一、自适应提升小波变换与信号去噪（论文文献综述）
黎晨[1]（2021）在《基于声发射信号的管道泄漏检测及定位方法研究》文中认为随着管道运输行业的蓬勃发展,管道老化、管道泄漏等问题也日益凸显。管道泄漏不仅会造成环境污染,而且严重影响人们的生命和财产安全。因此针对管道进行泄漏检测和泄漏点定位的研究具有十分重要的意义。本文分析了管道泄漏和定位研究中的重点和难点问题,设计了一套基于STM32的管道泄漏声发射信号检测和定位系统。本文的主要做了如下的工作:（1）通过对现有管道泄漏检测方法的分析,并基于管道泄漏声发射信号的产生原理及其传播特性,提出通过对管道泄漏声发射信号的检测完成对管道泄漏的定位。（2）通过对现有信号去噪方法的分析,设计了一种改进的小波阈值函数,并采用该改进的小波阈值函数对含噪信号进行了去噪,结果表明改进的小波阈值函数其去噪效果优于其它阈值函数。基于上述分析,通过对变分模态分解VMD算法在信号处理中所显示出的优点,提出了一种变分模态分解VMD和改进的小波阈值的联合去噪算法。通过对已知信噪比的不同含噪信号的去噪处理,验证了所提出的联合去噪算法能够更加有效地提高信号的信噪比。（3）完成了基于STM32的管道泄漏检测和定位系统的设计。硬件方面主要包括单片机和传感器的选型以及信号调理模块的设计;软件方面主要包括下位机和上位机的设计,下位机主要完成对采集到的传感器信号的软件去噪处理,同时判定管道是否泄漏,并估计泄漏点位置,之后将得到的管道泄漏信息传送给上位机进行显示。（4）搭建了管道泄漏检测与定位系统,并进行了相关实验。实验时,使用三种不同加权函数加权的广义互相关算法对两传感器的信号进行了时延估计并对结果进行了对比。最终选用SCOT函数加权的广义互相关算法实现了对管道泄漏声发射信号传播速度的计算,同时完成了管道泄漏位置的估计。实验结果表明本文设计的管道泄漏检测与定位系统可以有效地检测出管道是否发生泄漏,并能准确估计出泄漏点的位置。同时,实验结果证明,本文所设计的联合去噪算法能有效抑制噪声对定位精度的影响。
吴佳佳[2]（2021）在《基于声音信号的实时雨情识别研究》文中认为雨情识别技术一直以来都是气象水文领域的研究热点之一,随着人工智能技术的发展,信号识别算法的高关注度为实现创新有效的雨情识别提供可能。雨声信号的变化可反演雨情的发展及消散过程,对及时预警防灾减灾具有重要意义。为了识别降雨情况,本文设计了一种基于声音信号的雨情识别系统。本系统采用带外壳的雨声采集器,所获雨声信号段共计1500个,其中小雨（0.1～9.9mm）、中雨（10～24.9mm）和大雨（25～49.9mm）三种雨情各约500个,建立了微型雨声数据库。为了剥离出较纯净雨声,通过盲源分离算法处理含噪雨声信号,获得雨声信号成分。为了提升分类模型的分类准确率,利用变分模态分解（VMD）结合小波包算法进行信号去噪,获得纯净雨声信号。针对传统分类模型分类不佳的缺陷,对三种雨情下的声音信号进行随机森林寻优、贝叶斯优化极端梯度提升（XGBoost）算法两种分类研究,获得较好分类效果。具体工作如下:为了保证研究雨声信号的真实可靠性,设计一种基于STM32的雨声采集装置。考虑声音在介质中传播速度及防止雨水杂物附着积累引起不必要测量误差,设计了一个倾斜角为45°圆锥不锈钢体,将麦克风采集模块布置其内部。利用微控制器内置的三个ADC采集同一时间、同一环境的雨声信号,经均值拟合后获取更接近实际雨声的信号,构建完整可靠的微型雨声信号数据库。为了获得较纯净雨声,提出了一种雨声信号处理的盲源分离方法。将一路雨声信号和两路环境声音信号结合随机矩阵混合成待观测信号,运用固定点算法（Fast ICA）和主成分分析（PCA）算法分别进行盲源分离实验,比较两种盲源分离算法的平均运行时间、分离信号的信噪比、均方根误差判断其分离效果。实验结果表明,Fast ICA解混收敛速度更快且PI分离性能指标达到小数点后两位,实现盲源分离更好的分离效果。针对雨声信号易受干扰噪声影响的问题,提出了一种基于VMD和小波包的雨声去噪算法。利用VMD算法将雨声信号分解成一系列具有稀疏特性的变分模态分量（VMF）,结合快速傅里叶变换（FFT）分析各分量的频率特性,划分低频、中频和高频分量,使用小波包挑选不同阈值准则对不同频段针对性地处理实现去噪,将去噪信噪比差和均方根误差作为判断去噪效果的评价指标。实验结果表明,针对三种雨情的去噪信噪比明显提升,均方根误差降低两个数量级,去噪效果得到改善。针对传统神经网络算法对雨声信号分类能力较弱的缺陷,提出两种基于树理论的雨声信号分类算法。为了提升分类模型的泛化性,利用梅尔频率倒谱系数（MFCC）和一阶差分系数对所有雨声数据集进行特征提取。第一种基于随机森林的雨声信号分类算法,调整其分类树的个数,寻找处理三类雨情最佳的模型状态。为了验证算法的有效性,对比传统神经网络和支持向量机分类模型,分类准确率均能达到80%以上。第二种基于贝叶斯优化XGBoost的雨声信号分类算法,利用贝叶斯的寻优能力对XGBoost的分类模型进行优化。实验结果表明,分类准确率均突破90%,其中对于小雨和大雨信号能达到95%以上的准确率,较随机森林算法,分类效果更好。
常思婕[3]（2021）在《压力气体泄漏源的检测方法研究》文中提出石油化工产业是我国的支柱产业之一,对国家经济发展、安全工程等方面具有重大战略意义,同时也与人民生活息息相关。然而,化工企业在生产过程中势必会涉及安全问题,尤其是易燃易爆气体,一旦泄漏,会发生火灾甚至爆炸,对人民生命、国家财产以及生态环境带来灾难性的后果。因此除了规范操作,利用电子技术手段快速准确地检测气体泄漏是现如今的一个手段。其中声源定位的方法对压力气体检测有独一无二的优势,研究该方法的相关技术可以为该领域技术的成熟提供一条新思路,在工程应用中有重要的实践意义。为此本文以压力气体泄漏的检测方法研究为题进行研究,做了如下三个方面的工作:（1）泄漏声波信号的降噪预处理是气体泄漏目标检测和识别的前提,因此本文将小波包分析（Wavelet Packet Analysis,WPA）与变分模态分解（Variational Mode Decomposition,VMD）的方法相结合,提取有效本征模态分量（Intrinsic Mode Function,IMF）重构信号,从而达到去除噪声,保留目标有效声音细节的目的。与传统的滤波降噪方法相比,本文所提方法能够有效地消除信号中的噪声,提取关键信息且有较高的降噪性能。（2）气体泄漏源定位前,需要对压力气体状态进行检测。本文提出一种基于改进鲸鱼算法（Improved Whale Optimization Algorithm,IWOA）优化VMD的多特征融合的泄漏检测方法。从四个方面对传统鲸鱼算法进行改进,将改进后的算法应用于VMD,提取出可用于泄漏信号表征的特征,对气体泄漏工况进行识别与分类。实验分析证明,所提方法能够有效完成监测工作,判别泄漏与否准确率高达99.18%,泄漏程度分类准确率高达94.68%,且所用时间代价较小,更适应于实际工程上的应用。（3）准确估计泄漏源位置是泄漏检测中的关键问题,当存在泄漏情况时,需要对异常情况进行进一步识别和定位,以便工作人员及时准确地前往事发地处理,防止事故进一步扩大。本文结合IWOA算法提出了一种新的气体泄漏源DOA方法,引入IWOA算法对DOA谱峰进行搜索,相较于传统算法提高了定位精度,降低了运算复杂度,增强了算法实时性,降低了工程应用难度。在气体泄漏定位方面误差较小,方向角和俯仰角误差均约为0.5°,稳定性高且估计效果好。
