一、Daubechis小波系数（论文文献综述）
曹晓龙[1]（2021）在《基于监测数据时频域特征统计分析的桥梁安全预警研究》文中研究指明为了保证桥梁的安全性,实时掌握桥梁的健康状况,避免发生突发事故,世界上许多桥梁都应用了健康监测系统,但针对其采集到的数据应用基于时频域特征统计分析的手段去进行安全预警的研究却很少。因此讨论基于监测数据时频域特征统计分析的报警手段对整个桥梁健康监测系统的发展具有重要指导作用。本文基于监测数据时频域特征统计分析的手段对桥梁的安全预警方法进行了研究,主要研究内容和成果如下:（1）针对采集到的实际加速度数据,应用MATLAB程序编写时间序列ARMA模型对其进行建模,之后分析所建模型的稳定性以及所提取预警指标的损伤敏感性。结果显示:不同监测数据模型参数受环境等干扰因素影响较小,当损伤产生时,模型参数会产生一定的波动,损伤模拟工况也验证了参数对于损伤的敏感性。因此应用前三阶参数来构建安全预警的特征指标,并且根据数值模拟给出相应的安全预警流程,最后针对实际数据分析,验证了此方法的有效性。（2）梳理了应用于监测数据的相似性衡量办法和数据变换理论,基于振动数据的变换来构建原始数列的特征展示,并用距离函数的指标来衡量相似性,具体有欧式距离、相关系数等参数。进一步将桥梁在不同损伤情况下移动荷载产生的响应用数值进行模拟,应用上述特征指标对其损伤工况进行安全预警,以此来说明应用距离函数指标的有效性和准确性。（3）总结了基于小波包分析构建的能量谱指标的安全预警办法,应用MATLAB编写了基于能量谱的安全预警程序;进一步建立数值模型来验证能量谱预警指标的预警效果,结果说明所构建的指标具有良好的应用效果。（4）根据结构的预警特点,提出了基于监测数据时频域特征统计分析的桥梁多指标预警体系概念的初步设计,并且将其预警等级依据指标阈值的设置划分为不同的层次,以实现针对不同程度损伤的预警目的。
徐蕾[2]（2020）在《船闸反弧门运行状态的监测系统研究》文中指出随着各区域间经济往来越来越频繁,内河水运事业依靠其成本低、载货量大的优势发展迅速,船闸通航量大幅增加,船闸超负荷运转。随之带来的问题是船闸反弧门不断受到充、泄水时的水流冲击,以致产生晃动,使得弧形面板与坝体或止水碰撞,造成反弧门破损,增大船闸安全运行隐患。反弧门处于充满杂质的深水中,监控难度大,目前主要采用定期停航检修的方式排查反弧门出现的问题。但是定期检修无法及时处理早期故障,容易造成相关组件的二次损坏。因此,目前亟需采取有效的监测手段对反弧门运行状态进行监测与评估。本文以葛洲坝3#船闸右侧充水反弧门为研究对象,分析其基本结构及常见运行故障,明确反弧门运行状态的监测需求,提出依据运行角度信息直接定位反弧门当前运行位置,并结合反弧门振动信号分析相应的健康状态,最后构建反弧门运行状态监测系统。这对于完善船闸智能监测体系,保证船闸通航安全具有重要意义。本文主要的研究工作如下:（1）实现反弧门数据采集系统:利用ANSYS软件构建反弧门有限元模型,通过模态分析和谐响应分析得到反弧门各阶振型和位移-频率曲线,根据振型和曲线幅值比较,选取振动变化敏感的部位布设振动传感器。以此为基础搭建振动与角度的数据采集系统,并通过无水运行实验证明采集数据真实可靠。（2）基于小波相关理论对振动信号进行预处理:主要通过改进后的小波阈值去噪方法去除信号中的干扰成分,并与扩展卡尔曼滤波、硬阈值去噪、软阈值去噪进行对比分析,证明改进后的小波阈值函数实现了去噪效果的优化。其次通过小波包将振动信号分解,突出反弧门状态特征。（3）将模糊C均值聚类应用到反弧门运行健康状态识别算法中:首先分别从时域、频域、时频域方面构造状态识别特征集,再通过主成分分析法降低特征集维数,构造五个特征识别主成分作为聚类输入,实验结果表明改进后的模糊C均值聚类不仅识别准确率高,在计算性能上也有显着提高。（4）构建船闸反弧门运行监测系统:基于LabView软件平台设计上位机监测软件,利用模块化编程思想实现数据采集与保存、运行位置监测、数据预处理、状态监测与识别、最终结果保存与反馈,通过与数据采集装置连接进行测试,证明了反弧门运行监测系统的可行性。
刘少华[3]（2020）在《宽带微功率无线通信系统中Rake接收机的FPGA设计与实现》文中指出宽带微功率无线通信系统主要应用于智能电网,该通信技术相较于RS-485总线通信、电力线载波通信和微功率无线通信在通信速率和抗干扰能力上有很大的提升。由于该系统主要应用于人口聚集的居民区,致使多径衰落对接收机的影响非常严重。因此本文将利用宽带微功率无线通信系统中Chirp信号的强相关性和脉冲压缩特性,设计和实现一种适用于宽带微功率无线通信系统的Rake接收机抗多径衰落解决方案:1.通过对宽带微功率无线通信系统的整体框架、数学模型、帧结构和Chirp-BOK信号特性的研究,提出了一种在电网应用场景中符合宽带微功率系统的Rake接收机方案:（1）在多径搜索算法中,使用加窗机制设计多径搜索器。根据系统工作特性将该搜索器和搜索窗口的大小分别设置为57和10个样点数。其次,进行有效径判决时,要求搜索出来的多径分量需满足连续三个符号内位置相差不超过1个样点,提高了多径搜索的准确性。同时提出一种主径判决方法,用于进行粗时间同步和信号检测的阈值设定;（2）在时延估计算法中,采用移位寄存器的方法来进行数据缓存和模拟多径的时延,保证多径在时域上时间对齐;（3）在相位估计算法中,采用将接收信号与本地信号共轭相乘,将所得到的估计值进行反馈补偿;（4）在同步方案中,从节省运行时间和实现简单的角度,确定采用匹配滤波循环卷积法。通过以上对多径信号的处理,可以有效提高接收机的信噪比。2.为了提高上述Rake接收机在低信噪比情况下抗多径衰落的性能,根据Chirp信号的非平稳特性,提出一种CEEMD算法和小波去噪联合去噪预处理方案。首先基于能量熵的自适应阈值重构方法,使用CEEMD算法对接收信号进行分解;然后选择合适的小波基函数和分解层数,使用小波变换来提取CEEMD分解出来的高频分量中的有效信息,提高接收机的信噪比。经仿真,本文设计的采用联合去噪预处理模块的Rake接收机提升了系统的误码率性能,验证了所设计方案具有一定的抗多径衰落能力。3.针对降低FPGA的硬件资源占用率、提高系统运行效率的要求,完成了具有联合去噪预处理模块的Rake接收机FPGA设计及实现,其硬件资源占有率符合系统要求。最后,通过NI的软件无线电平台仿真验证,在多径信道环境下,所设计Rake接收机模块可以有效地抵抗多径衰落的影响,添加去噪模块后Rake接收机的抗多径衰落的性能有所提升,满足系统在-2d B情况下,接收机误块率小于0.01%。
