（2019）在《阈值自适应选取的小波包降噪研究》一文中研究指出基于信号和噪声的不同特征,提出一种阈值自适应选取的小波包降噪方法。该方法首先对信号进行小波包变换,利用噪声剩余率确定分解层数,采用对数能量熵选择最优基,然后采用阈值自适应选取的方法对高频系数进行分析。利用该方法进行降噪,不仅能够提高系统的信噪比,而且能够降低系统的重构误差。(本文来源于《科技风》期刊2019年30期）
孙万麟,王超[3]（2019）在《基于改进的软阈值小波包网络的电力信号消噪》一文中研究指出为了克服传统软、硬阈值在信号消噪中存在的不足,首先构造了一种新的软阈值函数,并将小波包变换和神经网络相结合;然后,基于改进的软阈值小波包网络对实际采集电力信号进行消噪。MATLAB仿真结果表明:改进的软阈值小波包网络比传统硬、软阈值小波包消噪的信噪比高,且均方根误差小,是一种非常有效的电力信号消噪方法。(本文来源于《海军工程大学学报》期刊2019年04期）
石志炜,张丽萍[4]（2019）在《基于改进小波包阈值降噪的滚动轴承故障分析》一文中研究指出具有非平稳特性的滚动轴承振动信号易受到外界噪声干扰,且传统的小波包硬、软阈值函数降噪方法无法根据信号中的噪声干扰情况自适应调节;因此,提出一种基于排列熵的改进小波包阈值降噪方法,并与自适应噪声的完整集成经验模态分解(CEEMDAN)相结合进行故障信号分析;首先,对采集的滚动轴承故障信号进行改进小波包阈值降噪处理,然后将降噪信号进行CEEMDAN处理,分解得到一系列固有模态分量(IMF),根据相关系数选择IMF,并作包络谱分析;最后对滚动轴承实际振动信号的故障分析,证明了此方法的有效性。(本文来源于《计算机测量与控制》期刊2019年05期）
向北平,周建,倪磊,艾攀华[5]（2019）在《基于样本熵的改进小波包阈值去噪算法》一文中研究指出为了更好地消除噪声对被测振动信号的干扰,分析了样本熵算法与噪声的关系,提出了一种基于样本熵的改进小波包阈值去噪算法。在阈值函数方面,该方法利用样本熵作为特征参数,对含噪信号小波包系数的噪声分布进行表征,且依据此特征参数值对阈值函数进行改进,使其能够根据信号的小波包系数受噪声影响的情况进行自适应的调整;在阈值选取方面,定义去噪后信号与原始信号之差作为噪声信号的估计,利用样本熵作为判别依据,选取使得噪声估计的样本熵值最大的阈值作为最优阈值。该方法与其他方法进行对比,结果表明,该方法能够有效地去除噪声且更好地还原信号的频率特征,是一种更为优越的去噪算法。(本文来源于《振动.测试与诊断》期刊2019年02期）
何勇,张祥金,姚宗辰[6]（2019）在《改进样本熵最优小波包阈值选择算法在信号降噪中的应用》一文中研究指出在小波包样本熵理论基础上,结合改进粒子群优化算法选择最优阈值,以样本熵为判据,对小波包的各个分解层设置不同的阈值,构造阈值步长随时间变化的函数,选取噪声序列样本熵最大的阈值作为最优阈值。对某引信发射过载信号进行分析,证明了该方法选取小波包阈值的可行性与有效性。未改进算法之前存在较大的人工选择阈值步长的误差,改进优化算法之后最优阈值误差在允许范围内,而且降噪效果更好。(本文来源于《兵器装备工程学报》期刊2019年03期）
陈召全,朱明星,章小兵,张涛[7]（2019）在《基于模糊控制的小波包多阈值语音减噪新算法》一文中研究指出在分析小波包传统阈值去噪算法的基础上,提出了一种基于模糊控制的小波包多阈值语音减噪新算法。该算法采用改进的多阈值选取方式来代替传统的阈值选择;应用一种新阈值函数对经小波包变换后的最底层频率系数进行量化处理以确保噪声尽可能地被滤除;模糊控制器可用于对信号中的幅值跳变以及边缘粗糙等问题进行优化与修正。综合以上3种方法即可自适应地进行语音增强处理。经实验结果验证,与传统阈值算法相比,该算法能够最大程度地还原纯语音信息,有效提高了语音去噪的准确度与信噪比。(本文来源于《计量学报》期刊2019年01期）
