CN106872587B - 一种基于平移不变ghm多小波变换的轨检仪数据去噪方法 - Google Patents
一种基于平移不变ghm多小波变换的轨检仪数据去噪方法 Download PDFInfo
- Publication number
- CN106872587B CN106872587B CN201710074347.4A CN201710074347A CN106872587B CN 106872587 B CN106872587 B CN 106872587B CN 201710074347 A CN201710074347 A CN 201710074347A CN 106872587 B CN106872587 B CN 106872587B
- Authority
- CN
- China
- Prior art keywords
- ghm
- signal
- frequency coefficient
- ultiwavelet
- carried out
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
- G01N29/46—Processing the detected response signal, e.g. electronic circuits specially adapted therefor by spectral analysis, e.g. Fourier analysis or wavelet analysis
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2291/00—Indexing codes associated with group G01N29/00
- G01N2291/02—Indexing codes associated with the analysed material
- G01N2291/023—Solids
- G01N2291/0234—Metals, e.g. steel
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2291/00—Indexing codes associated with group G01N29/00
- G01N2291/02—Indexing codes associated with the analysed material
- G01N2291/028—Material parameters
- G01N2291/0289—Internal structure, e.g. defects, grain size, texture
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2291/00—Indexing codes associated with group G01N29/00
- G01N2291/26—Scanned objects
- G01N2291/269—Various geometry objects
Landscapes
- Signal Processing (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Complex Calculations (AREA)
Abstract
本发明公开了一种基于平移不变GHM多小波变换的轨检仪数据去噪方法,包括以下步骤:步骤1:输入一维含噪声数据,并进行预滤波处理;步骤2:对预处理后的数据进行平移不变GHM多小波分解,得到各层子带系数,包括低频系数和高频系数;步骤3:选取合适的阈值和阈值函数对高频系数进行阈值处理;步骤4:对步骤2得到的低频系数和步骤3得到的高频系数进行平移不变GHM多小波重构,得到输出信号;步骤5:对步骤4得到的所有输出进行后滤波处理,并求平均。采用本发明的方法,能够改善对数据去噪性能的同时更好的保留数据的特征信息。本发明能够保留轨检仪数据信号中的特征信息,提高去噪性能。
Description
技术领域
本发明属于数字信号处理领域,尤其涉及一种基于平移不变GHM多小波变换的轨检仪数据去噪方法。
背景技术
