CN115293219B - 一种融合小波和峭度的脉冲信号去噪方法 - Google Patents
一种融合小波和峭度的脉冲信号去噪方法 Download PDFInfo
- Publication number
- CN115293219B CN115293219B CN202211194853.4A CN202211194853A CN115293219B CN 115293219 B CN115293219 B CN 115293219B CN 202211194853 A CN202211194853 A CN 202211194853A CN 115293219 B CN115293219 B CN 115293219B
- Authority
- CN
- China
- Prior art keywords
- coefficient
- coefficients
- kurtosis
- layer
- sliding window
- 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
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 46
- 238000005070 sampling Methods 0.000 claims abstract description 6
- 108010076504 Protein Sorting Signals Proteins 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 5
- 238000012544 monitoring process Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000009413 insulation Methods 0.000 description 3
- 230000001629 suppression Effects 0.000 description 3
- 241000282414 Homo sapiens Species 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
Images
Landscapes
- Complex Calculations (AREA)
Abstract
本发明公开了一种融合小波和峭度的脉冲信号去噪方法，包括：S1对原始采样脉冲信号进行离散小波分解得到各层细节系数和近似系数；S2分别计算各层细节系数和近似系数中各系数的峭度；S3将峭度小于预设阈值的系数识别为噪声对应系数并进行置零，得到处理后的各层细节系数和近似系数；S4利用处理后各层细节系数和近似系数重构得到去噪脉冲信号。本发明利用噪声与脉冲的幅值分布差异，采用峭度区分小波分解得到的系数中的噪声对应系数和脉冲对应系数，可以实现变噪声环境及小幅值脉冲信号的去噪。
Description
技术领域
本发明属于信号处理技术领域，特别涉及一种融合小波和峭度的脉冲信号去噪方法。
背景技术
脉冲分析广泛应用于在人体声电信号检测、电力设备状态监测等人和物的健康状态监测领域，但监测环境中存在大量噪声，特别是背景白噪声普遍存在。小波阈值去噪是一种有效的高斯白噪声抑制技术，在白噪声抑制方面应用广泛，但阈值去噪不可避免将幅值小于阈值的脉冲信号作为噪声去除，从而将小幅值脉冲遗漏。此外，实际监测信号中现场背景噪声来源众多，噪声存在时变特性，小波分解后各层的噪声水平存在随时间变化的情况，因此当前采用特定阈值对分解系数进行处理的方式在变噪声环境下的去噪效果并不理想。因此，当前小波去噪无法实现变噪声环境下脉冲信号的有效去噪以及小幅值脉冲信号的去噪。
发明内容
本发明旨在克服现有小波去噪技术在变噪声环境及小幅值脉冲信号去噪方面存在的缺点与不足，综合利用小波分解的频域增强作用，即可以提高脉冲信号在小波分解得到的部分分层中的信噪比，以及脉冲信号与白噪声幅值分布统计特性的差异，融合应用小波和峭度实现从小波分解的系数中快速识别噪声对应系数，避免传统小波阈值去噪法在变噪声环境及小幅值脉冲去噪中存在的问题，并提供一种有效的脉冲信号去噪方法，解决人机物在线监测在现场复杂噪声环境中的噪声抑制难题。
本发明的目的通过下述技术方案实现。
一种融合小波和峭度的脉冲信号去噪方法，包括：
步骤S1：对原始采样脉冲信号进行离散小波分解得到各层细节系数和近似系数；
步骤S2：对各层细节系数和近似系数进行边界延拓，得到新的各层细节系数和近似系数；
