Temat: wavelet thresholding

Skocz do pozycji: 1.

Tytuł:: The Wavelet Transform in Regression
Zastosowanie transformacji falkowej do budowy modeli regresyjnych
Autorzy:: Trzęsiok, Joanna
Tematy:: wavelets
wavelet transform
wavelet thresholding
nonparametric regression; Pokaż więcej
Wydawca:: Uniwersytet Łódzki. Wydawnictwo Uniwersytetu Łódzkiego
Powiązania:: https://bibliotekanauki.pl/articles/905049.pdf Link otwiera się w nowym oknie
Opis:: The wavelet transform was introduced in the 19S0's and it was developed as an alternative in tin short time Fourier transform. The wavelets theory is very popular in signal processing and pattern recognition and its applications are still growing. This paper presents the wavelet transform in nonparametric regression. The use of wavelets, in statistical applications was pioneered by D. Donoho and I. Johnstone. Here we discuss their methodology - wavelet shrinkage. The wavelet transform is compared with another nonparametric regression method - splines.
Transformacja falkowa została zaproponowana na początku lat osiemdziesiątych, jako alternatywa do transformacji Fouriera. Metoda ta szybko znalazła swoje zastosowanie w teorii sygnałów oraz w rozpoznawaniu obrazów, a zakres jej aplikacji nadal dynamicznie się rozwija. Autorami pionierskich prac z zakresu zastosowań teorii lalek w statystyce są David Donoho and Iain Johnstone. Zaproponowali oni w roku 1994 procedurę WaveShrink wykorzystywaną do estymacji funkcji gęstości oraz budowy nieparametrycznych modeli regresji oparła na transformacji falkowej. W artykule przedstawione zostało zastosowanie transformacji falkowej oraz procedury WaveShrink do budowy modelu regresyjnego. Omawianą metodę porównano z inną nieparametryczny metodą regresji - krzywymi sklejanymi.
Dostawca treści:: Biblioteka Nauki

Artykuł

na półce

Skocz do pozycji: 2.

Tytuł:: Image denoising using new wavelet thresholding function
Autorzy:: Dehda, B.
Melkemi, K.
Tematy:: wavelet transform
image denoising
wavelet thresholding
wavelet shrinkage rules
peak signal to noise ratio
PSNR
transformata falkowa
falka
odszumianie obrazu; Pokaż więcej
Wydawca:: Politechnika Częstochowska. Wydawnictwo Politechniki Częstochowskiej
Powiązania:: https://bibliotekanauki.pl/articles/122959.pdf Link otwiera się w nowym oknie
Opis:: In this paper, we propose a new image denoising method based on wavelet thresholding. In this method, we introduce a new nonlinear thresholding function characterized by a shape parameter and basic properties. These characteristics make the new method able to achieve a compromise between both traditional thresholding techniques such as Hard and Soft thresholding. The experimental results show that our proposed method provides better performance compared to many classical thresholding methods in terms of the visual quality of the denoised image.
Dostawca treści:: Biblioteka Nauki

Artykuł

na półce

Skocz do pozycji: 3.