马敬敬[4]（2020）在《基于光纤环形腔激光麦克风的语音增强方法研究》文中研究表明随着光纤通信技术的研究,具有可调谐、光束质量良好、功率高、窄线宽、成本低等优点的可调谐光纤激光器,已广泛的应用于光纤传感、国防技术、光纤通信和医疗等领域。本文基于可调谐激光环形腔设计了一种光纤麦克风,并针对该光纤麦克风的语音特点进行语音增强方法研究。本文主要工作内容如下:首先,简明阐述了本课题研讨的背景和意义,并详细介绍了本文设计的基于激光环形腔的光纤麦克风。从结构上对激光麦克风各部分器件组成和功能特点进行了分析,并探讨了该激光麦克风的工作原理和流程。通过学习光纤环形腔的时域模型,对激光麦克风的输出功率信号与环形腔长度的关系进行了理论分析。其次,分析了激光麦克风的语音和噪声信号特征,并提出一种实现语音信号时域波形对齐的方法。基于激光麦克风的分布式结构、拾音范围广等特点,分别对现场录制的语音信号及白噪声、人走动噪声和纯音乐背景噪声三种加性噪声进行特征分析。同时,在语音信号时域波形对齐的方法中通过在纯净语音信号中添加方波信号,将合成信号作为输入信号,从激光麦克风获得输出信号后,从标注的节点截取输入和输出语音信号,由此可以实现两个语音信号的对齐,该方法是对面向语音增强算法的深度神经网络的优化,且方法简单易行、准确率高。并且,用传统语音增强算法对含噪语音信号增强处理。经典小波变换算法对非平稳语音信号处理效果较好,实验中用语音数据训练算法选择分解层数,并选用软硬折中阈值函数进行实验分析。基于最小均方误差的卡尔曼滤波是一种最优估计,适用于激光麦克风的不稳定性信号,并通过实验选定预测干扰Q值和估计测量方差R值的最优参数。通过实验可知虽然传统语音增强算法计算量小且简单易行,但是会存在残留噪声的问题。最后,用神经网络结构对含噪语音信号增强处理。神经网络具有自适应性高和学习能力强的特点。在深度神经网络结构中采用小批梯度下降法进行迭代次数选优,将带噪语音信号作为输入,获得具备抗噪性能的网络结构,并通过BP算法更新网络参数反向网络调优,以尽量的减少训练时间和数据量,并取得较好的增强效果。考虑到循环神经网络不能长期保存信息的限制,这里结合门控循环单元对语音信号进行增强实验。实验中,与传统语音增强算法对比,通过客观量化评价和语谱图分析各算法对不同特征含噪语音信号增强处理中的优缺点。
郭田丽[5]（2020）在《区域地下水埋深的数据驱动预报模型研究》文中指出地下水埋深预报对于区域地下水开发利用、水资源评价管理和地质灾害的治理具有重要的科学意义。本文综述了随机模型、灰色模型、模糊模型、人工神经网络预测模型和混合预测模型的研究进展,分析总结已取得的成果和存在的问题,并针对目前研究中存在的不足,选用陕西省关中地区20个监测井的月地下水埋深资料,选定平均绝对误差（MAE）、平均相对误差（MRE）、均方根误差（RMSE）、均方百分比误差（MSPE）、确定性系数（R2）和纳什效率系数（NSE）6个误差指标以及预报合格率（QR）和预报项目精度分级,开展研究区地下水埋深序列的预报模型研究与综合评价。本文的主要研究内容和结论如下:（1）建立BP网络、支持向量机（SVM）和核极限学习机（KELM）3种单一人工神经网络预测模型,将基于单一人工神经网络的预测模型用于研究区地下水埋深预报。研究发现,在训练期,三种预报模型对于所有监测井均表现出较好的拟合效果。在验证期,SVM模型和KELM模型的预测性能优于BP网络模型,BP网络模型的预测结果比较杂乱,规律性较差,而SVM模型和KELM模型能较好地预测出地下水埋深序列的趋势变化和周期波动特征。这可能是因为SVM模型和KELM模型引入正则项惩罚因子,可以有效地避免训练期的数据过拟合,进而提高模型的泛化能力。同时,网络搜索交叉验证参数寻优法和PSO优化算法可以防止试错法和人为确定主观性的影响,为模型参数的确定提供一种更为合理、科学和有效的途径。同时,SVM模型和KELM模型的预测能力各有千秋,但是两个模型存在共同的不足之处是:它们对极值点的预测能力较差,并且普遍存在预测序列存在一个月延迟的情形。（2）基于小波（WA）消噪方法和变模态分解（VMD）消噪技术,构建新型基于消噪方法的混合人工神经网络预报模型（WA-BP、WA-SVM、WA-KELM、VMD-BP、VMD-SVM、VMD-KELM模型）。研究区地下水埋深预报结果表明,BP网络模型的两种混合预测模型的预测能力比SVM和KELM的混合模型的预测能力差,无论是对于地下水埋深的趋势项、周期波动项和极值点等的预测,还是预测时存在的一个月延迟误差,SVM和KELM的混合模型都能较好地改善,但是还是难以准确预测极值点。在3种基于小波消噪的混合预测模型中,WA-SVM的预测精度更高,在3种基于VMD消噪技术的混合预测模型中,VMD-KELM的预测精度更高。这说明小波消噪技术更适合于SVM模型进行结合,而VMD消噪技术则更适合与KELM模型相结合而组成一种精度高、适用性强的混合预测模型。（3）研究区地下水埋深预报模型优选。结果表明最优模型均为改进的混合模型。监测井W19的优选模型为WA-SVM模型,#100、K423和W15-1的优选模型为VMD-SVM模型,监测井K110、K214、K106、#85-1、J16、589、N16、E12-1、232、261、B9、267、B557、CQ19、W25-2和W15的优选模型为VMD-KELM模型。这些结果说明混合模型可以减小预报误差,提高预报精度。这可能是因为本文所应用的消噪方法能有效地提取地下水埋深序列中的趋势分量和周期分量,降低了序列中的噪声成分,较好地提高预测精度。同时,研究区19个监测井的优选模型为基于VMD分解消噪技术的混合预测模型,只有一个监测井的优选模型为基于小波消噪的混合预测模型。这说明文中提出的新型VMD分解消噪技术比小波阈值消噪方法更适合与人工神经网络预测模型耦合去预测研究区地下水埋深。综上,通过研究区监测井的数据驱动模型的构建,并基于选定的误差指标和精度评价指标进行模型评价择优可以发现,改进的混合模型可以较好地利用实测数据所提供的信息,提高预报精度,增强模型的适用性。