周建,向北平,倪磊,艾攀华[8]（2018）在《基于Shannon熵的自适应小波包阈值函数去噪算法研究》一文中研究指出小波包去噪算法的关键问题在于对信号进行去噪时,如何有效地消除噪声且尽可能地保留原始信号的小波包系数。传统阈值函数由于无可调节参数,其去噪形式固定,无法根据小波包分解系数的噪声成分自适应地进行调整,去噪效果有待提升。据此,将Shannon信息熵作为调节参数引入小波包阈值函数中,提出一种基于Shannon熵的自适应小波包阈值去噪算法,对信号进行小波包分解并计算最大分解尺度小波包系数的Shannon熵值,依据该值对阈值函数进行调整,以实现在强噪声背景下对小波包系数进行大尺度的收缩,而在弱噪声背景下实现阈值收缩的平滑过渡。采用该方法对仿真信号与轴承振动实验信号进行去噪分析,并与其它小波包阈值去噪算法相对比,结果表明该方法去噪效果更好且在滤除噪声的同时有效地保留了信号的原始特征。(本文来源于《振动与冲击》期刊2018年16期）
阎妍,行鸿彦[9]（2018）在《基于小波包多阈值处理的海杂波去噪方法》一文中研究指出针对海杂波信号非平稳非线性的特性,在小波包多阈值处理的基础上加以改进,提出了一种新型海杂波去噪方法。利用海杂波数据的频率特性,确定小波包分解层次。考虑到每层小波包分解时,分解系数的高频部分存在翻转情况,将分解系数按照频率大小顺序进行排列,通过自相关函数确定低频、中频、高频部分,每个频段选取合适的阈值,对小波包系数进行重构,得到去噪后的海杂波信号。利用实测海杂波数据进行实验,分别与传统海杂波去噪法和基于经验模态分解的海杂波去噪法比较,所提方法信噪比和均方根误差分别达到了33.519 9和0.001 9,处理不同海情下的海杂波都具有更佳的去噪能力,说明其去噪效果明显,适用范围广泛。(本文来源于《电子测量与仪器学报》期刊2018年08期）
周建[10]（2018）在《基于信息熵的改进小波包阈值去噪算法研究》一文中研究指出工程实践中的信号包含丰富的特征信息但同时往往也掺杂了干扰噪声,直接对含噪信号进行时频分析可能无法得到准确的分析结论,小波阈值去噪算法因为去噪质量良好并且算法易于理解,在去噪工程实践中受到了广泛的应用。然而,虽然该去噪算法使用广泛,但由于传统的小波包硬阈值去噪算法中的阈值函数存在不连续的问题而导致去噪后信号出现伪吉布斯现象,去除噪声之后的信号丢失了较多的原始信息;软阈值函数由于固定误差的存在,使得去噪后信号出现过压缩的现象,且现有的阈值估计算法无法依据噪声在小波包系数序列中的变化情况进行自适应地调整,小波包分解层数也没有确定的选择标准,通常是依据人为经验,严重影响了去噪效果。因此,对传统小波包阈值去噪算法进行改进研究具有十分重要的工程实践意义。由上述分析可知,小波包阈值去噪效果主要与叁个去噪参数有关,分别是:阈值函数、阈值估计以及分解层数的确定。对此,本文进行了深入研究,利用信息熵算法及其与信号、噪声的关系对上述参数进行改进,提出了一种基于信息熵的改进小波包阈值去噪算法。(1)分析了叁种常用的信息熵算法:Shannon熵、排列熵、样本熵与信号及噪声(高斯白噪声、有色噪声与周期性随机噪声组成的混合噪声)的关系,并进行对比。主要分析了信息熵与噪声大小的关系、信息熵与数据长度的关系、信息熵与信号固有特性(周期性)的关系。且将上述叁种信息熵用于含噪仿真信号的小波包系数噪声表征。得出利用信息熵分析调幅仿真信号的小波包系数含噪情况,其分析效果从优至差依次为:样本熵、排列熵、Shannon熵。