四线电阻触摸屏校准算法小结

第一篇：四线电阻触摸屏校准算法小结

四线电阻触摸屏校准算法的实现

(一)四线电阻屏的触摸板坐标和屏坐标有如下关系： X0 = xfac * X + xoff;Y0 = yfac * Y + yoff;其中X0,Y0是屏的物理坐标，xfac,yfac为x,y方向的比例因子，xoff,yoff为x,y方向的偏移 量.既然说到了校准，那么这四个量肯定是不变的，所以我们可以用至少两个屏的物理坐标点就 可算出这四个量,也即是两点校准法，由于按下屏后读出的是X,Y值，而校准时用的X0,Y0 也是已知的，那么就是解四元一次方程组了,算法如下：

(X1,Y1)和（X2,Y2）是用于校准时屏上显示的两个点，这两个点的坐标必须不一样，是已知的;(x1,y1)和(x2,y2)是校准时读取的被按下的两点的触摸板坐标值;有如下方程组：

X1 = xfac * x1 + xoff;// 1 Y1 = yfac * y1 + yoff;// 2 X2 = xfac * x2 + xoff;// 3 Y2 = yfac * y2 + yoff;// 4 解得：-1 得xfac =(X2-X1)/(x2-x1);//得到x轴方向的比例因子 + 1 得xoff = [(X2 + X1)-xfac(x2 + x1)]/2;//得到x轴方向的偏移量 4-2 得yfac =(Y2-Y1)/(y2-y1);

//得到y轴方向的比例因子 4 + 2 得yoff = [(Y2 + Y1)-yfac(y2 + y1)]/2;//得到y轴方向的偏移量

OK!所谓的三点触摸校准，四点触摸校准只不过是加了可靠的滤波算法，因为触摸笔和屏 的接触不是很准确的！而像素点是很小的，所以通常都用四点校准，而且经验证这此算法是 必须加的，否则很不准,参见STM32学习笔记相关实验实验例程，已验证通过理论知识: * 触摸屏实际是在普通的lcd 上贴了一个触摸膜, 没有原生的触摸屏 校准公式

X液晶= ax + by + c

x,y是触摸屏 Y液晶= dx + ey + d 公式原理

X,Y的公司类似, 这里就已X液晶的公式为例 先说a 首先, 液晶和触摸膜的分辨率通常是不一样的, 如液晶分辨率640*480, 触摸膜分辨率 1024 * 768, 则这时就需要把 触摸膜的分辨率 乘一个系数才和液晶分辨率对应, 这里 就是ax中的a, 这里a = 640 / 1024 = 0.625 再说c 由于安装的机械问题, 可能有水平的平移, 这里就是c 最后说b 一开始还以为公式错了, 为什么x的东西还有y的事, 原理还是安装机械的问题, 若膜和lcd 安装有一定的倾斜角度y就不是0了 计算abcdef参数

对应abc和def来说是独立的, 类似的, 下面以计算abc为例

有3个未知数abc,显然需要3个方程 M[0] = A * x[0] + B * y[0] + C M[1] = A * x[1] + B * y[1] + C M[2] = A * x[2] + B * y[2] + C M[0]~M[2]代表lcd 的坐标, x[0]~x[2], y[0]~y[2]是触摸膜坐标

这3个点不能在同一条直线上, 在校准过程中, 在源代码中给M[0]~M[2]赋值, 然后x[0]等是

从驱动读数,最后解方程即可 最后abc表达式, F=(Xt[0]-Xt[2])*(Yt[1]-Yt[2])-(Xt[1]-Xt[2])*(Yt[0]-Yt[2]);//计算参数

