基于变分模态分解和奇异值分解的局部放电信号去噪方法

为有效抑制局部放电信号中的复杂噪声干扰,提出一种基于变分模态分解和奇异值分解的去噪方法。首先通过泄露能量确定VMD算法中的模态分解个数,对局部放电信号进行分解,得到数个有限带宽的固有模态分量;然后基于峭度指标选择包含有用信息的分量进行信号重构,将周期性窄带干扰去除;最后采用奇异值分解去噪方法抑制信号中剩余的高斯白噪声。运用该方法对含噪局放信号进行去噪处理,并通过时变峰度法对信号初至时刻进行拾取。与传统的小波方法和经验模态分解算法进行对比,该方法能有效抑制局放信号的复杂噪声干扰,去噪后信号波形畸变较小,信号拾取精度较高。     

基于独立分量分析的电力线物联网去噪

为了降低电力线物联网通信中的噪声影响,使用松弛因子对盲源信号处理中的鲁棒性独立分量分析算法进行优化,并应用于电力线物联网中。通信接收端采用多路接收信号,使用预白化矩阵降低各路信号之间的相关性之后,再利用基于松弛因子优化的鲁棒性独立分量分析算法计算出分离矩阵,对多路信号分离,并通过判决从分离出的信号中找到传输的数据信号。通过对电力线环境建模仿真,实验结果表明,将此优化的算法应用于电力线物联网中可有效去除噪声,去噪后比去噪前信号的信噪比提高了2倍,且相比于直接应用鲁棒性独立分量分析算法,使用松弛因子优化后的算法使得去噪过程中不会出现算法不收敛的情况。     

具有独立分量的经验模态分解算法研究

在经验模态分解算法中用极值包络平均近似局部平均,不能保证分解分量之间的正交性,固有模态分量存在冗余.这种情况对信号成份分析尤为不利,冗余部分的物理意义无法解释,或可能作出错误的解释.将独立分量分析方法引入经验模态分解算法中,利用其良好的分解独立特性,使模态分量不仅正交而且相互独立,消除了冗余.仿真试验表明,改进算法的模态分量彼此独立,特别对于混有突变信号的周期信号,在得到周期分量的同时,也得到突变分量,说明了改进算法比原算法优越,且具有较好的工程应用前景.     

基于CEEMDAN-TQWT方法的变压器局部放电信号降噪

针对传统方法处理局部放电信号时存在振荡明显、消噪不彻底等问题,采用基于自适应白噪声完备集成经验模态分解（complete ensemble empirical model decomposition with adaptive noise,CEEMDAN）与可调品质因子小波变换（tunableQ-factorwavelettransform,TQWT）相结合的方法对局部放电信号进行消噪处理。采用CEEMDAN将含噪变压器局部放电信号分解成多个固有模态函数（intrinsic mode function,IMF）分量,并利用相关系数判断IMF分量与原始信号的相关度。将弱相关者视为劣质IMF,对其进行TQWT分解,利用能量占比与峭度指标来筛选小波子带,提取IMF的有效细节信息,进行TQWT逆变换,从而得到新的IMF分量;将强相关者视为优质IMF,与变换后的新IMF分量共同进行信号重构,得到消噪结果。仿真及实测信号分析验证了该方法的有效性和实用性,相比传统的经验模态分解（empirical mode decomposition,EMD）方法,仿真信号经所提方法去噪后的波形失真百分比下降了44...     

基于EMD虚拟通道的ICA算法在信号消噪中的应用

提出了一种由经验模态分解构造虚拟噪声通道,结合独立分量分析进行信号消噪的方法. 在分析经验模态分解及独立分量分析的优越性基础上,阐述了构造虚拟噪声通道的基本原理,给出了具体构造方法. 用固有模态函数的Hilbert时频谱作为虚拟噪声通道重构分量选择的依据. 仿真计算表明,该方法对白噪声的消除是有效的,消噪效果较为理想. 与传统小波方法比较,具有优势.     

