一种对称小波重构算法及其在突变信号检测中的应用

分析了在奇异信号检测等问题中，使用Mallat算法对信号小波系数做单支重构波形存在失真的原因．通过调整Mallat算法的运算流程，得到了小波变换的一种基于共轭正交滤波器组的重构算法．理论分析与仿真试验结果表明，文中算法使上述失真现象得到了改善，同时具有正交性、对称性和有限支撑性等优良性质，可用于对信号作精确的分析。     

基于压缩感知的道路交通图像处理及重构算法研究

在现代道路交通图像处理的研究中,由于传统图像数据压缩采样受到带宽限制,导致重构图像数据含的有用信息量偏少.为此,提出一种压缩感知的道路交通图像处理方法,提高了重要信息含量且大大减少了交通图像数据存储空间.首先,在采样率为0.6的情况下,在dbN系列小波基变换下以分段正交匹配追踪(StOMP)算法对原图像进行重构仿真,研究了不同阶数消失矩的小波稀疏表示与重构图像性能的关系.其次,研究了不同采样率对图像重构性能的影响,包括重构时间、重构误差、峰值信噪比.最后,用BP,OMP,StOMP算法对图像重构进行研究,为道路交通图像数据存储和图像重构提供了理论基础.     

小波变换在轴承故障声发射信号降噪中的应用

噪声消除是小波变换最成功的应用之一，其基本思想是将信号的小波变换系数通过阈值处理，然后进行小波重构得到降躁的信号。根据故障轴承声发射信号的脉冲特性选取Morlet小波．以“小波熵最小”原则确定Morlet小波的波形参数，然后进行连续小波变换。采用软阈值方法处理小波东数，通过小波重构得到降噪后的故障声发射信号，噪声得到了很好的抑制，故障脉冲特征明显增强。采用实验数据，通过与离散小波变换的比较，得到了用连续小波变换可以有效降低噪声、提取故障声发射信号特征的结论。     

基于多尺度Kalman滤波的多传感器数据融合

通过分析多尺度动态系统模型,提出了一种基于小波变换的Kalman多传感器数据融合算法。该算法结合了Kalman滤波的实时性、递归性和小波变换的多尺度特性,能对多传感器的观测数据有效地融合。算法首先将最细尺度上观测数据滤波后得到的估计序列小波分解到各尺度上;然后在各尺度上,利用该尺度上的传感器观测数据对小波分解系数进行更新;最后利用小波重构,达到更新原始估计序列的目的。仿真实验表明,该算法具有很好的数据融合效果。     

基于STL快速重构平面有限元网格边界

根据平面有限元网格中边界的特点,利用C++标准模板库(STL)中set、map等容器的数据访问特性,用set分析识别出网格边界,用map将散乱的边界连成环线,建立了识别边界且形成边界环线的快速算法,实现了基于平面有限元网格数据重构网格边界的目的。示例演示了算法的可行性。     

基于样条小波的多传感器图像融合

与正交小波相比，样条小波构造简单，对信号的重构具有更好的稳定性．将样条小波用于多传感器图像融合，并对同一目标的不同聚焦含噪图像进行了仿真实验．实验结果表明，对于图像融合，样条小波对噪声具有鲁棒性，优于正交小波．     

改进小波包与长短时记忆组合模型的短时交通流预测

为克服非稳定交通流状态下短时交通流预测精度不高、过分依赖大样本历史数据的缺陷，提出一种改进小波包分析和长短时记忆神经网络组合(IWPA-LSTM)的短时交通流预测方法. 利用功率谱细化的思想改进小波包分析算法对小样本交通流时间序列进行多尺度分解和单支重构. 对低频序列和高频序列进行相空间重构，完成长短时记忆模型的逐层构建，实现本地保存并根据预测精度进行自适应更新，将重构的子序列输入模型训练和预测. 将各子序列的预测值叠加输出IWPA-LSTM最终预测值. 实验结果表明，提出的IWPA-LSTM模型在小样本情况下的预测精度优于经典深度学习模型，具有较强的实用性.     

小波域子空间滤波法研究

将时域子空间法和小波变换结合在一起,推出小波域子空间滤波算法.具体地讲,把整体观测信号小波系数子空间划分为信号加噪声小波系数子空间和噪声小波系数子空间,根据尺度内时间估计准则,由信号加噪声小波系数子空间重构信号小波系数,从而获得估计信号.实验表明,当用于恢复高斯噪声中Ricker子波时,小波域子空间滤波法相对于传统软、硬阈值法具有明确优势.     

无链表SPIHT图像提升小波编码的硬件算法

为了解决小波零树编码算法中,SPIHT(分级树的集合分裂)算法占用大量存储空间的问题,给出了一种无链表SPIHT图像压缩算法.在这种算法中,小波系数按照SPIHT的顺序输入到编码器中,编码器按照NLS算法编码,小波变换采用9/7提升分解算法,量化算法为均匀标量量化,图像边界延拓采用了补零延拓方法.实验结果表明,该算法图像压缩比与JPEG2000的EBCOT(基于优化截断的嵌入式块编码)算法几乎相同,编码速度大约是后者的2倍,一幅512×512的图像仅需要17.875KB额外内存.     

基于Harris的改进SIFT算法

SIFT算法是一种具有尺度不变性的特征提取算法,能够有效地提取图像中的局部特征.为了在提高SIFT算法实时性的同时兼顾算法鲁棒性,利用Harris算法思想中使用图像灰度一阶偏导数的局部自相关函数的方法对SIFT算法进行改进,消除SIFT算法中因使用Hessian矩阵出现的边界效应.这种改进方法可以有效去除SIFT算法中因使用Hessian矩阵消除边界效应时提取出的处于边界位置或亮度不够的特征点,提高图像拼接的质量.实验证明改进的算法提高了算法的检测时间和鲁棒性,将改进的算法应用于制作虚拟漫游系统,取得了良好的效果.