搜索资源列表
-
1下载：
三种非平稳信号时频分析的方法 窗口傅里叶变换、wigner分布和小波变换-Three non-stationary time-frequency analysis window Fourier transform, wigner distribution and wavelet transform
-
-
0下载：
对设备进行故障诊断的主要方法就是测量故障
设备的振动或噪声, 并对其进行分析, 从而找出故障原因。然而振动或噪声信号中除了对分析故障有用的信息外, 还有大量的噪声成分。只有有效地滤除噪声, 才能获得有用的信息, 从而得到可靠的分析结论。传统的滤噪方法是将被噪声污染的信号通过一个滤波器, 滤掉噪声频率成分。但对于短时瞬态信号、非平稳信号、含宽带噪声的信号, 采用传统处理方法有着明显的局限性。小波变换为信号去噪提供了一种有效的方法, 小波阈值去噪具有传统方法不可比拟的优越性。但是小波分解的频域重
-
-
1下载：
以离散平稳小波变换的心电信号噪声去除方法为基础，根据噪声的不同来源及其频带分布特点，对变换后的细节信号采用不同的阈值去噪方案。并提出一种基于准则原理的阈值选取方法。经国际标准数据库中验证，试验表明，该方法行之有效-With discrete stationary wavelet transform of ecg signal to noise removal method as the foundation, according to the different sources of noise
-
-
0下载：
电压跌落是最严重的动态电能质量问题之一，
精确定位电压跌落起止时间是应对电压跌落问题的
重要前提和基础。由于电压采样信号往往有噪声分
量，现有的方法在定位电压跌落的起止时间时存在
局限性。本文提出利用多小波变换及相邻系数去噪
的电压跌落定位方法。多小波兼有对称性、正交性、
有限支撑性和二阶消失矩等优异的信号处理性能，
利用GHM多小波可以准确定位电压跌落起止时间。
多小波变换系数在每层之间具有对应关系，多小波
相邻系数将紧相邻的若干个系数作为一个整体来确
-
-
1下载：
针对滚动轴承复合故障信号特征难以分离的问题， 提出将双树复小波变换和独立分量分析( ICA) 结合的故障诊断方
法 该方法首先将非平稳的故障信号通过双树复小波变换分解为若干不同频带的分量 由于各个分量存在一定的频率混叠， 对
故障信号特征提取有很大的干扰， 进而引入 ICA 对各个分量所组成的混合信号进行盲源分离， 从而尽可能消除频率混叠 最后
对从混合信号中分离出来的独立分量信号进行希尔伯特包络解调， 即可实现对复合故障特征信息的分离和故障识别-Aiming at the diff
-
-
0下载：
首先将非平稳的故障振动信号进行双树复小波包分解，得
到不同频带的分量；然后对每个分量求其峭度值和相关系数并进行比较；最后选取峭度值和相关系数较大的分量
进行软阈值降噪和双树复小波包重构，即可有效地消除振动信号中噪声的干扰，同时保留信号中的有效信息即实
现了故障特征信息的提取。-In view of the above situation, a new fault diagnosis
method is proposed based on dual-tree complex wa
-
-
0下载：
Discrete wavelet transform of any non stationary signal.
-
-
0下载：
i am doing my project in image fusion . i send the image fusion program using stationary wavelet transform. so i need image fusion program using different types of transform.
-
-
0下载：
this file include code for image fusion using different methods. The methods used in the code are discrete wavelet transform, stationary wavelet transform, fast Fourier transform, Steerable transform with weighted and adaptive weighted algorithm.
-
-
0下载：
The Discrete Wavelet Transform (DWT) is a transformation that can be used to analyze the
temporal and spectral properties of non-stationary signals like audio. In this paper we describe some
applications of the DWT to the problem of extracting in
-
-
0下载：
There a lot of time–frequency methods used for studying the time–frequency distribution of the nonlinear and non-stationary signal, such as short time Fourier transform (STFT) (Zhang and Bao, 1998), Wavelet transform (WT) (Hu et al., 2009), S-transfo
-
