导读:本文包含了通道小波变换论文开题报告文献综述及选题提纲参考文献，主要关键词:双树复小波变换,主成分分析,快速独立分量分析,单通道盲源分离
通道小波变换论文文献综述
杨柳依,马社祥,孟鑫[1]（2019）在《基于双树复小波变换的单通道盲源分离算法》一文中研究指出单通道盲源分离(SCBSS)技术是在未知任何先验信息的条件下,仅由一路接收信号估计出多路源信号的信号处理方法,目前的SCBSS算法仍没办法完全精确地分离出所有源信号。为了提高部分源信号的分离精度,提出一种基于双树复小波变换(DTCWT)的单通道盲源分离算法。算法先用DTCWT对混合信号进行分解,再由PCA从分解信号中筛选出数目比源信号数目少一个的信号分量,这些分量与混合信号一起构成虚拟的多通道信号,最后用Fast-ICA估计出各个源信号。上述方法极大程度地减少了传统小波分解中的频率混迭问题。实验证明,和基于传统小波分解的单通道盲源分离算法相比,上述算法的分离性能得到了明显的改善。(本文来源于《计算机仿真》期刊2019年10期）
鲍文霞,解栋文,朱明,梁栋[2]（2019）在《结合聚合通道特征和双树复小波变换的手势识别》一文中研究指出目的针对目前手势识别方法受环境、光线、旋转、缩放、肤色等因素的影响,导致手势识别精度下降的问题,提出一种结合聚合通道特征(ACF)的手势检测和双树复小波变换(DTCWT)的复杂背景下手势识别方法。方法在手势图像预处理过程中引入聚合通道特征,采用Adaboost分类器和非极大值抑制算法(NMS)进行目标手势的检测;利用DTCWT对目标手势图像进行多尺度多方向分解,对高低频系数的每一块分别提取方向梯度直方图(HOG)和局部二值模式(LBP)特征;最后融合各个方向上的高低频特征并通过支持向量机(SVM)进行分类识别。结果选取多个场景、多个对象、不同角度和距离的图像作为训练集,并标注区分前背景,对20种手势进行识别实验,并与传统的肤色检测、HOG特征手势识别、类-Hausdorff距离的手势识别算法进行了实验对比。在任意可承受范围内的光照、距离等情况下,该方法能够更准确实时地实现手势识别,平均精度达到95. 1%。结论在图像预处理的情况下,聚合通道特征的引入能够准确检测手势,同时基于DTCWT的手势图像频域特征提取和再融合的方法有效地解决了传统普通图像的单特征识别方法在光线和复杂背景下识别精度不高的问题。(本文来源于《中国图象图形学报》期刊2019年07期）
姜涛,刘方正,陈厚合,李雪,李国庆[3]（2019）在《基于多通道快速傅里叶小波变换的电力系统主导振荡模式及模态协同辨识方法研究》一文中研究指出针对连续小波变换在主导振荡模式辨识中存在效率低的不足,提出一种快速傅里叶小波变换(CWTFT)方法以提高小波变换效率;针对单通道小波辨识的结果受振荡模式可观性影响的缺陷,提出一种多通道CWTFT,实现多通道量测信息的时频域分解,进而获得对应的小波系数矩阵;在此基础上,借助小波尺度相对能量甄别出与主导振荡模式强相关的关键小波尺度,以其为基准重构小波系数矩阵;对重构的小波系数矩阵进行奇异值分解,利用重构小波系数矩阵的第一左、右奇异特征向量辨识系统主导振荡模式及振荡模态。将所提方法应用到16机68节点测试系统和南方电网的广域实测数据中,结果验证了该方法的准确性和有效性。(本文来源于《电力自动化设备》期刊2019年07期）