沈傲立[6]（2020）在《基于带状分布的多个加速度传感器对人体基本运动状态的区分》文中提出研究目的针对高血糖、高血压、高血脂等与肥胖有关的慢性疾病的防治过程中,人体能量摄入与运动能耗准确便携监测非常重要,需要更加便携和准确的区分人体基本运动状态,从而精确统计运动负荷和能量消耗。本研究主要通过佩戴带状分布加速度传感器构成的采集装置,针对人体基本运动状态区分进行了模式识别的实现与优化。分析具有强相关性的加速度信号特征值,据此设计新的分类方法。对比常用的统计学特征值在不同人体基本动作之间的显着性差异,选取具有显着性差异的特征值组成特征值矩阵,分析此类特征值矩阵对动作区分准确率的影响,为后续研究的特征值选取提供依据。研究方法本研究采取与前人不同的传感器布局方式,利用带状分布的加速度传感器之间存在的强相关关系,扩展皮亚诺相关系数作为特征值的意义,采用符号计算的方法进行人体基本动作区分。研究中还采取重复测量方差分析法对常用的统计学特征值在不同动作间的显着差异进行比较。将常用的单个去噪评价指标融合,利用此指标遍历出最佳的小波阈值去噪各参数。分别设定经典特征值矩阵和基于带状分布的相关系数特征值矩阵,利用BP神经网络与支持向量机两种算法进行人体基本动作区分,并统计准确率。研究结果针对强相关的皮亚诺相关系数特征值,通过符号计算的方法,可以达到区分5种人体基本状态的目标。算数平均值、标准差、极值斜率与偏度共4种特征值,均在动作间有显着性统计学差异。通过融合指标的筛选,选择出了最佳的小波基函数、分解层次与阈值规则等去噪参数。分类结果中基于经典特征值矩阵的识别,BP算法的平均准确率为79.77%,SVM算法的平均准确率为77.23%;基于相关系数特征值矩阵的识别中,BP算法的平均准确率为58.71%,SVM算法的平均准确率为85.89%。基于经典特征值矩阵在BP算法分类器中准确率高于基于相关系数特征值矩阵在同类分类器的准确率,但基于相关系数特征值矩阵在SVM算法分类器中准确率高于经典特征值矩阵在同类分类器中的准确率。研究结论研究中使用有显着差异的特征值构成的经典特征值矩阵在BP和SVM两种算法下对走、跑、坐下站起的动作识别率基本都达到了80%～90%的识别率,表明具有统计学显着差异的特征值组成特征值矩阵可以高度概括运动信息,减小计算量与复杂度,提高分类速度与泛化能力的作用。利用带状分布的加速度信号间强相关系数矩阵,既能通过符号计算简便分类过程,也能在SVM算法下对走、跑、坐下站起的动作识别率都高于92%,超过了许多前人研究中平均80%～90%的识别率,表明加速度传感器带状分布是采集运动信息更优的布局,穿戴于髂前上棘的带状布局的传感器所获取的数据可以更加简易的区分人体运动状态。
韩博跃[7]（2019）在《基于小波变换和盲源分离的齿轮箱故障诊断研究》文中研究表明齿轮箱是机械设备中的基础性部件,其运行状态对整个设备的安全运转至关重要。由于齿轮箱结构复杂,工作环境恶劣,在运行过程中易出现故障,特别是齿轮和滚动轴承容易发生故障,从而影响整个设备的运转。有必要采用有效的信号处理技术,从齿轮箱振动信号中准确提取出有用的故障信号,对齿轮箱进行故障诊断。本文针对齿轮箱中齿轮与滚动轴承的复合故障,采用改进小波阈值降噪、完备聚合经验模态分析（Complete Aggregation Empirical Mode Decomposition,CEEMD）和约束独立分量分析（Constrained Independent Component Analysis,CICA）结合,成功地从仿真和实测齿轮箱振动信号中提取出齿轮和滚动轴承的故障信号。论文主要工作有:首先,介绍了齿轮和滚动轴承的振动模型及其常见失效形式,总结了齿轮箱故障诊断常用信号处理方法。同时,利用动力传动故障诊断综合试验台（Drivetrain Diagnostics Simulator,DDS）模拟了齿轮箱中齿轮和滚动轴承的复合故障,并采集了单通道齿轮箱振动信号。另外重点研究了独立分量分析（Independent Component Analysis,ICA）和CICA的基本原理,通过仿真信号验证了CICA算法优于Fast ICA算法。其次,研究了改进小波阈值降噪方法,介绍了小波变换和小波阈值降噪的原理。在传统的软硬阈值函数基础上,采用了改进的阈值函数,此阈值函数既有传统软硬阈值函数的优点,又在一定程度上避免了软硬阈值函数的缺陷。此外,利用仿真和实测信号验证了本文的改进小波阈值函数的可行性。最后,采用CEEMD方法作为单通道信号预处理的方法,并针对单通道齿轮箱复合故障信号问题提出了IWT-CEEMD-CICA算法。研究了有效本征模态分量（Intrinsic Mode Function,IMF）的选择标准问题,通过仿真信号和实测振动信号验证了本文提出的算法的优越性,可以有效地从单通道复合故障信号中提取出故障信号。