孟鹤[4]（2021）在《基于光纤传感技术的铁路安全智能监测与识别方法研究》文中提出随着全球铁路事业的快速发展,“货运重载”将与“客运高速”共同构成铁路发展的两大趋势。重载列车通常采用大型专用货车编组,主要特点是列车挂载车箱多、载重大和运距长,所以其运行安全保障措施要求更加严格。另一方面,我国铁路运营里程长,周边地质、地貌、气候条件十分复杂,沿线环境安全和自然灾害始终是影响铁路安全存在的重点问题,例如:行人非法上道、异物侵限（彩钢瓦和防尘网）等。本文在详细介绍分布式光纤振动传感系统基本原理和铁路安全监测技术研究现状后,开展了基于分布式声波传感器技术的列车运行状态监测和铁路周界入侵防护理论与应用研究,并取得一些重要进展,论文的主要工作与结论如下:（1）首次提出了一种基于EMD-CIIT的光纤传感信号去噪算法通过计算原始信号与其经验模态分解（Empirical Mode Decomposition,EMD）后的模态函数（Intrinsic Mode Function,IMF）之间的皮尔逊相关系数（Pearson Correlation Coefficient,PCC）,确定IMFs中噪声主导模态与有效信号主导模态的分界点;接下来,利用区间迭代不变阈值（Clear Iterative Interval Thresholding,CIIT）对PCC值大于0.1的IMFs去噪处理;最后重构所有的IMFs和冗余项,得到去噪后的信号。与小波阈值、维纳滤波和谱减法去噪算法相比,EMD-CIIT算法处理后的信噪比有明显改善,敲击和破坏信号分别提高至30.9d B和32.82d B。（2）提出了一种基于CEEMDAN-IT的Ф-OTDR系统信噪比增强算法EMD分解过程中会出现“模态混叠”现象,而且自适应噪声完备经验模态分解（Complete Ensemble Empirical Mode Decomposition With Adaptive Noise,CEEMDAN）后的IMFs分量包含一些残余噪声和“伪模态”问题。为了解决这些问题,研究提出了一种基于改进的CEEMDAN和区间阈值的Ф-OTDR系统信噪比增强算法。根据IMF的能量密度与其对应的平均周期的乘积为常数这一性质来确定分界点;然后,利用区间阈值（Interval Thresholding,IT）对噪声主导模态的IMFs阈值化处理,最后重构所有的IMFs和冗余项。与小波阈值和CEEMDAN硬阈值算法相比,CEEMDAN-IT算法能够取得更好的去噪效果,敲击和破坏信号扰动位置处的信噪比分别提高至51.21d B和52.11d B。（3）开展分布式声波传感器技术在重载铁路列车运行状态监测中的应用研究基于分布式声波传感器技术提出了一种新的重载铁路列车运行状态监测方法,该方法利用铁路即有光纤拾取轨道振动信号,对列车进行实时监测和定位。首先,采用小波分解算法对原始信号去噪,实验选取db12、sym8和coif5三种小波基函数,尺度范围[1,4];接下来,对振动信号进行预处理,包括时域特征提取、峰值检测和二次滤波等;最后,利用连通区域标记算法检测图像中的各个连通区域,得到列车行驶轨迹。由于小波分解算法在分解尺度和基函数选取时的不确定性,本文通过分析振动信号的时域波形特征,验证了一种新的去噪方法,即五点三次平滑滤波。对比发现,五点三次平滑滤波的效果与小波分解基本相同,但极大地降低了计算时间。此外,在信号预处理之后,利用改进的Canny算法提取图像中目标位置的边缘,实现对列车的在线监测。在朔黄铁路现场测试后发现,这项应用可以准确地识别正在运行的列车,实时获得列车的长度、速度、位置和行驶方向等运行状态信息,定位误差10m左右。（4）提出了一种基于Ф-OTDR的铁路周界入侵事件识别方法为了降低误报率,提高铁路入侵监测系统的可靠性,本文构建了一种基于数据驱动的XGBoost模型来识别不同的入侵事件。该方法实现了从传感器数据采集到最终结果输出的一体化方法,具体包括数据采集、信号处理（分帧、去噪）、特征提取、模型设计、调优和评估。现场验证的结果显示,对于常见的五种入侵事件,模型的平均识别准确率达98.5%。混淆矩阵的所有相关性能指标都优于其它主流的分类方法,例如:随机森林、支持向量机和多层感知机。
王角[5]（2021）在《分布式光纤传感振动信号二维去噪方法研究》文中研究说明近年来,随着光纤通信行业的发展,利用光纤信号进行全分布式监测的技术应运而生。光纤传感通过测量光纤中散射光的光学特性（光强、频率、相位等）变化判别被测物的状态,基于不同光纤环路的传感系统在测量参数、感知范围和灵敏度等方面具有较大的差异。目前,基于相位敏感的光时域反射技术（Phase Optical Time-Domain Reflectometer,Φ-OTDR）可以测量多点或无限自由度的振动参数分布,与传统监测手段相比具有重量轻、体积小、耐腐蚀、抗电磁干扰、灵敏度高等优点,广泛应用于土木工程、周界安防、电力设备、地质勘测等领域。基于Φ-OTDR的光纤传感技术通过对光纤中散射光的时域相位进行解调,计算振动位置两端的相位差变化值,从而实现对被测物的感知。然而,在实际应用过程中,受光纤传感系统自身特点以及外部监测环境的影响,采集到的传感光信号质量较差,导致解调出的Φ-OTDR振动信号包含大量噪声,难以准确反映被监测对象的状态。影响光纤传感振动信号质量的噪声主要有以下三类:（1）自然噪声由于Φ-OTDR光纤传感监测技术灵敏度高,任何扰动源产生的振动信号均能够被光纤传感感知,导致实际采集到的传感信号包含大量环境振动干扰,影响了光纤传感振动信号的质量。（2）衰减噪声由于传感监测光纤通常和被监测物间存在一定的距离,振动信号经介质传递到传感光纤时衰减严重,导致实际采集到的传感信号能量弱、幅值低,质量较差。（3）模式噪声由于不同传感光纤间耦合程度、耦合面积和耦合方式的差异,光信号在不同光纤中传输频率发生漂移,导致在光纤接头处形成寄生调幅,成为影响光纤传感振动信号质量的噪声。基于以上考虑,本文重点研究光纤传感振动信号去噪技术。鉴于采集到光纤传感振动信号同时包含时间、距离和相位信息,与灰度图像中包含的长、宽和像素值信息维度一致,因此可以将采集到光纤传感振动信号看作“图像”进行处理;另一方面,相比较单变量时间序列处理方法,二维信号处理方法可以充分利用数据间的潜在状态和共现关系,具有明显的优势。因此,本文将采用二维处理方法中的卷积神经网络对光纤传感振动信号进行处理,利用光纤传感振动信号数据集对神经网络进行训练,从而抑制信号中的噪声、放大振动信号,提高光纤传感振动信号的质量。本文的主要工作内容如下:1.光纤传感振动信号数据集的构建针对光纤传感振动信号数据集缺失的问题,构建了可供网络训练的光纤传感振动信号数据集。首先,对光纤传感振动信号中存在的噪声种类及特点进行了分析,为后续光纤传感振动信号数据集的建立提供支撑。其次,比较不同归一化预处理方法的优劣,采用均值0中心化的方法对光纤传感振动信号进行预处理,解决了由于光纤传感振动信号幅值较小、尺度不一致,导致模型难以训练的问题。最后,以消声室采集到的光纤传感振动信号为基础,通过添加模拟噪声,构建了光纤传感振动信号数据集。2.基于二维形态学的光纤传感振动信号去噪方法研究针对光纤传感振动信号受自然噪声影响,导致信号质量差的问题,提出了一种基于形态学的卷积神经网络信号去噪方法。首先,通过改进传统形态学滤波中的膨胀和腐蚀操作,使得形态学滤波方法具有更优的噪声抑制效果。其次,通过定义最小池化层,搭建了一个具有膨胀层和腐蚀层的形态学卷积神经滤波网络,利用随机梯度下降的训练方法学习光纤传感振动信号中的噪声特征。最后,在采集到的光纤传感振动信号上进行实验,结果表明,本文提出的方法能够有效滤除光纤传感振动信号中的自然噪声,提高了传感信号的信噪比。3.基于增强网络的光纤传感振动信号去噪方法研究针对光纤传感振动信号受衰减噪声影响,导致信号幅值低、能量弱的问题,提出了一种具有梯形卷积核结构的增强网络用以增强信号幅值。首先,通过重新定义不同大小的卷积核,使得神经网络具有不同层级的感受野;其次,基于上述定义的卷积核,构建了一个基于强监督学习的卷积神经网络,该网络具有上、下采样网络结构,下采样网络提取信号特征,上采样网络生成增强后信号。最后,在采集到的光纤传感振动信号上进行实验,结果表明,本文提出的方法能够有效增强光纤传感振动信号幅值,减少衰减噪声的影响,提高了传感信号的信噪比。4.基于全局阈值分割的光纤传感振动信号去噪方法研究针对光纤传感振动信号中存在模式噪声,导致信号受影响的问题,提出了一种基于阈值分割的光纤传感振动信号去噪方法。