阮晓宇,韩超[4]（2019）在《基于小波变换的双通道脉冲耦合神经网络图像融合》一文中研究指出提出了一种基于小波变换的双通道脉冲耦合神经网络的图像融合方法.先使用小波变换的方法来分解配准后的各个源图像,进而得到各个源图像的低频分量和高频分量,再把得到的低频和高频系数进行融合处理,使用高斯加权平均的低频融合规则来处理低频子带,利用双通道脉冲耦合神经网络的融合规则处理各高频子带,链接系数为图像的清晰度.融合后的小波系数取决于点火图和点火次数的多少,最后的融合图像由小波逆变换得到.实验结果表明,该方法能更有效地提取原始图像的特征信息,在主观视觉效果以及客观性能指标上较传统算法都有所改善.(本文来源于《平顶山学院学报》期刊2019年02期）
杨柳依[5]（2019）在《基于双树复小波变换的单通道盲源分离算法研究》一文中研究指出自动识别系统(AIS)是一种应用于海上交通的广播式自动报告系统,它不仅能够保障船舶航海的安全性,还可以提高海上通信的效率。船载AIS是用船舶作为载体来携带AIS设备,这也是AIS的初期形式。随后,星载AIS的概念又被人们提出,目的是为了实现在海上的更大范围的通信管理,并且进一步提高AIS传输信息的有效性。但是由于星载AIS各方面的发展年限均不长,目前还有很多尚待解决的关键技术问题,比如多消息冲突现象、电磁波长距离传输损耗和传输延迟等。本文的研究内容主要是围绕着星载AIS中存在的信号混合问题而展开的,具体内容如下:(1)提出一种基于双树复小波变换(DTCWT)的单通道盲源分离算法。该算法先用DTCWT来分解接收信号;再用主成分分析法从分解后的信号中筛选出部分信号(所选信号数目比源信号总数目少一个);这些筛选出的信号与原来的接收信号一起构成虚拟多通道混合信号;最后,通过快速独立成分分析(Fast-ICA)法来估计得出源信号。该方法大大减少了存在于传统小波分解中的频率混迭问题。仿真结果也表明:与基于传统小波变换的单通道盲源分离算法相比,算法的分离性能得到了显着的提高。(2)提出一种基于提升Q-shift双树复小波变换的单通道盲源分离算法。Q-shift双树复小波变换通常用来解决一般DTCWT中因为结构对称性差而引起的两树频率响应不完全相同的问题。同时,提升算法又将Q-shift DTCWT的运算全部转换在时域中进行,降低了算法复杂度,节省了运行内存和时间。仿真结果证明:所提算法在保证了基于DTCWT的单通道盲源分离算法的分离性能之外,还缩短了计算机的运行时间,提高了分离算法的实时性能。(3)提出一种基于DTCWT和集成经验模式分解(EEMD)的单通道盲源分离算法。该算法先用DTCWT来分解接收信号,再从中选出部分信号经由EEMD处理,得到多组本征模态分量,然后从每组模态分量信号中选出一个信号,并与原接收信号构成多通道混合信号,继而通过Fast-ICA进行估计,从而获得分离源信号。仿真结果表明:与基于EEMD(或者DTCWT)的单通道盲源分离算法相比,该算法提高了在高信噪比下的信号分离性能,与此同时,在低信噪比条件下,该算法还具有基于DTCWT的单通道盲源分离算法的抗噪能力。(本文来源于《天津理工大学》期刊2019-03-01）
丁奇安,徐晓光,王珍[6]（2018）在《一种暗通道先验结合小波变换的图像去雾优化算法》一文中研究指出基于暗通道先验的去雾算法是最具有代表性的图像复原算法之一,但仅仅利用暗通道去雾的图像会产生一定程度的颜色失真。针对单幅图像暗通道先验算法造成的图像色彩失真问题,提出了一种基于小波变换的色阶补偿方法。将待去雾图像的低频通道和粗暗通道去雾后图像的高频通道添加合适的权重,之后通过小波变换将待去雾图像与粗暗通道处理过后得到的图像进行多次融合,从而基于原有图像的色阶对暗通道处理造成的颜色失真进行一定程度的补偿。采用信息熵为依据的客观计算机评价,将该算法与其他去雾算法进行比较。仿真结果表明,补偿过后的图像具有较好的观测效果,优于仅采用暗通道先验去雾算法的图像。(本文来源于《四川理工学院学报(自然科学版)》期刊2018年05期）
