利用加速度信号测量位移是油田抽油井光杆位移测量的主要方法，而加速度信号的随机噪声和趋势项是影响测量精度的主要因素，本文提出了一种基于学习的实时消噪和剔除趋势项方法。学习时先获取一段时间的加速度信号，再通过时间序列分析技术得出ARIMA模型及其参数，最后基于FFT变换的Rife-Jane频率估计方法求出加速度信号的周期；在线实时消噪和剔除趋势项方法是基于学习阶段所得模型参数，运用卡尔曼滤波技术消除加速度信号随机噪声；按周期两次积分得到光杆位移，用加窗递推最小二乘法在线消除趋势项。通过抽油机半实物仿真平台测试和分析加速度信号，结果表明，该方法有效地去除了加速度信号中的噪声和趋势项，极大地提高了位移的测量精度。

用matlab对语音信号加入随机噪声，并且显示其时域波形和频谱。

1、变速工况下的轴承故障信号仿真； 2、Matlab代码编写的； 3、适合做阶比分析，写论文仿真部分的代码实现； 4、代码亲测好用。 在实际工业生产设备工作时，旋转机械很可能不会以恒定转速持续运行，或者存在比较大的转速波动，电机升降速或者调速过程中转速也会处于时刻变化的动态状态。当转速变化时，转动频率也会随之发生变化，不对中故障的特征频率也会随之发生相应变化，此时利用稳态下的FFT分析方法得到的频谱就是无效的，或者如果转速在某一区间内频繁往复波动，在FFT频谱图中就会造成频率重叠甚至难以有效辨识的结果。在信号处理方法的发展历程中，为了克服变转速旋转机械故障诊断中常规FFT等方法失效的问题，学者们开发出阶比分析法，也叫阶比跟踪法。 阶比分析法在目前工程实际应用中与故障诊断研究领域被广泛使用于旋转机械变转速状态下的分析，但是目前多以振动信号为载体。阶比分析法的核心思想在于阶比跟踪与阶比重采样。阶比跟踪的目标是将原始时域的动态信号通过等角度重采样原理转化为角度域的稳态信号，阶比跟踪依赖于准确的阶比重采样，即准确获取电机轴的转速与时间的变化关系从而计算出等角度重采样的时刻值。

网络技术-综合布线-随机噪声超宽带成像雷达关键技术研究.pdf

产生任意均值和标准偏差的正态分布的随机噪声.

该软件包包括 (1) 生成具有指定噪声功率谱 (NPS) 的随机噪声的函数，以及 (2) 测量图像 NPS 的函数。 它主要用于模拟和评估医学成像系统的性能，但可能还有许多其他噪声模拟和测量应用程序包可能有用。 基于傅立叶的噪声模拟和测量包括两个主要函数：filtered_noise.m 生成具有任意相关性的随机噪声。 噪声是通过使用提供的 NPS 过滤白噪声获得的。 calc_digital_nps.m 使用可选的窗口计算数字图像中的 NPS。 为了支持这两个功能，提供了示例文件以生成幂律噪声（通常用于模拟自然结构）和串扰噪声（通常出现在光子计数 X 射线探测器中）。 fit_nps.m 最小二乘法将测量的 NPS 拟合为预期形状。 demo_nps_package.m 中给出了噪声生成和测量的示例。 NPS 有时被称为维纳谱或功率谱。 如果你觉得它有用，请参考这个包。 欢迎反

首先对伪中值滤波算法进行了改进:噪声检测过程融入像素点灰度值、几何距离等因素,实现噪声点从图像像素点中的逐步分离;采用加权滤波的方法滤除噪声。其次对改进非局部均值滤波算法的先验信息获取方法进行了改进:对噪声图像进行提升小波变换,采用一种新型阈值函数选择低频分解系数,对高于阈值的系数进行重构得到参考图像,计算参考图像的相似度权值并将其作为改进非局部均值滤波算法的先验信息。最后基于2种改进算法提出了一种红外图像滤波方法,即依次采用改进伪中值滤波算法和基于先验信息的改进非局部均值滤波算法对红外图像进行滤波处理,然后将其与参考图像进行融合,以修正被过度滤波的图像。实验结果表明,该方法针对高密度噪声的红外图像有较好的滤波效果。

BEADS 联合解决了同时基线/趋势/漂移校正和（高斯、泊松）一维信号降噪的问题。 它专为分析化学中出现的正信号和稀疏信号而设计：色谱、拉曼光谱、红外、XRD、质谱等）。 基线对应于缓慢变化的趋势、仪器漂移或背景偏移。 所提出的 BEADS 基线滤波算法基于将一系列（色谱图）峰建模为主要为正、稀疏且导数稀疏，并将基线建模为低通信号。 为了封装这些非参数模型而制定的凸优化问题。 为了说明色谱峰的正性，使用了类似于正则化 l1 范数的不对称惩罚函数。 开发了一种鲁棒的、计算效率高的迭代算法，保证收敛到唯一的最优解。 它实现了发表在论文“Chromatogram baselineestimation and denoising using sparsity (BEADS)”中的方法，作者是 Xiaoran Ning、Ivan W. Selesnick、Laurent Duval， Chemome

MATLAB 中的信号生成和回放。 该程序演示了 MATLAB 中的信号生成和回放。 它产生两个不同频率的正弦波和随机噪声。 人们可以一起和单独地绘制和播放所有这些。 Sajil CK, sajildcb@gmail.com，喀拉拉大学计算生物学和生物信息学系。 电子邮件 : sajildcb@gmail.com

对声音信号加入随机噪声，用小波去除噪声，观察去噪前后的时域和频谱图，可听前后声音的变化。