一、多小波变换中一种新预滤波方法及其应用（论文文献综述）
徐素文[1]（2021）在《基于多小波调制的NOMA系统构建及性能分析》文中提出非正交多址接入（NOMA）技术可以利用相同的传输资源（时间,频谱和空间等）同时为多个用户提供服务,因此它可以实现比传统正交多址（OMA）技术更高的频谱效率和更大的系统容量,目前已被广泛认为是未来无线电接入网络的关键解决方案。传统的NOMA系统通常将OFDM作为多载波方案,但这种方案存在高峰值平均功率比以及采用循环前缀降低了频谱效率这两大缺陷。为解决这些问题,小波调制被引入NOMA系统中,但基于小波调制的NOMA系统（SW-NOMA）的性能受限于小波无法同时拥有正交、对称、紧支撑和高阶消失矩这些性质;而多小波能兼具以上性质,因此考虑将多小波应用在NOMA系统中,构建出一套基于多小波调制的NOMA系统并对其性能进行分析。本论文基于多小波理论,研究提出一种基于多小波调制的NOMA系统,不仅可以进一步完善多小波理论及应用体系,而且能为多小波调制在NOMA系统中的应用提供理论支撑。本论文完成了如下研究工作:1.研究小波、多小波及多小波包理论,分析其Mallat算法的区别。重点分析三种常用的多小波,分析它们的时域波形及频域波形,研究对比它们的频谱,选择其中频谱正交性最好的CL4多小波作为本研究多小波调制的基础。2.在研究分析OFDM-NOMA系统和SW-NOMA系统的基础上,提出基于多小波调制的NOMA系统（MW-NOMA）方案,构建MW-NOMA系统的整体系统架构并分析其中的多小波调制解调过程。研究采用多小波调制要考虑的三大要点,包括多小波的选取、子载波函数基的分析和多小波的预处理。3.借助Matlab仿真工具,研究分析本文提出的MW-NOMA系统的系统性能,并与SW-NOMA和OFDM-NOMA系统作对比分析。仿真结果表明MW-NOMA系统可以实现与其它两种系统相近的误比特率性能,并且它在系统峰值平均功率比（PAPR）抑制方面有显着的优势,也能获得比OFDM-NOMA系统更高的系统容量。另外,MW-NOMA唯一的不足之处在于实现多小波调制的计算复杂度略高于SW-NOMA系统中单小波调制的计算复杂度,但这一点代价是可以接受的。
邹雪[2]（2020）在《基于多小波的电子系统故障诊断系统的研究》文中认为随着电子技术的快速更迭,电子系统逐渐趋于高度集成化和自动化。电子系统在运行过程中,易受温度、环境等因素的影响,出现各类故障,进而影响工农业的生产和设备的正常运转,甚至会危及生命财产安全。因此,电子系统的故障诊断系统研究具有较高的实际意义和应用价值。由于在电动机系统中设置检测点较为困难,因此采用非接触式方法对电机系统进行故障分析。非接触式方法通过采集设备工作时自身产生的电磁辐射来进行检测,适合于电动机等电流大或瞬态变化大的情况。通过天线来获取电动机工作过程中产生的电磁特征数据,本文提出了利用GHM（Geronimo Hardin Massopust）多小波变换和k-means聚类分析的故障诊断方法,进行对应的数据分析,建立电磁特征库,实现对故障的判别。论文主要内容包括以下4个方面:1、对故障诊断系统的现有方法和技术进行了分析研究,提出本文所研究的整体框架。主要分析了几种常见电子系统故障的信号获取方法,包括电流法、振动法、温度法、电磁辐射特征法,并选定电磁辐射特征法作为论文中故障信号的获取方法。2、故障诊断系统的硬件和软件设计。硬件系统包括信号接收天线、人工电源网络、信号接收模块及信号传输模块的设计。软件算法的设计包括使用GHM多小波变换实现信号的特征提取,运用K-means分析算法对提取到的数据进行聚类,构建电磁辐射特征库,以及图形用户界面设计,构建了完整的基于多小波电子系统故障诊断系统。3、通过使用小波变换、多小波变换和聚类分析对采集的数据进行分析,并对比了小波变换和多小波变换的去噪效果,发现多小波变换方法能更好的提取故障的特征信息,接着使用聚类分析方法对故障数据进行分类,将两者结合,实现了基于多小波变换和聚类方法相结合的故障诊断方案。4、在完成基本的软硬件系统设计后,选定电动升降杆为实例,开展系统场地实测,通过研究电动升降杆的工作原理及故障机理分析,结合电磁辐射测试数据的特点,对采集的数据进行分频段处理。试验结果表明,与传统的故障诊断系统相比,本文所提出的故障诊断方法缩短了诊断时间,提高了故障诊断识别的准确率。通过系统软硬件的设计和对应算法的研究,选用某型号电动升降杆为实例开展试验研究,对比传统的故障诊断方法,缩短了故障诊断的时间,提高了故障诊断的准确率,验证了基于多小波的电子系统故障诊断系统的可行性和创新性,且已成功应用于某企业的故障维修诊断系统当中,具备良好的应用前景。
陈阳[3]（2020）在《非织造布纤维结构与形态的图像解析与测量》文中指出20世纪90年代以来,随着纺织行业的发展,非织造布也得到了发展及应用,基于纤维原料的选择、生产工艺的改进以及各种性能的改进等等方面的研究越来越多,本文研究的非织造布结构与形态对研究非织造布的性能有很大的关联。对于非织造布纤维形态与结构的测量与解析的研究方式也由传统的基于经验的人工检测逐渐变为基于计算机的图像处理方法,基于图像处理的方法更加科学客观,并且具备快速响应、数字化解决和准确性等优势。要进行非织造布纤维结构与形态的图像测量,图像的采集是第一步。本文使用自行搭建的显微镜采集系统来采集样本图像,该装置包括一台三目显微镜,一台数码相机,一台三轴机动平台和一台电脑。将制备好的样本放置于显微镜载物台上,通过x,y,z三个方向的调整,使得图像能够实时显示于计算机上,并按照一定刻度不断调整焦点拍摄下一系列单焦面图像,从而得到样本数据库。拍摄得到的一系列单焦面图像的形成是因为非织造布厚度大于显微镜景深,纤维无法清晰显示在一幅图像中。非织造布的测量精准度取决于采集图像的清晰程度,对于部分区域纤维无法清晰显示的现象,本文应用并改进了两种多焦面图像融合算法,分别为GHM多小波算法及非下采样剪切波变换算法。