A=(Xd0-Xd2)*(Yt[1]-Yt[2])-(Xd1-Xd2)*(Yt[0]-Yt[2]);B=(Xt[0]-Xt[2])*(Xd1-Xd2)-(Xd0-Xd2)*(Xt[1]-Xt[2]);C=Yt[0]*(Xt[2]*Xd1-Xt[1]*Xd2)+Yt[1]*(Xt[0]*Xd2-Xt[2]*Xd0)+Yt[2]*(Xt[1]*Xd0-Xt[0]*Xd1);D=(Yd0-Yd2)*(Yt[1]-Yt[2])-(Yd1-Yd2)*(Yt[0]-Yt[2]);E=(Xt[0]-Xt[2])*(Yd1-Yd2)-(Yd0-Yd2)*(Xt[1]-Xt[2]);F=Yt[0]*(Xt[2]*Yd1-Xt[1]*Yd2)+ Yt[1]*(Xt[0]*Yd2-Xt[2]*Yd0)+ Yt[2]*(Xt[1]*Yd0-Xt[0]*Yd1);

2012-8-9

第二篇：LM算法小结

Matlab代码部分：

在matlab2011等以上版本中使用LM算法，请进行修改：  homography2d1.m中，修改：options = optimset('LargeScale','off','LevenbergMarquardt','on');改为：options=optimset('LargeScale','off','Algorithm','levenberg-marquardt'); zhang.m中，修改：options = optimset('Display','iter','LargeScale','off','LevenbergMarquardt','on');改为：

Options=optimset('Display','iter','LargeScale','off','Algorithm','levenberg-marquardt');

第三篇：增量式PID算法小结

增量式PID算法小结

一、PID 算法简介

顾名思义，P 指是比例（Proportion），I 指是积分（Integral），D 指微分（Differential）。比例P：比例控制是一种最简单的控制方式。其控制器的输出与输入误差信号成比例关系。偏差一旦产生，控制器立即就发生作用即调节控制输出，使被控量朝着减小偏差的方向变化，偏差减小的速度取决于比例系数Kp，Kp越大偏差减小的越快，但是很容易引起振荡，尤其是在迟滞环节比较大的情况下，Kp减小，发生振荡的可能性减小但是调节速度变慢。但单纯的比例控制存在稳态误差不能消除的缺点。这里就需要积分控制。

积分 I：在积分控制中，控制器的输出与输入误差信号的积分成正比关系。对一个自动控制系统，如果在进入稳态后存在稳态误差，则称这个控制系统是有稳态误差的或简称有差系统。为了消除稳态误差，在控制器中必须引入“积分项”。积分项对误差取决于时间的积分，随着时间的增加，积分项会增大。这样，即便误差很小，积分项也会随着时间的增加而加大，它推动控制器的输出增大使稳态误差进一步减小，直到等于零。因此，比例+积分(PI)控制器，可以使系统在进入稳态后无稳态误差。实质就是对偏差累积进行控制，直至偏差为零。积分控制作用始终施加指向给定值的作用力，有利于消除静差，其效果不仅与偏差大小有关，而且还与偏差持续的时间有关。简单来说就是把偏差积累起来，一起算总帐。

微分 D：在微分控制中，控制器的输出与输入误差信号的微分（即误差的变化率）成正比关系。自动控制系统在克服误差的调节过程中可能会出现振荡甚至失稳。其原因是由于存在有较大惯性组件（环节）或有滞后组件，具有抑制误差的作用，其变化总是落后于误差的变化。解决的办法是使抑制误差的作用的变化“超前”，即在误差接近零时，抑制误差的作用就应该是零。这就是说，在控制器中仅引入“比例”项往往是不够的，比例项的作用仅是放大误差的幅值，而目前需要增加的是“微分项”，它能预测误差变化的趋势，这样，具有比例+微分的控制器，就能够提前使抑制误差的控制作用等于零，甚至为负值，从而避免了被控量的严重超调。所以对有较大惯性或滞后的被控对象，比例+微分(PD)控制器能改善系统在调节过程中的动态特性。

它能敏感出误差的变化趋势,可在误差信号出现之前就起到修正误差的作用,有利于提高输出响应的快速性,减小被控量的超调和增加系统的稳定性。但微分作用很容易放大高频噪声,降低系统的信噪比,从而使系统抑制干扰的能力下降。