刘方正[7]（2018）在《基于快速傅里叶小波变换和奇异值分解的电力系统主导振荡参数多通道辨识方法》一文中研究指出随着用电需求的猛增和建设规划的日趋完善,我国的电网建设正在向着规模巨大、互联密切的方向飞速发展,而大规模、广互联的特性使得如今的电网系统常工作于临界状态并且网内的任意一点发生任何的异常都会对整个网络带来或大或小的影响。有些影响会通过网络自身逐步消失,而有些可能会逐步扩大、发展,影响电网的安全稳定运行。低频振荡现象就是其中一种普遍存在的可能会对电网造成无法挽回后果的波动现象。因此,对于低频振荡的振荡模式等参数的辨识,用以作为后续电网运行的调整,有着重要的现实意义。电力系统的主导振荡模式、主导振荡模态和主导振荡参与因子是电力系统小扰动稳定分析的重要研究内容,而目前基于广域量测信息的电力系统小扰动分析绝大部分聚焦于电力系统的主导振荡模式辨识,对与主导振荡模式强相关的振荡模态和参与因子的辨识尚未进行有效研究。针对这一不足,本文采用一种基于多通道快速傅里叶小波变换的电力系统主导振荡模式、模态及参与因子协同辨识方法。针对连续小波变换在系统主导振荡模式辨识中存在效率低下的问题,引用一种快速傅里叶小波变换方法以提高小波变换在电力系统主导振荡辨识中的效率;然后针对连续小波变换和快速傅里叶小波变换的单通道辨识方法的辨识结果易受振荡模式可观性影响的缺陷,采用一种多通道快速傅里叶小波变换,实现多通道量测信息的时频域分解,进而获得对应的小波系数矩阵;在此基础上,借助小波尺度相对能量甄别出与系统主导振荡模式强相关的关键小波尺度;以关键小波尺度为基准,重构小波系数矩阵;对重构的小波系数矩阵进行奇异值分解,利用重构小波系数矩阵的第一左、右奇异特征向量辨识系统主导振荡模式、振荡模态和参与因子,实现基于广域量测信息的电力系统主导振荡模式、模态及参与因子的协同辨识。将本文所提方法应用到16机68节点测试系统和南方电网的仿真数据以及南方电网的广域实测数据中进行分析、验证,分析结果验证了本文所提方法的准确性和有效性。(本文来源于《东北电力大学》期刊2018-05-01）
魏颖慧,张彦娥,梅树立,魏帅钧[8]（2017）在《基于暗通道先验和区间插值小波变换的图像去雾霾方法》一文中研究指出针对在雾霾天气条件下采集到的图像质量退化,影响现代化农业精准作业的问题,该文提出一种基于暗通道先验理论和区间插值小波变换的图像去雾新方法。该文将暗通道先验模型和区间插值小波变换相结合,期望能有效滤除雾霾信息,恢复景物颜色特征,使图像更加清晰。结果表明:经过该方法处理后,图像整体较明亮,图像的对比度和清晰度都得到提高,达到滤除图像中雾霾的效果。主观上符合人眼的观察感受,图像的层次感突出,景物细节纹理也保持较好,彩色图像的色彩饱和度被很好地保持住,图像的失真度较低,逼近景物的真实颜色。去雾效果与暗通道先验算法对比,该文算法标准差数值在R通道平均提高25.44%;G通道平均提高27.90%;B通道平均提高26.24%。因此,采用该方法可以实现图像去雾,为进一步准确获取图像信息奠定基础,适应于现代精准农业的应用。(本文来源于《农业工程学报》期刊2017年S1期）
苑尚博,高轶琛,宋笑影,罗军,黄启俊[9]（2015）在《暗通道结合小波变换的雾天图像复原》一文中研究指出在雾天条件下,由于大气中悬浮微粒的散射作用,经图像传感器获得的图像会出现能见度低、对比度差等退化现象。传统的暗通道先验算法虽然能得到较好的复原效果,但不具备实时性。针对传统去雾算法的缺点,提出一种暗通道结合小波变换的去雾算法。在小波变换的低频分量中应用暗通道先验原理得到初始传输图,再用形态学滤波修正白色区域的传输图,应用图像分割对天空区域传输图修正,最后用引导滤波对其进行细化,将修正后的传输图代入雾天成像模型得到复原后的图像。实验结果表明,修改后算法去雾时间仅为HE的1/20,复原后图像的可见边集合数与HE相差不大,平均梯度约为HE的1.5倍。(本文来源于《计算机应用与软件》期刊2015年10期）