这两种算法都是先将两幅单焦面图像分解为高频和低频两种分量,再使用两种融合规则分别处理高低频分量,再将两种处理好的分量进行融合后逆变换得到初始融合图像,再将初始融合图像及下一幅单焦面图像按照上述步骤进行,不断迭代至所有纤维均清晰显示,得到最终的融合图像。基于融合图像,分别从纤维直径、孔隙率及纤维取向度三个方面进行非织造布结构与形态的测量与解析。对于纤维直径的测量是图像预处理及曲线拟合相结合处理,预处理主要涉及对比度拉伸,归一化,二值化,形态学等操作,而曲线拟合是基于霍夫变换的思想进行,最后根据距离公式得到直径,该方法方便快捷准确;对于孔隙率的测量步骤主要是标识出孔洞,并计算每个孔洞的面积,最终计算得到孔隙率;对于纤维取向度的测量也是预处理及曲线拟合的结合处理,预处理主要是二值化、均值滤波及提取出单独的各个孔洞,最后再使用霍夫变换拟合曲线得到取向度分布结果。针对非造布结构与形态的测量,本课题从图像采集、图像融合到图像结构参数测量分析,得到的数据结果能够进行生产的指导,推动非织造布的高速、自动发展,使得产业更加工序连续化。
刘瑶[4]（2019）在《多小波在5G通信波形设计中的应用研究》文中提出非正交多址接入（Non-orthogonal Multiple Access,NOMA）是5G通信研究的关键技术之一。但是由于NOMA技术主动引入了干扰,导致系统的误比特率性能下降,且受功率分配比的影响较大。为了进一步提升NOMA技术的可靠性和可行性,急需一种全新的波形设计方法。多小波具有同时满足对称性、时频正交性和紧支撑性等特点,基于多小波的波形设计将为NOMA通信系统的波形设计方案提供新的途径。本论文基于多小波理论和实现方法,结合NOMA技术的特点,研究多小波与NOMA技术结合的系统性能,目的是为以NOMA通信技术为核心的下一代移动通信系统的波形设计提供技术支撑。本文完成的主要工作如下:1.从多载波调制角度,对多小波变换理论应用于NOMA通信系统的波形设计中的具体方法进行研究。通过研究多小波理论和多载波调制原理,用预处理加多小波变换替换传统OFDM调制中的傅里叶变换,对NOMA系统信号进行多载波调制。2.从脉冲成型的角度,基于多小波的相关性能,充分结合NOMA技术的原理特征,研究出一种适用于NOMA系统的脉冲成型波形设计方法。通过研究NOMA系统传输的主要特点和用户之间信号的叠加方式,分析多小波函数的主要性质,首先基于多小波理论构造出一组滤波器,然后用这组滤波器中的不同滤波器对NOMA的不同配对用户进行脉冲成型。3.基于MATLAB仿真搭建了研究的两种波形方案下的NOMA系统架构,并分别与已存在的传统波形设计方法下的NOMA系统性能进行对比。仿真结果表明,基于多小波多载波调制的NOMA系统在小波分解层数较低的情况下可以改善系统的PAPR性能。而从脉冲成型的角度,研究出的适用于NOMA系统的波形设计方案,在系统带宽限制不是很严格的情况下,可以改善系统的BER性能,并且表现出受功率分配比的影响更小。同时本文也对影响所研究的波形设计方法性能的一些关键因素进行了仿真分析。此外,本文针对NOMA系统研究的多小波脉冲成型波形设计方法,通过调节LPF的截止频率,提供了一种调整系统传输可靠性和带宽之间折中平衡的新方式。
关惠惠[5]（2018）在《多小波理论在信号处理中的应用》文中提出小波分析是对Fourier分析理论的延拓和创新,而它又开始于调和分析,后来成为了时频分析中重要的分析工具。Fourier分析启发了小波分析的理论和思想。小波分析是Fourier分析、样条分析、调和分析、泛函分析、数值分析相互融合的成果。小波分析因其严谨缜密的数学逻辑和日益广泛的实际应用,而屹立不倒、四季常青。尤其是在计算机编程、处理信号、分析图像和语音等实际应用中有着潜移默化的影响。因充分看重小波变换在数字图像和音频信号处理方面的优势,在MATLAB环境下,运用V.Strela多小波工具箱,针对数字图像和音频信号进行多小波理论的应用实现,这是V.Strela教授高水平工作的继续发展和推广,其主要研究思路如下:首先,在MATLAB环境下,通过r重多分辨分析和多小波理,探究多小波变换在图像增强以及图像融合中的应用,与此同时将融合图像进行边缘检测,并比较了变换前后对图像的影响,实验则选择了canny边缘检测以及C-L多小波作为时频分析工具,从实验结果可以察觉到增强后的图像边缘要比增强前的图像边缘更加清晰;其次,将多小波的多分辨分析作为理论基础,实验的原始音频信号是Windows XP启动声,在音频信号分解重构的过程中,以C-L多小波为研究工具在MATLAB环境下进行实验。通过此次实验,双声道信号的每一声道都可以用多小波对其分别进行分解,并且也能够做到再重构成双声道音频信号;这个技术的实现为以后的研究者们给出了良好的实验基础,在MATLAB环境下多小波对音频信号去噪,视频信号处理等多方面的应用将作为以后继续研究的方向,以及多小波良好的性质在信号处理中产生的影响也可以做进一步的研究与应用等等;最后,基于多分辨分析理论,在MATLAB中将4阶平衡多小波cardbal4作为实验工具,探究其在数字水印领域中不同的应用。实验过程中充分体现了平衡多小波的优越性和实验方法的独到之处,在之后的研究过程中可以更深层次的探索多小波的工具箱,探索更多的好的实验方法与良好性质的多小波,放在MATLAB里进行实验探究中的应用。
