CN103020907B - 基于二维集合经验模态分解的dspi条纹滤波系统 - Google Patents
基于二维集合经验模态分解的dspi条纹滤波系统 Download PDFInfo
- Publication number
- CN103020907B CN103020907B CN201210513766.0A CN201210513766A CN103020907B CN 103020907 B CN103020907 B CN 103020907B CN 201210513766 A CN201210513766 A CN 201210513766A CN 103020907 B CN103020907 B CN 103020907B
- Authority
- CN
- China
- Prior art keywords
- module
- signal
- bimf
- dspi
- decomposition
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Landscapes
- Image Processing (AREA)
Abstract
本发明提供了一种基于二维集合经验模态分解的DSPI条纹滤波系统,包括:极值削减模块、信号分解模块、BIMFs分组模块、去噪保真模块和矫正模块,在不引入间歇性测试的前提下,使其使用BEEMD方法分解DSPI条纹信号,得到一组从高频到低频排列的BIMF分量,每个BIMF都是局部窄带、具有单一特征的子信号,按着相邻BIMF成分间的相关性,将噪声与信息区分开来,保留有用信息,即可完成滤波过程。经过本发明的滤波之后,条纹信号的信噪比有了极大的提升,视觉效果良好。与本发明相结合的DSPI无损检测技术,可以直接投入工程实际,检测零件是否有损伤存在。
Description
技术领域
本发明涉及激光无损检测领域,具体地,涉及一种基于二维集合经验模态分解的DSPI条纹滤波系统。
背景技术
数字散斑干涉术(Digital Speckle Pattern Interferometry,DSPI),是一种全场、非接触、实时的测量方法,用来较精准地测量离面位移。与全息术(HolographicInterferometry,HI)相比,DSPI具有操作简便、抗干扰能力强等优点,然而由于摄像机分辨率不足,因此DSPI条纹信号的质量很差,远远不能和HI相提并论。因此,为了提高条纹信号的信噪比,滤波技术成为DSPI发展中的一个重要课题。以傅里叶变换和小波变换为基础的现有方法,或处理效果不佳,或自适应性较差,都不能尽如人意。
为了能够自适应地减少DSPI条纹信号中的噪声,M.B.Bernini等人提出了基于二维经验模态分解(Bi-dimensional Empirical Mode Decomposition,BEMD)的滤波方法。这种方法虽然取得了重大突破,在一定范围内效果优良,但还是留下了一些技术缺陷,有待于进一步研究。
M.B.Bernini的滤波方法,存在着一个重大的技术缺陷,即一种时常发生在BEMD方法中的漏波现象,这种现象的起因在于模式混叠(Mode Mixing)。漏波现象可以解释为,本来应该属于一个BIMF内的成分,可能会在其他频段的BIMF中出现,或者一个BIMF分量中出现了不同频率成分,这使得分解不彻底,不能形成特征单一的BIMF分量,进而影响了滤波效果。
相比以往的接触式传感器测试,虽然DSPI无损检测有着诸多优势,但如果不能提高提高条纹信号的信噪比,无法突破这个技术瓶颈,那么该测量技术的应用前景则极为暗淡。
发明内容
针对现有技术中的缺陷,本发明的目的是提供一种基于二维集合经验模态分解的DSPI条纹滤波系统,经过本发明的滤波之后,条纹信号的信噪比有了极大的提升,视觉效果良好。与本发明相结合的DSPI无损检测技术,可以直接投入工程实际,检测零件是否有损伤存在。
为实现上述目的,本发明采用以下技术方案:
一种基于二维集合经验模态分解的DSPI条纹滤波系统,包括:极值削减模块、信号分解模块、BIMFs分组模块、去噪保真模块和矫正模块,其中:
极值削减模块,负责消除DSPI条纹信号中处于最高频带的极值点,再将粗滤波条纹信号交给信号分解模块处理;
信号分解模块,接收到来自极值削减模块的处理结果,借助BEEMD信号分解方法,将粗滤波条纹信号分解成为一系列BIMF子信号,并按频率从高到低排列,最后交给BIMFs分组模块处理;
BIMFs分组模块,接收到来自于信号分解模块的一组BIMF子信号,根据BIMF成分特征负责将子信号分组:噪声组、信息组、背景光组,最后将分组结果交给去噪保真模块;
去噪保真模块,接收到分组模块的分组信息,舍弃噪声组与背景光组信号,只保留信息组信号,并将信息组信号交给矫正模块处理;