首先,构建了一个权重计算函数用以计算每个坐标点属于同一区域的概率。其次,基于新构建的权重函数,提出了一个成本函数,利用人工蜂群算法搜索该函数最小值,得到光纤传感振动信号的最优分割阈值。最后,在采集到的光纤传感振动信号上进行实验,结果表明,本文构建的全局阈值分割算法能够有效滤除光纤传感振动信号中的模式噪声,提高了传感信号的信噪比。根据上述研究内容,总结本文的创新点如下:1.提出了一种基于形态学的卷积神经网络滤波方法（Mo-CNN）。通过重新定义形态学滤波中的膨胀和腐蚀操作,克服了形态学滤波中的“跟随效应”,使其具有更加优异的噪声抑制效果;同时,为了扩展滤波器的学习能力,构建了基于改进形态学的卷积神经滤波网络,通过定义最小池化,使得网络具有和传统形态学滤波相同的卷积膨胀层和卷积腐蚀层。通过对构建的卷积神经滤波网络进行训练,最终达到滤除光纤传感振动信号中自然噪声的目的。2.提出了一种梯形卷积核结构的神经网络（T-CNN）信号增强方法。通过将光纤传感振动信号分别送入不同大小的卷积核结构中以获取不同感受野下的特征信息,同时,为了实现由“图”到“图”的映射,构建的卷积神经网络具有上、下采样网络,下采样网络通过学习某特定的关联映射关系得到信号的特征,上采样网络通过反卷积直接从特征映射中得到幅值增强后的信号,从而达到削弱光纤传感振动信号中衰减噪声的目的。3.提出了一种基于全局阈值分割的信号滤波方法。通过构建权重函数用以计算不同坐标点属于同一区域的概率,该函数具有更快的梯度下降速率,克服了分割中存在孤立点的问题。其次,基于上述权重函数,重构了一个成本函数用于信号的全局分割,该成本函数具有明显的极值点,通过搜索该成本函数的最小值,得到光纤传感振动信号的最优分割阈值,最终达到滤除光纤传感振动信号中模式噪声的目的。根据上述研究内容,本文共有六章。第一章绪论,阐述了本研究的背景和意义,介绍了光纤传感信号的特点并对国内外的研究现状进行了调研,分析了目前数字信号滤波技术和基于卷积滤波技术的优点和不足,最后总结了本论文的研究内容和创新点;第二章对光纤传感振动信号中噪声的特点进行了分析,比较了不同信号归一化方法的优劣,构建了光纤传感振动信号训练数据集,为后续的滤波和增强网络提供了数据基础;第三章针对光纤传感振动信号中的自然噪声,提出了一种基于元素动态选取的形态学信号滤波方法,基于该形态学滤波模型,构建了一个卷积神经滤波网络并进行了训练。最后,对实验结果进行了分析与总结;第四章针对光纤传感振动信号中的衰减噪声,提出了一种基于卷积神经网络的信号幅值增强方法,该网络具有梯形卷积核且具有上、下采样网络,通过对构建的网络进行训练,得到了增强后的光纤信号。最后,对实验结果进行了分析和总结;第五章针对光纤传感振动信号中模式噪声,提出了一种基于全局阈值分割的信号滤波方法,该方法通过搜索构建的成本函数最小值,得到了光纤传感振动信号的最优分割阈值。最后,对实验结果进行了分析和总结;第六章总结全文并对下一步研究提出了方向。
夏冬[6]（2020）在《基于堆栈自编码器的脉搏信号的去噪和检测研究》文中指出心率是人体最重要的生理参数之一,在临床诊断与病人的健康监护上起很大作用。心率异常是多种心血管疾病的高危因素,通过监测心率,可以提前预防很多心血管疾病的发生。目前,测量心率最准确的方法有心电图和脉搏血氧饱和度传感器等,医院中精度高但使用不便的心电图仪已不能满足人们对心脏进行日常监护的需求。因此基于光电容积脉搏波（Photo Plethysmo Graphy,简称PPG）技术的可穿戴式心率测量设备被广泛应用于心率监测领域。基于PPG的穿戴心率检测系统成本较低,应用比较普遍,但易受干扰,测量精度有待提高。PPG信号采集过程中,往往包含工频干扰、基线漂移、肌电噪声等信号,针对当前动态心率测量方法中存在心率监测准确度不高的缺点,提出使用深度学习算法对PPG信号去噪与心率检测。堆栈降噪自编码网络是一种无监督的深度学习模型,通过类似于深度网络的逐层叠加机制,由若干个降噪自编码器堆叠起来而成。本文对堆栈自编码器进行脉搏信号的去噪和检测展开了研究,其中第一部分是脉搏信号的去噪和心率测量,另一部分是心率异常检测研究。本文主要内容如下:（1）对PPG信号去噪,即如何消除PPG信号中运动噪声对进行可靠的心率测量的影响。同时,使用PPG信号测量心率。在生理参数检测中,心率可用于监测人体每日的运动量是否超标,也能够为医学诊断提供参考。对比傅里叶变换和小波变换,本文基于堆栈自编码器的脉搏信号的去噪,结合自适应阈值（ADT）方法计算心率,从而实现对运动状态下干扰严重的PPG信号进行心率测量。（2）使用PPG信号计算心率进行心率异常检测。每个测试者PPG信号都对应其独有特征,深度学习学习到这些特征内在规律。本文采用深度学习卷积神经网络分类方法,判别心率异常或正常的诊断。针对传统心率失常智能诊断中特征学习困难,且需要掌握大量的信号处理方法和诊断经验,提出直接从PPG信号数据出发对心率失常状态进行分类识别的新方法。该方法由于免除了智能诊断的显式特征提取阶段,从而能够减少人工参与因素,摆脱了对大量信号处理技术与诊断经验的依赖。实验所研究的方法对心率异常检测的实现具有较好的识别能力,能够完成心率失常特征的自适应提取,增强了医疗心率信号去噪和异常检测的智能性。
宋启航[7]（2020）在《基于模态分解技术的地震信号去噪方法研究》文中研究指明探索地层内部结构需要对采集的地震信号进行分析研究,然而通常采集的地震信号中不仅仅含有有用信息,也会存在大量不同形式的噪声,特别是近几年勘探深度越来越大,勘探作业区的地质情况也更加复杂,噪声与有用信息相互交织,严重干扰着对其分析处理,所以地震信号去噪变得尤为重要。本文基于模态分解技术对去除地震信号中随机噪声进行一系列研究,主要研究内容如下:首先,深入研究经验模态分解EMD、集合经验模态分解EEMD和完备集合经验模态分解CEEMD三种算法的基本原理以及算法本身存在的弊端,EMD具有模态混叠和端点效应问题、EEMD辅助噪声污染原始信号和CEEMD残余噪声由高阶向低阶传递。采用三种分解算法对纯净信号分解和对模拟地震含噪信号进行传统去噪,分析各算法本身弊端对分解效果的影响和传统去噪方法的不足。其次,基于上述引进一种全新的分解算法:自适应完备集合经验模态分解CEEMDAN,并分析其改进方法以及分解效果,发现其分解效果较EMD、EEMD和CEEMD较好。深入了解样本熵和能量熵概念、阈值去噪方法以及随机噪声和有用信息与实际信号相关性不同问题,提出CEEMDAN自适应阈值去噪方法,实际信号经CEEMDAN分解出的IMF分量使用样本熵划分高低频,对高频分量进行相关性分析,去除有用信息位置系数,保留随机噪声位置系数,构造阈值对高频分量去噪,随后对去噪后的高频分量与保留的低频分量重构以达到去噪目的,通过对理论地震信号、实际地震信号以及含有不同信噪比噪声的含噪信号的去噪,并与传统去噪方法对比,验证本方法不仅解决传统去噪方法高频分量需人为划分的问题,而且在提高信噪比和保留有用信息上也具有优越性。最后,上述CEEMDAN自适应阈值去噪方法对实际地震信号去噪时发现效率较低,因为CEEMDAN是一种递归迭代分解算法,分解地震信号时需做大量迭代和加总平均计算。研究分析在频域内自适应分解的变分模态分解VMD,发现其分解过程不存在大量的迭代和加总平均计算,分解效率更高,通过实验仿真与CEEMDAN对比分析,验证其在分解精度、分解效果、抗噪性等方面更优。由此提出VMD联合能量熵阈值的去噪方法,并通过用该去噪方法与CEEMDAN自适应阈值去噪方法分别对理论地震信号、实际地震信号以及含有不同信噪比噪声的含噪信号的去噪且比较,验证其方法不仅在提高信噪比及保留有用信息都相对于CEEMDAN自适应阈值去噪方法优越,且更适用于处理低信噪比地震信号,运算时长也大为缩小,效率提高。