洪民江[8]（2018）在《基于小波变换的语音信号去噪算法研究》文中研究说明日常生活中人与人之间的交流离不开语音,语音也是传递信息的重要介质,它是一种时变、非平稳的随机信号。人们在进行语音交流时会受到来自周围环境噪声影响,在语音通信过程中也会受到噪声干扰。当外界环境噪声与人们所需要的语音频谱相似时,去除混入语音信号中的噪声尤为困难。利用小波变换分析语音这种非平稳信号,对于语音信号处理显得非常重要。本文利用小波多分辨率分析的特点,通过对小波阈值去噪算法深入研究,提出了具有更好去噪效果的新阈值函数去噪方法。具体工作如下:1、分析了傅里叶变换和短时傅里叶变换原理,然后引申到小波变换和小波分析,重点分析了基于小波变换的小波阈值去噪算法,对小波阈值去噪算法中所涉及的小波分解层数、阈值、小波基以及阈值函数进行了深入分析和研究。2、针对传统的小波阈值去噪算法中,经硬阈值去噪算法处理后的语音会产生振荡,而经软阈值去噪处理后的语音失真较大的缺陷。本文提出一种新的改进的小波阈值函数。新的阈值函数算法考虑了噪声小波变换模值的衰减符合指数这一规律,并通过调整其中的参数,避免了传统阈值函数直接在小波系数小于阈值时进行置零的处理方法,从而有效增强了去噪效果。3、为进一步增强对低信噪比带噪语音的去噪效果,本文提出了卡尔曼滤波法和改进的小波阈值法结合的两步去噪法。实验表明该方法可以提高语音信号输出信噪比,降低信号的失真程度,是一种有效的增强算法。
蒋小辉,李初辉,张家治,丁伦军[9]（2017）在《葛洲坝电厂机组稳定性分析》文中认为葛洲坝电厂总装机容量2775 MW,为华中电网重要的电源电站。自首台机组发电至今,已累计在线运行超过35年。机组老龄化危害电厂运行的稳定性与安全性。基于电站最优维护信息系统（HOMIS）对葛洲坝电厂机组进行机械稳定性监测,发现上导及水导X/Y向摆度幅值过大。对上导及水导X/Y向摆度值进行Daubechis小波去噪及快速傅里叶变换（FFT）,分析结果表明上导及水导摆度主频为1 Hz,应为基于主轴的旋转件引起的机械故障。依据诊断结论提出检修方案,检修部门依据方案对磨损连杆进行更换。通过对检修前后机组状态参数对比,进行检修质量评估。
赵世明[10]（2012）在《基于小波分析的语音增强算法研究》文中研究说明近年来,随着电子技术和网络技术的快速发展,数字语音信号处理技术以其简洁、高效等优点广泛地应用在各个领域。目前,语音编码、语音合成以及语音识别技术日趋成熟并且已经广泛的应用在现实生活中。在实际应用中,噪声干扰会降低语音信号处理系统的性能。因此,在预处理阶段对语音信号进行增强是有实际意义的。小波阈值去噪法根据噪声信号和语音信号在小波域中的分布特性,对每一层的小波系数进行阈值处理,可以有效地消除噪声分量,本文采取小波阈值去噪法对带噪语音信号进行语音增强处理。本文深入分析了小波变换在数字信号处理中的应用,重点研究了多分辨小波分解在信号降噪中的应用。深入分析了阈值降噪算法中阈值函数和门限阈值对信号去噪效果的影响,参考基于谱减法的语音增强算法,研究了一种基于噪声提取的门限阈值确定算法。经测试,相比于几种小波阈值降噪中传统的阈值估计准则,该门限阈值确定算法占用更少的计算资源并且可以达到不错的语音增强效果。传统的阈值降噪算法根据经验来确定分解层数,分解层数过少会造成去噪不彻底,分解层数过高会造成信号失真。本文对阈值降噪算法中的分解层数进行深入研究,实现了一种自适应最优分解层数确定算法。对噪声信号和语音信号在小波域中的分布特性进行研究,通过对各层小波系数的奇异谱分析,对比不同信噪比下带噪信号的奇异谱分布情况,根据小波系数的奇异谱特性来确定最优分解层数。经测试,该算法可以根据带噪信号受噪声干扰情况自适应地确定最优分解层数,有效的提高了语音增强效果并且避免了不必要的硬件资源浪费。
二、Daubechis小波系数（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、Daubechis小波系数（论文提纲范文）
（1）基于监测数据时频域特征统计分析的桥梁安全预警研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 桥梁安全预警研究现状 |
| 1.2.1 桥梁安全预警研究进展 |
| 1.2.2 桥梁安全预警目前存在的主要问题 |
| 1.3 本文主要研究内容 |
| 2 基于时间序列分析模型的桥梁安全预警 |
| 2.1 引言 |
| 2.2 时间序列分析模型理论 |
| 2.2.1 常用时间序列模型的介绍及选用 |
| 2.2.2 时间序列分析模型的建立流程 |
| 2.2.3 时间序列分析模型的建模算例 |
| 2.3 监测数据时间序列分析ARMA模型的建立 |
| 2.3.1 长期监测加速度数据的ARMA模型建立 |
| 2.3.2 桥梁安全预警指标的构造 |
| 2.4 基于ARMA分析模型的桥梁安全预警 |
| 2.4.1 基于ARMA分析模型的系统运动模型 |
| 2.4.2 不同监测数据的时间序列分析模型比对 |
| 2.4.3 桥梁安全预警指标的敏感性分析 |
| 2.4.4 桥梁安全整体预警方法的研究 |
| 2.5 本章小结 |
| 3 基于三分之一倍频程谱分析的桥梁安全预警 |
| 3.1 引言 |
| 3.2 监测序列相似性衡量 |
| 3.2.1 时间序列分析相似性的定义 |
| 3.2.2 监测序列相似性衡量方法的介绍 |
| 3.3 监测数据域变换处理 |
| 3.3.1 监测数据域变换处理手段 |
| 3.3.2 基于域变换特征显示监测序列相似性距离度量指标 |
| 3.4 基于域变换特征显示序列相似度距离函数安全预警 |
| 3.4.1 数值模型及损伤工况的设置 |
| 3.4.2 距离函数指标安全预警效果 |
| 3.5 本章小结 |
| 4 基于小波包分析理论的桥梁结构安全预警 |
| 4.1 引言 |
| 4.2 小波包分析理论 |
| 4.2.1 传统的小波分析 |
| 4.2.2 小波包分析的定义 |
| 4.2.3 小波包分析预警原理 |
| 4.3 小波包参数介绍 |
| 4.3.1 常用小波基及其性质 |