矫正模块,即“过滤波”矫正模块,接收到来自去噪保真模块的处理结果,消除“过滤波”现象。
所述极值消减模块,是为极值点的侦测提供便利,进而加速信号分解模块的进程。由于信号分解模块的主程序BEEMD是在迭代过程中不断地寻找信号极值点和绘制包络面,因此包含在DSPI条纹信号内的高密度的极值点会严重消耗计算机的计算资源,因此,在分解信号之前,利用均值滤波器消除最高频带内的散斑噪声点,不仅可以保护所求信息,还能有效地减少信号分解模块的工作量。不过,需要指出的是,均值滤波的设计尺寸是关键:尺寸过大,会给条纹信号带来模糊失真;尺寸过小,消除极值点的数量太少,没有效果。
所述信号分解模块,将一个DSPI条纹信号分解成为一系列局部窄带、特征单一的BIMF子信号,并按频率从高到低排列。一般情况下,由于噪声处于高频段,所求信息处于中频段,直流分量(背景光)处于低频段,因此这种按信号频率高低从原信号中抽离BIMF成分的分解方法意义重大。传统的分解方法BEMD,被一种广泛存在的模式混叠现象困扰,限制了工程应用。N.E.Huang等在其著作中定义了这种现象:一个BIMF由不同频率的成分构成,或是相近频率的成分在不同的BIMF中。模式混叠是信号间歇性造成的,不仅能够引起时频分布上的混淆,而且会使处在混叠区域的BIMF成分失去物理意义。为了攻克这一难题,N.E.Huang等人提出了一种基于噪声辅助数据分析(Noise-assisted Data Analysis,NADA)的方法,命名为“二维集合经验模态分解(Bi-dimensional Ensemble Empirical Mode Decomposition,BEEMD)”。定义每个BIMF为集合的平均值,每次实验的对象是信号本身和具有有限幅值的白噪声。在无需任何附加准则的条件下,BEEMD可以自适应地完成分解过程,而且较BEMD更精准。这种集合的思想充分利用了白噪声的统计学特性,每次添加的白噪声都不一样,如果实验次数足够多,那么白噪声就会相互消除,最后把集合的平均值作为BIMF。值得一提的是,以往的BEEMD算法,都不是真正的BEEMD,被称作伪BEEMD(pseudo-BEEMD)。主要原因是,在BEMD的筛分过程中,使用的并不是二维BEMD。在过程中,分解的对象并不是一个二维信号,而是抽取出来的一行(列)信号,分解的方法是一维EMD,而本发明使用的是以RBF方法绘制包络面为基础的真正的BEMD。对一个DSPI条纹I(x,y)进行BEEMD分解,得到如下表达式:
其中,是余量,与背景光对应;是前K阶BIMF分量之和,与随机散斑噪声对应;是余下BIMF分量之和,与所需信息对应。
所述BIMFs分组模块,将接收到的特征单一的BIMF子信号分类,即噪声组、信息组、背景光组。该模块依据每个BIMF分量的自相关函数的计算结果,判断各个分量之间的相关程度,找到噪声组与信息组的分界点,将噪声与信息分开,计算前无需预设任何参数,计算期间也无需人员监管,全过程完全自动化。方案成败的关键在于寻找噪声BIMFs与信号BIMFs的分界点,即方程(1)中的K值。BIMFs分组模块采用的分组方法,在分解之后,自动地寻找适合的K值。首先,假设方程(1)中的前两项和分别记作nK(x,y)和cK(x,y),然后计算量值:
其中,rn(x,y)和rc(x,y)分别是nK(x,y)和cK(x,y)的自相关函数。K的取值范围为1-N,以1为进给量,利用方程(1)和(2),不断地计算P(K)值。根据P(K)值绘制曲线,由于BIMFs之间的自相关度在某处一定会发生骤变,而这种骤变代表了噪声与信号之间的自相关函数的临界功率比。为了找到这个关键点,还需要计算一个量值R(K)=P(K)/P(K+1),当R(K)取最大值时,对应的K即为所求。
所述去噪保真模块,在接收分组结果后,舍弃噪声组与背景光组信息,只保留信息组信息,对信息组内所有BIMF分量作加和处理,并将结果传输至矫正模块。
所述矫正模块,接收到已滤波信号后,消除其不可避免的“过滤波”现象。一般来说,在条纹信号经过以上五个模块之后,都会产生这样一种“过滤波”的现象,造成条纹信号的失真,因此有必要对其作矫正处理。该模块主要由两个正交的带通滤波器构成,分别沿横向和纵向去除负频率,然后合并各自的相位信息,即可产生矫正条纹信号,有效地消除了“过滤波”现象,减少信号的失真程度,完成整个滤波过程。
本发明上述系统在不引入间歇性测试的前提下,使其使用BEEMD方法分解DSPI条纹信号,得到一组从高频到低频排列的BIMF分量,每个BIMF都是局部窄带、具有单一特征的子信号,按着相邻BIMF成分间的相关性,将噪声与信息区分开来,保留有用信息,即可完成滤波过程。
与现有技术相比,本发明具有如下的有益效果:
(1)本发明系统使用BEEMD方法,消除了广泛存在于BEMD方法中的模式混叠问题,使信号分解更彻底;
(2)本发明系统使BEEMD方法,不但突破了目前只有伪BEEMD的现状,而且相对于现有滤波技术(傅立叶、小波等),体现更优良的性能;
(3)本发明系统采用一种基于相关性理论的BIMFs分组方法,效果优良,自动化程度高;
(4)本发明采用矫正模块,专门针对“过滤波”现象,减少信号的失真程度,;
(5)本发明可以提高DSPI条纹信号的信噪比,超过现有技术,可以有效应用于DSPI无损检测。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1是本发明系统的结构框图;
图2是BIMFs分组模块的结构框图;
图3是BIMFs分组模块的子模块(BEMD方法)的结构框图;
图4是根据P(K)和R(K)曲线确定K值;其中(a)为P(K)值折线图,图(b)R(K)值折线图;
图5是利用DSPI无损检测技术输出的条纹信号;
图6是应用五种现有技术和本发明技术处理图5所示信号的所得结果;(a)为基于傅立叶变换的低通滤波结果,图(b)基于Symlet小波变换的均值滤波结果,(c)为基于Daubechies小波变换的均值滤波结果,图(d)EEMD滤波结果,(e)为BEMD滤波结果,(f)为BEEMD滤波结果(即本发明)。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明,但不以任何形式限制本发明。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进。这些都属于本发明的保护范围。
如图1所示,本实施例提供一种基于二维集合经验模态分解的DSPI条纹滤波系统,包括:极值削减模块、信号分解模块、BIMFs分组模块、去噪保真模块与矫正模块,其中:极值削减模块负责消除DSPI条纹信号中处于最高频带的极值点,再将粗滤波条纹信号交给信号分解模块处理;信号分解模块接收到来自极值削减模块的处理结果,借助BEEMD信号分解方法,将粗滤波条纹信号分解成为一系列BIMF子信号,并按频率从高到低排列,最后交给BIMFs分组模块处理;BIMFs分组模块接收到来自于信号分解模块的一组BIMF子信号,根据BIMF成分特征负责将子信号分组:噪声组、信息组、背景光组,最后将分组结果交给去噪保真模块;去噪保真模块接收到分组模块的分组信息,舍弃噪声组与背景光组信号,只保留信息组信号,并将信息组信号交给矫正模块处理;矫正模块,即“过滤波”矫正模块,接收到来自去噪保真模块的处理结果,消除“过滤波”现象,至此完成整个的滤波过程,提高条纹信的信噪比和清晰度。
所述极值消减模块,是为极值点的侦测提供便利,进而加速信号分解模块的进程。由于信号分解模块的主程序BEEMD是在迭代过程中不断地寻找信号极值点和绘制包络面,因此包含在DSPI条纹信号内的高密度的极值点会严重消耗计算机的计算资源,因此,在分解信号之前,利用均值滤波器消除最高频带内的散斑噪声点,不仅可以保护所求信息,还能有效地减少信号分解模块的工作量。不过,需要指出的是,均值滤波的设计尺寸是关键:尺寸过大,会给条纹信号带来模糊失真;尺寸过小,消除极值点的数量太少,没有效果。
如图2所示,所述信号分解模块,借助BEEMD方法,将一个DSPI条纹信号分解成为一系列局部窄带、特征单一的BIMF子信号,并按频率从高到低排列。运行BEEMD方法,需要做n次信号分解实验,每次实验的输出结果都是一系列BIMF子信号,最后把同阶不同次实验的子信号求集合平均,完成分解过程。对于单次实验,分解方法是基于径向基和邻域窗法的BEMD,分解对象是具有有限幅值的白噪声与原信号加和的复合信号。根据统计学特性,只要实验次数足够多,白噪声会自动消除,不会降低原信号的信噪比。如图3所示,展示单次BEMD方法处理一个普通二维信号的迭代流程,包括一个大循环流程和一个小循环流程(大循环内嵌套一个小循环),大循环体负责将信号分解成为n个BIMF子信号,小循环体负责提取单阶BIMF子信号,因此当大循环运行一次,小循环需要运行若干次。对于小循环体,提取某阶BIMF子信号的流程如下:令rk-1=hk-1;利用窗口大小为3×3的领域窗法,标记信号当中所有的极值点,分别得到极大值图与极小值图;根据极值图,利用径向基法分别绘制上下包络面,并求平均包络面;如果平均包络面满足终止条件,就跳出本次循环,就视ck为一阶BIMF分量,并令rk=rk-1-ck,把余量rk返还至程序的开始,继续做分解,如果不满足终止条件,那么令hk=hk-1-mk-1,并将hk返还到本次循环的开始,重新找极值、绘制包络面,直到找到满足终止条件的平均包络面,才跳出小循环体。
