搜索资源列表
emd
- 经验模态分解方法简称EMD方法。该方法从本质上讲是对一个信号进行平稳化处理，其结果是将信号中真实存在的不同尺度波动或趋势逐级分解开来，产生一系列具有不同特征尺度的数据序列。-Empirical mode decomposition method is referred to as the EMD method. This method is in essence a signal smoothing processing, the result is the real signal differ
wavelet-decomposition
- 利用多尺度小波分解函数dwt2对图像进行二尺度小波分解（仍然采用db1小波）-(Still using db1 wavelet multi-scale wavelet decomposition of the two-scale wavelet decomposition function dwt2 image)
Multiscale-NPE-FOR-fault-detection
- 首先对一段正常工况下的历史数据进行离散小波分解,对不同尺度下的小波系数建立相应的NPE模型.经过多层小波分解,建立相应的统计量对过程进行监控-First discrete wavelet decomposition of some normal conditions of historical data, the NPE model wavelet coefficients in different scales. Multilayer wavelet decomposition, the es
wavelet
- 对原始含噪声的信号由小波分解后的小波系数来描述，然后将个尺度上有噪声产生的小波分量去掉，这样保留下来的小波系数基本上是原始信号的小波系数，然后利用小波重构算法重构原始信号-Original noisy signal described by the wavelet coefficients of the wavelet decomposition, then the noise generated by wavelet components removed on a scale, which r
wavelet
- 用c语言写的db4多尺度小波去噪代码，效仿matlab的方式，将分解后的系数存放在原数组里-Db4 multi-scale wavelet denoising code, c language written emulate matlab manner, the decomposition coefficients stored in the original array
LPDecompostion
- 自己写的拉普拉斯金字塔分解，对图像进行拉普拉斯分解形成多尺度的分解-Write your own Laplacian pyramid decomposition carried out the Laplace decomposition to form a multi-scale decomposition of the image
WAVE-weifengyin
- 小波变换具有多分辨率分析的特点，并且在时频两域都具有表征信号局部特征的能力。小波变换通过将时间系列分解到时间频率域内，从而得出时间系列的显著的波动模式，即周期变化动态，以及周期变化动态的时间格局（Torrence and Compo, 1998）。小波（Wavelet），即小区域的波，是一种特殊的、长度有限，平均值为零的波形。它有两个特点：一是“小”，二是具有正负交替的“波动性”，即直流分量为零。小波分析是时间（空间）频率的局部化分析，它通过伸缩平移运算对信号（函数）逐步进行多尺度细化，能自动适
小波去噪程序
- 局部放电试验所采集的信号中往往混有白噪声、周期干扰信号去除。此处采用常用db系列小波中的db6小波进行9尺度的多分辨分解后，根据白噪声能量特性，估算各尺度的阈值大小，采用硬值进行处理，后进行重构。Matlab程序如下：
package_emd
- 经验模态分解代码，依据数据自身的时间尺度特征来进行信号分解，无须预先设定任何基函数。-Empirical mode decomposition code, based on the data of their characteristic time scale for signal decomposition, no need of any of a set of basis function.
wave1
- 小波单尺度和多尺度的分解和重构，显示最低频和所有高频系数及重构信号-Wavelet single-scale and multi-scale decomposition and reconstruction, show the low-frequency and high-frequency coefficients and the reconstructed signal
EEMD
- EEMD是针对EMD方法的不足,提出了一种噪声辅助数据分析方法。EEMD分解原理为:当附加的白噪声均匀分布在整个时频空间时,该时频空间就由滤波器组分割成的不同尺度成分组成。当信号加上均匀分布的白噪声背景时,不同尺度的信号区域将自动映射到与背景白噪声相关的适当尺度上去。当然,每个独立的测试都可能会产生非常嘈杂的结果,这是因为每个附加噪声的成分都包括了信号和附加的白噪声。既然在每个独立的测试中噪声是不同的,当使用足够测试的全体均值时,噪声将会被消除。全体的均值最后将会被认为是真正的结果,唯一持久稳固
The-empirical-mode-decomposition-
- 应用经验模式分解将恒电量瞬态响应信号分解为不同时间尺度的内在模函数分量，去除其中的小时间尺度的干扰噪声分量-Empirical mode decomposition coulostatic transient response signal is decomposed into different time scales intrinsic mode function component, remove the small time scale interference noise compon
ECG-Detection-use-wavelet
- 本文把小波变换应用于心电信号的识别。探讨了伸缩尺度和伪频率(译自pseudo—frequency)-~．间的关系；利用二进双正 交样条小波对室扑信号按Mallat算法进行小波分解；提出了心室扑动和心室颤动信号的小波变换识别方法-Wavelet transform in used to identify the ECG si a1．The relation between scale and pseudo—frequency is discussed．The ventrlcular flu
midwt
- 进行多尺度小波变换，能够得到较一般的小波变换更好的分解结果-Multi-scale wavelet transform
Hilbert335
- 测量6205深沟球轴承的故障振动加速度信号, 对信号进行时频分析, 利用经验模态分解方法将振动信号分解成不同特征时间尺度的固有模态函数,对每个固有模态函数进行Hilbert 变换得到Hilbert 谱,通过谱分析识别轴承的故障部位和类型, 证实Hilbert 谱的有效性-Measuring 6205 deep groove ball bearing fault vibration acceleration signal, the signal frequency analysis, empiri
dbwavelets
- 使用db小波分解与重构的方法来实现多尺度边缘检测，具有较好的边缘检测效果-Use db wavelet decomposition and reconstruction methods to realize the multi-scale edge detection, edge detection has good results
eemd
- 经验模态分解（Empirical Mode Decomposition, EMD）方法是由美国NASA的黄锷博士提出的一种信号分析方法。它依据数据自身的时间尺度特征来进行信号分解，无须预先设定任何基函数。EMD方法在理论上可以应用于任何类型的信号的分解，因而在处理非平稳及非线性信号序列上具有很高的信噪比，体现出非常明显的优势。-Empirical Mode Decomposition (EMD) is a signal analysis method proposed by the U.S. N
DWT-watermarkzip
- 小波分析是从傅立叶分析发展出来的一种新的时间频率分析方法，由于它的多尺度分析特征，又被称为时间尺度分析方法。小波变换的基本思想是将原始信号经伸缩及平移后，分解为一系列具有不同空间分辨率、不同频率特性和方向特性的子带信号，这些子带信号具有良好的时域、频域局部特性，这些特征可用来表示原始信号的局部特征，进而实现对信号时间、频率的局部化分析。-DWT-watermark method
62
- 对重分配小波尺度谱存在着时、频分辨率不能同时达到最佳及当振动信号中存在着能量较大的噪声时会降低其时频分布可读性的缺陷，提出一种基于参数优化和奇异值分解(SVD)提高重分配尺度谱时频分布可读性的方法。首先利用Shan— non熵方法优化重分配尺度谱基函数的时间．带宽积(TBP)，克服其时、频分辨率不能同时达到最佳的缺陷，再对重分配尺度谱 进行SVD降噪降低噪声干扰影响，提高时频分布的可读性。最后用该方法对仿真信号和滚动轴承故障信号进行了分析，结果表明该方法的时频聚集性更好，抗噪能力更强，能
exam_leleccu
- 基于leleccum的小波分解重构案例.本文件通过案例剖析详细阐述了小波分解与重构常用命令的运用技巧。内容包括多级小波分解、直接重构、单尺度重构、单支重构、重构误差分析、波形数据去噪等。案例基于leleccum数据集，图文并茂，层次分明，对比显著，便于学习领会。-A wavelet example based on leleccum dataset