王宏旭[8]（2020）在《多通道EEG信号去噪算法的研究》文中进行了进一步梳理脑电图是当今流行的疾病诊断工具,常用于监控脑电（简称EEG）信号变化,帮助人们更好地了解大脑的生理结构,医疗工作者可根据经验对脑电图进行分析和诊断,但EEG信号中包含了大量的噪声,所以噪声的去除是EEG数据分析及处理的首要环节。如何从含噪的信号中恢复原信号,实现信噪分离,已成为EEG去噪的重要研究课题。小波分析是近些年多通道EEG信号去噪领域中迅速发展起来的一种新技术,目前被广泛应用于临床诊断和科学研究,很多学者也借助小波函数进行EEG去噪研究。但目前去噪的算法在噪声识别和噪声去除上存在一定的局限,鉴于此,本文在小波去噪算法的基础上,提出了新的小波阈值函数去噪方法,同时应用了贝叶斯估计新的小波阈值函数的系数,并对去噪后的EEG信号进行了卡尔曼滤波分析。主要研究工作如下:基于多通道EEG信号的特点,采用PCA降维技术去掉了多通道EEG信号之间的信息冗余,讨论了傅里叶、小波分解与重构、小波软阈值的去噪算法及影响,构建了新的阈值小波函数,解决了多尺度分解条件下EEG信号去噪效果不理想的问题。通过仿真实验,验证了新的阈值小波函数算法的去噪效果,并从信号的评价指标上,比较了不同的算法对去噪性能的影响。在新的小波阈值去噪算法的基础上,根据多通道EEG信号的拉普拉斯噪声模型,对贝叶斯估计理论进行了解析。从贝叶斯估计算法出发,论证了该算法可有效地估计新阈值函数的小波系数。实验结果表明,贝叶斯估计新阈值小波函数系数的算法相比于新阈值小波函数去噪算法,可有效地解决能量低的问题,从信号的评价指标上分析,能量比提升了12%,均方根误差下降了0.1,信噪比提升了0.2d B,谱峰值和原始信号更加接近。以贝叶斯估计算法去噪后的EEG信号进行实验,通过对噪声信号的状态方程进行评估,从而选择最优的去噪解对观测值进行卡尔曼滤波。实验研究结果表明,相比于贝叶斯估计算法,应用卡尔曼滤波算法可有效地滤除幅值为5mv以下的噪声,且信噪比提升了0.3d B,能量比接近了100%,更好地还原了原始信号特征。
杜诗强[9]（2020）在《离散小波变换的研究与硬件实现》文中进行了进一步梳理随着现代数字信号处理技术日益复杂,非平稳数字信号的处理越来越受到人们的关注和重视。小波变换（Wavelet Transform,WT）作为新一代数字信号处理技术之一,在信号去噪、视频图像压缩、图像边缘检测等领域具有广泛的应用,是进行数字信号时频分析的理想工具。本文首先对离散小波变换（Discrete Wavelet Transform,DWT）在信号去噪的应用方面进行研究,提出了一种改进的小波阈值去噪算法;之后对离散小波变换的硬件结构进行研究。主要工作内容如下:1. 在传统的小波阈值去噪算法的基础上,对已有阈值函数和阈值选取方式进行改进。新的阈值函数具有更好的连续性和更小的系数偏差,新的阈值选取方式具有更高的噪声信号去除率。2. 从数据的计算维度角度对一维和二维离散小波变换的硬件结构进行设计与实现。首先在基于Mallat算法的卷积滤波器组结构上,实现了通用型一维离散小波变换的硬件架构,然后结合多级展开和行并行结构,设计并实现了三级二维离散小波变换的硬件架构。3. 在Xilinx的XC7V2000T FPGA上对一维、二维离散小波变换硬件结构进行功能验证和性能测试。测试结果表明,本文设计的通用型一维离散小波变换硬件结构支持多种小波基的离散小波变换,本文设计的二维离散小波变换硬件电路结构能够完成db2小波的三级离散小波变换。对定点数据,两种架构均可提供10-3的结果精度。
张恒[10]（2019）在《地面传感器智能监测系统及目标分类算法研究》文中指出无人值守地面传感器（Unattended Ground Sensors,UGS）系统通常简称为地面传感器系统,是由布放在监测区域地面上的传感器节点、汇聚节点和监控节点所组成的无线监测网络。传感器节点对监测区域的目标信息进行采集、处理,并以无线方式将监测信息上传至汇聚节点,最终上传至远程监控中心。UGS监测系统具有快速部署、使用便捷、成本较低等优点,在战场信息采集及要地监控等领域有广阔的应用前景。但是迄今为止,国内关于适用于野外环境条件的UGS监测系统和多目标分类的实用化技术专题的研究较少,许多研究仍停留在系统仿真与算法验证的层面上。为了推进UGS监测系统的实用化,本文对野外UGS智能监测系统的设计与技术实现,以及系统的目标信号去噪、特征提取和多目标分类算法,开展了深入的理论研究和实验验证。主要研究内容包括以下几个方面:（1）参考国外已列装的UGS监测系统,设计了由传感器节点和汇聚节点组成的节点簇,以及以节点簇和监控节点所构成的UGS智能监测系统,可用于监测地面运动目标。完成了UGS智能监测系统原理样机的研发工作,对UGS智能监测系统原理样机的节点组网功能、节点目标监测功能进行了测试。测试结果表明,该系统原理样机能成功组网运行;系统对人员和小型车辆的有效监测距离分别为10米和21米。（2）为提高目标分类的准确性,深入研究了传感器节点信号的预处理方法——目标信号去噪算法。广泛研究了多种常用的目标噪声抑制算法,在Mallat去噪算法的基础上提出了改进的Mallat去噪算法——选用硬阈值处理小波系数,并用BP3准正交滤波器组系数作为小波分解重构滤波组;以目标分类的准确率和算法的耗时为指标,对所提出的改进的Mallat算法与其他去噪算法进行实验比较。结果表明,改进的Mallat算法可有效提高UGS智能监测系统中声音目标分类的准确率,对Sens IT数据集分类准确率提高约9%,对于UGSSense数据集分类准确率提高约4%;且算法的计算速度更快。（3）研究了适用于UGS智能监测系统的目标特征提取算法。针对目标分类第二步——目标信号特征提取问题,提出了一种基于目标信号小波系数能量比（Wavelet Coefficients Energy Ratio,WCER）的声—振联合特征提取方法。采用多孔小波算法将目标信号分解为一组小波系数,计算每层小波系数所占能量占比作为目标信号的特征向量,并用层次聚类方法来简化目标声音和振动信号的WCER特征,再将二者的特征进行串行融合,以声—振联合特征向量来提高目标识别分类的准确率。使用Sens IT数据集和UGS Sense数据集进行实验验证,结果表明,WCER特征提取方法能够有效地从目标信号中提取目标特征,而且特征简化减少了目标特征提取和识别分类的时间消耗。与单独使用目标声音特征或振动特征相比,使用声—振联合特征对目标进行识别与分类的准确率有一定提高,增加值约为12%（Sens IT数据集）和4%（UGS Sense数据集）。（4）研究了UGS智能监测系统中的多目标分类算法,提出了一种新的基于神经网络的分类方法——多深度置信网络（Deep Belief Network,DBN）加权投票算法,用于UGS智能监测系统中地面目标特征数据分类问题。该算法在DBN分类器的基础上,使用多个DBN分类器进行投票,以提高多目标分类的准确率。对多DBN加权投票算法中的多个分类器进行“上端训练”后,将所得到的参数移植到UGS智能监测系统中的节点上,从而实现多种目标分类。实验结果表明,与单DBN分类器比较,多DBN加权投票算法可有效提高目标分类准确率,准确率增加值为5%左右,且计算量和内存需求在UGS传感器节点可承受的范围内。
二、自适应提升小波变换与信号去噪（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：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（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。
三、自适应提升小波变换与信号去噪（论文提纲范文）
（1）基于声发射信号的管道泄漏检测及定位方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 管道泄漏的主要检测方法 |
| 1.3 国内外研究现状 |
| 1.3.1 运输管道泄漏检测研究现状 |
| 1.3.2 泄漏声发射信号检测研究现状 |
| 1.4 本文主要工作内容 |