华伟[6]（2017）在《基于多小波变换的矿用齿轮箱故障诊断研究》文中提出煤炭是我国第一能源产业,也是我国最为重要的基础产业之一。煤矿生产安全一直是制约该行业稳步发展的主要因素,控制与预防煤矿发生重特大事故,促进煤矿稳定、安全生产已成为国家和本地区政府重点关注的问题之一,也是全国工业安全工作的重要关键内容。煤矿大型机械（如提升机、皮带输送机、采煤机）的动力传动齿轮箱工作环境恶劣,发生故障几率很大,其运行状态直接影响到这些大型机械设备运行的可靠性和安全性,故障一旦发生,必将会给煤炭企业带来巨大的经济损失,甚至是人身伤害。因此,对煤矿大型机械设备传动齿轮箱进行状态监测与故障诊断是十分必要的,将先进的机械故障诊断方法应用于矿用齿轮箱的故障诊断中,对于保证煤矿安全生产,避免安全事故具有重要的意义。小波变换已经成为一种应用非常广泛的非平稳信号处理工具,在旋转机械故障特征频率的分离、微弱信号的提取和早期故障诊断等方面都得到了广泛的应用。但是在机械故障诊断中,小波基函数难以与所提取故障特征很好的匹配,因为小波基函数不能随着被分析信号特点相应改变自身的特性,它的基函数是确定的。第二代小波可在时域内按需构造小波基函数,通过改变预测器和更新器系数,构造出与故障特征相匹配的小波基函数,弥补了经典小波的不足。但是无论是经典小波还是第二代小波都是单小波（Scalar Wavelet）,无法同时满足信号处理中的正交性、对称性、紧支性及高阶消失矩等优良特性,而且由于单小波只具有一个小波基函数,难以识别多类型不同的故障特征,只能与分析信号中隐含的某一类故障特征相匹配,这是经典小波和第二代小波理论在故障诊断领域应用中所面临的突出问题。因此为了解决上述问题,国内外学者将目光转移到多小波研究上。故障特征提取技术是机械设备状态检测和故障诊断学中的关键,用先进的故障诊断理论和方法丰富和提高机械故障诊断技术是机械故障诊断学的重要内容。本文以解决煤矿大型机械设备的故障诊断为工程应用需求,用现代信号处理技术中的多小波理论为工具,以煤矿大型机械设备中的齿轮箱为研究对象,开展故障诊断技术研究。齿轮箱工况振动信号复杂,如何有效地从齿轮箱振动信号中提取出隐含的故障特征信息,这对于齿轮箱状态监测与故障诊断是非常重要的,也是关键所在。本文深入研究了基于多小波变换的齿轮箱故障特征提取新方法,并将其成功应用于试验台齿轮箱和矿用齿轮箱的故障特征提取与故障诊断。主要研究内容有:（1）阐述了论文的研究背景和研究意义介绍了机械故障诊断技术的研究背景,以及开展故障诊断的重要意义,对国内外的齿轮箱故障诊断技术及多小波理论进行了详细阐述,引出了本文要研究的主要问题,多小波变换在煤矿大型机械设备齿轮箱中的故障诊断,确立了本文的研究路线和主要研究内容。（2）平移不变多小波相邻系数降噪方法在煤矿提升机齿轮箱故障诊断中的应用研究阐述了传统多小波阈值降噪方法的基本原理,研究了平移不变多小波相邻系数降噪方法,利用仿真信号,试验台齿轮箱振动信号降噪实验分析,对比了单小波,多小波,以及平移不变多小波的硬阈值、软阈值、相邻系数降噪方法的降噪效果,通过降噪后的信号与原信号的相关系数对比,得出平移不变多小波相邻系数降噪方法降噪效果最好。最后将平移不变多小波相邻系数降噪方法应用到煤矿提升机齿轮箱的故障诊断,对齿轮箱振动信号有效降噪,准确地提取出齿轮箱的冲击故障特征,判断出齿轮箱的故障位置,为煤矿大型机械设备齿轮箱振动信号降噪提供了一种有效方法。（3）基于多小波变换与最大相关峭度解卷积的煤矿采煤机传动系统齿轮箱故障诊断研究了多小波分解的频带特性,在故障分析时的频带选用准则为峭度准则和相关系数准则,以及最大相关峭度解卷积的基本理论,提出了多小波分解与最大相关峭度解卷积相结合的故障诊断方法。对该方法进行了试验台齿轮箱断齿故障和局部断齿故障的实验分析,对齿轮箱振动信号进行多小波分解,选用峭度和相关系数较大的频带,进行最大相关峭度解卷积降噪分析,使微弱的冲击故障特征得到加强,再将最大相关峭度解卷积降噪后的信号进行包络谱分析,成功提取出了齿轮箱的故障特征频率。最后,将该方法应用到煤矿采煤机传动系统齿轮箱的故障诊断中,发挥两种方法各自的优势,有效地提取出故障特征信息,实现了齿轮箱的准确诊断。（4）基于多小波变换与约束独立成分分析的煤矿皮带机齿轮箱故障诊断介绍了独立成分分析算法以及约束独立成分分析算法,并分析了其优缺点,研究了多通道测量信号中含源噪声的ica模型,结合多小波变换的优点,提出了基于多小波变换与约束独立成分分析的齿轮箱故障特征提取方法。通过试验台齿轮箱故障特征提取试验,根据峭度准则,从齿轮箱振动信号多小波分解后的多通道分量中选取峭度值较大的分量重新组成混合信号,以齿轮箱啮合频率作为先验信息建立参考信号,利用约束独立成分分析算法成功地提取出齿轮箱故障特征频率。最后将提出的方法应用到煤矿皮带机齿轮箱的故障诊断中,判断出齿轮箱的故障,为齿轮箱故障特征提取提供了一种新方法。实验分析和煤矿工程应用结果验证了所提出方法的有效性。（5）冗余多小波包谱峭度方法在矿用齿轮箱故障诊断中的应用研究研究了传统谱峭度方法的基本原理、谱峭度的快速算法—峭度图。阐述了多小波包的分解算法,以及冗余多小波的算法,应用冗余多小波包分解替代传统谱峭度算法中的滤波器,提出了冗余多小波包的谱峭度方法。以试验及煤矿齿轮箱故障诊断的实例对该方法进行了验证,对齿轮箱振动信号进行冗余多小波包的谱峭度算法分解,得到最优的滤波频带信号,再进行解调分析,成功提取出齿轮箱的故障特征频率。与传统谱峭度方法分析结果进行对比,冗余多小波包谱峭度方法能准确地选择最优滤波频带,避免受噪声干扰,故障特征提取效果要优于传统谱峭度方法。试验分析和煤矿皮带机齿轮箱的工程应用证明提出的冗余多小波包谱峭度方法是一种有效的故障特征提取方法。
郝清玉,朱元忠,陈健[7]（2015）在《基于图像多小波变换的煤岩界面识别》文中指出针对现有煤岩界面识别方法存在普适性差、可靠性差等问题,提出了一种基于图像多小波变换的煤岩界面识别方法。对煤岩图像进行多小波变换,提取不同频带多小波系数在固定窗口大小下的标准差作为纹理测度并生成归一化多频带特征向量,利用朴素贝叶斯分类器对纹理特征进行识别。实验结果表明,对于分辨率为128×128的图像,当窗口大小为9,选择频带F5—F16构造特征向量时,识别率可达96.14%。