步骤S3：利用滑动窗分别计算新的各层细节系数和近似系数中各系数的峭度；
步骤S4：将峭度小于预设阈值的系数识别为噪声对应系数并进行置零，得到处理后的各层细节系数和近似系数；
步骤S5：利用处理后的各层细节系数和近似系数重构得到去噪脉冲信号。
进一步地，所述边界延拓采用镜像延拓法，延拓长度为步骤S3中滑动窗宽度的一半，滑动窗宽度根据细节系数或近似系数内信号频段大小确定，滑动窗宽度对应脉冲信号半波长度。
进一步地，所述的离散小波分解为二进小波分解，步骤S3中各系数的峭度的计算公式为：
其中，
x i (
i=1,2,…,
N)为以待计算峭度的系数为中心的滑动窗内信号序列，
N为滑动窗宽度，是滑动窗内信号序列的平均值，为滑动窗内信号序列的标准差；
最高层细节系数所用的
N和最高层近似系数所用的
N相同，次高层细节系数所用的
N为最高层细节系数所用的
N的一半，以此类推确定各层细节系数所用的
N。
考虑到小波包分解可以得到更加优良的频域划分结果，离散小波分解可优选为小波包分解，此时步骤S3中各系数的峭度的计算公式为：
其中，
x i (
i=1,2,…,
N)为以待计算峭度的系数为中心的滑动窗内信号序列，
N为滑动窗宽度，各层细节系数和近似系数所用的
N相同，是滑动窗内信号序列的平均值，为滑动窗内信号序列的标准差；
进一步地，步骤S4所述预设阈值的取值范围为[2,5]。
根据本发明目的的第二个方面，本发明提供了一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现上述融合小波和峭度的脉冲信号去噪方法。
根据本发明目的的第三个方面，本发明一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现上述融合小波和峭度的脉冲信号去噪方法。
本发明的有益效果：相比现有小波阈值去噪方法，本发明摒弃了传统中直接对小波分解后的系数进行简单固定阈值处理的规则，改用反映系数邻域内多系数幅值分布特征的峭度辨识系数属于脉冲对应系数还是噪声对应系数，从而可以配合小波分解的频域增强效果实现变噪声环境下不同幅值脉冲的识别和提取，有效促进小波去噪技术在变噪声环境及小幅值脉冲信号去噪方面等现场复杂去噪场景中的应用。
附图说明
图1为本发明的一种融合小波和峭度的脉冲信号去噪方法的实现流程示意图；
图2为本发明具体实施例中待去噪的局部放电原始采样信号；
图3为本发明中基于频域有效累积能量的分解层数确定的分解层数示意图；
图4为本发明具体实施例去噪结果图；
图5为本发明具体实施例中对比方法的去噪结果图；
图6为本发明具体实施例中去噪结果详细对比图。
具体实施方式
下面结合附图与实施案例对本发明进行详细说明。
对于服从正态分布的白噪声序列
n(
i)，其幅值分布满足峭度
K=3；而脉冲信号的幅值分布明显偏离正态分布，而且脉冲幅值越大峭度越大。此外，峭度是以幅值分布统计特性为计算对象，噪声水平变化并不会影响其峭度大小，而脉冲幅值大小仅会影响对应峭度与3的差值，而不会影响其大于3的本质，所以利用峭度也可以完成变噪声环境下脉冲的识别以及噪声中小幅值脉冲的识别。因此，以峭度作为预设阈值可以实现噪声对应系数和脉冲对应系数的识别。本申请利用峭度作为阈值从混合了噪声对应系数和脉冲对应系数的各层细节系数和近似系数中识别脉冲对应系数，并将其他系数置零以完成传统小波阈值处理环节，避免了传统小波阈值去噪直接依据系数幅值进行简单阈值判断不适应变噪声环境以及遗漏小幅值脉冲的问题。
本具体实施例以高压电机绝缘损伤监测为例，高压电机绝缘损伤时普遍会产生局部放电，工业现场通常利用高压耦合电容或高频电流互感器在电机高压侧或中性点侧进行测量，但由于现场电磁环境恶劣，表现为背景噪声来源多、幅值时变特点，传统的小波阈值去噪效果并不理想，难以准确评估高压电机绝缘损伤情况。本实施例所处理局部放电监测信号来自大型水电站的发电机组，监测系统在发电机出口安装一套局部放电传感器拾取局部放电信号，监测系统采样率为40MS/s，每次采集20ms（1个工频周期）。本实施例以单次采集数据为处理对象，数据长度为800K，具体采用以下技术方案：如图1所示的本发明的一种融合小波和峭度的脉冲信号去噪方法，包括：
步骤S1：对原始采样的如图2所示的局部放电脉冲信号进行离散小波分解得到各层细节系数和近似系数，所述离散小波分解为二进小波分解，所用的母小波为与局部放电脉冲波形相似度较高的db4小波，分解层数为7层，得到1~7层细节系数和第7层近似系数；其中：
母小波确定：通过计算不同母小波与实际局部放电脉冲的互相关系数确定母小波筛选，所用母小波筛选范围包括db2~db40、sym2~sym20、coif1~coif5、gaus1~gaus8，经计算得到db4与局部放电脉冲的互相关系数最大，因此本实施例以db4为小波分解的母小波；
