利用小波功率谱分析和离散小波变换，对CNES／GRGS、CSR、GFZ等研究机构发布的GRACE时变重力位模型的J2项时间序列进行了周期分析和特征提取，并与利用SLR跟踪数据获得的J2项时间序列的分析结果进行了比较，结果显示：SLR跟踪数据获得的J2项相较GRACEJ2项具有更明显的季节性变化特征。GRACE时变重力位模型的J2项中混淆进了161天的周期信号，是由海洋潮汐模型中存在的太阳半日分潮S2项的误差引起的。

将小波变换用于涡街流量计,介绍了基于离散小波变换和连续小波变换功率谱估计的信号处理方法,给出了仿真步骤与结果,并讨论其特点,从而设计了基于DSP的信号处理系统.研究中所用方法适用于其它流量计,基于DSP的信号处理系统具有功能强、速度快及可靠性高等优点.

建立了不平衡量振动力学模型,然后利用离散小波变换对所采集的信号进行消噪处理,提取有用的低频信号,进行频谱分析,并提出了离散傅里叶变换快速算法.根据DFT运算结果,在频域提取不平衡量所对应的幅度和相位,有效地滤除了信号中混杂的低频及高频干扰,最后基于中值滤波原理求出不平衡量的幅度及相位估计值.本系统不平衡量测试精度小于10 mg*mm,相角小于2°.结果表明了该算法的可行性.

为了有效提高图像水印技术的不可感知性、鲁棒性和安全性,提出了一种基于感兴趣区域和离散小波变换的鲁棒盲水印方案。该方案使用宿主图像的感兴趣区域用作水印图像。通过从宿主图像生成的水印,结合嵌入策略以及Arnold置乱来满足要求。首先,将第一级离散小波变换应用于水印,并选择近似系数作为要嵌入的信息。将各个近似系数嵌入到小波域内的宿主图像所选块的低频子带中;随后,在嵌入之前,对水印的近似系数以及宿主图像的块进行Arnold置乱。这使得该方案更加鲁棒和安全。测试数据表明:与当前水印方法相比,所提技术具有更高的鲁棒性和安全性,其水印图像的相关系数NC均稳定在0.98左右。仿真结果表明:该方案可抵抗各种攻击,实现高度的安全性、不可感知性和鲁棒性。

针对滚动轴承故障诊断时频特征自适应提取与智能诊断问题,提出了一种基于卷积神经网络(Convolution Neural Network,CNN)和离散小波变换(Discrete Wavelet Transform,DWT)的滚动轴承故障诊断方法。首先应用离散小波变换将信号时频特征充分展现,构造出时频矩阵;然后再利用卷积神经网络的多层特征提取网络对输入信号进行分级表达,将时频矩阵低层信号特征逐层变换形成抽象的深层特征,以获取原信号时频信息的分布式特征表达。最后在特征输出层后端添加softmax多分类器,利用反向传播(Backpropagation,BP)逐层微调结构参数,建立特征空间到故障空间的映射以生成合适的分类器,从而实现滚动轴承故障诊断。通过对不同故障类型、不同损伤程度以及不同工况下的滚动轴承进行故障诊断实验,结果证明了所提方法的可行性与有效性,并具有较好的泛化能力和稳健性。