铁路运输在我国运输事业中占据着举足轻重的地位,是我国经济发展命脉。随着铁路各主要干线的全面提速和高速铁路的快速建设,铁路运输的安全性、舒适性是首要问题。通过轨道检测仪可以及时发现轨道出现的伤病状况,从未科学合理的安排轨道的养护,保证列车正常行驶。但是,若轨检仪数据中存在噪声就无法反映轨道的真实状态。在轨道检测仪运行期间,由于环境等因素造成采集到的数据受到噪声的污染,尤其是受到脉冲噪声的污染。因此,有必要对轨检仪数据进行去噪处理。
在实际工程应用中,利用在频域上信号的大部分信息属于低频成分,而噪声属于高频成分这种分布特点,采用低通滤波器去除噪声。但是信号中也可能含有属于高频成分的尖峰、突变等特征信息,因此低通滤波的方法虽然能够去除噪声,同时也丢失了信号的尖峰、突变点等特征信息。传统的递归中值滤波方法虽然能消除噪声,但是会引入特征丢失和信号失真,不利于后续的处理。因此,有必要设计一种在滤除信号噪声的同时,尽可能不破坏原始信号的去噪方法。
发明内容
本发明所解决的问题是,针对现有技术的不足,提供了一种基于平移不变GHM多小波变换的轨检仪数据去噪方法,有利于保留轨检仪数据信号中的特征信息,提高去噪性能。
一种基于平移不变GHM多小波变换的轨检仪数据去噪方法,包括以下步骤:
步骤1:信号预处理;
输入长度为N的一维含噪声数据序列f(n),n=1,2...,N,N=2J,J为正整数;因为GHM多小波滤波器的输入要求是二维信号,所以将数据序列f(n),n=1,2,…,N中的数据点按位置的奇偶性拆分成矩阵形式的信号:x(n)=[f(2n-1),f(2n)]T,然后对其进行预滤波处理,得到多小波分解算法初始展开系数
步骤2:对sJ,n进行h位循环移位和平移不变GHM多小波l层分解,得到低频系数和高频系数,其中h=0,1,…,H,l为正整数(理论上l的取值可以是任意正整数,实际中l的为3,或者4去噪效果好);
步骤3:对步骤2中得到的高频系数进行阈值处理;
步骤4:基于步骤2中得到的低频系数和步骤3阈值处理后得到的高频系数进行平移不变GHM多小波l层重构,然后进行循环反移位,得到输出信号
步骤5:对步骤4得到的所有输出信号进行后滤波处理,得到信号
步骤6:对每一个h=0,1,…,H,将其对应的后滤波处理得到的信号按位置的奇偶性合并成长度为N的一维信号然后对每一个n=1,2,...,N,求其对应的的平均值,得到最终得到去噪后的数据序列Ave(n),n=1,2...,N。
所述步骤1中预滤波处理的过程为:
在预滤波处理前,首先对x(n)进行周期延拓或者补零操作,得到若是对x(n)进行补零操作,则,f(2N+1)=f(2N+2)=0,若是对x(n)进行周期延拓,则f(2N+1)=f(1),f(2N+2)=f(2);
然后按以下公式对x(n)进行预滤波处理,
其中,φ2(1/2)=φ2(3/2)-3/10,φ2(1)=1;
最后对滤波处理得到的信号进行截断,保留前列的数据;得到多小波分解算法初始展开系数
所述步骤2具体包括以下步骤:
首先,引入循环平移算子Th,定义Th(sJ,n)表示对多小波分解算法初始展开系数sJ,n进行h位时域移位,其结果记为:以数据为例,经过平移算子Th进行h=3位时域移位,结果为由此得到H+1个与初始展开系数sJ,n具有一定相位差的信号
然后,对信号分别进行平移不变GHM多小波l层分解;对每一个信号根据以下公式进行平移不变GHM多小波分解:
其中,k,m∈Z,Z为整数集,j=J,J-1,J-2,...,J-l;表示输入信号的第j-1层分解的第k个二维高频系数;表示输入信号的第j-1层分解的第k个二维低频系数;表示输入信号的第j层分解的第m个二维低频系数;在进行第一次分解时,即j=J时,有Hm-2k,Gm-2k分别为GHM多小波分解的第m-2k个低通滤波器系数和第m-2k个高通滤波器系数,其取值如下,其余为0:
在进行最后一次分解时,即j=J-l时,记得到的
所述步骤3具体包括以下步骤:
根据原始信号和噪声经过小波变换后,信号小波系数和噪声小波系数的Lipschitz指数在不同尺度j下具有不同的传递性,选取合适的阈值Tl;根据极小值最优解及增强信噪分离,选择合适的小波阈值函数对步骤2得到的高频系数进行阈值处理;得到高频系数
选择的阈值为:
其中,σ是噪声标准差估计,N为信号长度,l是分解层数;
选择的小波阈值函数为:
其中,为平移不变GHM多小波分解后得到的高频系数。
所述步骤4具体包括以下步骤:
首先,对每一个输入信号根据以下公式进行平移不变GHM多小波重构:
其中,表示第j层重构的第m个二维低频系数;表示第j-1层重构的第k个二维低频系数,m,k∈Z,Z为整数集,j=J,J-1,J-2,...,J-l;表示第j-1层重构的第k个二维高频系数;在进行第一次重构时,即j=J-l时,有