| 2 管道泄漏声发射信号特性与泄漏检测 |
| 2.1 引言 |
| 2.2 管道泄漏声发射信息的产生机制 |
| 2.3 管道泄漏声发射信号的特征分析 |
| 2.3.1 管道泄漏声发射信号的特点 |
| 2.3.2 声波在管道中的传播特性 |
| 2.3.3 管道泄漏声发射信号的数学模型 |
| 2.4 管道泄漏声发射信号的处理 |
| 2.4.1 管道泄漏声发射信号去噪 |
| 2.4.2 管道泄漏检测和定位方法 |
| 2.5 本章小结 |
| 3 管道泄漏声发射信号的去噪算法研究 |
| 3.1 引言 |
| 3.2 小波变换及小波阈值去噪算法 |
| 3.2.1 连续型小波变换 |
| 3.2.2 离散型小波变换 |
| 3.2.3 小波变换去噪 |
| 3.2.4 小波阈值去噪算法 |
| 3.2.5 其他阈值函数 |
| 3.3 改进的阈值函数 |
| 3.3.1 改进的阈值函数 |
| 3.3.2 基于改进的阈值函数的去噪仿真实验 |
| 3.4 变分模态分解VMD的原理 |
| 3.4.1 瞬时频率的定义 |
| 3.4.2 本征模态分量IMF的定义 |
| 3.4.3 变分模态分解VMD的基本原理 |
| 3.5 变分模态分解VMD和改进的小波阈值算法联合去噪仿真 |
| 3.5.1 变分模态分解和改进的小波阈值算法联合去噪流程 |
| 3.5.2 联合去噪算法仿真 |
| 3.6 本章小结 |
| 4 管道泄漏声发射信号检测系统设计 |
| 4.1 引言 |
| 4.2 硬件部分设计 |
| 4.2.1 硬件系统的总体方案 |
| 4.2.2 核心单片机模块的选择 |
| 4.2.3 传感器的选型 |
| 4.2.4 信号调理模块设计 |
| 4.3 核心单片机模块软件设计 |
| 4.3.1 ADC+DMA采样模块设置 |
| 4.3.2 通讯模块设置 |
| 4.3.3 定时器模块设置 |
| 4.3.4 信号处理软件设计 |
| 4.4 上位机软件设计 |
| 4.4.1 Qt及 Qt Creator基础知识介绍 |
| 4.4.2 系统软件方案设计 |
| 4.5 本章小结 |
| 5 管道泄漏检测与定位系统实验与分析 |
| 5.1 引言 |
| 5.2 实验平台的搭建 |
| 5.3 基于时延估计的管道泄漏检测与定位模型 |
| 5.4 管道泄漏声发射信号沿管壁传播速度估计 |
| 5.4.1 广义互相关算法 |
| 5.4.2 仿真实验 |
| 5.5 实验验证及误差分析 |
| 5.5.1 实验验证 |
| 5.5.2 误差分析 |
| 5.6 本章小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间主要研究成果 |
（2）基于声音信号的实时雨情识别研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 论文研究内容 |
| 1.4 论文组织结构 |
| 第二章 基于STM32的多ADC雨声采集硬件系统设计 |
| 2.1 雨声采集的外观设计与系统功能实现 |
| 2.1.1 外观设计 |
| 2.1.2 系统功能实现 |
| 2.2 硬件设计 |
| 2.2.1 麦克风选择及外形排布 |
| 2.2.2 主控制模块及串口通信 |
| 2.3 雨声采集系统调试及验证 |
| 2.3.1 系统功能测试实验 |
| 2.3.2 模拟雨声采集实验 |
| 2.3.3 雨声采集实验 |
| 2.4 本章小结 |
| 第三章 一种雨声信号处理的盲源分离方法研究 |
| 3.1 盲源信号的基本原理 |
| 3.1.1 盲源分离的数学模型 |
| 3.1.2 盲源分离的假设条件 |
| 3.1.3 盲源分离效果评价准则 |
| 3.2 固定点算法(Fast ICA)和主成分分析(PCA) |
| 3.2.1 固定点算法 |
| 3.2.2 主成分分析算法 |
| 3.3 基于盲源分离的雨声信号分离算法实验与分析 |
| 3.3.1 利用FastICA算法解混信号 |
| 3.3.2 利用PCA算法解混信号 |
| 3.4 本章小结 |
| 第四章 基于变分模态分解和小波包的雨声信号去噪算法 |
| 4.1 变分模态分解算法 |
| 4.1.1 经验模态分解算法预处理 |
| 4.1.2 变分模态分解 |
| 4.2 小波包去噪法 |
| 4.2.1 小波包变换 |
| 4.2.2 小波包系数重排 |
| 4.2.3 基于快速傅里叶变换的去噪阈值选择 |
| 4.2.4 基于变分模态分解的小波包多阈值雨声信号去噪 |
| 4.3 实验研究与分析 |
| 4.3.1 雨声去噪预处理 |
| 4.3.2 基于变分模态分解和小波包多阈值的雨声去噪 |
| 4.3.3 对比实验 |
| 4.4 本章小结 |
| 第五章 基于雨声信号的雨情分析研究 |
| 5.1 基于随机森林的雨声信号分类算法 |
| 5.1.1 雨声信号的特征提取 |
| 5.1.2 决策树 |
| 5.1.3 随机森林 |
| 5.1.4 分类实验及对比分析 |
| 5.2 基于贝叶斯优化XGBoost的雨声信号分类算法 |
| 5.2.1 XGBoost算法 |
| 5.2.2 贝叶斯优化过程 |
| 5.2.3 分类实验及对比分析 |
| 5.3 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 创新与特色 |
| 6.3 展望 |
| 致谢 |
| 参考文献 |
| 作者简介 |
| 一、基本情况 |
| 二、本阶段学位攻读期间课程学习情况: |
| 三、攻读硕士学位期间参加项目情况 |
| 四、硕士期间公开发表的成果 |
| 五、攻读硕士学位期间获得的奖项 |
（3）压力气体泄漏源的检测方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题研究背景与意义 |
| 1.2 课题及相关方法研究现状 |
| 1.2.1 气体泄漏检测技术研究现状 |
| 1.2.2 声波信号降噪技术研究现状 |
| 1.2.3 声波信号识别技术研究现状 |
| 1.2.4 泄漏源定位方法研究现状 |
| 1.3 本文研究内容及组织结构 |
| 1.3.1 论文研究的主要内容 |
| 1.3.2 论文组织结构 |
| 第二章 压力气体泄漏检测试验平台设计 |
| 2.1 声波法压力容器泄漏信号采集系统 |
| 2.1.1 模拟系统硬件设计 |
| 2.1.2 传感器选型 |
| 2.1.3 数据采集系统设计 |
| 2.2 软件平台简述 |
| 2.2.1 Lab VIEW平台 |
| 2.2.2 数据处理平台 |
| 2.3 本章小结 |
| 第三章 压力气体泄漏声波信号降噪 |
| 3.1 传统降噪方法 |
| 3.2 小波包变换 |
| 3.2.1 小波包降噪基本原理 |
| 3.2.2 小波包阈值去噪基本原理 |
| 3.2.3 小波包基函数和分解层数的选取 |
| 3.2.4 阈值函数与阈值的确定 |
| 3.3 基于小波包-VMD声波信号降噪 |
| 3.3.1 变分模态分解原理 |
| 3.3.2 小波包-VMD算法流程 |
| 3.4 实验结果分析 |
| 3.4.1 仿真性能验证 |
| 3.4.2 泄漏噪声分析及去噪实验 |
| 3.5 本章小结 |
| 第四章 压力气体泄漏检测与工况识别 |
| 4.1 气体泄漏信号时频分析 |
| 4.2 鲸鱼优化算法及其改进方法 |
| 4.2.1 传统鲸鱼优化算法基本原理 |
| 4.2.2 改进的鲸鱼优化算法 |
| 4.2.3 IWOA-VMD算法流程 |
| 4.2.4 仿真实验及分析 |
| 4.3 泄漏声波信号检测方法 |
| 4.3.1 特征提取 |
| 4.3.2 特征选择 |
| 4.4 基于SVM的工况识别方法 |
| 4.4.1 支持向量机原理 |
| 4.4.2 基于网格搜索法的参数调优 |