张肃[8]（2014）在《光学相关运动目标识别技术的研究》文中提出应用光学相关原理的联合变换相关器以运算速度快、信息存储容量大以及平行运算等优点广泛应用于模式识别领域中。通过探测目标与模板而得到的相关点为依据,进而确定目标的方位信息,并将这种光电混合系统结合各种计算机编程技术,已经完成了对微光目标、红外目标、复杂背景下目标及小目标等多种静止目标的识别。但是在运动目标的光学相关识别中,由于目标自身运动所导致的目标与模板之间存在的畸变问题及周围复杂背景、天气变化和低对比度环境等外在因素对联合变换相关器的干扰,出现了在探测过程中没有相关点或相关点微弱的现象,严重影响运动目标光学相关识别的顺利进行。针对运动过程中目标与模板之间存在的大小、旋转及形状等不匹配的问题,提出了瞬态模板更换的方法,选择识别动态序列中的前一帧瞬时状态作为下一帧的模板,这样便可完成实时对模板的更新。为了增强相关点的亮度,提高相关器的识别效率,分别将小波、多小波及小波的提升算法引入对运动图像的物面处理技术中。提出了采用形态学膨胀处理的小波边缘提取算法及小波多尺度边缘融合算法；应用多小波所具有的多重多分辨率分析性质,提出了基于多小波变换的边缘提取算法及能分别增强高、低频信息的多小波图像增强技术；并进一步对小波的算法进行提升,给出了基于小波提升算法的边缘提取方法。分别将这些物面处理算法与瞬态模板方法相结合应用到光学相关运动目标的识别中,结果表明,基于小波变换的模极大值提取、小波多尺度边缘融合及基于多小波变换的图像增强算法均可提高相关器对低对比度运动目标的识别率。基于多小波变换的边缘提取可完成对运动微光目标及复杂背景下运动小目标的相关识别。而基于小波提升算法的边缘提取方法可实现复杂背景下运动目标的探测,并使运算速度得以提升,运算量减少。大量实验结果验证了应用该算法可实现光学相关运动目标的识别与探测技术。
陶宇[9]（2014）在《多小波变换在光学相关探测中的应用》文中提出光学相关探测是在光学信息处理的基础上,通过探测两个或多个物体函数的相似程度,实现目标的快速探测识别与跟踪。这种相关探测与目标-模板联合图像的预处理技术紧密相连。多小波是小波理论的发展,它不仅具有多分辨分析还具有对称性、正交性、短支撑性、高阶消失矩等特性,为信号处理及图像特征信息提取提供了良好的理论支持。本文在分析现有多小波应用算法基础上,提出了一种基于多小波变换图像增强方法,该方法利用多小波系数对图像进行分解与重构,通过非线性函数改变各尺度上细节分量,从而改变图像对比度,达到增强目标图像的目的。此外,本文将多小波边缘提取与形态学方法相结合,这种综合处理的方法能够有效提取图像边缘信息,突出图像特征。通过计算机仿真和光学实验表明,将基于多小波的图像增强算法和边缘提取算法应用于联合变换相关器中,能够有效提高相关峰输出对比度,增强输出的相关点亮度,实现目标高效、快速的探测与识别。
安博[10]（2011）在《多小波去噪方法研究》文中指出图像作为一种信息载体,由于其直观、信息量大等特点,得到了广泛的应用。但是,图像在生成或传输的过程中由于种种原因,常常受到噪声的污染。因此,为了能够避开噪声的干扰提取到图像承载的真实信息,需要对含噪图像进行去噪处理。图像去噪算法有效与否对后续获取信息的真实性影响很大,已有的一些去噪算法虽然得到了一定程度上的应用,但效果仍不够理想。故本文拟在多小波变换的基础上对图像去噪展开研究。本文首先介绍了连续小波变换、离散小波变换以及多小波变换,并在此理论基础上分析了分解与重构的图像去噪算法、阈值收缩的图像去噪算法、基于平移不变的图像去噪算法,简单介绍了小波变换模极大值的去噪算法和小波变换域系数相关性的去噪算法。通过比较分析各种小波变换与去噪算法的优缺点,采用平移不变的多小波变换对含噪信号和图像进行变换,并对阈值收缩方法中的阈值函数做了改进,将其运用到含噪信号和图像的去噪处理中。该算法先将含噪信号进行循环平移,目的是为了消除小波基在时域上的依赖性,再将平移后的信号进行多小波变换替代传统的单小波变换,然后对变换后的小波系数进行阂值处理,运用一种新的兼具硬、软阈值函数优点的阈值函数,最后对处理后的信号进行重构,得到去噪后的图像。Matlab实验对几种已存在的经典算法和本文所提算法进行了对比,实验结果和视觉效果均表明本文改进的去噪算法是有效的。
二、多小波变换中一种新预滤波方法及其应用（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、多小波变换中一种新预滤波方法及其应用（论文提纲范文）
（1）基于多小波调制的NOMA系统构建及性能分析（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 国内外研究现状 |
| 1.2.1 NOMA技术研究现状 |
| 1.2.2 多小波研究现状 |
| 1.2.3 小波调制研究现状 |
| 1.3 研究目标和研究内容 |
| 1.3.1 研究目标 |
| 1.3.2 研究内容 |
| 1.4 本论文章节安排 |
| 第二章 多小波及多小波包理论 |
| 2.1 小波理论基础 |
| 2.1.1 小波与小波基函数 |
| 2.1.2 多分辨率分析 |
| 2.1.3 Mallat离散小波变换快速算法 |
| 2.2 多小波基本理论 |
| 2.2.1 多小波的多分辨率分析及主要性质 |
| 2.2.2 多小波的Mallat算法 |
| 2.3 多小波包 |
| 2.3.1 多小波包的生成 |
| 2.3.2 多小波包对函数空间的分解 |
| 2.3.3 多小波包的分解与重构 |
| 2.4 本章小结 |
| 第三章 基于多小波调制的NOMA系统 |
| 3.1 NOMA技术原理 |
| 3.1.1 NOMA原理及系统模型 |
| 3.1.2 功率分配方案 |
| 3.1.3 串行干扰消除技术 |
| 3.2 基于OFDM调制的NOMA系统 |
| 3.2.1 OFDM多载波调制原理 |
| 3.2.2 OFDM-NOMA系统架构 |