H* m-2k,G* m-2k分别为GHM多小波重构的第m-2k个低通滤波器系数和第m-2k个高通滤波器系数,其部分取值如下,其余取值为0:
在进行最后一次重构时,即j=J时,记得到的
然后,引入循环平移算子Th的逆运算T-h,对信号进行循环反移位,得到H+1个输出信号其中:
所述步骤5中,对步骤4得到的所有输出信号分别按以下公式进行后滤波处理;
其中,φ2(1/2)=-3/10,φ2(1)=1。
有益效果:
本发明利用了平移不变GHM多小波变换能够在时频域对信号进行多分辨率分析的特性,对信号进行局部化分析,能够有效的区分信号中的突变部分和噪声,有利于保留轨检仪数据信号中的特征信息,提高去噪性能,方便后续处理。
本发明所使用的预滤波处理方式保留了多小波的逼近阶,使小波系数具有更好的能量集中性。
本发明根据信号的奇异性区分信号中的噪声,用Lipschitz指数来描述信号的奇异性,一般来说,信号的的Lipschitz指数为正,而噪声的Lipschitz指数为负,信号经过小波变换后的小波系数会随着分解尺度的增大而增大,噪声经过小波变换后的小波系数会随着分解尺度的增大而减小。依据该特性,本发明设定能够随着分解层数的增加而逐渐减小的阈值,以达到更好去噪效果。
附图说明
图1位本发明流程示意图;
图2平移不变GHM多小波分解示意图;
图3平移不变GHM多小波重构示意图;
图4原始数据平移不变GHM多小波三层分解结果;其中,图4(a)是原始数据;图4(b)为分解到三层低频系数4(c)为分解到三层高频系数图4(d)为分解到二层高频系数图4(e)为分解到第一层高频系数
图5为去噪后的数据。
具体实施方式
下面通过附图和实例对本发明做进一步详述。
本发明公开了本发明公开了一种平移不变GHM多小波变换的轨检仪数据去噪方法,包括以下步骤:
步骤1:信号预处理;
输入长度为N的一维含噪声数据序列f(n),n=1,2...,N,N=2J,J为正整数;因为GHM多小波滤波器的输入要求是二维信号,所以将数据序列f(n),n=1,2,…,N中的数据点按位置的奇偶性拆分成矩阵形式的信号:x(n)=[f(2n-1),f(2n)]T,然后对其进行预滤波处理,得到多小波分解算法初始展开系数
所述步骤1中预滤波处理的过程为:
在预滤波处理前,首先对x(n)进行周期延拓或者补零操作,得到若是对x(n)进行补零操作,则,f(2N+1)=f(2N+2)=0,若是对x(n)进行周期延拓,则f(2N+1)=f(1),f(2N+2)=f(2);
然后按以下公式对x(n)进行预滤波处理,
其中,φ2(1/2)=φ2(3/2)-3/10,φ2(1)=1;
最后对滤波处理得到的信号进行截断,保留前列的数据;得到多小波分解算法初始展开系数
步骤2:对sJ,n进行h位循环移位和平移不变GHM多小波l层分解,得到低频系数和高频系数,其中h=0,1,…,H,l为正整数(理论上l的取值可以是任意正整数,实际中l的为3,或者4去噪效果好);
所述步骤2具体包括以下步骤:
首先,引入循环平移算子Th,定义Th(sJ,n)表示对多小波分解算法初始展开系数sJ,n进行h位时域移位,其结果记为:以数据为例,经过平移算子Th进行h=3位时域移位,结果为由此得到H+1个与初始展开系数sJ,n具有一定相位差的信号
然后,对信号分别进行平移不变GHM多小波l层分解;对每一个信号根据以下公式进行平移不变GHM多小波分解:
其中,k,m∈Z,Z为整数集,j=J,J-1,J-2,...,J-l;表示输入信号的第j-1层分解的第k个二维高频系数;表示输入信号的第j-1层分解的第k个二维低频系数;表示输入信号的第j层分解的第m个二维低频系数;在进行第一次分解时,即j=J时,有Hm-2k,Gm-2k分别为GHM多小波分解的第m-2k个低通滤波器系数和第m-2k个高通滤波器系数,其取值如下,其余为0:
在进行最后一次分解时,即j=J-l时,记得到的
步骤3:对步骤2中得到的高频系数进行阈值处理;
根据原始信号和噪声经过小波变换后,信号小波系数和噪声小波系数的Lipschitz指数在不同尺度j下具有不同的传递性,选取合适的阈值Tl;根据极小值最优解及增强信噪分离,选择合适的小波阈值函数对步骤2得到的高频系数进行阈值处理;得到高频系数
选择的阈值为:
其中,σ是噪声标准差估计,N为信号长度,l是分解层数;
选择的小波阈值函数为:
其中,为平移不变GHM多小波分解后得到的高频系数。