| 4.4.3 实验结果分析 |
| 4.5 本章小结 |
| 第五章 基于IWOA的气体泄漏源DOA估计方法 |
| 5.1 阵列信号模型 |
| 5.2 基于高分辨率谱估计的声源定位算法 |
| 5.3 基于改进的鲸鱼算法的2D-MUSIC估计 |
| 5.4 实验结果分析 |
| 5.4.1 性能结果分析 |
| 5.4.2 实验结果分析 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 论文总结 |
| 6.2 未来工作展望 |
| 致谢 |
| 参考文献 |
| 作者简介 |
| 攻读硕士期间发表论文 |
| 攻读硕士期间参与项目 |
（4）基于光纤传感技术的铁路安全智能监测与识别方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 引言 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 分布式声波传感器应用研究现状 |
| 1.2.2 列车运行状态监测研究现状 |
| 1.2.3 铁路周界入侵事件识别研究现状 |
| 1.3 论文的研究内容和结构 |
| 1.3.1 主要研究内容 |
| 1.3.2 论文结构安排 |
| 2 Ф-OTDR分布式光纤振动传感系统基本原理 |
| 2.1 光纤瑞利散射原理 |
| 2.2 光时域反射(OTDR)技术简介 |
| 2.3 Ф-OTDR系统的工作原理 |
| 2.4 Ф-OTDR系统的典型结构 |
| 2.4.1 直接探测结构 |
| 2.4.2 相干探测结构 |
| 2.5 Ф-OTDR系统中的噪声及性能参数 |
| 2.5.1 光纤局部双折射变化引起的偏振相关噪声 |
| 2.5.2 激光器频率漂移引起的曲线畸变 |
| 2.5.3 性能参数 |
| 2.6 本章小结 |
| 3 信号采集与可视化分析 |
| 3.1 实验信号 |
| 3.2 铁路现场环境信号 |
| 3.2.1 重载铁路列车运行信号 |
| 3.2.2 铁路周界入侵事件信号 |
| 3.3 本章小结 |
| 4 Ф-OTDR分布式光纤振动信号去噪方法研究 |
| 4.1 小波阈值去噪 |
| 4.2 谱减法去噪 |
| 4.3 维纳滤波法去噪 |
| 4.4 EMD-CIIT去噪 |
| 4.4.1 经验模态分解 |
| 4.4.2 信噪比 |
| 4.4.3 皮尔逊相关系数 |
| 4.4.4 EMD阈值函数 |
| 4.4.5 实验结果 |
| 4.5 CEEMDAN-IT去噪 |
| 4.5.1 EMD的改进版本 |
| 4.5.2 能量密度与平均周期法确定分界点 |
| 4.5.3 实验结果 |
| 4.6 本章小结 |
| 5 DAS技术在重载铁路列车运行状态监测中的应用 |
| 5.1 去噪处理 |
| 5.1.1 小波分解去噪 |
| 5.1.2 五点三次平滑滤波 |
| 5.1.3 评价指标 |
| 5.2 计算差值信号提取时域特征 |
| 5.3 基于动态阈值获取有效信号 |
| 5.4 识别方法 |
| 5.4.1 连通区域标记 |
| 5.4.2 传统Canny边缘检测算法 |
| 5.4.3 改进的Canny算法 |
| 5.5 本章小结 |
| 6 基于Ф-OTDR的铁路周界入侵事件识别方法研究 |
| 6.1 概述 |
| 6.2 信号处理 |
| 6.2.1 分帧 |
| 6.2.2 去噪 |
| 6.3 特征提取 |
| 6.3.1 时域特征 |
| 6.3.2 频域特征 |
| 6.3.3 梅尔频率倒谱系数 |
| 6.3.4 LDA特征降维及可视化 |
| 6.4 分类原理 |
| 6.4.1 集成学习 |
| 6.4.2 XGBoost |
| 6.4.3 超参数选择 |
| 6.4.4 评价指标 |
| 6.5 实验结果 |
| 6.5.1 XGBoost模型训练 |
| 6.5.2 超参数调整与优化 |
| 6.5.3 识别结果 |
| 6.6 本章小结 |
| 7 总结与展望 |
| 7.1 主要工作与结论 |
| 7.2 研究工作展望 |
| 参考文献 |
| 作者简历及攻读博士学位期间取得的研究成果 |
| 学位论文数据集 |
（5）分布式光纤传感振动信号二维去噪方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景与目的意义 |
| 1.2 国内外研究现状 |
| 1.2.1 光纤传感系统研究现状 |
| 1.2.2 光纤传感信号处理研究现状 |
| 1.2.3 光纤传感信号二维处理研究现状 |
| 1.3 主要研究内容和创新点 |
| 1.3.1 主要研究内容 |
| 1.3.2 创新点 |
| 1.4 论文结构 |
| 第二章 光纤传感振动信号噪声分析与数据集构建 |
| 2.1 引言 |
| 2.2 光纤传感振动信号的噪声分析 |
| 2.2.1 光纤传感振动信号中的环境噪声 |
| 2.2.2 光纤传感振动信号中的衰减噪声 |
| 2.2.3 光纤传感振动信号中的模式噪声 |
| 2.2.4 光纤传感振动信号中的系统噪声 |
| 2.3 光纤传感振动信号预处理 |
| 2.4 光纤传感数据集的构建 |
| 2.4.1 标准光纤传感振动信号的采集 |
| 2.4.2 自然噪声光纤传感振动信号数据集的构建 |
| 2.4.3 衰减噪声光纤传感振动信号数据集的构建 |
| 2.5 本章小结 |
| 第三章 基于二维形态学的光纤传感振动信号去噪方法 |
| 3.1 引言 |
| 3.2 基于元素动态选取的形态学滤波方法 |
| 3.2.1 结构元素的动态选取方法 |
| 3.2.2 基于元素动态选取的形态学滤波 |
| 3.3 基于形态学滤波的神经网络构建 |
| 3.3.1 形态学卷积层的构建 |
| 3.3.2 卷积形态学滤波网络的构建 |
| 3.3.3 神经网络的训练 |
| 3.4 实验结果 |
| 3.4.1 实验环境搭建 |
| 3.4.2 卷积形态学滤波网络性能评价 |
| 3.4.3 不同算法的定量比较和分析 |
| 3.5 本章小结 |
| 第四章 基于增强网络的光纤传感振动信号去噪方法 |
| 4.1 引言 |
| 4.2 光纤传感振动信号增强网络的构建 |
| 4.2.1 卷积神经网络的构建 |
| 4.2.2 卷积神经网络的详细参数 |
| 4.3 实验结果 |
| 4.3.1 实验环境搭建 |
| 4.3.2 梯形卷积核增强网络性能评价 |
| 4.3.3 不同算法增强效果定量比较和分析 |
| 4.4 本章小结 |
| 第五章 基于全局阈值分割的光纤传感振动信号去噪方法 |
| 5.1 引言 |
| 5.2 阈值分割模型的构建 |
| 5.2.1 基于信号幅值的无向权重图的构建 |
| 5.2.2 基于无向权重图的成本函数构建 |
| 5.3 基于人工蜂群的最优阈值搜索 |
| 5.4 实验结果 |
| 5.4.1 实验环境搭建 |
| 5.4.2 光纤传感振动信号分割算法性能评价 |
| 5.4.3 不同算法分割效果定量比较和分析 |
| 5.5 本章小结 |
| 第六章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读博士学位期间发表的学术论文 |
| 攻读博士学位期间的科研工作和奖励 |
（6）基于堆栈自编码器的脉搏信号的去噪和检测研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 引言 |
| 1.1 研究背景 |
| 1.2 研究目的与意义 |
| 1.3 本文研究内容 |
| 1.4 本文结构安排 |
| 1.5 本章小结 |
| 第2章 国内外研究现状 |
| 2.1 脉搏波 |
| 2.1.1 脉搏波特征点 |
| 2.1.2 脉搏波特征参数提取 |
| 2.1.3 光电容积脉搏波描记法 |
| 2.2 PPG信号的去噪方法 |
| 2.2.1 小波变换 |
| 2.2.2 小波变换多尺度空间下的脉搏波预处理 |
| 2.3 心率和心率检测方法 |
| 2.3.1 心率与心率变异性 |
| 2.3.2 心率变异性分析 |
| 2.3.3 心率检测算法 |
| 2.4 深度学习网络模型 |
| 2.4.1 深度学习框架 |
| 2.4.2 自动编码器(AUTOENCODER) |
| 2.4.3 降噪自动编码器(DENOISING AUTOENCODER) |
| 2.4.4 堆栈降噪自编码网络 |
| 2.5 基于深度学习的脉搏波信号分类 |
| 2.6 本章小结 |
| 第3章 基于堆栈自编码器的PPG信号去噪和心率测量 |
| 3.1 PPG信号实验数据获取 |
| 3.1.1 校企合作单位的数据集 |
| 3.1.2 MIT-BIH数据库及数据获取 |
| 3.2 PPG信号的去噪 |
| 3.2.1 傅里叶变换信号去噪 |
| 3.2.2 小波变换信号去噪 |
| 3.2.3 堆栈自编码器网络模型 |
| 3.2.4 基于堆栈自编码器的PPG信号去噪 |
| 3.3 PPG信号的心率测量 |
| 3.3.1 基于秒表的脉搏心率测量 |
| 3.3.2 基于小米运动手环的PPG信号心率测量 |
| 3.3.3 基于自适应阈值(ADT)和pan_tompkin算法的心率测量 |
| 3.4 本章小结 |
| 第4章 基于深度学习的PPG信号心率异常检测 |
| 4.1 PPG信号深度学习心率异常检测 |
| 4.1.1 PPG信号特征提取 |
| 4.1.2 PPG信号心率异常检测 |
| 4.2 本章小结 |
| 第5章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 附录 |
（7）基于模态分解技术的地震信号去噪方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 地震信号噪声类别 |
| 1.3 国内外地震信号去噪方法研究现状 |
| 1.4 本文主要内容及章节安排 |
| 第二章 基于EMD类的地震信号去噪方法研究 |
| 2.1 引言 |
| 2.2 EMD类分解算法 |
| 2.2.1 经验模态分解 |
| 2.2.2 集合经验模态分解 |
| 2.2.3 完备集合经验模态分解 |
| 2.3 EMD类分解算法对比分析 |
| 2.3.1 Ricker子波构造信号 |
| 2.3.2 分解效果对比 |
| 2.4 基于EMD类分解算法的传统去噪方法分析 |
| 2.5 本章小结 |
| 第三章 CEEMDAN自适应阈值去噪方法研究 |
| 3.1 引言 |
| 3.2 自适应完备集合经验模态分解 |
| 3.2.1 CEEMDAN基本原理 |
| 3.2.2 CEEMDAN分解效果分析 |
| 3.2.3 传统CEEMDAN去噪方法 |
| 3.3 CEEMDAN自适应阈值去噪原理 |
| 3.3.1 样本熵划分高低频分量 |
| 3.3.2 阈值算法 |
| 3.3.3 本章方法实现步骤 |
| 3.4 实验仿真 |
| 3.4.1 模拟地震含噪信号去噪 |
| 3.4.2 合成地震加噪信号去噪 |
| 3.4.3 实际地震信号去噪 |
| 3.5 本章小结 |
| 第四章 基于变分模态分解的地震信号去噪方法研究 |
| 4.1 引言 |
| 4.2 VMD的基础依据 |
| 4.3 变分模态分解 |
| 4.3.1 VMD基本原理 |
| 4.3.2 VMD分解流程 |
| 4.3.3 VMD优势分析 |
| 4.3.4 VMD劣势分析 |
| 4.4 VMD联合能量熵阈值去噪 |
| 4.5 实验仿真 |
| 4.5.1 模拟地震含噪信号去噪 |
| 4.5.2 合成地震加噪信号去噪 |
| 4.5.3 实际地震信号去噪 |
| 4.6 本章小结 |
| 结论 |
| 参考文献 |
| 作者简介、发表文章及研究成果目录 |
| 致谢 |
（8）多通道EEG信号去噪算法的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究的背景和意义 |
| 1.2 EEG信号中的噪声 |
| 1.2.1 EEG信号噪声产生的原因 |
| 1.2.2 EEG信号噪声的类别 |
| 1.2.3 EEG信号噪声成分分析 |
| 1.3 多通道EEG去噪国内外研究现状 |
| 1.3.1 国外EEG去噪研究现状 |
| 1.3.2 国内EEG去噪研究现状 |
| 1.4 论文研究的主要内容 |
| 第2章 小波分析基本理论 |
| 2.1 小波变换简介 |
| 2.2 小波变换理论分析 |
| 2.2.1 傅里叶变换 |
| 2.2.2 短时傅里叶变换 |
| 2.2.3 连续小波变换 |
| 2.2.4 离散小波变化 |
| 2.3 常用小波函数介绍 |
| 2.3.1 小波基的选择 |
| 2.3.2 Haar小波 |
| 2.3.3 Meyer小波 |
| 2.3.4 Doubechies小波 |
| 2.4 小波变换的快速算法 |
| 2.5 本章小结 |
| 第3章 基于小波变换的多通道EEG信号去噪算法研究 |
| 3.1 EEG信号去噪实验分析 |
| 3.1.1 实验数据及电极的放置 |
| 3.1.2 实验方法 |
| 3.2 傅里叶去噪原理 |
| 3.3 小波去噪原理 |
| 3.3.1 小波分解与重构去噪原理 |
| 3.3.2 小波阈值去噪原理 |
| 3.3.3 新阈值函数去噪原理 |
| 3.4 仿真结果与分析 |
| 3.4.1 傅里叶算法的EEG去噪结果 |
| 3.4.2 小波分解与重构算法的EEG去噪结果 |
| 3.4.3 小波阈值算法的EEG去噪结果 |
| 3.4.4 新阈值小波函数算法的EEG去噪结果 |
| 3.5 EEG信号去噪效果综合评价 |
| 3.5.1 SNR、RMSE、PER分析 |
| 3.5.2 ROC曲线分析 |
| 3.5.3 频谱分析 |
| 3.6 本章小结 |
| 第4章 基于贝叶斯估计的多通道EEG信号去噪算法研究 |
| 4.1 贝叶斯估计理论 |
| 4.1.1 贝叶斯定理 |
| 4.1.2 先验分布 |
| 4.1.3 后验分布 |
| 4.2 EEG信号噪声模型分析 |
| 4.2.1 噪声的分类 |
| 4.2.2 高斯噪声模型 |
| 4.2.3 非高斯噪声模型 |
| 4.3 基于贝叶斯估计的EEG去噪算法研究 |
| 4.3.1 拉普拉斯最大后验概率分布 |
| 4.3.2 贝叶斯算法建立 |
| 4.3.3 阈值系数的估计 |
| 4.4 基于贝叶斯估计的去噪结果分析 |
| 4.5 EEG去噪效果综合评价 |
| 4.5.1 SNR、RMSE、PER分析 |
| 4.5.2 ROC曲线分析 |
| 4.5.3 频谱分析 |
| 4.6 本章小结 |
| 第5章 基于卡尔曼滤波的EEG信号去噪算法研究 |
| 5.1 卡尔曼滤波的EEG信号算法应用 |
| 5.1.1 AR模型分析 |
| 5.1.2 EEG信号的卡尔曼滤波模型 |
| 5.1.3 卡尔曼滤波模型的参数估计 |
| 5.2 基于卡尔曼滤波流程分析 |
| 5.3 仿真结果及分析 |
| 5.4 EEG去噪效果综合评价 |
| 5.4.1 SNR、RMSE、PER分析 |
| 5.4.2 ROC曲线分析 |
| 5.4.3 频谱分析 |
| 5.5 本章小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
| 致谢 |
（9）离散小波变换的研究与硬件实现（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 离散小波变换发展现状 |
| 1.2.1 离散小波变换发展历程 |