尹海昌,栾海妍[10]（2012）在《基于小波变换的单通道盲分离中源信号数目估计算法》一文中研究指出推导了常用数字调制信号的小波变换幅度函数表达式,并给出了统一的近似表达式。在此基础上给出了单通道接收混合信号模型中小波变换幅度函数的近似表达式。通过充分利用与混合信号中奇异点有关的码元周期信息,给出一种基于小波变换的单通道接收条件下源信号数目估计算法,实现了在无先验知识的情况下对源信号数目的估计,并通过仿真验证了算法的可行性和有效性。(本文来源于《科学技术与工程》期刊2012年20期）
通道小波变换论文开题报告
（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：
目的针对目前手势识别方法受环境、光线、旋转、缩放、肤色等因素的影响,导致手势识别精度下降的问题,提出一种结合聚合通道特征(ACF)的手势检测和双树复小波变换(DTCWT)的复杂背景下手势识别方法。方法在手势图像预处理过程中引入聚合通道特征,采用Adaboost分类器和非极大值抑制算法(NMS)进行目标手势的检测;利用DTCWT对目标手势图像进行多尺度多方向分解,对高低频系数的每一块分别提取方向梯度直方图(HOG)和局部二值模式(LBP)特征;最后融合各个方向上的高低频特征并通过支持向量机(SVM)进行分类识别。结果选取多个场景、多个对象、不同角度和距离的图像作为训练集,并标注区分前背景,对20种手势进行识别实验,并与传统的肤色检测、HOG特征手势识别、类-Hausdorff距离的手势识别算法进行了实验对比。在任意可承受范围内的光照、距离等情况下,该方法能够更准确实时地实现手势识别,平均精度达到95. 1%。结论在图像预处理的情况下,聚合通道特征的引入能够准确检测手势,同时基于DTCWT的手势图像频域特征提取和再融合的方法有效地解决了传统普通图像的单特征识别方法在光线和复杂背景下识别精度不高的问题。
（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。
通道小波变换论文参考文献
[1].杨柳依,马社祥,孟鑫.基于双树复小波变换的单通道盲源分离算法[J].计算机仿真.2019
[2].鲍文霞,解栋文,朱明,梁栋.结合聚合通道特征和双树复小波变换的手势识别[J].中国图象图形学报.2019
[3].姜涛,刘方正,陈厚合,李雪,李国庆.基于多通道快速傅里叶小波变换的电力系统主导振荡模式及模态协同辨识方法研究[J].电力自动化设备.2019
[4].阮晓宇,韩超.基于小波变换的双通道脉冲耦合神经网络图像融合[J].平顶山学院学报.2019
[5].杨柳依.基于双树复小波变换的单通道盲源分离算法研究[D].天津理工大学.2019
[6].丁奇安,徐晓光,王珍.一种暗通道先验结合小波变换的图像去雾优化算法[J].四川理工学院学报(自然科学版).2018
[7].刘方正.基于快速傅里叶小波变换和奇异值分解的电力系统主导振荡参数多通道辨识方法[D].东北电力大学.2018
[8].魏颖慧,张彦娥,梅树立,魏帅钧.基于暗通道先验和区间插值小波变换的图像去雾霾方法[J].农业工程学报.2017
[9].苑尚博,高轶琛,宋笑影,罗军,黄启俊.暗通道结合小波变换的雾天图像复原[J].计算机应用与软件.2015
[10].尹海昌,栾海妍.基于小波变换的单通道盲分离中源信号数目估计算法[J].科学技术与工程.2012