如图4所示,所述BIMFs分组模块,包括P(K)曲线的绘制和图4.b中R(K)曲线的绘制,根据来自信号分解模块的分解结果以及方程(2),逐个计算P(K)值并绘制P(K)曲线如图4.(a),再由已知的P(K)值,计算R(K)值并绘制R(K)曲线,如图4.(b),从图3可知,折线的趋势在K=2处发生骤变,K=2即为所求,这意味着,在本实施例中前两阶BIMF分量之和就是噪声信号,而余下的BIMF之和为有用信号。
所述去噪保真模块,在接收来自BIMFs分组模块的分组结果后,舍弃噪声组与背景光组信息,只保留信息组信息,对信息组内所有BIMF分量作加和处理,并将结果传输至矫正模块。
所述矫正模块,接收到已滤波信号后,消除其不可避免的“过滤波”现象。通过两个正交的带通滤波器,分别沿横向和纵向去除“过滤波”信号的负频率,然后合并各自的相位信息,即可产生矫正条纹信号,有效地消除了“过滤波”现象,减少信号的失真程度,完成整个滤波过程。
本实施例工作时,采用窗口大小为5×5的均值滤波器,消除处于最高频带内的极值点,5秒内的处理量约为200-300个;然后信号分解模块借助BEEMD方法将一个256×256条纹信号分解成为6个BIMFs分量,运行BEMD实验100次,单次实验的平均时间为200秒,则总计时间为200000秒;BIMFs分组模块根据6个BIMFs分量以及方程(1)和(2),计算P(K)值和R(K)值,如图4.(b)所示,曲线在K=2处发生骤变,K=2即为所求,这意味着,在本实施例中前两阶BIMF分量之和就是噪声信号,而余下4阶BIMF之和为有用信号;去噪保真模块,接收到来自BIMFs分组模块的处理结果后,去除前2阶BIMF分量,保留后4阶BIMF分量,并作加和处理;矫正模块,分别沿横向和纵向去除“过滤波”信号的负频率,然后合并各自的相位信息,即可产生矫正条纹信号,有效地消除了“过滤波”现象,减少信号的失真程度,完成整个滤波过程。
本实例利用一个实验测得的DSPI条纹信号检验本发明的性能,该实验简单、通用但又经典。实验对象是一个悬臂梁,具体参数配置如下:长宽比为1;杨氏弹性模量70GPa;密度270kg/m3;泊松比0.3;梁一端固定、其他自由。激振器被安置在梁背面中心处,信号发生器产生正弦信号,使梁发生振动。如图5所示,利用DSPI光学测量系统,测得梁正面某阶振型图,其信噪比极差,若遇复杂高阶振型,细节可能会被噪声掩盖,因此非常有必要对其进行滤波处理。本实施例利用以往五种经典的方法以及本方法同时对图5信号进行滤波,对比所得结果,其中,六种方法包括:基于傅立叶变换(Fouries Transform)的低通滤波、基于Symlet小波变换的均值滤波、基于Daubechies小波变换的均值滤波、EEMD(Ensemble Empirical ModeDecompostion)、BEMD以及本发明,分别对应图6.(a)-图6.(f)。从图中,不难看出,本发明得到了最优良的信噪比(还有散斑指数和信噪比两个数值指标证实),并且本发明的自适应性和自动化程度都远远高于其他方法。本发明解决了DSPI无损检测技术的主要弊端,在工程实际有较大的应用前景。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变形或修改,这并不影响本发明的实质内容。
Claims (4)
1.一种基于二维集合经验模态分解的DSPI条纹滤波系统,其特征在于包括:极值削减模块、信号分解模块、BIMFs分组模块、去噪保真模块和矫正模块,其中:
极值削减模块,负责消除DSPI条纹信号中处于最高频带的极值点,再将粗滤波条纹信号交给信号分解模块处理;
信号分解模块,接收到来自极值削减模块的处理结果,借助BEEMD信号分解方法,将粗滤波条纹信号分解成为一系列BIMF子信号,并按频率从高到低排列,最后交给BIMFs分组模块处理;所述信号分解模块采用BEEMD信号分解方法,即以RBF方法绘制包络面为基础,对一个DSPI条纹I(x,y)进行BEEMD分解,得到如下表达式:
其中,是余量,与背景光对应;是前K阶BIMF分量之和,与随机散斑噪声对应;是余下BIMF分量之和,与所需信息对应;
单次BEMD方法处理一个普通二维信号的迭代流程,包括一个大循环流程和一个小循环流程即大循环内嵌套一个小循环,大循环体负责将信号分解成为n个BIMF子信号,小循环体负责提取单阶BIMF子信号,当大循环运行一次,小循环需要运行若干次;对于小循环体,提取某阶BIMF子信号的流程如下:令rk-1=hk-1;利用窗口大小为3×3的领域窗法,标记信号当中所有的极值点,分别得到极大值图与极小值图;根据极值图,利用径向基法分别绘制上下包络面,并求平均包络面;如果平均包络面满足终止条件,就跳出本次循环,就视ck为一阶BIMF分量,并令rk=rk-1-ck,把余量rk返还至程序的开始,继续做分解,如果不满足终止条件,那么令hk=hk-1-mk-1,并将hk返还到本次循环的开始,重新找极值、绘制包络面,直到找到满足终止条件的平均包络面,才跳出小循环体;