| 3.3 基于单小波调制的NOMA系统 |
| 3.4 多小波调制 |
| 3.4.1 多小波的选取 |
| 3.4.2 子载波函数基 |
| 3.4.3 多小波预处理过程 |
| 3.5 基于多小波调制的NOMA系统 |
| 3.5.1 MW-NOMA系统架构 |
| 3.5.2 多小波调制解调过程分析 |
| 3.6 本章小结 |
| 第四章 MW-NOMA系统性能分析 |
| 4.1 误比特率 |
| 4.1.1 AWGN信道下的误比特率性能 |
| 4.1.2 瑞利衰落信道下的误比特率性能 |
| 4.2 峰值平均功率比 |
| 4.2.1 三种NOMA系统的PAPR对比 |
| 4.2.1.1 不同子载波数对PAPR的影响 |
| 4.2.1.2 不同功率分配比对PAPR的影响 |
| 4.2.2 典型的PAPR抑制方法 |
| 4.2.3 多小波分解层数对PAPR的影响 |
| 4.3 系统容量分析 |
| 4.3.1 理想SIC条件下的系统容量 |
| 4.3.2 非理想SIC条件下的系统容量 |
| 4.4 计算复杂度对比分析 |
| 4.5 本章小结 |
| 第五章 全文总结与展望 |
| 5.1 全文总结 |
| 5.2 后续工作展望 |
| 致谢 |
| 参考文献 |
| 攻读专业硕士学位期间取得的成果 |
（2）基于多小波的电子系统故障诊断系统的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 引言 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外研究发展现状 |
| 1.2.1 国内外研究现状 |
| 1.2.2 传统的电磁辐射故障诊断系统 |
| 1.3 本文主要研究内容 |
| 1.4 论文结构安排 |
| 第2章 系统需求分析与总体框架设计 |
| 2.1 系统需求 |
| 2.2 系统总体框架设计 |
| 2.2.1 故障诊断系统总框架设计 |
| 2.2.2 测试环境 |
| 2.3 本章小结 |
| 第3章 故障诊断分类与相关机理分析 |
| 3.1 故障信号获取方法 |
| 3.1.1 电流法 |
| 3.1.2 振动法 |
| 3.1.3 温度法 |
| 3.1.4 电磁辐射特征法 |
| 3.2 故障信号分析方法 |
| 3.2.1 时域分析法 |
| 3.2.2 频域分析法 |
| 3.3 多小波分析方法 |
| 3.3.1 傅里叶变换 |
| 3.3.2 小波变换 |
| 3.3.3 多小波变换 |
| 3.3.4 聚类分析 |
| 3.3.5 多小波变换与聚类分析方法 |
| 3.4 本章小结 |
| 第4章 系统的软硬件设计 |
| 4.1 系统硬件设计 |
| 4.1.1 辐射信号接收天线 |
| 4.1.2 人工电源网络模块设计 |
| 4.1.3 信号接收模块的设计 |
| 4.1.4 信号传输模块的设计 |
| 4.2 系统软件设计 |
| 4.2.1 系统软件设计 |
| 4.2.2 故障诊断流程图 |
| 4.2.3 信号特征提取 |
| 4.2.4 测试数据分类 |
| 4.2.5 电磁辐射特征库的建立 |
| 4.2.6 用户界面设计 |
| 4.3 软硬件系统功能测试 |
| 4.4 本章小结 |
| 第5章 故障诊断系统的试验研究 |
| 5.1 电动升降杆故障诊断系统试验流程 |
| 5.2 系统试验分析 |
| 5.2.1 电动升降杆故障机理分析 |
| 5.2.2 电磁信号去噪和特征提取 |
| 5.2.3 电磁辐射数据特征库的匹配 |
| 5.2.4 诊断结果分析 |
| 5.3 试验对比分析 |
| 5.3.1 与人工检测结果的比较 |
| 5.3.2 与小波分析的故障诊断方法比较 |
| 5.3.3 与支持向量机故障诊断方法的比较 |
| 5.4 本章小结 |
| 结论 |
| 致谢 |
| 参考文献 |
| 攻读学位期间取得学术成果 |
（3）非织造布纤维结构与形态的图像解析与测量（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 非织造布概述 |
| 1.2 课题的研究意义 |
| 1.3 非织造布形态与结构研究现状 |
| 1.4 多焦面图像融合研究现状 |
| 1.5 本文主要内容及结构安排 |
| 1.5.1 研究的主要内容 |
| 1.5.2 研究的创新点 |
| 1.5.3 本文的结构安排 |
| 第二章 图像采集 |
| 2.1 图像采集系统的建立 |
| 2.1.1 图像采集硬件系统 |
| 2.1.2 图像采集软件系统 |
| 2.2 图像采集系统的工作流程 |
| 2.3 样本的制作与采集 |
| 2.3.1 样本制作 |
| 2.3.2 样本采集 |
| 2.4 本章小结 |
| 第三章 多焦面图像融合算法 |
| 3.1 基于GHM多小波变换的算法 |
| 3.1.1 GHM预滤波 |
| 3.1.2 GHM多小波分解 |
| 3.1.3 高频系数处理规则 |
| 3.1.4 低频系数处理规则 |
| 3.1.5 逆变换 |
| 3.1.6 多小波融合流程 |
| 3.1.7 融合实验结果 |
| 3.2 基于非下采样剪切波变换的算法 |
| 3.2.1 基于PCNN的图像增强 |
| 3.2.2 NSST分解 |
| 3.2.3 低频系数处理 |
| 3.2.4 高频系数处理 |
| 3.2.5 多焦面融合流程 |
| 3.2.6 融合实验结果 |
| 3.3 本章小结 |
| 第四章 图像融合结果及评价 |
| 4.1 图像融合结果 |
| 4.2 图像质量评估 |
| 4.2.1 评价指标 |
| 4.2.2 算法融合评价 |
| 4.3 本章小结 |
| 第五章 非织造布结构与形态测量 |
| 5.1 纤维直径测量 |
