搜索资源列表
Three-non-stationary-time-frequency-signal
- 三种非平稳信号时频分析的方法 窗口傅里叶变换、wigner分布和小波变换-Three non-stationary time-frequency analysis window Fourier transform, wigner distribution and wavelet transform
Waveletsignal
- 阐述了小波变换去除信号噪声的基本原理和方法，研究利用小波变换技术对信号噪声进行抑制和去除非平稳信号的噪声。然后利用MATLAB软件编制程序实现了基于小波变换的正弦信号的去噪仿真分析，仿真结果表明小波变换去除噪声具有很强的实用性。-MATLAB Wavelet-based signal
Noise-reduction-algorithm
- 对设备进行故障诊断的主要方法就是测量故障 设备的振动或噪声, 并对其进行分析, 从而找出故障原因。然而振动或噪声信号中除了对分析故障有用的信息外, 还有大量的噪声成分。只有有效地滤除噪声, 才能获得有用的信息, 从而得到可靠的分析结论。传统的滤噪方法是将被噪声污染的信号通过一个滤波器, 滤掉噪声频率成分。但对于短时瞬态信号、非平稳信号、含宽带噪声的信号, 采用传统处理方法有着明显的局限性。小波变换为信号去噪提供了一种有效的方法, 小波阈值去噪具有传统方法不可比拟的优越性。但是小波分解的频域重
112
- 以离散平稳小波变换的心电信号噪声去除方法为基础，根据噪声的不同来源及其频带分布特点，对变换后的细节信号采用不同的阈值去噪方案。并提出一种基于准则原理的阈值选取方法。经国际标准数据库中验证，试验表明，该方法行之有效-With discrete stationary wavelet transform of ecg signal to noise removal method as the foundation, according to the different sources of noise
Study-on-compound-fault-diagnosis
- 针对滚动轴承复合故障信号特征难以分离的问题， 提出将双树复小波变换和独立分量分析( ICA) 结合的故障诊断方 法 该方法首先将非平稳的故障信号通过双树复小波变换分解为若干不同频带的分量 由于各个分量存在一定的频率混叠， 对 故障信号特征提取有很大的干扰， 进而引入 ICA 对各个分量所组成的混合信号进行盲源分离， 从而尽可能消除频率混叠 最后 对从混合信号中分离出来的独立分量信号进行希尔伯特包络解调， 即可实现对复合故障特征信息的分离和故障识别-Aiming at the diff
基于 HHT 的船体结构应力监测数据 特征分析和去噪方法
- ［目的］为了去除船体结构应力监测数据中的噪声信号，获得有效的数据信息，以便为后续数据挖掘提 供支撑，［方法］首先，采用 HHT 方法中的经验模态分解（EMD）算法对数据进行成分分析，得到固有模态函数 （IMF）和余项。然后，通过 Hilbert变换得到 Hilbert谱，证明应力监测数据的非平稳特性。最后，以信噪比（SNR） 和均方根误差（RMSE）为例，结合自适应去噪和小波阈值去噪两种方法对应力监测数据进行去噪效果比较。 ［结果］结果表明，基于 HHT方法的自适应去噪和小波去噪都具有一定