| 4.3.2 最优小波基和分解层次的选择 |
| 4.4 基于小波包能量的桥梁安全预警 |
| 4.4.1 小波包能量的构造 |
| 4.4.2 基于小波包能量的预警指标 |
| 4.4.3 损伤预警指标的预警效果 |
| 4.5 本章小结 |
| 5 桥梁结构安全预警体系概念的初步设计 |
| 5.1 引言 |
| 5.2 桥梁结构预警的特点及预警体系概念初步设计 |
| 5.2.1 桥梁结构安全监测预警体系的特点 |
| 5.2.2 桥梁结构安全监测预警体系的指标选用 |
| 5.2.3 桥梁结构安全监测预警体系的阈值设置原则 |
| 5.2.4 桥梁结构安全监测预警体系的预警流程 |
| 5.3 桥梁安全预警阈值的分析与设置 |
| 5.3.1 固定预警阈值的分析与设置 |
| 5.3.2 动态预警阈值的分析与设置 |
| 5.4 本章小结 |
| 6 结论与展望 |
| 6.1 本文主要结论 |
| 6.2 对未来研究的展望 |
| 参考文献 |
| 攻读硕士学位期间发表学术论文情况 |
| 致谢 |
（2）船闸反弧门运行状态的监测系统研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题的研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 反弧门启闭过程振动问题研究 |
| 1.2.2 状态监测的研究方法及应用 |
| 1.3 论文研究内容 |
| 2 反弧门数据采集系统设计 |
| 2.1 反弧门运行状态监测的需求分析 |
| 2.1.1 基本结构及工作原理 |
| 2.1.2 常见故障分析 |
| 2.1.3 需求分析 |
| 2.2 传感器布局优化 |
| 2.2.1 模态分析 |
| 2.2.2 谐响应分析 |
| 2.2.3 传感器布置与安装 |
| 2.3 数据采集与简要分析 |
| 2.3.1 数据采集 |
| 2.3.2 监测数据初步分析 |
| 2.4 本章总结 |
| 3 反弧门振动信号的数据预处理 |
| 3.1 卡尔曼滤波方法 |
| 3.1.1 卡尔曼滤波原理 |
| 3.1.2 扩展卡尔曼滤波 |
| 3.2 小波分析 |
| 3.3 小波阈值去噪 |
| 3.3.1 最优小波基选取 |
| 3.3.2 最大分解尺度确定 |
| 3.3.3 阈值函数选取 |
| 3.4 去噪效果分析与对比 |
| 3.5 小波包分解 |
| 3.6 本章小结 |
| 4 基于模糊C均值聚类的状态监测与识别 |
| 4.1 特征构造与提取 |
| 4.1.1 时域特征构造 |
| 4.1.2 频域特征构造 |
| 4.1.3 基于小波包能量的时频特征构造 |
| 4.2 基于主成分分析的特征选择与降维 |
| 4.3 基于模糊C均值聚类的状态分类 |
| 4.3.1 模糊C均值聚类算法 |
| 4.3.2 MeanShift优化后的模糊C均值聚类 |
| 4.4 反弧门状态监测与识别的实验验证 |
| 4.5 本章总结 |
| 5 反弧门状态监测与识别系统设计 |
| 5.1 状态监测与识别系统总体架构 |
| 5.2 状态监测与实时状态识别软件设计 |
| 5.2.1 软件功能模块设计 |
| 5.2.2 软件界面设计 |
| 5.3 本章总结 |
| 结论 |
| 参考文献 |
| 致谢 |
（3）宽带微功率无线通信系统中Rake接收机的FPGA设计与实现（论文提纲范文）
| 摘要 |
| abstract |
| 注释表 |
| 第1章 引言 |
| 1.1 研究目的与意义 |
| 1.2 国内外研究现状 |
| 1.3 论文组织结构 |
| 第2章 宽带微功率无线通信系统及Rake接收机关键技术 |
| 2.1 宽带微功率无线通信系统框架和重要参数设置 |
| 2.1.1 宽带微功率无线通信系统框架 |
| 2.1.2 宽带微功率无线通信系统的数学模型 |
| 2.1.3 帧结构及重要参数设置 |
| 2.2 多径Rake接收机的关键技术 |
| 2.2.1 分集合并技术 |
| 2.2.2 Rake接收机原理 |
| 2.2.3 多径搜索及检测算法 |
| 2.2.4 相位估计与补偿 |
| 2.2.5 Chirp同步方法研究 |
| 2.3 Rake接收机去噪预处理算法研究 |
| 2.3.1 基于EMD分解的去噪算法 |
| 2.3.2 CEEMD与小波阈值算法的联合去噪算法 |
| 2.4 本章小结 |
| 第3章 Rake接收机及去噪算法设计与仿真 |
| 3.1 联合去噪算法设计与仿真 |
| 3.1.1 CEEMD自适应阈值选取 |
| 3.1.2 小波基函数和分解层数的选取 |
| 3.1.3 去噪算法性能对比 |
| 3.2 多径Rake接收机设计与仿真 |
| 3.2.1 峰值检测 |
| 3.2.2 相位估计算法仿真 |
| 3.2.3 合并方式仿真 |
| 3.3 去噪预处理联合Rake接收机性能仿真 |
| 3.4 定点仿真 |
| 3.5 本章小结 |
| 第4章 Rake接收机关键模块的FPGA设计及仿真 |
| 4.1 FPGA设计与工具介绍 |
| 4.1.1 FPGA简介 |
| 4.1.2 Verilog HDL语言 |
| 4.1.3 Modelsim和 ISE软件 |
| 4.2 总体接收机设计说明 |
| 4.2.1 整体框图 |
| 4.2.2 关于测试相关说明 |
| 4.3 接收机关键模块设计及软件仿真 |
| 4.3.1 去噪模块设计 |
| 4.3.2 FFT峰值计算模块设计 |
| 4.3.3 多径搜索模块设计 |
| 4.3.4 Rake接收模块设计 |
| 4.3.5 资源占用率 |
| 4.4 软件无线电平台搭建及仿真 |
| 4.5 本章小结 |