| 5.1.1 对比度拉伸 |
| 5.1.2 归一化 |
| 5.1.3 均值二值化 |
| 5.1.4 开运算 |
| 5.1.5 霍夫曲线拟合 |
| 5.1.6 直径计算 |
| 5.2 非织造布孔洞测量 |
| 5.2.1 孔洞标识 |
| 5.2.2 孔隙率计算 |
| 5.2.3 孔径计算 |
| 5.3 纤维取向度测量 |
| 5.3.1 二值化 |
| 5.3.2 均值滤波 |
| 5.3.3 提取孔洞 |
| 5.3.4 霍夫曲线拟合 |
| 5.3.5 取向度计算 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 攻读硕士学位期间发表的学术论文及取得的相关科研成果 |
| 致谢 |
（4）多小波在5G通信波形设计中的应用研究（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 国内外研究现状 |
| 1.2.1 NOMA技术的研究现状 |
| 1.2.2 多小波的研究现状 |
| 1.2.3 5G波形调制技术的研究现状 |
| 1.3 研究目标和研究内容 |
| 1.3.1 研究目标 |
| 1.3.2 研究内容 |
| 1.4 本论文章节安排 |
| 第二章 NOMA技术原理和多小波理论 |
| 2.1 NOMA系统模型与原理 |
| 2.1.1 NOMA系统原理模型 |
| 2.1.2 功率分配算法 |
| 2.1.3 SIC干扰消除技术 |
| 2.2 多小波的多分辨率分析理论及性质 |
| 2.2.1 多小波多分辨率分析 |
| 2.2.2 多小波的主要性质 |
| 2.2.3 常用的几种多小波 |
| 2.3 NOMA系统和OFDMA系统的性能仿真对比 |
| 2.3.1 两用户NOMA系统和传统OFDMA系统容量对比 |
| 2.3.2 两用户NOMA系统和传统OFDMA系统的误比特率性能对比 |
| 2.4 本章小结 |
| 第三章 NOMA系统中多小波多载波调制波形方案研究 |
| 3.1 基于OFDM多载波调制波形设计的NOMA系统 |
| 3.1.1 OFDM多载波调制原理和实现方法 |
| 3.1.2 基于OFDM多载波调制波形设计的NOMA系统架构 |
| 3.2 基于单小波多载波调制波形设计的NOMA系统 |
| 3.2.1 小波包变换原理 |
| 3.2.2 基于单小波多载波调制波形设计的NOMA系统架构 |
| 3.3 NOMA系统中多小波多载波调制的波形设计方案研究 |
| 3.3.1 多小波的预处理研究 |
| 3.3.2 多小波的MALLAT快速算法研究 |
| 3.3.3 基于多小波多载波调制波形设计的NOMA系统总架构 |
| 3.4 仿真结果分析 |
| 3.4.1 AWGN条件下的系统误比特率性能研究 |
| 3.4.2 系统峰均功率比性能研究 |
| 3.4.3 小波分解层数对峰均功率比性能的影响 |
| 3.5 本章小结 |
| 第四章 NOMA系统中多小波脉冲成型波形方案研究 |
| 4.1 通信系统中的传统脉冲成型滤波器 |
| 4.2 NOMA系统中多小波脉冲成型波形设计方案研究 |
| 4.2.1 基于多小波的脉冲成型滤波器系数的构建 |
| 4.2.2 接收端匹配滤波研究 |
| 4.2.3 基于构建的滤波器系数进行滤波及匹配滤波验证 |
| 4.2.4 基于多小波脉冲成型的NOMA系统方案架构设计 |
| 4.3 仿真结果分析 |
| 4.3.1 AWGN条件下的系统误比特率性能研究 |
| 4.3.2 发送端信号频谱分析 |
| 4.3.3 系统容量分析 |
| 4.4 LPF截止频率、功率分配比及滤波器组合方式对误比特率的影响 |
| 4.4.1 不同LPF截止频率对系统误比特率性能的影响 |
| 4.4.2 NOMA用户与滤波器的组合方式对系统误比特率性能的影响 |
| 4.4.3 NOMA用户不同功率分配比对系统误比特率性能的影响 |
| 4.5 本章小结 |
| 第五章 全文总结与展望 |
| 5.1 全文总结 |
| 5.2 后续工作展望 |
| 致谢 |
| 参考文献 |
（5）多小波理论在信号处理中的应用（论文提纲范文）
| 中文摘要 |
| Abstract |
| 第一章 文献综述 |
| 1.1 小波分析理论的产生 |
| 1.2 多小波的发展概况 |
| 1.3 多小波研究现状 |
| 1.4 数字水印的研究现状 |
| 1.5 研究内容 |
| 第二章 多小波理论 |
| 2.1 多分辨分析与多小波 |
| 2.2 信号的分解与重构算法 |
| 2.3 预滤波和平衡多小波 |
| 2.4 多小波的特征 |
| 2.5 本章小结 |
| 第三章 多小波在图像增强后的融合与边缘检测 |
| 3.1 引言 |
| 3.2 多小波的基本理论与CANNY准则 |
| 3.3 图像增强后的边缘边界检测 |
| 3.4 图像融合后的边缘检测 |
| 3.5 本章小结 |
| 第四章 多小波对音频信号处理的MATLAB技术实现 |
| 4.1 引言 |
| 4.2 多小波的基本理论 |
| 4.3 音频信号的分解与重构 |
| 4.4 本章小结 |
| 第五章 在数字水印中平衡多小波cardbal4 的应用实现 |
| 5.1 引言 |
| 5.2 用平衡多小波处理数字水印 |
| 5.4 本章小结 |
| 总结 |
| 参考文献 |
| 攻读硕士期间发表的论文 |
| 后记 |
（6）基于多小波变换的矿用齿轮箱故障诊断研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 引言 |
| 1.1 论文来源 |
| 1.2 研究背景 |
| 1.3 多小波变换理论基础 |
| 1.3.1 小波变换原理介绍 |
| 1.3.2 多小波变换基本原理 |
