1．目的及意义
在实验中，会不可避免地的引入一些野值和数据噪声，如何将野值和数据噪声去除并恢复有用的信号，是数据分析处理中所要关心的主要问题。野值，即在采集实验数据时，可能存在读错数，测量方法错误，测量的仪器有损耗或者缺陷等等人为因素以及周围环境的不稳定性，会产生孤立的或者一小部分严重偏离大部分数据所呈现的趋势的异常数据。野值分为孤立型野值和斑点型野值。孤立野值的基本特点是，某一采样时刻处的测量数据是否为野值与前一时刻及后一时刻数据的质量无必然关系；斑点型野值的基本特点是，因相关性的影响，使野值点成片的出现，使得实时解算的结果在一段时间内严重偏离真实结果，具有很强的隐蔽性。数据噪声，即来自于周围环境的干扰而产生的阻碍真值的数据，在大多数情况呈现均匀分布的特点。由于野值和噪声的存在给实验数据的分析带来了比较大的难度，为了避免实验数据对后续的计算造成影响，有必要进行去野值处理和去噪处理。

剔除野值时采用不同的野值剔除准则也会影响野值剔除的性能，目前传统的剔除野值的方法有以下几种剔除准则：莱以特准则，罗曼诺夫斯基准则，格拉布斯准则，狄克逊准则，这四种方法都是以数学统计方面去处理数据的，由于是对整体数据的处理，可能会在去野值的同时丢失数据中的重要特征。在某些情况下，野值判别准则有时也会把一些非野值点误判为野值，需要选择合适的判别准则在野值的剔除率和误剔除率之间取得一个较好的平衡。

为此，本论文提出将小波变换与剔除准则结合起来的剔除野值的思路，在避免误删有用信息的条件下，实现同时剔除野值和数据噪声。

小波变换是一种时频分析的方法，小波变换会将数据进行多次小波分解（将信号波分解为有限长的会衰减的小波基函数）；噪声信号和有用信号在小波域内通常会表现出不同的性态，噪声的小波幅值较小，有用信号的小波幅值相对较大，噪声信号的小波系数会随着尺度的增加而明显减小，而有用信号的小波系数却基本不变。根据此特性，对含噪信号进行减小和消除。

小波变换定义是以一基本小波的函数做位移b后，再在不同尺度下得到的小波函数，函数f(t)的变换定义为

将小波分解的过程进行迭代，就可以获得多层小波分解，称为多尺度分析。概括地讲，在实数域 R 上平方可积空间(R)内的函数 f，可以被描述为一系列近似函数的极限，这些近似函数是在不同尺度上得到的，每一个近似函数都是对原函数 f 的平滑。

将录入的数据分别进行阈值处理的小波域去噪，并且结合去野值剔除准则滤除野值点产生的小波谱分量，来实现去野值和去噪的目的。

国内外现状