优化的动态平均权重算法及其在色谱信号处理中的应用

在液相色谱检测系统中,通常将朗伯 比尔定律计算得到的吸光度进行数模转换,再将转换结果以模拟信号的方式送入工作站进行分析。由于色谱信号大部分是直流信号,只有在出峰时信号频带才处于低频状态,导致基于动态平均权重算法（DWA）的多位量化调制器带入额外的谐波噪声,直接影响色谱信号的性能。本文提出了一种优化的DWA算法,可以更好地抑制谐波噪声,提高DAC性能。与常规DWA算法不同的是,本文算法加入了条件选择模块,通过控制每个选择周期的初始指针值,避免了谐波噪声的带入。仿真结果表明,该算法明显抑制了谐波噪声,有效提高了直流特性,从而更有利于对色谱信号进行处理。     

小波频率特性的频带边界问题

分析了Daubechies小波系列的频率特性，指出了在绝大多数频带边界频率处都存在着边界问题。在边界频率左、右两侧，频带能量有巨变现象，并且能量的跳变方向相反。边界问题严重影响着信号特征提取的准确性。为此，提出了相邻频带比较法，给出了边界频率的判断准则。运用该方法可以准确识别边界频率。     

基于计算听觉场景分析的语音增强改进算法

针对单通道语音增强问题,基于计算听觉场景分析（CASA）的原理,提出了一种基于CASA计算模型的语音增强改进算法。该算法在特征提取中选择了目标语音有效能量、信道互相关等特征,对语谱能量和互相关特征的阈值选取进行了改进。在5种低信噪比噪声干扰条件下的仿真实验结果证明,该算法输出增强语音的信噪比平均提高了9.32 dB,有效地抑制了噪声。     

利用EEG信号的小波包变换实现对人体精神状态的量化评价

EEG(脑电)信号的4个节律(δ波、θ波、α波、β波)的能量水平与人体不同精神状态直接对应。利用小波包变换对EEG信号进行分解，并计算相应的频带能量比例，可以实现对人体精神状态的量化评估。首先介绍了利用小波包分解与重构技术提取EEG信号4个节律的方法，构造了以“db20”为基小波函数的6层分解，用8个子频带对应组成EEG的4个节律，然后由相应的重构信号计算出4个归一化的频带能量比例。这些频带能量比例值可以作为对人体精神状态进行评价的量化指标。对10组典型EEG信号的分析结果表明了本方法的有效性。     

基于离散小波变换的多模态医学图像融合改进算法的研究

目的：提出一种改进的离散小波变换算法,并将其用于多模态医学图像融合。方法将源图像经过离散小波变换分解为高频和低频子图像;高频部分采用方向绝对值取大,能有效地保存图像的细节信息,低频部分使用区域能量比融合规则,保存了图像的绝大部分信息;用离散小波逆变换将融合子图像重构成融合图像。结果由3组医学图像融合效果比较可知,该算法在主观视觉效果和客观评价指标方面均优于现存的其他算法。结论该医学图像融合算法快速准确,在噪声环境和临床实例中均表现优越,可以获得较高质量的融合图像,具有较高的临床应用价值。     

小波变换和独立分量分析去除脑电信号中的噪声和干扰

目的：去除脑电信号中的噪声和心电干扰。方法：首先采用小波软门限法去除脑电中的噪声，然后使用扩展独立分量分析算法去除脑电信手中的心电干扰。该算法的优点在于不需要计算信号的高阶统计量，收敛速度快，同时适用于超高斯和亚高斯混合信号的分离。在提取独立分量之前，对观测信号进行白化处理，去除各信号之间的相关性。结果：消除了脑电信号中的噪声和心电干扰。结论：小波门限去噪结合独立分量分析可有效地去除脑电信手中的噪声和心电干扰。     

一种高鲁棒性的运动模糊图像复原算法

为解决常用的基于能量谱和倒谱零点的运动模糊图像复原方法的噪声敏感问题,提出了一种高鲁棒性和适应性的新算法。该算法使用中值互补模板法进行噪声能量的估计,在对数能量谱域内使用改进的Radon变换实现模糊角度的识别,通过旋转图像使运动模糊出现在水平方向,然后在双谱域内识别模糊长度,大大降低了噪声对识别的影响。实验结果表明：本文算法能够处理信噪比大于5 dB的噪声模糊图像,图像复原效果显著。     

基于计算听觉场景分析的改进清音分离方法

基于计算听觉场景分析（CASA）的单通道语音分离方法在浊音分离领域已发展得较为成熟,然而由于清音信号具有较小的能量且不包含周期性基音特征,因此清音分离具有较大的困难。根据噪声信号分布的不确定性和不稳定性,提出了基于CASA和谱减的改进清音分离方法。改进方法在剔除了浊音块后,通过基于距离加权的残余噪声估计算法得到每个清音单元中所包含的噪声能量,对每个清音单元进行谱减算法并标记,进一步剔除残余噪声单元,提取出清音信号。实验结果证明：与传统清音分离方法相比,改进方法对时变性残余噪声能量的估计结果更加精确,更能提高清音分离的有效性。     

小波域色谱重叠峰分析的基函数选择

小波变换在色谱信号处理中有着广泛的应用。但是针对同一类型的信号,选择不同的小波基函数进行处理的效果是不同的。因此,小波变换在信号处理过程中表现出更强灵活性的同时,如何选择小波基一直是利用小波变换进行色谱信号处理的关键问题。本文从小波基函数的数学理论出发,提出了一种基于相似度准则和能量泄漏最小原理的色谱重叠峰分析小波基选择方法。该方法结合了色谱信号的特征,考虑了采样率对信号变换前后产生的能量变化;对色谱信号处理中优化小波基的选择具有重要意义。并且,可以通过能量变化关系在有效采样率范围内选择合适的采样率。仿真实验结果表明,本文提出的方法可以为色谱重叠峰分析小波基函数选择提供依据。     

一种基于小波变换的医学图像多分辨率编码算法的研究

多分辨率编码是提高医学图像传输和回放的有效措施.作者通过对二维图像小波变换迭代特征的分析研究,提出了一种基于小波变换的多分辨率编码算法,有效地利用了二维图像在小波域分解和重构的迭代特性.测试表明,该算法简单易行,并有较理想的压缩效果.     

小波变换在心电信号检测中的应用研究

[目的 ]对心电图数据进行预处理和特征提取。 [方法 ]对心电 (ECG)信号的检测 ,最关键的是对QRS波群的检出。本研究利用小波在时、频两域具有表征信号局部特性的能力 ,适当选择基本小波 ,应用Mallat算法对心电图信号进行多尺度分解从而检测出QRS波。 [结果 ]在Mallat算法实现时 ,选用适当的基本小波 ,清晰的检测出了QRS波群。 [结论 ]小波变换原理检测ECG信号中QRS波群具有很好的效果 ,而且选用不同的基本小波 ,可以检测出不同频率成份的波段 ,这样也同样达到了去除噪声的目的     

基于离散小波变换的动态过程模型参数辨识的Markov方法

提出一种新的Ｍａｒｋｏｖ递推算法，该算法主要是基于过程噪声的离散小波变换的协方差矩阵及其Ｃｈｏｌｅｓｋｙ分解因子具有特殊稀疏带状结构的事实，利用模型输出误差的小波变换在线估计出其协方差矩阵及其Ｃｈｏｌｅｓｋｙ分解因子Ｌｃｗ，进而利用Ｌｅｗ对数据进行白色化处理。数值仿真验证了所提算法是可行的。     

基于小波变换和相关分析的心电信号检测

根据信号奇异点与其小波变换模极大值的对应关系。以及ＱＲＳ波与其模板具有较高相关性,交为换和相关分析方法应用于心电信号的ＱＲＳ波检测。方法小波变换是利用二次样条小波对心电信号按Ｍａｌｌａｔ算法进行变换 ,相关分析方法是定义ＱＲＳ小的波形模板,计算ＱＲＳ波与模板的相关系数。同时不闻６个检测指标（皮变换正极大值,负极小值,ＱＲＳ波与模板打关系数,ＱＲ幅度,正极大值／负极小值,ＲＳ波的波均值）的相对变化范     

一种基于Bark域能量分布的噪声分类方法

对不同种类噪声的分类处理,可以提高噪声环境下语音信号处理的性能。为了能够准确地区分各类噪声,提出了一种基于Bark域噪声能量分布特性的噪声分类方法。通过将噪声能量从均匀时频空间映射到Bark空间,构造了一个能够有效区分各种噪声的22维特征向量,并使用支持向量机（SVM）进行模型训练和噪声分类。实验结果表明：所提出的噪声分类方法具有非常高的分类准确率,对用于实验的两种噪声数据集的平均分类准确率分别为99.50%和93.44%。     

基于观测噪声实时估计的卡尔曼滤波车窗防夹系统研究

卡尔曼滤波可有效解决电机参数变化对车窗防夹控制性能的影响。然而,由于观测噪声往往是未知并且随时间变化,这对基于卡尔曼滤波的车窗防夹控制系统性能有着重要的影响。本文利用小波变换可以对信号和噪声进行分离的特性,提出了一种基于观测噪声实时估计的电动车窗防夹控制方法。在Matlab环境下进行了建模和仿真,结果表明本文算法可以有效实现对观测噪声的实时估计,在不同的噪声条件下都达到了较好的控制效果。     

强噪声条件下基于小波包能量的语音增强新算法

目的：研究在强噪声背景条件下增强语音质量的方法,为在复杂条件下获取语音信号奠定基础.方法：在应用小波包分析技术对语音信号进行分解与重构的基础上,对分解后的小波包系数进行尺度,时间2个方面的阈值自适应调节,再对此系数进行重构以实现语音信号的噪声自适应消除.结果：在信噪比为0dB的强噪声条件下,在0～3000Hz较宽的频率段上,增强后的语音频谱明显清晰,且各频谱成份更加丰富.结论：本方法能够在强背景噪声条件下对语音信号中的噪声成分进行有效去除.     

Determination of a New VLF Band in HRV for Ventricular Tachyarrhythmia Patients

This study presents a new very low frequency (VLF) band range in ventricular tachyarrhythmia patients and involves an approach for estimation of effect of VLF band on ventricular tachyarrhythmia patients. A model based on wavelet packets (WP) and multilayer perceptron neural network (MLPNN) is used for determination of effective VLF band in heart rate variability (HRV) signals. HRV is decomposed into sub-bands including very low frequency parts and variations of energy are analyzed. Domination test is done using MLPNN and dominant band is determined. As a result, a new VLF band was described in 0.0039063–0.03125 Hz frequency range. This method can be used for other bands or other arrhythmia patients. Especially, estimation of dominant band energy using this method can be helped to diagnose for applications where have important effect of characteristic band.