增量式PID算法： Ki=Kp*Ts/Ti;Kd=Kp*Td/Ts;Kp为比例项系数 ；Ki为积分项系数 ；Kd为微分项系数;Ti为积分时间常数；Td为微分时间常数 ；Ts 为采样周期常数 上述公式进一步推倒：

Δu(k)= Ka * e(k)+ Kb * e(k-1)+ Kc * e(k-2);Ka=Kp*(1+Ts／Ti+ Td/Ts)Kb=（-1）*(Kp)*(1+2Td/TS)Kc=Kp*(Td/TS)代码如下：

float PID_Dispose(flaot D_value){ static flaot Ek = 0;static flaot Ek_1 = 0;static flaot Ek_2 = 0;Ek_2 = Ek_1;Ek_1 = Ek;Ek = D_value;return((float)(Ka*Ek + Kb*Ek_1 +Kc*Ek_2)）;} D_value定义为float 类型（据情况而定），此变量是设定值与系统输出量的差值。PID 调试一般原则

a.在输出不振荡时，增大比例增益 P。b.在输出不振荡时，减小积分时间常数 Ti。c.输出不振荡时，增大微分时间常数 Td。

第四篇：18大经典数据挖掘算法小结

18大经典数据挖掘算法小结

2015-03-05 CSDN大数据 CSDN大数据

csdnbigdataCSDN分享Hadoop、Spark、NoSQL/NewSQL、HBase、Impala、内存计算、流计算、机器学习和智能算法等相关大数据观点，提供云计算和大数据技术、平台、实践和产业信息等服务。本文所有涉及到的数据挖掘代码的都放在了github上了。

地址链接: https://github.com/linyiqun/DataMiningAlgorithm 大概花了将近2个月的时间，自己把18大数据挖掘的经典算法进行了学习并且进行了代码实现，涉及到了决策分类，聚类，链接挖掘，关联挖掘，模式挖掘等等方面。也算是对数据挖掘领域的小小入门了吧。下面就做个小小的总结，后面都是我自己相应算法的博文链接，希望能够帮助大家学习。

1.C4.5算法。C4.5算法与ID3算法一样，都是数学分类算法，C4.5算法是ID3算法的一个改进。ID3算法采用信息增益进行决策判断，而C4.5采用的是增益率。

详细介绍链接：http://blog.csdn.net/androidlushangderen/article/details/42395865 2.CART算法。CART算法的全称是分类回归树算法，他是一个二元分类，采用的是类似于熵的基尼指数作为分类决策，形成决策树后之后还要进行剪枝，我自己在实现整个算法的时候采用的是代价复杂度算法，详细介绍链接：http://blog.csdn.net/androidlushangderen/article/details/42558235 3.KNN(K最近邻)算法。给定一些已经训练好的数据，输入一个新的测试数据点，计算包含于此测试数据点的最近的点的分类情况，哪个分类的类型占多数，则此测试点的分类与此相同，所以在这里,有的时候可以复制不同的分类点不同的权重。近的点的权重大点，远的点自然就小点。

详细介绍链接：http://blog.csdn.net/androidlushangderen/article/details/42613011 4.Naive Bayes(朴素贝叶斯)算法。朴素贝叶斯算法是贝叶斯算法里面一种比较简单的分类算法，用到了一个比较重要的贝叶斯定理，用一句简单的话概括就是条件概率的相互转换推导。详细介绍链接：http://blog.csdn.net/androidlushangderen/article/details/42680161 5.SVM(支持向量机)算法。支持向量机算法是一种对线性和非线性数据进行分类的方法，非线性数据进行分类的时候可以通过核函数转为线性的情况再处理。其中的一个关键的步骤是搜索最大边缘超平面。

详细介绍链接：http://blog.csdn.net/androidlushangderen/article/details/42780439 6.EM(期望最大化)算法。期望最大化算法，可以拆分为2个算法，1个E-Step期望化步骤,和1个M-Step最大化步骤。他是一种算法框架，在每次计算结果之后，逼近统计模型参数的最大似然或最大后验估计。