| 1.4 齿轮箱振动信号故障特征提取方法 |
| 1.4.1 时域分析法 |
| 1.4.2 频域分析法 |
| 1.4.3 时频域分析法 |
| 1.5 多小波在机械故障诊断中的应用现状 |
| 1.6 问题提出 |
| 1.6.1 矿用齿轮箱故障诊断存在的问题 |
| 1.6.2 多小波变换作为研究问题的提出 |
| 1.6.3 多小波变换在矿用齿轮箱故障诊断中的问题 |
| 1.7 研究目标及意义 |
| 1.7.1 研究目标 |
| 1.7.2 研究意义 |
| 1.8 研究内容及技术路线 |
| 1.8.1 研究内容 |
| 1.8.2 研究技术路线 |
| 1.9 论文章节安排 |
| 2 平移不变多小波相邻系数降噪在矿用齿轮箱故障诊断中的应用 |
| 2.1 平移不变多小波相邻系数降噪算法 |
| 2.1.1 多小波传统阈值降噪法 |
| 2.1.2 平移不变多小波降噪方法 |
| 2.1.3 平移不变多小波的相邻系数降噪算法 |
| 2.2 仿真信号降噪分析 |
| 2.3 齿轮箱试验台振动信号降噪分析 |
| 2.3.1 齿轮箱试验台基本组成及采集分析系统 |
| 2.3.2 齿轮箱传动系统结构及参数 |
| 2.3.3 齿轮箱断齿故障降噪分析 |
| 2.3.4 试验台齿轮箱局部断齿故障降噪分析 |
| 2.3.5 试验结果分析 |
| 2.4 平移不变多小波相邻系数降噪在煤矿提升机齿轮箱故障诊断中的应用 |
| 2.4.1 提升机齿轮箱结构组成及特征频率 |
| 2.4.2 提升机齿轮箱振动信号降噪分析 |
| 2.5 本章小结 |
| 3 基于多小波变换与最大相关峭度解卷积的矿用齿轮箱故障诊断 |
| 3.1 多小波分解频带分量的选取 |
| 3.1.1 多小波分解频带分量 |
| 3.1.2 多小波分解频带分量的选取准则 |
| 3.2 最大相关峭度解卷积 |
| 3.2.1 相关峭度 |
| 3.2.2 最大相关峭度解卷积 |
| 3.2.3 MCKD算法的数值实现过程 |
| 3.3 多小波变换和MCKD相结合的故障诊断方法 |
| 3.4 基于多小波变换与MCKD方法的齿轮箱故障诊断试验 |
| 3.4.1 齿轮箱局部断齿故障试验分析 |
| 3.4.2 齿轮箱断齿故障试验分析 |
| 3.4.3 试验结果分析 |
| 3.5 多小波变换与MCKD在煤矿采煤机截割部传动系统齿轮箱故障诊断中的应用 |
| 3.5.1 截割部传动系统结构组成及特征频率 |
| 3.5.2 截割部传动系统齿轮箱故障诊断分析 |
| 3.6 本章小结 |
| 4 基于多小波变换与约束独立成分分析的矿用齿轮箱故障诊断 |
| 4.1 约束独立成分分析 |
| 4.1.1 数学基础 |
| 4.1.2 独立成分分析 |
| 4.1.3 约束独立成分分析 |
| 4.2 基于多小波变换的cICA方法 |
| 4.3 基于多小波变换与cICA的齿轮箱故障诊断试验 |
| 4.3.1 试验台齿轮箱故障诊断试验 |
| 4.3.2 试验结果分析 |
| 4.4 多小波变换与cICA方法在煤矿皮带机齿轮箱故障诊断中的应用 |
| 4.4.1 主斜井皮带机齿轮箱参数及特征频率 |
| 4.4.2 皮带机齿轮箱故障诊断分析 |
| 4.5 本章小结 |
| 5 冗余多小波包谱峭度在矿用齿轮箱故障诊断中的应用 |
| 5.1 谱峭度理论 |
| 5.1.1 谱峭度基本原理 |
| 5.1.2 基于STFF的峭度图 |
| 5.1.3 基于FIR滤波器的峭度图 |
| 5.1.4 传统谱峭度方法的缺点 |
| 5.2 冗余多小波包谱峭度方法 |
| 5.2.1 多小波包 |
| 5.2.2 冗余多小波 |
| 5.2.3 基于冗余多小波包的谱峭度方法 |
| 5.3 基于冗余多小波包谱峭度方法的故障诊断试验 |
| 5.3.1 试验台滚动轴承故障诊断分析 |
| 5.3.2 试验台齿轮箱故障诊断分析 |
| 5.3.3 试验结果分析 |
| 5.4 冗余多小波包谱峭度方法在煤矿皮带机齿轮箱故障诊断中的应用 |
| 5.5 本章小结 |
| 6 结论与展望 |
| 6.1 主要研究工作 |
| 6.2 论文创新点 |
| 6.3 展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（7）基于图像多小波变换的煤岩界面识别（论文提纲范文）
| 0 引言 |
| 1 图像多小波变换 |
| 2 煤岩图像多频带特征提取 |
| 3 煤岩分类器设计 |
| 3.1 分类器构建与煤岩分类识别 |
| 3.2 分类器参数训练 |
| 4 实验分析 |
| 4.1 窗口选择 |
| 4.2 频带选择 |
| 4.3 煤岩样本分类识别结果 |
| 5 结语 |
（8）光学相关运动目标识别技术的研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 光学相关测试技术的概述 |
| 1.3 运动目标识别的研究进展 |
| 1.4 物面图像处理技术在光学相关目标识别中的应用 |
| 1.5 课题的研究内容 |
| 第二章 光学相关识别技术基本原理与实验装置 |
| 2.1 傅里叶变换及透镜系统傅里叶变换性质 |
| 2.2 联合变换相关器识别原理 |
| 2.3 光电混合联合变换相关器的基本原理及实验装置 |
| 2.4 光电混合联合变换相关器中器件参数指标的确定 |
| 2.5 实验装置调校 |
| 2.6 联合变换相关器的小型化装置 |
| 2.7 光学相关与数字相关处理的比较 |
| 2.8 运动目标特点及对光学相关识别的影响 |
| 2.9 小结 |
| 第三章 小波变换方法在物面处理技术中的应用 |
| 3.1 小波变换产生的背景 |
| 3.2 小波变换的定义 |
| 3.3 多分辨率分析 |
| 3.4 小波的分解与重构 |