分解层数确定：在对局部放电信号进行小波去噪时，除了选择合适的母小波外，还必须确定小波分解层数。若分解层数过大，将导致算法时间复杂度增大，同时产生虚假频率成分降低去噪效果；而分解层数过小则会降低算法分辨率，同样会降低算法的去噪效果。小波分解层数确定方法较多，最常规的为最大分解层数法，将信号分解到可分的最大层数，但大部分分解结果中均无有效信号，过度划分浪费算力。因此，本实施例采用基于频域有效累积能量的分解层数确定方法，首先，计算信号的逆序归一化频域累积能量分布；然后，通过能量比例阈值从该分布中辨识信号有效上限频率；接着重新计算以下频段的归一化频域累积能量分布，并利用辨识信号的有效下限频率。鉴于以下频率成分仅含较少能量，不对其进行细分并不影响噪声消减。而首先剔除以上频段的原因是该频段主要为小幅值白噪声，但其频段较宽，影响的确定。当脉冲信号有效下限频率为时，最大分解层数可由下式计算
式中，为信号采样频率，表示向下取整函数。根据特征，通常设置为总能量的百分比。如图3所示，本实施例中设置为5%，得到信号分解层数为7，图中自右向左分别是第一层~第十层分解的频率分界线；
分解得到的1~7层细节系数长度分别为400003、200005、100006、50006、25006、12506和6256，第7层近似系数长度为6256；
步骤S2：对1~7层细节系数和第7层近似系数进行边界延拓，得到新的1~7层细节系数和第7层近似系数；
边界延拓是小波去噪中的常用技术，本具体实施例的边界延拓采用镜像延拓法，延拓长度为步骤S3中滑动窗宽度的一半，从而可以使所有小波分解系数都可以计算得到所属峭度，滑动窗宽度需要根据细节系数或近似系数内信号频段大小确定，因为频段大小决定了小波分解后该层系数长度与原始信号长度的关系，而滑动窗宽度以待检测脉冲的半波的长度为宜。对于二进小波分解，各层细节系数及近似系数对应的频段宽度不同，相邻层细节系数频段宽度为两倍的关系，最高层细节系数和近似系数的频段宽度相同。因此，最高层细节系数所用的
N和最高层近似系数所用的
N相同，次高层细节系数所用的
N为最高层细节系数所用的
N的一半，以此类推确定各层细节系数所用的
N；
步骤S3：利用滑动窗分别计算新的1~7层细节系数和第7层近似系数中各系数的峭度，峭度是反映局部幅值分布特征的统计参数，需要利用待计算系数邻域的局部多系数，因此本实施例采用常用的信号序列峭度计算方法，即利用滑动窗滚动计算每个系数的峭度；各系数的峭度的计算公式为：
其中，
x i (
i=1,2,…,
N)为以待计算峭度的各系数为中心的滑动窗内信号序列，
N为滑动窗内信号序列长度，是滑动窗内信号序列的平均值，为滑动窗内信号序列的标准差；
步骤S4：将计算得到的1~7层细节系数和第7层近似系数的峭度小于预设阈值
T k=3.5的系数识别为噪声对应系数并进行置零，得到处理后的1~7细节系数和第7层近似系数；
步骤S5：利用处理后的1~7细节系数和第7层近似系数重构得到如图4所示的去噪脉冲信号。
作为对比，本实施例引入通用阈值配合硬阈值去噪法（方法一）、层数相关阈值配合硬阈值（方法二）、层数相关阈值配合软阈值（方法三）等局部放电去噪领域常用的三种方法作为对比，得到图5所示去噪结果，自上而下分别是三种方法的去噪结果。为了更进一步对比去噪结果，如图6所示提供了0.2ms时间范围内去噪结果对比，自上而下分别为方法一~方法三以及本实施例去噪结果，可见本实施例相比现有的三种主流方法实现了小幅值的准确提取。
优选地，考虑到小波包分解可以得到更加优良的频域划分结果，所述的离散小波分解可采用小波包分解，母小波同样为db4小波，分解层数也依然为7层，此时步骤S2中各系数的峭度的计算公式为：
其中，
x i (
i=1,2,…,
N)为以待计算峭度的各系数为中心的滑动窗内信号序列，
N为滑动窗内信号序列长度，由于小波包各层细节系数和近似系数的频段宽度相同，因此各层细节系数和近似系数所用的
N相同，是滑动窗内信号序列的平均值，为滑动窗内信号序列的标准差；
进一步地，所述预设阈值