步骤4:基于步骤2中得到的低频系数和步骤3阈值处理后得到的高频系数进行平移不变GHM多小波l层重构,然后进行循环反移位,得到输出信号
所述步骤4具体包括以下步骤:
首先,对每一个输入信号根据以下公式进行平移不变GHM多小波重构:
其中,表示第j层重构的第m个二维低频系数;表示第j-1层重构的第k个二维低频系数,m,k∈Z,Z为整数集,j=J,J-1,J-2,...,J-l;表示第j-1层重构的第k个二维高频系数;在进行第一次重构时,即j=J-l时,有
H* m-2k,G* m-2k分别为GHM多小波重构的第m-2k个低通滤波器系数和第m-2k个高通滤波器系数,其部分取值如下,其余取值为0:
在进行最后一次重构时,即j=J时,记得到的
然后,引入循环平移算子Th的逆运算T-h,对信号进行循环反移位,得到H+1个输出信号其中:
步骤5:对步骤4得到的所有输出信号进行后滤波处理,得到信号
所述步骤5中,对步骤4得到的所有输出信号分别按以下公式进行后滤波处理;
其中,φ2(1/2)=-3/10,φ2(1)=1;
步骤6:对每一个h=0,1,…,H,将其对应的后滤波处理得到的信号按位置的奇偶性合并成长度为N的一维信号然后对每一个n=1,2,...,N,求其对应的的平均值,得到最终得到去噪后的数据序列Ave(n),n=1,2...,N。
如图4所示为原始数据平移不变GHM多小波三层分解结果;其中,图4(a)是原始数据;图4(b)为分解到三层低频系数4(c)为分解到三层高频系数图4(d)为分解到二层高频系数图4(e)为分解到第一层高频系数最后得到的去噪后的数据如图5所示,可见本发明发明既能去除原始轨检仪数据中的噪声,又能够保留原始轨检仪数据中的特征信息。
Claims (5)
1.一种基于平移不变GHM多小波变换的轨检仪数据去噪方法,其特征在于,包括以下步骤:
步骤1:信号预处理;
输入长度为N的一维含噪声数据序列f(n),n=1,2...,N,N=2J,J为正整数;将数据序列f(n),n=1,2,…,N中的数据点按位置的奇偶性拆分成矩阵形式的信号:x(n)=[f(2n-1),f(2n)]T,然后对其进行预滤波处理,得到多小波分解算法初始展开系数
步骤2:对sJ,n进行h位循环移位和平移不变GHM多小波l层分解,得到低频系数和高频系数,其中h=0,1,…,H,l为正整数;
步骤3:对步骤2中得到的高频系数进行阈值处理;
步骤4:基于步骤2中得到的低频系数和步骤3中阈值处理后得到的高频系数进行平移不变GHM多小波l层重构,然后进行循环反移位,得到输出信号其中:
步骤5:对步骤4得到的所有输出信号进行后滤波处理,得到信号
步骤6:针对每一个h=0,1,…,H,将其对应的后滤波处理得到的信号按位置的奇偶性合并成长度为N的一维信号然后针对每一个n=1,2,...,N,求其对应的的平均值,得到最终得到去噪后的数据序列Ave(n),n=1,2...,N;
所述步骤1中预滤波处理的过程为:
在预滤波处理前,首先对x(n)进行周期延拓或者补零操作,得到若是对x(n)进行补零操作,则,f(2N+1)=f(2N+2)=0,若是对x(n)进行周期延拓,则f(2N+1)=f(1),f(2N+2)=f(2);
然后按以下公式对x(n)进行预滤波处理,
其中,φ2(1/2)=φ2(3/2)-3/10,φ2(1)=1;
最后对滤波处理得到的信号进行截断,保留前列的数据;得到多小波分解算法初始展开系数
2.根据权利要求1所述的基于平移不变GHM多小波变换的轨检仪数据去噪方法,其特征在于,所述步骤2具体包括以下步骤:
首先,引入循环平移算子Th,定义Th(sJ,n)表示对多小波分解算法初始展开系数sJ,n进行h位时域移位,其结果记为:由此得到H+1个与初始展开系数sJ,n具有一定相位差的信号
然后,对信号分别进行平移不变GHM多小波l层分解;针对每一个信号根据以下公式进行平移不变GHM多小波分解:
其中,k,m∈Z,Z为整数集,j=J,J-1,J-2,...,J-l;表示输入信号的第j-1层分解的第k个二维高频系数;表示输入信号的第j-1层分解的第k个二维低频系数;表示输入信号的第j层分解的第m个二维低频系数;在进行第一次分解时,即j=J时,有Hm-2k和Gm-2k分别为GHM多小波分解的第m-2k个低通滤波器系数和第m-2k个高通滤波器系数,其部分取值如下,其余取值为0:
在进行最后一次分解时,即j=J-l时,记得到的
3.根据权利要求2所述的基于平移不变GHM多小波变换的轨检仪数据去噪方法,其特征在于,所述步骤3具体包括以下步骤:
选取阈值Tl和小波阈值函数对步骤2得到的高频系数进行阈值处理;得到高频系数
选择的阈值为:
其中,σ是噪声标准差估计,N为信号长度,l是分解层数;
选择的小波阈值函数为:
其中,sign(·)为符号函数。
4.根据权利要求3所述的基于平移不变GHM多小波变换的轨检仪数据去噪方法,其特征在于,所述步骤4具体包括以下步骤:
首先,针对每一个输入信号根据以下公式进行平移不变GHM多小波重构:
其中,表示第j层重构的第m个二维低频系数;表示第j-1层重构的第k个二维低频系数,m,k∈Z,Z为整数集,j=J,J-1,J-2,...,J-l;表示第j-1层重构的第k个二维高频系数;在进行第一次重构时,即j=J-l时,有
H* m-2k,G* m-2k分别为GHM多小波重构的第m-2k个低通滤波器系数和第m-2k个高通滤波器系数,其部分取值如下,其余取值为0:
在进行最后一次重构时,即j=J时,记得到的
然后,引入循环平移算子Th的逆运算T-h,对信号进行循环反移位,得到H+1个输出信号
5.根据权利要求1~4中任一项所述的基于平移不变GHM多小波变换的轨检仪数据去噪方法,其特征在于,所述步骤5中,对步骤4得到的所有输出信号分别按以下公式进行后滤波处理;
其中,φ2(1/2)=-3/10,φ2(1)=1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710074347.4A CN106872587B (zh) | 2017-02-10 | 2017-02-10 | 一种基于平移不变ghm多小波变换的轨检仪数据去噪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710074347.4A CN106872587B (zh) | 2017-02-10 | 2017-02-10 | 一种基于平移不变ghm多小波变换的轨检仪数据去噪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106872587A CN106872587A (zh) | 2017-06-20 |
CN106872587B true CN106872587B (zh) | 2019-08-23 |
Family
ID=59166805
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710074347.4A Active CN106872587B (zh) | 2017-02-10 | 2017-02-10 | 一种基于平移不变ghm多小波变换的轨检仪数据去噪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106872587B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112329936B (zh) * | 2020-11-05 | 2023-03-24 | 西北工业大学 | 一种基于多种群遗传算法和相似性计算的信号延拓方法 |
CN113628627B (zh) * | 2021-08-11 | 2022-06-14 | 广东电网有限责任公司广州供电局 | 一种基于结构化语音分析的电力行业客户服务质检系统 |
CN117171518B (zh) * | 2023-11-03 | 2024-02-27 | 北矿机电科技有限责任公司 | 一种基于小波变换的浮选泡沫流速信号在线滤波方法 |
-
2017
- 2017-02-10 CN CN201710074347.4A patent/CN106872587B/zh active Active
Non-Patent Citations (6)
Title |
---|
The Discrete Multiple Wavelet Transform and Thresholding Methods;T. R. Downie and B. W. Silverman;《IEEE TRANSACTIONS ON SIGNAL PROCESSING》;19980930;第46卷(第9期);2558-2561 |
Translation-Invariant Denoising Using Multiwavelets;Tien D. Bui et.al;《IEEE TRANSACTIONS ON SIGNAL PROCESSING》;19981231;第46卷(第12期);3414-3420 |