BIMFs分组模块,接收到来自于信号分解模块的一组BIMF子信号,根据BIMF成分特征负责将子信号分组:噪声组、信息组、背景光组,最后将分组结果交给去噪保真模块;
去噪保真模块,接收到分组模块的分组信息,舍弃噪声组与背景光组信号,只保留信息组信号,并将信息组信号作加和处理,最后将结果交给矫正模块处理;
矫正模块,即“过滤波”矫正模块,接收到来自去噪保真模块的处理结果,消除“过滤波”现象。
2.根据权利要求1所述的一种基于二维集合经验模态分解的DSPI条纹滤波系统,其特征是,所述极值削减模块,是为极值点的侦测提供便利,进而加速信号分解模块的进程,包含在DSPI条纹信号内的高密度极值点会严重消耗计算机的计算资源,在分解信号之前,利用均值滤波器消除最高频带内的散斑噪声点。
3.根据权利要求1所述的一种基于二维集合经验模态分解的DSPI条纹滤波系统,其特征是,所述BIMFs分组模块依据每个BIMF分量的自相关函数的计算结果,判断各个分量之间的相关程度,找到噪声组与信息组的分界点,即K值,将噪声与信息分开,假设方程(1)中的前两项和分别记作nK(x,y)和cK(x,y),然后计算量值:
其中,rn(x,y)和rc(x,y)分别是nK(x,y)和cK(x,y)的自相关函数,K的取值范围为1-N,以1为进给量,利用方程(1)和(2),不断地计算P(K)值,根据P(K)值绘制曲线,再计算一个量值R(K)=P(K)/P(K+1),当R(K)取最大值时,对应的K值即为所求。
4.根据权利要求1-3任一项所述的一种基于二维集合经验模态分解的DSPI条纹滤波系统,其特征是,所述矫正模块主要由两个正交的带通滤波器构成,分别沿横向和纵向去除负频率,然后合并各自的相位信息,即可产生矫正条纹信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210513766.0A CN103020907B (zh) | 2012-12-04 | 2012-12-04 | 基于二维集合经验模态分解的dspi条纹滤波系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210513766.0A CN103020907B (zh) | 2012-12-04 | 2012-12-04 | 基于二维集合经验模态分解的dspi条纹滤波系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103020907A CN103020907A (zh) | 2013-04-03 |
CN103020907B true CN103020907B (zh) | 2015-08-26 |
Family
ID=47969476
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210513766.0A Expired - Fee Related CN103020907B (zh) | 2012-12-04 | 2012-12-04 | 基于二维集合经验模态分解的dspi条纹滤波系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103020907B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107907542B (zh) * | 2017-10-25 | 2020-05-29 | 天津大学 | 一种ivmd及能量估计相结合的dspi相位滤波方法 |
CN109039379B (zh) * | 2018-08-20 | 2021-06-11 | 广东石油化工学院 | 电力线通信信号滤波方法 |
CN111220092B (zh) * | 2019-12-10 | 2021-04-23 | 东南大学 | 一种光学测量中条纹滤波器的构造方法 |
CN112730712B (zh) * | 2020-12-31 | 2022-06-07 | 杭州谱育科技发展有限公司 | 提高lc-ms数据信噪比的方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102494614A (zh) * | 2011-11-14 | 2012-06-13 | 河南科技大学 | 一种高精度数字散斑相关测量方法 |
-
2012