| 1.2.2 小波阈值去噪算法研究现状 |
| 1.2.3 DWT硬件实现研究现状 |
| 1.3 离散小波变换的应用 |
| 1.4 论文的主要工作及结构安排 |
| 1.5 课题来源 |
| 第二章 小波变换理论基础 |
| 2.1 小波变换 |
| 2.1.1 小波基函数 |
| 2.1.2 连续小波变换 |
| 2.1.3 离散小波变换 |
| 2.2 多分辨率分析和Mallat算法 |
| 2.2.1 多分辨率分析 |
| 2.2.2 Mallat算法 |
| 2.3 提升小波变换 |
| 2.4 二维离散小波变换 |
| 2.5 本章小结 |
| 第三章 小波域去噪算法研究 |
| 3.1 小波域去噪原理和方法 |
| 3.1.1 小波域去噪原理 |
| 3.1.2 小波域去噪方法 |
| 3.2 小波阈值去噪原理 |
| 3.3 改进的小波阈值去噪算法 |
| 3.3.1 改进的阈值函数 |
| 3.3.2 改进的阈值选取方式 |
| 3.4 仿真实验结果分析 |
| 3.5 本章小结 |
| 第四章 离散小波变换的硬件设计与实现 |
| 4.1 离散小波变换的滤波器组结构 |
| 4.2 有限脉冲响应滤波器结构的研究 |
| 4.2.1 FIR滤波器的基本结构 |
| 4.2.2 FIR滤波器的硬件实现结构 |
| 4.3 一维离散小波变换处理器 |
| 4.3.1 一维离散小波变换处理器系统架构 |
| 4.3.2 DWT控制单元 |
| 4.3.3 DWT运算单元 |
| 4.3.4 存储控制单元 |
| 4.4 二维离散小波变换硬件设计实现 |
| 4.4.1 多级变换结构 |
| 4.4.2 运算单元结构设计 |
| 4.4.3 暂存单元及存储规则设计 |
| 4.4.4 多级二维离散小波变换设计方案 |
| 4.4.5 二维离散小波变换硬件结构 |
| 4.5 本章小结 |
| 第五章 FPGA验证和结果分析 |
| 5.1 验证方案 |
| 5.2 FPGA验证 |
| 5.2.1 FPGA验证平台及流程 |
| 5.2.2 运算误差分析 |
| 5.2.3 硬件资源分析 |
| 5.3 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 攻读硕士学位期间的学术活动及成果情况 |
（10）地面传感器智能监测系统及目标分类算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题背景与研究意义 |
| 1.1.1 课题来源 |
| 1.1.2 研究意义 |
| 1.2 UGS系统研究现状 |
| 1.2.1 WSN发展及应用 |
| 1.2.2 UGS系统研究现状 |
| 1.3 地面目标分类的研究现状 |
| 1.3.1 UGS系统中地面目标分类方法总结 |
| 1.3.2 UGS系统中目标分类方法研究现状 |
| 1.4 论文主要研究内容及结构 |
| 第二章 地面传感器智能监测系统 |
| 2.1 UGS智能监测系统总体设计 |
| 2.1.1 系统功能 |
| 2.1.2 系统组成 |
| 2.1.3 系统工作流程 |
| 2.2 UGS智能监测系统传感器节点设计 |
| 2.2.1 传感器节点组成 |
| 2.2.2 电源管理模块 |
| 2.2.3 带无线收发功能的处理器单元 |
| 2.2.4 声音信号调理模块 |
| 2.2.5 振动信号调理模块 |
| 2.2.6 磁信号调理模块 |
| 2.2.7 红外信号调理模块 |
| 2.2.8 传感器节点下位机程序设计 |
| 2.3 UGS智能监测系统汇聚节点设计 |
| 2.3.1 汇聚节点组成 |
| 2.3.2 电源管理模块 |
| 2.3.3 处理器单元 |
| 2.3.4 传感器与信号调理模块 |
| 2.3.5 远程通信模块 |
| 2.3.6 汇聚节点下位机程序设计 |
| 2.4 上位机监测系统 |
| 2.4.1 无线通信模块设计 |
| 2.4.2 上位机监测软件 |
| 2.5 系统功能测试 |
| 2.5.1 UGS智能监测系统原理样机 |
| 2.5.2 节点无线组网功能测试 |
| 2.5.3 UGS智能监测系统目标检测测试 |
| 2.6 本章小结 |
| 第三章 UGS 智能监测系统中目标声音信号去噪 |
| 3.1 基于小波变换的去噪方法 |
| 3.1.1 小波变换原理 |
| 3.1.2 小波去噪原理 |
| 3.1.3 小波去噪方法 |
| 3.2 改进的Mallat去噪算法 |
| 3.2.1 改进的Mallat去噪方法原理 |
| 3.2.2 改进的Mallat去噪方法工程实现 |
| 3.2.3 改进的Mallat去噪方法中参数选择 |
| 3.2.4 去噪过程中小波系数处理方法选择 |
| 3.3 实验结果及分析 |
| 3.3.1 实验数据来源 |
| 3.3.2 改进的Mallat去噪算法去噪效果 |
| 3.3.3 参数选择对算法去噪效果的影响 |
| 3.3.4 与其他去噪算法的对比 |
| 3.4 本章小结 |
| 第四章 UGS智能监测系统中目标特征提取 |
| 4.1 小波系数能量比特征提取方法 |
| 4.1.1 小波系数与信号频带的对应关系 |
| 4.1.2 小波系数能量比特征提取方法 |
| 4.1.3 目标信号WCER特征提取流程 |
| 4.2 目标信号特征简化与融合 |
| 4.2.1 目标信号特征的简化 |
| 4.2.2 目标声音信号特征与振动信号特征融合 |
| 4.3 算法性能与分析 |
| 4.3.1 WCER特征提取方法性能 |
| 4.3.2 特征简化方法性能 |
| 4.3.3 声-振联合特征提取方法性能 |
| 4.3.4 与其他特征提取方法分类结果对比 |
| 4.4 本章小结 |
| 第五章 UGS智能监测系统中多目标分类 |
| 5.1 深度置信网络分类器 |
| 5.1.1 神经网络原理 |
| 5.1.2 深度置信网络原理 |
| 5.1.3 DBN分类器 |
| 5.2 多DBN加权投票分类算法 |
| 5.2.1 加权投票分类方法原理 |
| 5.2.2 加权投票分类方法中的权值计算 |
| 5.2.3 多DBN加权投票分类算法工程实现 |
| 5.3 实验结果及分析 |
| 5.3.1 实验数据 |
| 5.3.2 多DBN加权投票算法性能分析 |
| 5.3.3 DBN网络规模对算法分类准确率的影响 |
| 5.3.4 与其他多目标分类方法的对比 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 全文总结 |
| 6.2 研究展望 |
| 致谢 |
| 参考文献 |
| 作者在学期间取得的学术成果 |
四、自适应提升小波变换与信号去噪（论文参考文献）
- [1]基于声发射信号的管道泄漏检测及定位方法研究[D]. 黎晨. 西安理工大学, 2021(01)
- [2]基于声音信号的实时雨情识别研究[D]. 吴佳佳. 南京信息工程大学, 2021(01)
- [3]压力气体泄漏源的检测方法研究[D]. 常思婕. 南京信息工程大学, 2021(01)
- [4]基于光纤传感技术的铁路安全智能监测与识别方法研究[D]. 孟鹤. 北京交通大学, 2021
- [5]分布式光纤传感振动信号二维去噪方法研究[D]. 王角. 北京邮电大学, 2021
- [6]基于堆栈自编码器的脉搏信号的去噪和检测研究[D]. 夏冬. 湖北工业大学, 2020(03)
- [7]基于模态分解技术的地震信号去噪方法研究[D]. 宋启航. 东北石油大学, 2020(03)
- [8]多通道EEG信号去噪算法的研究[D]. 王宏旭. 长春理工大学, 2020(01)
- [9]离散小波变换的研究与硬件实现[D]. 杜诗强. 合肥工业大学, 2020
- [10]地面传感器智能监测系统及目标分类算法研究[D]. 张恒. 国防科技大学, 2019(01)