| 第5章 总结与展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间从事的科研工作及取得的成果 |
（4）基于光纤环形腔激光麦克风的语音增强方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 光纤激光技术的发展史和研究现状 |
| 1.2 语音增强技术的发展史和研究现状 |
| 1.3 本文的研究内容和结构 |
| 第2章 基于光纤环形腔激光麦克风的结构分析 |
| 2.1 基于光纤环形腔激光麦克风的整体设计 |
| 2.2 光纤环形腔激光麦克风的结构组成和特征 |
| 2.3 光纤环形腔激光麦克风组成器件 |
| 2.3.1 泵浦源 |
| 2.3.2 谐振环形腔 |
| 2.3.3 法布里-珀罗(F-P)干涉滤波器 |
| 2.4 光纤环形腔激光麦克风的工作原理 |
| 2.4.1 EDFL工作原理 |
| 2.4.2 EDFL工作流程 |
| 2.5 环形腔时域模型理论计算分析 |
| 2.6 本章小结 |
| 第3章 光纤麦克风的语音信号分析与质量评估 |
| 3.1 语音信号产生及特征 |
| 3.1.1 语音特征 |
| 3.1.2 噪声特征 |
| 3.2 语音信号的数据采集 |
| 3.3 语音信号时域波形对齐处理 |
| 3.4 语音增强效果评价指标 |
| 3.4.1 主观评价方法 |
| 3.4.2 客观评价方法 |
| 3.5 本章小结 |
| 第4章 传统语音增强算法与实验分析 |
| 4.1 小波变换滤波语音增强算法 |
| 4.1.1 小波变换滤波算法分析 |
| 4.1.2 实验配置与结果分析 |
| 4.2 卡尔曼滤波语音增强算法 |
| 4.2.1 卡尔曼语音增强算法分析 |
| 4.2.2 实验配置与结果分析 |
| 4.3 对传统语音增强算法的质量评估 |
| 4.3.1 客观质量评价 |
| 4.3.2 语谱图分析 |
| 4.4 本章小结 |
| 第5章 神经网络语音增强算法与实验分析 |
| 5.1 基于DNN算法的语音增强 |
| 5.1.1 DNN语音增强网络结构 |
| 5.1.2 实验配置与结果分析 |
| 5.2 基于RNN算法的语音增强算法 |
| 5.2.1 RNN语音增强网络结构 |
| 5.2.2 实验配置和结果分析 |
| 5.3 对神经网络结构语音增强效果评估 |
| 5.3.1 客观质量评价 |
| 5.3.2 语谱图分析 |
| 5.4 本章小结 |
| 第6章 总结与展望 |
| 6.1 全文总结 |
| 6.2 工作展望 |
| 参考文献 |
| 发表论文和参加科研情况说明 |
| 致谢 |
（5）区域地下水埋深的数据驱动预报模型研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究目的及意义 |
| 1.2 国内外研究进展 |
| 1.2.1 数据驱动模型研究现状 |
| 1.2.2 存在的问题 |
| 1.3 研究内容和技术路线 |
| 1.3.1 研究内容 |
| 1.3.2 技术路线 |
| 1.4 本章小结 |
| 第二章 基本理论概述 |
| 2.1 变模态分解方法的原理与流程 |
| 2.1.1 VMD算法原理 |
| 2.1.2 VMD算法步骤 |
| 2.2 小波分析 |
| 2.3 误差反传前馈网络模型 |
| 2.3.1 人工神经网络 |
| 2.3.2 误差反传前馈网络 |
| 2.4 支持向量机 |
| 2.5 极限学习机 |
| 2.5.1 极限学习机原理 |
| 2.5.2 核极限学习机 |
| 2.6 粒子群优化算法原理 |
| 第三章 基于VMD分解的地下水埋深序列统计特征分析 |
| 3.1 研究区概况 |
| 3.1.1 自然地理特征 |
| 3.1.2 气候 |
| 3.1.3 地下水概况 |
| 3.2 研究区站点情况 |
| 3.2.1 地下水埋深数据特性分析 |
| 3.2.2 变模态分解方法的应用 |
| 3.3 模型综合评价指标 |
| 3.4 本章小结 |
| 第四章 基于人工神经网络模型的地下水埋深预报 |
| 4.1 BP神经网络 |
| 4.1.1 模型的构建 |
| 4.1.2 结果分析与比较 |
| 4.2 支持向量机 |
| 4.2.1 模型的构建 |
| 4.2.2 结果分析与比较 |
| 4.3 核极限学习机 |
| 4.3.1 模型的构建 |
| 4.3.2 结果分析与比较 |
| 4.4 本章小结 |
| 第五章 基于小波消噪的混合预测模型 |
| 5.1 基于小波消噪的混合预测模型的构建 |
| 5.2 模型的应用 |
| 5.2.1 基于小波消噪的BP神经网络混合预报模型 |
| 5.2.2 基于小波消噪的SVM混合预报模型 |
| 5.2.3 基于小波消噪的KELM混合预报模型 |
| 5.3 本章小结 |
| 第六章 基于VMD分解消噪技术的混合预测模型 |
| 6.1 基于分解技术的混合预测模型的构建 |
| 6.2 模型应用 |
| 6.2.1 基于VMD消噪技术的BP混合预报模型 |
| 6.2.2 基于VMD消噪技术的SVM混合预报模型 |
| 6.2.3 基于VMD消噪技术的KELM混合预报模型 |
| 6.3 本章小结 |
| 第七章 模型的综合评价 |
| 第八章 结论与展望 |
| 8.1 结论 |
| 8.2 展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（6）基于带状分布的多个加速度传感器对人体基本运动状态的区分（论文提纲范文）
| 摘要 |
| Abstract |
| 1 前言 |
| 1.1 研究背景 |
| 1.2 研究目的与意义 |
| 1.3 研究假设 |
| 2 文献综述 |
| 2.1 数据采集的相关研究 |
| 2.2 强相关逻辑的研究 |
| 2.3 预处理与特征值选取的相关研究 |