详细介绍链接：http://blog.csdn.net/androidlushangderen/article/details/42921789 7.Apriori算法。Apriori算法是关联规则挖掘算法，通过连接和剪枝运算挖掘出频繁项集，然后根据频繁项集得到关联规则，关联规则的导出需要满足最小置信度的要求。

详细介绍链接：http://blog.csdn.net/androidlushangderen/article/details/43059211 8.FP-Tree(频繁模式树)算法。这个算法也有被称为FP-growth算法，这个算法克服了Apriori算法的产生过多侯选集的缺点，通过递归的产生频度模式树，然后对树进行挖掘，后面的过程与Apriori算法一致。

详细介绍链接：http://blog.csdn.net/androidlushangderen/article/details/43234309 9.PageRank(网页重要性/排名)算法。PageRank算法最早产生于Google,核心思想是通过网页的入链数作为一个网页好快的判定标准，如果1个网页内部包含了多个指向外部的链接，则PR值将会被均分，PageRank算法也会遭到Link Span攻击。

详细介绍链接：http://blog.csdn.net/androidlushangderen/article/details/43311943 10.HITS算法。HITS算法是另外一个链接算法，部分原理与PageRank算法是比较相似的，HITS算法引入了权威值和中心值的概念，HITS算法是受用户查询条件影响的，他一般用于小规模的数据链接分析，也更容易遭受到攻击。

详细介绍链接：http://blog.csdn.net/androidlushangderen/article/details/43311943 11.K-Means(K均值)算法。K-Means算法是聚类算法，k在在这里指的是分类的类型数，所以在开始设定的时候非常关键，算法的原理是首先假定k个分类点，然后根据欧式距离计算分类，然后去同分类的均值作为新的聚簇中心，循环操作直到收敛。

详细介绍链接：http://blog.csdn.net/androidlushangderen/article/details/43373159 12.BIRCH算法。BIRCH算法利用构建CF聚类特征树作为算法的核心，通过树的形式，BIRCH算法扫描数据库，在内存中建立一棵初始的CF-树，可以看做数据的多层压缩。

详细介绍链接：http://blog.csdn.net/androidlushangderen/article/details/43532111 13.AdaBoost算法。AdaBoost算法是一种提升算法，通过对数据的多次训练得到多个互补的分类器，然后组合多个分类器，构成一个更加准确的分类器。

详细介绍链接：http://blog.csdn.net/androidlushangderen/article/details/43635115 14.GSP算法。GSP算法是序列模式挖掘算法。GSP算法也是Apriori类算法，在算法的过程中也会进行连接和剪枝操作，不过在剪枝判断的时候还加上了一些时间上的约束等条件。

详细介绍链接：http://blog.csdn.net/androidlushangderen/article/details/43699083 15.PreFixSpan算法。PreFixSpan算法是另一个序列模式挖掘算法，在算法的过程中不会产生候选集，给定初始前缀模式，不断的通过后缀模式中的元素转到前缀模式中，而不断的递归挖掘下去。

详细介绍链接：http://blog.csdn.net/androidlushangderen/article/details/43766253 16.CBA(基于关联规则分类)算法。CBA算法是一种集成挖掘算法，因为他是建立在关联规则挖掘算法之上的，在已有的关联规则理论前提下，做分类判断，只是在算法的开始时对数据做处理，变成类似于事务的形式。

详细介绍链接：http://blog.csdn.net/androidlushangderen/article/details/43818787 17.RoughSets(粗糙集)算法。粗糙集理论是一个比较新颖的数据挖掘思想。这里使用的是用粗糙集进行属性约简的算法，通过上下近似集的判断删除无效的属性，进行规制的输出。

详细介绍链接：http://blog.csdn.net/androidlushangderen/article/details/43876001 18.gSpan算法。gSpan算法属于图挖掘算法领域。，主要用于频繁子图的挖掘，相较于其他的图算法，子图挖掘算法是他们的一个前提或基础算法。gSpan算法用到了DFS编码，和Edge五元组，最右路径子图扩展等概念，算法比较的抽象和复杂。

详细介绍链接：http://blog.csdn.net/androidlushangderen/article/details/43924273

第五篇：小波变换快速算法及应用小结

离散小波变换的快速算法

Mallat算法[经典算法] 在小波理论中,多分辨率分析是一个重要的组成部分。多分辨率分析是一种对信号的空间分解方法,分解的最终目的是力求构造一个在频率上高度逼近L2(R)空间的正交小波基,这些频率分辨率不同的正交小波基相当于带宽各异的带通滤波器。因此,对于一个能量有限信号,可以通过多分辨率分析的方法把其中的逼近信号和细节信号分离开,然后再根据需要逐一研究。多分辨率分析的概念是S.Mallat在构造正交小波基的时候提出的,并同时给出了著名的Mallat算法。Mallat算法在小波分析中的地位相当于快速傅立叶变换在经典傅立叶变换中的地位,为小波分析的应用和发展起到了极大的推动作用。MALLAT算法的原理

在对信号进行分解时，该算法采用二分树结构对原始输入信号x(n)进行滤波和二抽取，得到

111第一级的离散平滑逼近和离散细节逼近和，再采用同样的结构对进行滤波和二抽取

22得到第二级的离散平滑逼近和离散细节逼近和，再依次进行下去从而得到各级的离散123细节逼近对，…，即各级的小波系数。重构信号时，只要将分解算法中的步骤反过来进行即可，但要注意，此时的滤波器与分解算法中的滤波器不一定是同一滤波器，并且要将二抽取装置换成二插入装置才行。

多孔算法

[小波变换快速算法及其硬件实现的研究毛建华]

多孔算法是由M.shen于1992年提出的一种利用Mallat算法结构计算小波变换的快速算法，因在低通滤波器h0()和高通滤波器h1()中插入适当数目的零点而得名。它适用于a=2的二分树结构，与Mallat算法的电路实现结构相似。先将Mallat算法的电路实现的基本支路作一下变形。令h0 和h1()的z变换为H0（z）与H1（z），下两条支路完全等价，只不过是将插值和二抽取的顺序调换一下罢了。图中其它的上下两条支路也为等效支路，可仿照上面的方法证明。这样，我们便可由Mallat算法的二分树电路结构得出多孔算法的电路级联图，原Mallat算法中的电路支路由相应的等效支路所取代，所以整个电路形式与Mallat算法非常相似。如果舍去最后的抽取环节们实际上相当于把所有点的小波变换全部计算出来。

基干FFT的小波快速算法

[小波变换快速算法及其硬件实现的研究毛建华]

Mallat算法是由法国科学家StephaneG.Mallat提出的计算小波分解与重构的快速算法，能大大降低小波分解与重构的计算量，因此在数字信号处理和数字通信领域中得到了广泛的应用。但是如果直接采用该算法计算信号的分解和重构，其运算量还是比较大。主要体现在信号长度较大时，与小波滤波器组作卷积和相关的乘加法的计算量很大，不利于信号的实时处理。故有必要对该算法作进一步的改进。众所周知，FFT是计算离散傅里叶变换(DFT)的一种快速算法，如能将它和Mallat算法结合在一起，势必会进一步降低小波分解和重构的计算量，事实证明这一想法是可行的。

基于FFT的小波变换快速算法是通过离散傅里叶变换建立起FFT和mallat算法之何的桥梁，从而将、FFT引入到小波变换中来，达到改小波变换快速算法及硬件实现的研究进Mallat算法的目的。

当信号长度较小时，FFT算法效率不及直接算法;随着长度的增加，特别是对于长度是2的幕次方的信号，FFT算法比直接算法更适用，能大大降低计算t。当信号是长序列信号时，小波分解与重构中，滤波器要补很多的零，这对信号的实时计算很不利，我们可以采用长序列快速相关卷积算法对信号进行分段后再运用FFT算法，提高运算速度。

基于算术傅里叶变换的小波变换快速算法

[小波变换快速算法及其硬件实现的研究毛建华]

算术傅里叶变换(AFT)是1988年由Tufts和Sadasiv提出的一种用Mobius反演公式计算连续函数傅里叶系数的方法.它具有乘法运算t仅为O(N)算法简单、并行性好的优点。根据DPT和连续函数傅里叶系数的关系，可以用AFT计算DFT。同直接算法相比，APT方法可以将DFT的计算时间减少90%，尤其是对于含有较大素因子，特别是其长度本身为素数的DFT，它的速度比传统的FFT更快.另一方面，Mallat算法的分解和重构算法也可由DFT来计算，从而将AFT与Mallat算法联系了起来，从而为小波变换快速算法开辟了新的途径。对于尺度

为j的快速分解算法步骤如下: 1)选定滤波器系数h(n)和g(n)，再根据FFT的性质2，用N点的AFT分别计算出H(k)和G(k)，分别取共扼，进而得到H*(k)，G*(k)。

2)在已知cj(n)的情况下，用N点的AFT求出其DFTCj(k)3)分别计算出H*(k)Cj(k)，G*(k)Cj(k)，即C’j(k)和D’j(k)4)用N点的AFT求出C’j+1(k)和D’j+1(k)IDFT，得到C’j+1(n)和D’j+1(n)IDFT，再分别对它 们作二抽取，就可求出Cj+1(n)和Dj+1(n)。在进行分解计算时，H(k)G(k)只要计算一次即可。重复步骤(2)一(4)可实现下一尺度小波分解，直到达到规定的尺度为止。不过要注意:尺度增加一个级别，信号长度减半。对于尺度为j+1的快速重构算法为: 1)对Cj+1(n)和Dj+1(n)进行二插值，得到C’j+1(n)和D’j+1(n);2)用N点的AFT分别求出h(n)、g(n)的DFTH(k)和G(k)3)用N点的AFT分别求出C’j+1(n)和D’j+1(n)的DFTC’j+1(k)和D’j+1(k);4)根据(17)式求出Cj(k)，再用N点的AFT进行IDFT，可求出cj(n)。

基于Hermite插值的小波变换模极大值重构信号快速算法

[基于Hermite插值的小波变换模极大值重构信号快速算法韩民，田岚，翟广涛，崔国辉] 信号在不同尺度上的小波变换模极大值包含了信号中的重要信息，因此研究如何由小波变 换模极大值重构信号是很有意义的。论文提出了一种基于Hermite插值多项式由二进小波变换模极大值重构信号的快速算法。数值试验表明，与S.Mallat提出的经典交替投影算法相比，该算法可以在保证重构质量的前提下简化计算过程，提高计算效率，计算所需时间与交替投影算法相比大大减少，是一种实用性较强的信号重构算法。

Hermite插值[11]方法是一种具有重节点的多项式插值方法，由于它要求在节点处满足相应的导数条件，因此也称为切触差值。由于小波系数模极大值点的导数为零，这与Hermite插值对节点的导数要求不谋而合，因此我们选用Hermite插值多项式作为改进的插值方法。

强奇异积分方程小波Petrov-Galerkin快速算法

[强奇异积分方程小波Petrov-Galerkin快速算法隆广庆]

通过构造具有高阶消失矩、小支集和半双正交性质的分片多尺度小波基底, 给出第2类强奇异积分方程的小波Petrov-Galerkin快速算法, 并证明该算法收敛阶达到最佳, 条件数有界, 计算复杂性几乎最佳。构造配置泛函的思想, 构造分片多项式空间Xn上2列具有半双正交性的小波基,其中一列具有高阶消失矩性质。

小波变换的应用

小波分析在图像压缩编码中的应用

[小波变换算法在数字图像处理中的应用支春强中国电子科技集团公司第二十八研究所，江苏南京 210007摘] 数字图像信号像素间一般都具有相关性，相邻之间、相邻列之间的相关性最强，其相关系数呈指规律衰减。图像中相关性的存在，是图像压缩的理论依据，使得能针对性地采用某种相关的手段去除冗余信息，达到压缩的目的。利用变换编码可以有效地消除像素间的相关性，从而获得较好的压缩效果。其基本原理就是将在时域描述的信号（如声音信号）或在空域描述的信号（如图像信号）经变换到正交向量空间（即变换域）中进行描述，在变换域的描述中各信号分量之间的相关性很小或互不相关，即能量得以集中。