一种新的平移不变多小波算法及其降噪法研究;邱爱中等;《国外电子测量技术》;20131031;第32卷(第10期);第5-7页 |
基于平移不变多小波变换的齿轮故障诊断;华伟等;《机械传动》;20161231;第40卷(第2期);142-145 |
平移不变小波快速算法在电力通信消噪中的研究;王炬等;《Proceedings of the 26th Chinese Control Conference》;20071231;306-309 |
第二代轨道检查仪数据处理技术的研究;禹玮;《中国优秀硕士学位论文全文数据库 工程科技II辑》;20100415;第43-46页 |
Also Published As
Publication number | Publication date |
---|---|
CN106872587A (zh) | 2017-06-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106872587B (zh) | 一种基于平移不变ghm多小波变换的轨检仪数据去噪方法 | |
CN101930598B (zh) | 基于shearlet域非局部均值的自然图像去噪方法 | |
CN108095722B (zh) | 基于脑电信号的改进eemd算法 | |
CN102663695B (zh) | 基于小波变换的dr图像去噪方法及系统 | |
CN103630808A (zh) | 一种基于提升小波变换的局部放电信号去噪方法 | |
CN112084845B (zh) | 基于多尺度小波系数自相关的低频1/f噪声消除方法 | |
Shemi et al. | Analysis of ECG signal denoising using discrete wavelet transform | |
CN102818629A (zh) | 基于平稳小波变换的微型光谱仪信号去噪方法 | |
Rui et al. | Online wavelet denoising via a moving window | |
CN104635223A (zh) | 基于经验模式分解与分数阶傅里叶变换的激光回波去噪方法 | |
CN108280464A (zh) | Dwt和emd融合近似熵的脑电特征提取方法 | |
CN114886378A (zh) | 一种基于改进的互补集合模态分解联合去噪方法及系统 | |
CN113723171A (zh) | 基于残差生成对抗网络的脑电信号去噪方法 | |
CN109409281A (zh) | 一种基于改进的小波阈值函数的降噪方法 | |
CN102184451A (zh) | 一种基于多小波融合特征的神经元动作特征提取方法 | |
CN110136086A (zh) | 基于bemd的区间阈值图像去噪方法 | |
Barsanti et al. | Comparing noise removal in the wavelet and Fourier domains | |
CN109558857B (zh) | 一种混沌信号降噪方法 | |
CN117056675A (zh) | 一种基于小波变换和粒子滤波结合的漏磁信号降噪方法 | |
CN106469438B (zh) | 基于卡方无偏估计的邻域收缩mri去噪方法 | |
CN116304559A (zh) | 一种基于卷积自编码网络的微震信号降噪方法及系统 | |
Yang et al. | The de-noising method of threshold function based on wavelet | |
Malleswari et al. | An improved denoising of electrocardiogram signals based on wavelet thresholding | |
CN105718877A (zh) | 一种基于动态时间规整及小波特征的信号重合度匹配方法 | |
Qiaoman et al. | Application of adaptive median filter and wavelet transform to dongba manuscript images denoising |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |