结合小波变换和K均值聚类的SAR舰船目标分割

对SAR舰船目标分割方法进行研究,给出一种基于小波变换与K均值聚类相结合的舰船目标分割方法。在该方法中,首先利用双密度双树复小波变换优秀的图像去噪能力,对SAR图像进行降噪处理,以减少相干噪声对分割结果的影响;然后通过改进的K均值聚类方法进行舰船分割。实验结果表明本文方法能有对SAT舰船目标进行有效区分。     

基于改进小波分解的机载位置数据降噪处理

机载经度、纬度、高度数据的精度,对保证飞机定位的精确性和飞行安全性有着重要意义.结合小波分解和经验模态分解(EMD)2种方法的优点,在小波分解的基础上,提出1种基于 EMD 的小波分解降噪方法.利用 EMD 对机载位置数据进行分解,并对高频分量用小波分解方法进行降噪处理,降噪后高频分量再结合低频分量进行重构得到降噪后的数据.以西安到长春某航班巡航阶段的机载高度数据序列为例,进行了仿真验证.结果表明,改进小波分解降噪方法与传统的小波分解降噪方法相比,信噪比提高了0.649,均方根误差减小了0.6969,消噪效果更加明显.改进的小波分解方法在处理机载位置数据方面有着较明显的优点,可获得更精确的飞机三维数据.      

一种基于模糊增强的多尺度边缘检测算法

图像的边缘检测技术是图像处理中最重要的内容之一,且已在图像分析和识别领域得到了广泛的应用.本文提出一种基于模糊增强的多尺度边缘检测算法.该算法首先用模糊增强算子对原始图像进行预处理,加大边缘两侧灰度的差异,然后利用多尺度边缘检测算法提取图像的边缘.最后,将该算法与经典的Sobel算子和Canny算子进行比较.实验结果表明,这种方法较好地解决了图像边缘的提取精度与图像噪声的抑制能力之间的矛盾.     

基于小波变换与支持向量机的舰船水压信号检测方法

采用小波变换与支持向量机相结合对舰船水压场信号建立检测模型.该方法通过对海浪信号进行小波分解并对某一特定低频频段信号重构,利用支持向量机对重构信号建立预测模型,预测误差值作为特征值对舰船水压信号进行检测.通过检测验算表明此方法的有效性,特别是在低信噪比情况下,仍能较好地检测到目标信号.     

脉冲电压下局部放电信号的提取和统计

提出了脉冲电压下局部放电（PD）信号的提取和统计方法．通过相关系数分析选择dB6和dB2小波包函数,以滤除高低频干扰信号．通过分析脉冲电压下局部放电特征,选择合适的相位开窗,以消除局部放电的振荡信号．根据实际局部放电信号的采样频率、采样长度和脉冲电压过零点,定义脉冲电压的相位,并进一步研究各种相位相关图谱（如φ—n图和φ-q-n图等）．实验结果表明,基于小波包的提取方法和脉冲电压下的相位统计方法对脉冲电压下的局部放电分析是有效的．     

复杂背景下汉字细化的MASW小波方法研究

汉字骨架是汉字的一种重要几何特征,如何对汉字进行细化,是对汉字进行识别的前提,文中提出了一种基于模角分离小波变换(MASw)的细化方法.该方法能鉴别出复杂背景下汉字图像所包含的不同结构类型边界.通过对不同结构的边界采用不同的取舍处理以实现汉字的细化.可以直接对原始的灰度图像进行处理,能在复杂背景下成功地提取和细化汉字,对手写汉字也有良好的细化效果.     

铁路轨检车轴箱振动加速度消趋方法的比较

振动测量数据中往往包含了趋势项,这些趋势项对数据的分析会产生很大的影响,尤其在积分过程中,这种影响会进一步放大,所以消除趋势项是数据分析的基本前提。对包含在轴箱加速度中的趋势项进行消除,并进行双积分以达到与轨面高低不平顺进行比较的目的,采用了三种消趋方法进行对比分析的方式,三种消除趋势项的方法（多项式拟合消趋,滤波消趋及小波消趋）对实测数据的分析结果为：多项式拟合消趋不适于轴箱加速度的积分分析,而滤波消趋与小波消趋能适于这种分析,进一步,从波形包络来看,小波消趋与原波形最接近。最后提出了适合于轴箱加速度分析的消趋方法及其相关参数值。     

基于小波包分解和特征能量提取技术的车内传导干扰源识别

车内大功率用电设备的电压波动是车内产生传导干扰的主要原因。文中介绍了通过对采集的干扰信号进行小波包分解,对系数进行最小风险的去噪处理,然后提取特征能量来识别车内传导干扰源。最后采用EM-test设备发生干扰信号进行实验,结果表明该方法对车内电压波动的主要干扰源有较强的识别能力。     

小波变换在车牌定位算法中的应用

将小波变换引入车牌定位算法,对车辆图像进行滤波降噪.在满足实时性处理要求的前提下,定位效果十分理想:完全消除了光照不均造成的影响,使车牌区域更加突出,增强了定位的鲁棒性,提高了定位查找的准确率,系统的车牌定位准确率高达95%.     

基于多分辨率近似熵的发动机声信号特征提取

介绍了近似熵的概念、主要特点及其快速算法,在分析了小波包与近似熵原理的基础上,提出了一种多分辨率近似熵的特征提取方法,并且讨论了近似熵值计算中3个参数的选择原则,其后对发动机声信号进行了分析处理,通过对比正常状态与故障状态共8种工况下的小波包3层分解后各节点的近似熵值,确定出了故障的特征频带,根据近似熵在敏感频带内的变化有效提取出发动机故障特征,从而实现了对发动机状态的监测与诊断。试验结果也证明了近似熵在分析复杂信号特征方面具有很强的能力,在判别机械设备运行状况方面具有很好的效果。