- 2012-12-04 CN CN201210513766.0A patent/CN103020907B/zh not_active Expired - Fee Related
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102494614A (zh) * | 2011-11-14 | 2012-06-13 | 河南科技大学 | 一种高精度数字散斑相关测量方法 |
Non-Patent Citations (1)
Title |
---|
Adaptive noise reduction method for DSPI fringes based on bi-dimensional ensemble empirical mode decomposition;Zhou Yi et al;《OPTICS EXPRESS》;20110912;第19卷(第19期);18207-18215 * |
Also Published As
Publication number | Publication date |
---|---|
CN103020907A (zh) | 2013-04-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI432975B (zh) | 數據分析與重現方法以及其計算機系統 | |
CN103020907B (zh) | 基于二维集合经验模态分解的dspi条纹滤波系统 | |
Jammazi et al. | RETRACTED: On the interplay between energy consumption, economic growth and CO2 emission nexus in the GCC countries: A comparative analysis through wavelet approaches | |
CN103679643B (zh) | 一种多条纹噪声定位滤除方法 | |
CN105223576A (zh) | 一种基于单矢量潜标的线谱信号目标自动检测方法 | |
CN102998706B (zh) | 一种衰减地震数据随机噪声的方法及系统 | |
CN103017665A (zh) | 数字散斑干涉条纹快速滤波系统 | |
CN103786069A (zh) | 一种机械加工设备的颤振在线监测方法 | |
CN105700020A (zh) | 一种地震数据随机噪声压制方法及装置 | |
CN104809357B (zh) | 一种三维粗糙表面多尺度接触行为的分析方法及装置 | |
CN104007469A (zh) | 一种基于曲波变换的弱地震信号重构方法 | |
He et al. | Time–frequency manifold correlation matching for periodic fault identification in rotating machines | |
CN103149348B (zh) | 基于小波多尺度分析的先进陶瓷磨削表面损伤的评价方法 | |
CN108459087B (zh) | 一种应用于板结构损伤检测的多模态Lamb波模态分离方法 | |
CN109709585A (zh) | 去除gps坐标时间序列中有色噪声的方法 | |
CN103914870A (zh) | 一种基于新聚焦评价函数的通用性强的全息图自动重建方法 | |
CN101251445A (zh) | 旋转机械碰摩声发射信号的分形特征分析方法 | |
CN103901466B (zh) | 一种三维地震数据插值方法 | |
Venkatakrishnan et al. | Singularity detection in human EEG signal using wavelet leaders | |
CN103411562A (zh) | 一种基于动态规划和均值漂移的结构光光条中心提取方法 | |
CN104422953A (zh) | 一种提高地震叠前时间偏移计算效率的方法 | |
CN116610935A (zh) | 一种基于发动机振动信号多模态分析的机械故障检测方法 | |
CN103366095B (zh) | 一种基于坐标变换的最小二乘拟合信号处理方法 | |
CN104215339A (zh) | 一种基于连续远场的波前复原系统及方法 | |
CN104021275A (zh) | 一种新型心电图相似性度量方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20150826 Termination date: 20181204 |