(2)分析了传统的小波包阈值去噪算法及其缺陷,利用样本熵算法分别对传统算法中的阈值函数、阈值估计以及小波包分解层数的确定方法进行改进,提出了利用样本熵来表征小波包系数的噪声分布,从而得到对应于小波包系数序列的样本熵序列,并将其作为阈值函数调节参数导入到本文设计的新的改进小波包阈值函数中,仿真分析以及最终的最终实验信号分析结果表明该方法使阈值函数具有了噪声分布的自适应性;利用去噪信号与原始信号之差作为噪声的估计,且确定最佳阈值为使得噪声估计的样本熵值取最大时的阈值,认为此时噪声去除最为彻底且保留原始信号最多,分析结果表明本文方法受噪声标准差影响小,与信号长度无关,适用于不同大小噪声与尺度情况下的信号去噪;确定相邻分解尺度间小波系数序列样本熵值之差小到某种程度后,此时相邻分解层中的较大分解尺度为最优分解层数,利用噪声含量不同的仿真信号进行对比分析,验证了上述方法的有效性。(3)利用该方法对仿真振动信号进行去噪分析并与传统小波包阈值去噪算法以及其他文献的改进算法相对比,引入叁种常用的去噪效果参数作为去噪效果的评价标准:信噪比、均方根误差、平滑度。其结果表明:该方法能够更好地去除噪声,且保留原始信号成分,仿真信号的基频以及仿真故障频率皆被较好地还原出来,且频谱中干扰频率也较少,在去噪参数方面取得了较大的信噪比与较小的均方根误差和平滑度。(4)实验分析了外圈故障滚动轴承振动信号去噪,结果表明:本文方法有效地还原了轴承基频及其倍频1000Hz、2000Hz、3000Hz,以及轴承外圈故障频率及其倍频2552.9Hz、5150.8Hz,和轴承外圈故障频率调制成分3552.9Hz。且在高频处的某些噪声频率成分也被很好地抑制,去噪效果较好。综上所述,本文主要对噪声的信息熵表征以及小波包阈值去噪算法的改进问题进行了深入研究,对信息熵与混合噪声在不同方面的关系进行分析,且将具有代表性的样本熵作为小波包系数噪声表征参数,对传统的小波包阈值去噪算法进行改进,并利用仿真机械振动信号进行验证,证明了该方法的可行性,应用于具有外圈故障的滚动轴承含噪振动信号去噪与故障诊断中,其结果表明本文的改进算法去噪可行有效,对比其他算法去噪结果,本文方法具有优越性,为信号的小波包去噪预处理提供了新的改进思路,且能够有效提高机械状态监测精度与故障诊断准确性。(本文来源于《西南科技大学》期刊2018-04-08）
小波包阈值论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
基于信号和噪声的不同特征,提出一种阈值自适应选取的小波包降噪方法。该方法首先对信号进行小波包变换,利用噪声剩余率确定分解层数,采用对数能量熵选择最优基,然后采用阈值自适应选取的方法对高频系数进行分析。利用该方法进行降噪,不仅能够提高系统的信噪比,而且能够降低系统的重构误差。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
小波包阈值论文参考文献
[1].赵杰,杨英,惠力,王志,初士博.小波包节点分段阈值降噪在水声监听中的应用[J].应用声学.2019
[2].刘云侠.阈值自适应选取的小波包降噪研究[J].科技风.2019
[3].孙万麟,王超.基于改进的软阈值小波包网络的电力信号消噪[J].海军工程大学学报.2019
[4].石志炜,张丽萍.基于改进小波包阈值降噪的滚动轴承故障分析[J].计算机测量与控制.2019
[5].向北平,周建,倪磊,艾攀华.基于样本熵的改进小波包阈值去噪算法[J].振动.测试与诊断.2019
[6].何勇,张祥金,姚宗辰.改进样本熵最优小波包阈值选择算法在信号降噪中的应用[J].兵器装备工程学报.2019
[7].陈召全,朱明星,章小兵,张涛.基于模糊控制的小波包多阈值语音减噪新算法[J].计量学报.2019
[8].周建,向北平,倪磊,艾攀华.基于Shannon熵的自适应小波包阈值函数去噪算法研究[J].振动与冲击.2018
[9].阎妍,行鸿彦.基于小波包多阈值处理的海杂波去噪方法[J].电子测量与仪器学报.2018
[10].周建.基于信息熵的改进小波包阈值去噪算法研究[D].西南科技大学.2018