T k的取值范围为[2,5]，对于背景信号以白噪声为主的情形，预设阈值可取值为3，具体可结合背景信号特性在上述范围内进一步优选预设阈值大小。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到本发明的设置可借助软件加必需的通用硬件平台的方式来实现。本发明的实施例可以使用现有的处理器来实现，或者由被用于此目的或其他目的用于适当系统的专用处理器来实现，或者由硬接线系统来实现。本发明的实施例还包括非暂态计算机可读存储介质，其包括用于承载或具有存储在其上的机器可执行指令或数据结构的机器可读介质；这种机器可读介质可以是可由通用或专用计算机或具有处理器的其他机器访问的任何可用介质。举例来说，这种机器可读介质可以包括RAM、ROM、EPROM、EEPROM、CD-ROM或其他光盘存储器、磁盘存储器或其他磁存储设备，或任何其他可用于以机器可执行指令或数据结构的形式携带或存储所需的程序代码，并可被由通用或专用计算机或其它带有处理器的机器访问的介质。当信息通过网络或其他通信连接（硬接线、无线或硬接线或无线的组合）传输或提供给机器时，该连接也被视为机器可读介质。
至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征作出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
Claims (6)
1.一种融合小波和峭度的脉冲信号去噪方法，其特征在于，包括：
步骤S1：对原始采样脉冲信号进行离散小波分解得到各层细节系数和近似系数；
步骤S2：对各层细节系数和近似系数进行边界延拓，得到新的各层细节系数和近似系数；
步骤S3：利用滑动窗分别计算各层细节系数和近似系数中各系数的峭度；
步骤S4：将峭度小于预设阈值的系数识别为噪声对应系数并进行置零，得到处理后的各层细节系数和近似系数；
步骤S5：利用处理后的各层细节系数和近似系数重构得到去噪脉冲信号；
所述边界延拓采用镜像延拓法，延拓长度为步骤S3中滑动窗宽度的一半，滑动窗宽度根据细节系数或近似系数内信号频段大小确定，滑动窗宽度对应脉冲信号半波长度。
2.根据权利要求1所述的一种融合小波和峭度的脉冲信号去噪方法，其特征在于，所述的离散小波分解为二进小波分解，步骤S3中各系数的峭度的计算公式为：
其中xi为以待计算峭度的系数为中心的滑动窗内信号序列，i＝1,2,…,N，N为滑动窗宽度，μ是滑动窗内信号序列的平均值，σ为滑动窗内信号序列的标准差；
最高层细节系数所用的N和最高层近似系数所用的N相同，次高层细节系数所用的N为最高层细节系数所用的N的一半，以此类推确定各层细节系数所用的N。
3.根据权利要求1所述的一种融合小波和峭度的脉冲信号去噪方法，其特征在于，所述的离散小波分解为小波包分解，步骤S3中各系数的峭度的计算公式为：
其中xi为以待计算峭度的系数为中心的滑动窗内信号序列，i＝1,2,…,N，N为滑动窗宽度，各层细节系数和近似系数所用的N相同，μ是滑动窗内信号序列的平均值，σ为滑动窗内信号序列的标准差。
4.根据权利要求1所述的一种融合小波和峭度的脉冲信号去噪方法，其特征在于，步骤S4所述预设阈值的取值范围为[2,5]。
5.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至4任一项所述的融合小波和峭度的脉冲信号去噪方法。
6.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至4任一项所述的融合小波和峭度的脉冲信号去噪方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211194853.4A CN115293219B (zh) | 2022-09-29 | 2022-09-29 | 一种融合小波和峭度的脉冲信号去噪方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211194853.4A CN115293219B (zh) | 2022-09-29 | 2022-09-29 | 一种融合小波和峭度的脉冲信号去噪方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115293219A CN115293219A (zh) | 2022-11-04 |
| CN115293219B true CN115293219B (zh) | 2023-04-28 |
Family
ID=83835024