| 2.4 分类算法与识别率的相关研究 |
| 3 研究方法 |
| 3.1 研究对象 |
| 3.2 测试仪器 |
| 3.3 实验方案 |
| 3.4 数据处理优化 |
| 3.5 分类算法 |
| 4 实验结果 |
| 4.1 同一位点VICON与加速度传感器同步采集的信号曲线对比结果 |
| 4.2 小波去噪最佳参数滤波质量对比结果 |
| 4.3 特征值在不同动作间的统计学比较结果 |
| 4.4 基于皮亚诺相关系数的符号计算分类方法结果 |
| 4.5 不同特征值矩阵的识别准确率对比结果 |
| 5 基于MATLAB的模式识别界面 |
| 6 带状分布加速度传感器信号采集平台的设计 |
| 6.1 系统整体架构设计 |
| 6.2 传感器模块的设计 |
| 6.3 控制器模块的设计 |
| 6.4 蓝牙传输模块的设计 |
| 6.5 界面显示模块的设计 |
| 7 讨论 |
| 7.1 采集装置 |
| 7.2 预处理 |
| 7.3 特征值提取与选择 |
| 7.4 算法分类 |
| 8 结论 |
| 参考文献 |
| 附录 |
| 致谢 |
（7）基于小波变换和盲源分离的齿轮箱故障诊断研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题背景及研究意义 |
| 1.2 齿轮箱故障诊断的国内外研究现状 |
| 1.3 小波变换理论发展现状 |
| 1.4 盲源分离理论发展现状 |
| 1.5 论文主要研究内容 |
| 第二章 齿轮箱故障机理及振动信号分析 |
| 2.1 齿轮振动特征分析 |
| 2.1.1 齿轮振动模型 |
| 2.1.2 齿轮的振动频率特征 |
| 2.1.3 齿轮主要故障类型 |
| 2.1.4 仿真齿轮故障信号 |
| 2.2 滚动轴承振动特征分析 |
| 2.2.1 滚动轴承振动模型 |
| 2.2.2 滚动轴承主要故障类型 |
| 2.2.3 仿真轴承故障信号 |
| 2.3 齿轮箱振动信号分析方法 |
| 2.3.1 时域分析 |
| 2.3.2 频域分析 |
| 2.3.3 时频分析 |
| 2.4 本章小结 |
| 第三章 齿轮箱试验台及振动数据的采集 |
| 3.1 实验设备 |
| 3.1.1 动力传动故障诊断综合试验台 |
| 3.1.2 试验台齿轮箱结构介绍 |
| 3.1.3 数据采集设备与传感器布置位置 |
| 3.2 实验工况及步骤 |
| 3.2.1 实验工况 |
| 3.2.2 实验步骤 |
| 3.3 齿轮箱振动信号的采集 |
| 3.4 本章小结 |
| 第四章 约束独立分量分析仿真研究 |
| 4.1 数学基础 |
| 4.1.1 统计独立性 |
| 4.1.2 多元高斯变量 |
| 4.1.3 不相关 |
| 4.2 独立分量分析 |
| 4.2.1 ICA的数学模型 |
| 4.2.2 ICA模型的假设条件与性质 |
| 4.2.3 预处理过程 |
| 4.2.4 Fast ICA算法 |
| 4.2.5 仿真试验分析 |
| 4.3 约束独立分量分析 |
| 4.3.1 约束独立分量分析的优点 |
| 4.3.2 约束独立分量分析的原理 |
| 4.3.3 参考信号的建立 |
| 4.3.4 评价指标 |
| 4.3.5 仿真试验分析 |
| 4.4 本章小结 |
| 第五章 改进小波阈值降噪方法研究 |
| 5.1 小波变换与小波基函数 |
| 5.1.1 小波变换 |
| 5.1.2 小波基函数 |
| 5.2 小波阈值降噪原理 |
| 5.3 传统的阈值函数及选取规则 |
| 5.4 改进的小波阈值函数 |
| 5.5 试验分析 |
| 5.5.1 仿真试验分析 |
| 5.5.2 实测试验分析 |
| 5.6 本章小结 |
| 第六章 基于IWT-CEEMD-CICA的齿轮箱故障诊断方法 |
| 6.1 虚拟通道法 |
| 6.2 EMD系列信号分解方法 |
| 6.2.1 EMD方法基本原理 |
| 6.2.2 EEMD方法基本原理 |
| 6.2.3 CEEMD方法基本原理 |
| 6.3 EMD、EEMD和 CEEMD仿真试验对比 |
| 6.4 基于IWT-CEEMD-CICA算法在齿轮箱故障诊断中的应用 |
| 6.4.1 IWT-CEEMD-CICA算法 |
| 6.4.2 仿真试验验证 |
| 6.4.3 实测试验验证 |
| 6.5 本章小结 |
| 第七章 结论与展望 |
| 7.1 结论 |
| 7.2 展望 |
| 参考文献 |
| 致谢 |
| 个人简历、在学期间的参研课题及研究成果 |
（8）基于小波变换的语音信号去噪算法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 语音去噪的研究现状 |
| 1.3 小波在语音去噪中的研究概况 |
| 1.3.1 小波分析发展简介 |
| 1.3.2 小波去噪发展简介 |
| 1.4 本文工作内容及论文组织架构 |
| 第二章 语音去噪技术分析 |
| 2.1 语音信号特点及人耳感知特性 |
| 2.1.1 语音信号产生及模型 |
| 2.1.2 语音信号特性 |
| 2.1.3 人耳感知特性 |
| 2.2 噪声特性及分类 |
| 2.3 语音去噪效果评价指标 |
| 2.3.1 主观评价 |
| 2.3.2 客观评价 |
| 2.4 几种常用的语音去噪方法 |
| 2.4.1 减谱法 |
| 2.4.2 卡尔曼滤波法 |
| 2.4.3 最小均方误差法 |
| 2.4.4 自适应噪声抵消法 |
| 2.5 本章小结 |
| 第三章 小波分析与小波去噪研究 |
| 3.1 常用信号分析方法 |
| 3.1.1 傅里叶变换 |
| 3.1.2 短时傅里叶变换 |
| 3.1.3 小波分析 |
| 3.2 小波变换 |
| 3.2.1 连续小波变换 |