Tytuł:: Load identification method of ball mill based on the CEEMDAN-wavelet threshold - PMMFE
Metoda identyfikacji obciążenia młyna kulowego w oparciu o CEEMDAN - próg falkowy - PMMFE
Autorzy:: Yang, Lirong
Yang, Hui
Tematy:: mill load
bearing vibration signal
CEEMDAN
wavelet thresholding
PMMFE
load identification
obciążenie młyna
sygnał drgań łożyska
próg falkowy
identyfikacja obciążenia; Pokaż więcej
Wydawca:: Polska Akademia Nauk. Instytut Gospodarki Surowcami Mineralnymi i Energią PAN
Powiązania:: https://bibliotekanauki.pl/articles/59112502.pdf Link otwiera się w nowym oknie
Opis:: In order to address the difficult problem of ball mill load identification during milling operation, the multi-scale fuzzy entropy algorithm is introduced into ball mill load identification and an innovative ball mill load identification method is proposed - the complete integrated empirical decomposition based on adaptive noise (CEEMDAN)-joint denoising with wavelet thresholding-multi-scale fuzzy entropy biased mean value (PMMFE) ball mill load identification method. Firstly, the vibration signals of ball mill bearings are denoised by the CEEMDAN-wavelet threshold joint denoising method and the analysis reveals that this method has obvious advantages over other denoising methods; secondly, the fuzzy entropy, multi-scale fuzzy entropy, and multi-scale fuzzy entropy deviation of denoised vibration signals are computed, the relationship between each entropy feature and the mill load is analysed in-depth and in an information-rich manner. Finally, the least squares support vector algorithm is used to identify the load of the feature vector. The analysis of the measured vibration signals reveals that the overall recognition rate of this method is 84.4%, which is significantly higher than that of other denoising methods and the combination of feature parameters, and the experiments show that the mill load recognition method based on CEEMDAN-wavelet thresholding-PMMFE is able to effectively identify the different loading states of ball mills.
W celu rozwiązania trudnego problemu identyfikacji obciążenia młyna kulowego podczas operacji mielenia, do identyfikacji obciążenia młyna kulowego wprowadzono wieloskalowy algorytm entropii rozmytej oraz zaproponowano innowacyjną metodę identyfikacji obciążenia młyna kulowego – pełną zintegrowaną dekompozycję empiryczną opartą na szumie adaptacyjnym (CEEMDAN) – wspólne odszumianie z progowaniem falkowym – wieloskalowa metoda identyfikacji obciążenia młyna kulowego metodą rozmytej entropii z odchyleniem wartości średniej (PMMFE). Po pierwsze, sygnały wibracyjne łożysk młyna kulowego są odszumiane za pomocą wspólnej metody odszumiania CEEMDAN z progowaniem falkowym, a analiza pokazuje, że metoda ta ma oczywiste zalety w porównaniu z innymi metodami odszumiania; po drugie, obliczana jest rozmyta entropia, wieloskalowa rozmyta entropia i wieloskalowe rozmyte odchylenie entropii odszumionych sygnałów wibracyjnych, a związek między każdą cechą entropii a obciążeniem młyna jest analizowany dogłębnie i w sposób bogaty w informacje. Na koniec, algorytm wektora wsparcia najmniejszych kwadratów jest wykorzystywany do identyfikacji obciążenia wektora cech. Analiza zmierzonych sygnałów wibracyjnych pokazuje, że ogólny wskaźnik rozpoznawania tej metody wynosi 84,4%, co jest znacznie wyższe niż w przypadku innych metod odszumiania i kombinacji parametrów cech, a eksperymenty pokazują, że metoda rozpoznawania obciążenia młyna oparta na progowaniu falkowym CEEMDAN-PMMFE jest w stanie skutecznie identyfikować różne stany obciążenia młynów kulowych.
Dostawca treści:: Biblioteka Nauki

Artykuł

na półce

Skocz do pozycji: 4.

Tytuł:: Denoising methods for improving automatic segmentation in OCT images of human eye
Autorzy:: Stankiewicz, A.
Marciniak, T.
Dąbrowski, A.
Stopa, M.
Rakowicz, P.
Marciniak, E.
Tematy:: optical coherence tomography (OCT)
image denoising
image segmentation
anisotropic diffusion
wavelet thresholding
koherentna tomografia optyczna
OCT
segmentacja obrazu
dyfuzja anizotropowa; Pokaż więcej
Wydawca:: Polska Akademia Nauk. Czytelnia Czasopism PAN
Powiązania:: https://bibliotekanauki.pl/articles/201133.pdf Link otwiera się w nowym oknie
Opis:: This paper presents analysis of selected noise reduction methods used in optical coherence tomography (OCT) retina images (the socalled B-scans). The tested algorithms include median and averaging filtering, anisotropic diffusion, soft wavelet thresholding, and multiframe wavelet thresholding. Precision of the denoising process was evaluated based on the results of automated retina layers segmentation, since this stage (vital for ophthalmic diagnosis) is strongly dependent on the image quality. Experiments were conducted with a set of 3D low quality scans obtained from 10 healthy patients and 10 patients with vitreoretinal pathologies. Influence of each method on the automatic image segmentation for both groups of patients is thoroughly described. Manual annotations of investigated retina layers provided by ophthalmology experts served as reference data for evaluation of the segmentation algorithm.
Dostawca treści:: Biblioteka Nauki

Artykuł

na półce

Skocz do pozycji: 5.