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211194853.4A Active CN115293219B (zh) | 2022-09-29 | 2022-09-29 | 一种融合小波和峭度的脉冲信号去噪方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115293219B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116576405B (zh) * | 2023-07-12 | 2023-10-31 | 上海电机学院 | 一种风管泄漏信号检测方法及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106959432A (zh) * | 2017-03-23 | 2017-07-18 | 中国石油化工股份有限公司胜利油田分公司海洋采油厂 | 一种基于小波分解低频系数的海上作业平台人员定位方法 |
| CN110501631A (zh) * | 2019-08-19 | 2019-11-26 | 重庆大学 | 一种在线间歇故障检测与诊断方法 |
| CN110795843A (zh) * | 2019-10-24 | 2020-02-14 | 北京建筑大学 | 一种识别滚动轴承故障的方法及装置 |
Family Cites Families (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102706555B (zh) * | 2012-01-05 | 2014-11-12 | 重庆大学 | 一种复解析最优小波解调法 |
| US10677685B2 (en) * | 2013-04-05 | 2020-06-09 | Aktiebolaget Skf | Method, computer program product and system |
| EP3369373A1 (en) * | 2017-03-04 | 2018-09-05 | Tata Consultancy Services Limited | Systems and methods for wavelet based head movement artifact removal from electrooculography (eog) signals |
| CN107870892A (zh) * | 2017-07-01 | 2018-04-03 | 南京理工大学 | 一种城轨列车滚动轴承故障诊断方法 |
| CN109443752B (zh) * | 2018-10-17 | 2020-11-27 | 北京信息科技大学 | 一种基于vmd的齿轮振动信号降噪及故障诊断方法 |
| US11298065B2 (en) * | 2018-12-13 | 2022-04-12 | Owlet Baby Care, Inc. | Fetal heart rate extraction within a processor constrained environment |
| CN109724693B (zh) * | 2018-12-27 | 2021-01-05 | 南京邮电大学 | 一种基于平稳小波的融合光谱去噪方法 |
| CN110907770A (zh) * | 2019-11-28 | 2020-03-24 | 深圳供电局有限公司 | 局部放电脉冲特征提取方法、装置、计算机设备和介质 |
| CN111723677B (zh) * | 2020-05-27 | 2022-11-04 | 中国电建集团华东勘测设计研究院有限公司 | 一种基于自适应阈值的小波去噪方法 |
| CN111890126B (zh) * | 2020-07-03 | 2022-03-11 | 太原理工大学 | 一种基于声压能量峭度指标的早期车削颤振预警监测方法 |
| CN112183259B (zh) * | 2020-09-17 | 2022-11-04 | 昆明理工大学 | 一种基于ceemd与峭度加权平均阈值去噪的滚动轴承故障诊断方法 |
| CN114697860A (zh) * | 2022-03-28 | 2022-07-01 | 广东电网有限责任公司广州供电局 | 一种基于神经网络的多功能定位装置 |
-
2022
- 2022-09-29 CN CN202211194853.4A patent/CN115293219B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106959432A (zh) * | 2017-03-23 | 2017-07-18 | 中国石油化工股份有限公司胜利油田分公司海洋采油厂 | 一种基于小波分解低频系数的海上作业平台人员定位方法 |
| CN110501631A (zh) * | 2019-08-19 | 2019-11-26 | 重庆大学 | 一种在线间歇故障检测与诊断方法 |
| CN110795843A (zh) * | 2019-10-24 | 2020-02-14 | 北京建筑大学 | 一种识别滚动轴承故障的方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115293219A (zh) | 2022-11-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110865357B (zh) | 一种基于参数优化vmd的激光雷达回波信号降噪方法 | |
| CN116310360B (zh) | 一种电抗器表面缺陷检测方法 | |
| JP6557786B2 (ja) | エコー遅延トラッキング方法、装置及びコンピュータ記憶媒体 | |
| Chan et al. | Self-adaptive partial discharge signal de-noising based on ensemble empirical mode decomposition and automatic morphological thresholding | |
| CN109633633B (zh) | 一种基于分段分类增强处理的生命信号增强方法 | |
| CN109557429A (zh) | 基于改进小波阈值去噪的gis局部放电故障检测方法 | |
| CN113325277A (zh) | 一种局部放电处理方法 | |
| CN115293219B (zh) | 一种融合小波和峭度的脉冲信号去噪方法 | |
| Kalyoncu et al. | Interpolation‐based impulse noise removal | |
| Wu et al. | Application of EMD Denoising Approach in Noisy Blind Source Separation. | |
| CN111046836B (zh) | 局放信号的滤波去噪及分析方法、系统、设备及存储介质 | |
| CN117059118A (zh) | 一种聊天室音频数据优化处理方法及系统 | |
| CN113642417A (zh) | 一种基于改进小波算法的绝缘架空导线局部放电信号的去噪方法 | |
| CN109584256B (zh) | 一种基于霍夫直线检测的脉冲星色散值估计方法 | |
| Bhardwaj et al. | Adaptive Neuro-Fuzzy Inference System (ANFIS) Based Edge Detection Technique | |
| CN118013191A (zh) | 基于lsm滤波、ceemdan联合小波检测绝缘子的去噪方法 | |
| Irum et al. | A noise adaptive approach to impulse noise detection and reduction | |
| CN106716529A (zh) | 对数字音频信号中的前回声进行辨别和衰减 | |
| CN116699337A (zh) | 一种基于时延估计的城市地下电缆局部放电定位方法 | |
| Long et al. | A novel automatic pulse segmentation approach and its application in PD-induced electromagnetic wave detection | |
| Zhang et al. | Time-domain denoising of time—frequency electromagnetic data | |
| CN114035238A (zh) | 基于双树复小波变换的超前地质预报方法 | |
| CN111007369A (zh) | 一种超高频电磁波信号到达时间差计算方法和装置 | |
| Zhu et al. | Foreign detection based on wavelet transform algorithm with image analysis mechanism in the inner wall of the tube | |
| Cai et al. | Research on U-Net seismic signal denoising combined with residual dense blocks |
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 |