| 3.2.2 离散小波变换 |
| 3.2.3 多分辨率分析和Mallat算法 |
| 3.2.4 离散序列的小波分解与重构 |
| 3.3 小波去噪法 |
| 3.3.1 小波模极大值去噪方法 |
| 3.3.2 小波系数尺度相关去噪法 |
| 3.3.3 平移不变量去噪法 |
| 3.3.4 小波阈值去噪法 |
| 3.4 小波阈值法去噪分析 |
| 3.4.1 小波阈值去噪法的基本原理 |
| 3.4.2 小波基和分解层数的选择 |
| 3.4.3 阈值选取规则 |
| 3.4.4 常用的阈值函数 |
| 3.5 常见阈值函数去噪算法仿真分析 |
| 3.6 本章小结 |
| 第四章 改进小波阈值去噪算法 |
| 4.1 一种改进的阈值函数 |
| 4.1.1 改进的阈值函数 |
| 4.1.2 阈值选取 |
| 4.1.3 仿真实验与结果分析 |
| 4.2 小波阈值去噪算法与卡尔曼滤波法相结合算法 |
| 4.2.1 低信噪比语音小波阈值与卡尔曼滤波法去噪 |
| 4.2.2 仿真实验与结果分析 |
| 4.3 本章小结 |
| 第五章 总结与展望 |
| 5.1 本文工作总结 |
| 5.2 未来展望 |
| 参考文献 |
| 附录1 攻读硕士学位期间撰写的专利 |
| 致谢 |
（9）葛洲坝电厂机组稳定性分析（论文提纲范文）
| 1 水电机组振动 |
| 2 水电厂最优维护信息系统 |
| 2.1 葛洲坝水电厂最优维护信息系统 |
| 2.2 基于Daubechis小波去噪 |
| 2.3 快速傅里叶分析 |
| 3 葛洲坝电厂10#组稳定性分析及检修 |
| 3.1 10#机组稳定性数据分析 |
| 3.2 10#机组检修方案制定 |
| 4 检修质量评估 |
| 5 结束语 |
（10）基于小波分析的语音增强算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 语音信号处理技术概况 |
| 1.2 语音增强技术的发展与现状 |
| 1.2.1 语音增强技术的意义 |
| 1.2.2 噪声的种类和特点 |
| 1.2.3 语音增强技术的发展 |
| 1.3 课题研究的背景与意义 |
| 1.4 课题研究的主要内容与结构 |
| 2 几种常用的语音增强方法 |
| 2.1 自适应噪声抵消法 |
| 2.2 谱减法语音增强技术 |
| 2.3 基于weiner滤波法的语音增强方法 |
| 2.4 本章小结 |
| 3 小波变换在信号处理中的应用 |
| 3.1 小波理论的提出和发展 |
| 3.2 小波变换的基本性质 |
| 3.2.1 小波变换与傅里叶变换 |
| 3.2.2 连续小波变换与离散小波变换 |
| 3.2.3 多分辨分析 |
| 3.2.4 Mallat快速分解法 |
| 3.2.5 几种常用的小波函数介绍 |
| 3.3 小波变换在降噪中的应用 |
| 3.3.1 屏蔽去噪法 |
| 3.2.2 模极大值法 |
| 3.2.3 阈值去噪法 |
| 3.4 本章小结 |
| 4 小波阈值降噪在语音增强中的应用 |
| 4.1 阈值降噪中小波基函数的选择 |
| 4.1.1 小波基函数的基本性质 |
| 4.1.2 小波基函数对阈值降噪的影响 |
| 4.2 阈值降噪中阈值函数的研究 |
| 4.2.1 硬阈值与软阈值 |
| 4.2.2 阈值函数对阈值降噪的影响 |
| 4.3 阈值降噪中的阂值确定算法 |
| 4.3.1 几种典型的阈值确定算法 |
| 4.3.2 不同阈值选择下的降噪效果 |
| 4.3.3 改进的阈值选择算法 |
| 4.4 本章小结 |
| 5 阈值降噪中最优分解层数 |
| 5.1 分解层数对降噪效果的影响 |
| 5.1.1 不同分解层数下的降噪效果分析 |
| 5.1.2 噪声在各个分解层数下的传播特性 |
| 5.2 基于奇异谱分析的最优分解层数确定 |
| 5.2.1 奇异谱分析的基本概念 |
| 5.2.2 对带噪信号进行奇异谱分析 |
| 5.3 语音增强中的最优分解层数确定 |
| 5.3.1 各分解层数下小波系数的奇异谱特性 |
| 5.3.2 最优分解层数的判定方法 |
| 5.3.3 最优分解层数在语音增强中的应用 |
| 5.3.4 奇异谱分析在噪声判定中的应用 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 6.1 课题总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 读研期间主要科研成果 |
四、Daubechis小波系数（论文参考文献）
- [1]基于监测数据时频域特征统计分析的桥梁安全预警研究[D]. 曹晓龙. 大连理工大学, 2021(01)
- [2]船闸反弧门运行状态的监测系统研究[D]. 徐蕾. 大连海事大学, 2020(01)
- [3]宽带微功率无线通信系统中Rake接收机的FPGA设计与实现[D]. 刘少华. 重庆邮电大学, 2020(02)
- [4]基于光纤环形腔激光麦克风的语音增强方法研究[D]. 马敬敬. 天津大学, 2020
- [5]区域地下水埋深的数据驱动预报模型研究[D]. 郭田丽. 西北农林科技大学, 2020(02)
- [6]基于带状分布的多个加速度传感器对人体基本运动状态的区分[D]. 沈傲立. 上海体育学院, 2020(01)
- [7]基于小波变换和盲源分离的齿轮箱故障诊断研究[D]. 韩博跃. 石家庄铁道大学, 2019(03)
- [8]基于小波变换的语音信号去噪算法研究[D]. 洪民江. 南京邮电大学, 2018(02)
- [9]葛洲坝电厂机组稳定性分析[J]. 蒋小辉,李初辉,张家治,丁伦军. 测控技术, 2017(05)
- [10]基于小波分析的语音增强算法研究[D]. 赵世明. 安徽理工大学, 2012(12)