| 3.5 二维小波的分解与重构算法 |
| 3.6 常用的小波基函数 |
| 3.7 基于小波变换的边缘提取 |
| 3.8 基于小波变换的多尺度边缘融合 |
| 3.9 小结 |
| 第四章 多小波变换方法在物面处理技术中的应用 |
| 4.1 多小波的多分辨率分析 |
| 4.2 几种常用的多小波函数 |
| 4.3 多小波的计算 |
| 4.4 二维信号的多小波变换 |
| 4.5 基于多小波变换的边缘提取 |
| 4.6 基于多小波变换的图像增强 |
| 4.7 小结 |
| 第五章 小波的提升方法在物面处理技术中的应用 |
| 5.1 小波提升算法的基本方法 |
| 5.2 小波滤波器的提升算法 |
| 5.3 几种常用小波的提升算法 |
| 5.4 基于小波提升算法的边缘提取 |
| 5.5 小结 |
| 第六章 光学相关运动目标识别技术的实验研究与分析 |
| 6.1 瞬态模板方法的应用 |
| 6.2 基于小波变换的物面处理方法在运动目标相关识别中的应用 |
| 6.3 基于多小波变换的物面处理方法在运动目标相关识别中的应用 |
| 6.4 基于小波提升算法的边缘提取在运动目标相关识别中的应用 |
| 6.5 小结 |
| 结论 |
| 致谢 |
| 参考文献 |
| 攻读博士期间发表论文 |
| 攻读博士期间参与科研项目 |
| 攻读博士期间参与编写着作 |
（9）多小波变换在光学相关探测中的应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 前言 |
| 1.2 多小波变换及及其应用 |
| 1.3 光学相关探测概述 |
| 1.4 课题的研究现状和意义 |
| 1.5 本论文的研究内容及解决的问题 |
| 第二章 光学相关探测原理 |
| 2.1 光学相关探测理论基础 |
| 2.2 联合变换相关器原理 |
| 2.3 光电混合联合变换相关器 |
| 2.4 联合变换相关器关键元器件分析 |
| 2.5 装置调校及注意事项 |
| 2.6 小结 |
| 第三章 多小波变换的基本理论 |
| 3.1 多小波的多分辨分析 |
| 3.2 多小波的性质 |
| 3.3 几种典型的多小波 |
| 3.4 信号的预处理 |
| 3.5 小结 |
| 第四章 多小波变换在光学相关探测的应用 |
| 4.1 基于多小波变换的图像增强 |
| 4.2 阈值的选取 |
| 4.3 基于多小波变换的边缘提取 |
| 4.4 数学形态学 |
| 4.5 小结 |
| 第五章 计算机模拟实验和光学实验 |
| 5.1 低对比度图像相关实验 |
| 5.2 复杂背景图像实验 |
| 5.3 微光图像计算机仿真与光学实验 |
| 5.4 小结 |
| 第六章 总结 |
| 致谢 |
| 参考文献 |
| 攻读硕士期间发表论文 |
（10）多小波去噪方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 图像去噪的意义 |
| 1.2 图像去噪的现状 |
| 1.3 图像噪声简介 |
| 1.4 评价去噪算法的标准 |
| 1.5 本文的架构 |
| 第二章 小波的基本理论 |
| 2.1 小波的发展历程 |
| 2.1.1 小波的由来 |
| 2.1.2 小波的发展 |
| 2.1.3 其它形式的小波变换 |
| 2.2 连续小波变换 |
| 2.3 离散小波变换 |
| 2.4 多小波变换 |
| 2.4.1 理论基础 |
| 2.4.2 多小波基的构造 |
| 2.5 本章小结 |
| 第三章 常用的基于小波变换的去噪算法 |
| 3.1 小波去噪原理 |
| 3.2 分解与重构去噪算法 |
| 3.3 阈值收缩去噪算法 |
| 3.3.1 算法介绍 |
| 3.3.2 阈值函数的选取 |
| 3.3.3 阈值的界定 |
| 3.4 平移不变去噪算法 |
| 3.5 小波变换模极大值去噪算法 |
| 3.6 小波变换域系数相关性去噪算法 |
| 3.7 本章小结 |
| 第四章 新阈值函数的平移不变多小波图像去噪 |
| 4.1 多小波的选择 |
| 4.2 多小波的预处理算法 |
| 4.2.1 一维信号预滤波 |
| 4.2.2 二维信号预滤波 |
| 4.3 多小波的边界延拓 |
| 4.4 多小波的重构 |
| 4.5 新的阈值函数 |
| 4.6 实验结果及分析 |
| 4.7 本章小结 |
| 第五章 总结与展望 |
| 5.1 工作总结 |
| 5.2 工作展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间主要的研究成果 |
四、多小波变换中一种新预滤波方法及其应用（论文参考文献）
- [1]基于多小波调制的NOMA系统构建及性能分析[D]. 徐素文. 电子科技大学, 2021(01)
- [2]基于多小波的电子系统故障诊断系统的研究[D]. 邹雪. 成都理工大学, 2020(04)
- [3]非织造布纤维结构与形态的图像解析与测量[D]. 陈阳. 上海工程技术大学, 2020(04)
- [4]多小波在5G通信波形设计中的应用研究[D]. 刘瑶. 电子科技大学, 2019(01)
- [5]多小波理论在信号处理中的应用[D]. 关惠惠. 新疆师范大学, 2018(08)
- [6]基于多小波变换的矿用齿轮箱故障诊断研究[D]. 华伟. 中国矿业大学(北京), 2017(05)
- [7]基于图像多小波变换的煤岩界面识别[J]. 郝清玉,朱元忠,陈健. 工矿自动化, 2015(02)
- [8]光学相关运动目标识别技术的研究[D]. 张肃. 长春理工大学, 2014(07)
- [9]多小波变换在光学相关探测中的应用[D]. 陶宇. 长春理工大学, 2014(08)
- [10]多小波去噪方法研究[D]. 安博. 中南大学, 2011(01)