小波变换进行图像重构实质上是相当于分别对图像数据的行和列做一维小波逆变换。对通过水平跟垂直滤波，离散小波将一级变换后图像的4个子图进行合成。对多级变换后的图像，则先对其信息集中的图进行重构，然后逐层进行。

小波分析在图像处理边缘检测中的应用

小波变换在车牌定位中的应用张国才，王召巴（中北大学信息与通信工程学院，山西太原030051）

由于传统的边缘检测方法检测到的边缘信息复杂，要想从中找准车牌的位置十分困难，而小波可以在不同的分辨率层次上对图像进行分割，在低分辨率层次上进行粗分割，由于计算量较小，适用于寻找目标的大致轮廓，在较高分辨率上实现精细分割，而且粗分割的结果对精细分割具有一定的指导作用，可以减少计算量和提高目标的定位精度。所以有的学者将小波变换用在了车牌区域的定位方面，利用小波的特点对车牌图像进行分析，发现小波分解后的细节分量中有能较好体现出车牌位置的信息，特别是水平低频、垂直高频分量能提供更准确的车牌位置信息。利用小波变换对车牌定位，在小波变换的分解图像中这里只研究其低频子图像，对低频子图像利用最大类间方差法进行二值化分割。

在军事工程方面的应用

[小波变换及其在轨道检测中的应用俞峰 戴月辉 ] 目前小波分析应用于轨道检测主要有: ①用小波时域局部特征检测突变信号(如检测钢

轨焊接部位缺陷、钢轨表面磨损等);②当传统的功率谱无法区分信号谱特征时,采用小波分 层细化分解,提取信号谱特征。

在语音合成方面的应用

[语音处理中自适应小波变换的应用 Application of Adaptive Wavelet Transformations in Speech Processing徐静波,冉崇森XU Jing2bo , RAN Chong2sen(信息工程大学信息工程学院,河南郑州450002)] 对于含噪声语音信号,我们先分离小波变换中语音信号引起的模极大值点和噪声引起的模极 大值点,再根据语音信号引起的模极大值点来检测端点。一般地,原始信号的Lipschitz指数是正的,而白噪声的Lipschitz指数是负的。当尺度减少时,如果某些小波变换模极大值点的幅值急剧增加,则表明对应的奇异性具有负的Lipschitz指数,这些极大值点几乎被噪声控制。因为由噪声引起的模极大值点的平均密度与尺度成反比,所以,随着尺度的递增,至少有一半的模极大值点不能传递到较大尺度上。因此,那些不能从一个尺度上传递到较大尺度上的模极大值点,也是由噪声控制的。我们把噪声控制的模极大值点去掉,剩下的模极大值点就是由语音信号控制的。

在其他方面的应用

（1）小波分析在数字水印中的应用

使用小波域水印方法的优点与在JPEG 中使用小波是类似的，并且小波的多分辨率分析与人眼视觉特性是一致的，这对根据HVS 选择适当的水印嵌入位置和嵌入强度有很大的帮助。（2）小波分析在图像滤波中的应用

在小波变换域，可通过对小波系数进行切削、缩小幅度等非线性处理，以达到滤除噪声的目的。

（3）小波分析在地球物理勘探中的应用

提高物理勘探资料的信噪比和分辨率一直是物理勘探资料处理所追求的目标。在资料处理中所遇到的噪音主要有规则干扰和随机干扰两大类，利用小波变换时频两域都有局部化的特点，对信号进行多尺度分解同样可以抑制噪音。（4）医学检测方面的应用

小波能有效提取生理信号中的突变特征点，这在医学方面（如B超、CT、磁共振、心电图等）已有成熟的应用。在胃动力检测方面，利用小波包变换方法能很清除地分辨出人体胃运动的三相特征，这些在临床上都有重要的应用价值。