Tytuł:: Adaptive cleaning signals disturbed non Gaussian noise.
Adaptacyjne czyszczenie sygnałów zaburzonych niebiałymi szumami Gaussowskimi
Autorzy:: Wolak, Grzegorz
Opis:: In the paper are presents the results of signal denoising using wavelet analysis. For this purpose uses Haar wavelet function used for signal decomposition of the approximation and detail coefficients. It shows a set of tools such as different types of noise reduction thresholds and thresholding functions of many families. It presents subsequents stages signal noise reduction algorithm, and shows its effectiveness for removing noise in the selection of the various components algorithm.The study aimed to identify whether the test signal was distorted noise with memory. The noise was considered the first-order autoregressive process AR (1). The next step was to remove the process from the signal. For this purpose had to be designed the algorithm allow to remove the components of the test run. The last step was the implementation of the algorithm in a computer program which allows graphic interpretation method works.Work on the design of the algorithm to remove AR (1) based on before mentioned method, wavelet analysis, which is used for removing the white Gaussian noise. In order to familiarize with the operation and effectiveness of the algorithm were the removal of white noise from the deterministic signal with selection of different types of thresholds and threshold functions.The next stage was the identification of the process AR (1) in the signal. The sample of identification was taken based on a pure vector autoregressive process, which was generated at various selection of coefficient process. It was compared the cross-correlation between coefficients with teoretical correlation obtained by calculating details wavelet according to the relationship arising from the Haar wavelet.The next step was checking the effect of wavelet algorithm on the process AR (1), by examination in the range of stationarity. Was made a comparison of different types of noise reduction thresholds and threshold functions in order to select the optimal parameters of method for the test noise. After selecting the components, was beganed to modification of the algorithm. The modification was based on the value of theoretical correlation of detail wavelet. This modification is calculate the multiples the occurrence of non-zero correlation between coefficients in order to eliminate the details, which have the greatest influence on the others.The results of the modified method were compared with the original in order to verifying its effectiveness. The comparison were made in the time domain, in which the basic signal parameters were visible, such as amplitude or frequency. This allows to see in which extent the reconstructed signal satisfies the desired result. Second comparison was made in the frequency domain, for this purpose was used the power spectrum of the signal, by which is visible the level of deleted high-frequency components derived from the noise.Both types of comparisons were made by using graphs, which generated using a GUI application that implements both types of algorithms. It allows to make simulations for any signal loaded from a file, as well as have the ability to generate progresses of noisy by the Gaussian noise and the process of AR (1)
W pracy zaprezentowano wyniki odszumiania sygnału za pomocą analizy falkowej. Do tego celu użyto funkcji falkowej Haara służącej do dekompozycji sygnału na współczynniki aproksymacji i detali. Przedstawiono zestaw narzędzi takich jak, różne rodzaje progów odszumiania, oraz liczne rodziny funkcji progowych. Zaprezentowano kolejne etapy algorytmu odszumiania sygnału, oraz przedstawiono jego skuteczność do usuwania szumu, przy doborze różnych komponentów algorytmu.Praca miała na celu zidentyfikowanie, czy badany sygnał został zaburzony szumem z pamięcią. Rozważanym szumem był proces autoregresyjny pierwszego rzędu AR(1). Kolejnym etapem było usunięcie procesu z sygnału. W tym celu należało zaprojektować algorytm umożliwiający usunięcie jego składowych z badanego przebiegu. Ostatnim etapem była implementacja algorytmu w postaci programu komputerowego umożliwiającego graficzną interpretację działania metody.Prace nad zaprojektowaniem algorytmu do usuwania AR(1) oparto na wspomnianej wcześniej metodzie analizy falkowej, wykorzystywanej do usuwania białego szumu gaussowskiego. W celu zapoznania się z działaniem i skutecznością algorytmu, przeprowadzono proces usuwania białego szumu z sygnału deterministycznego przy doborze różnych rodzajów progów i funkcji progowych.Kolejnym etapem prac była identyfikacja procesu AR(1) w sygnale. Próbę identyfikacji podjęto na podstawie czystego wektora wygenerowanych próbek procesu autoregresyjnego, przy różnym doborze współczynnika procesu. Porównano korelację wzajemną pomiędzy poszczególnymi współczynnikami, z korelacją teoretyczną otrzymaną poprzez obliczenie detali falkowych zgodnie z zależnością wynikającą z falki Haara.W następnym etapie sprawdzono działanie algorytmu falkowego na proces AR(1), przeprowadzając badania w przedziale stacjonarności procesu. Dokonano porównania różnych rodzajów progów odszumiania oraz funkcji progowych w celu doboru optymalnych parametrów metody dla badanego szumu. Po wybraniu odpowiednich komponentów, przystąpiono do modyfikacji algorytmu. Modyfikacja ta została oparta na wartości korelacji teoretycznej detali falkowych. Obliczana jest w niej krotność występowania niezerowej korelacji między współczynnikami w celu eliminacji detali wykazujących największe oddziaływanie na pozostałe.Wyniki działania zmodyfikowanej metody porównano z oryginalną metodą progową w celu zweryfikowania jej skuteczności. Porównania dokonano w dziedzinie czasu, w której widoczne były podstawowe parametry sygnału, takie jak amplituda czy częstotliwość. Dzięki temu można zobaczyć, w jakim stopniu zrekonstruowany sygnał spełnia oczekiwany rezultat. Drugiego porównania dokonano w dziedzinie częstotliwości, wykorzystując do tego celu widmo mocy sygnału, za pomocą którego widoczny jest poziom usuniętych składowych o wysokich częstotliwościach pochodzących od szumu.Obu typów porównań dokonano korzystając z wykresów generowanych przy pomocy aplikacji GUI implementującej oba typy algorytmów. Umożliwia ona dokonywanie symulacji dla dowolnego sygnału wczytanego z pliku, jak również posiada możliwość generowania przebiegów zaszumionych białym szumem gaussowskim, oraz procesem AR(1).
Dostawca treści:: Repozytorium Uniwersytetu Jagiellońskiego

Inne

na półce

Informacja

Wyszukujesz frazę "wavelet thresholding" wg kryterium: Temat