基于EMD的激光超声信号去噪方法

基于连续均方误差的准则,提出了一种基于经验模态分解（EMD）的激光超声信号去噪方法．该方法将经验模态分解得到的固有模态函数（IMF）分为信号分量起主导作用,模态与噪声分量起主导作用模态,利用反映信号主要结构的模态对信号进行部分重建实现去噪．将该方法应用于测试信号与实际激光超声信号的去噪,实验结果表明该方法能够有效地去除噪声,并且不受主观参数的影响,具有自适应的特点．     

基于EMD的激光超声信号去噪方法

基于连续均方误差的准则,提出了一种基于经验模态分解(EMD)的激光超声信号去噪方法.该方法将经验模态分解得到的固有模态函数(IMF)分为信号分量起主导作用,模态与噪声分量起主导作用模态,利用反映信号主要结构的模态对信号进行部分重建实现去噪.将该方法应用于测试信号与实际激光超声信号的去噪,实验结果表明该方法能够有效地去除噪声,并且不受主观参数的影响,具有自适应的特点.     

基于独立分量分析的运动目标精确检测

运动目标检测与跟踪是计算机视觉的难点问题.针对传统方法存在抗噪声、抗抖动性能弱等问题,将独立分量分析(ICA)的算法应用到目标检测与前景图像去噪环节中,目的是提高运动目标检测的鲁棒性和精确性,为后续处理提供尽可能多的目标信息.实验表明,ICA用于目标检测具有较高的鲁棒性,同时ICA用于前景图像去噪比传统的去噪方法具有更好的效果,较好地保留了目标的特征信息.     

一种新的基于EMD模态相关的信号去噪方法

基于模态相关的准则,提出了一种新的信号去噪方法。首先对原信号进行经验模态分解（EMD）,其次根据各阶固有模态与原信号的相关系数曲线中第一个极小值点的位置作为标准定出噪声主导性模态与信号主导性模态的分界点,最后将固有模态函数（IMF）中信号起主导作用的模态成分进行重构来实现去噪。将该方法应用于仿真信号与实际光辐射强度信号的去噪,结果表明该方法在有效去噪的同时能较好地保持原信号的细节信息,具有较好的推广性。     

基于独立分量分析算法的DS-CDMA盲多用户检测

由非高斯性测度入手,在定义的代价函数中加入包含了期望用户扩频码这个先验信息的修正项,对代价函数进行梯度优化,导出一种基于独立分量分析的多用户检测器．仿真结果表明,该算法在高斯白噪声信道中具有良好的性能．     

心电信号中50 Hz干扰的消除

提出了一种基于数字多谐振荡器及离散付里叶变换的消除心电信号中５０Ｈｚ干扰的方法，雇一上当于４点ＦＩＲ数字滤波器的计算量，通过对实测心电信号的应用，证明该方法对５０Ｈｚ干扰抑制明显。     

基于独立分量和扩展通道的振动信号降噪方法

针对ICA降噪技术中引入噪声通道的局限性,采取以扩展通道替代虚拟噪声通道的方法,将ICA的思想引入到结构同测点多通道振动信号处理中.叙述了ICA原理,FastICA算法的实现及其运用于振动信号降噪的思路,通过对实验梁同测点两通道振动信号的处理,并引入自相关函数和FFT谱衡量降噪效果,结果表明,采用扩展通道运用ICA进行结构振动信号降噪的可行性.     

基于经验模态分解的目标特征提取与选择

经验模态分解(EMD)是一种新的非平稳时变信号处理方法,可以自适应地将信号的局部特征逐级分解出来。提出了基于EMD的舰船噪声特征提取与选择方法,将本征模态函数(IM F)分量及其瞬时频率作为特征,并选择其判别熵作为特征向量的可分性度量。数值仿真和实际噪声数据处理的结果表明IM F分量和频率可以充分体现目标的特征,具有良好的类别可分性。     

经验模态分解效果与信号频率振幅的关系

利用经验模态分解(Empirical Mode Decomposition,简称EMD)方法对由两个正弦线性叠加而成的信号进行分离处理,研究正弦信号的频率和振幅对EMD分离效果的影响.通过多组实验得出,两正弦信号的频率相差越大或振幅相差越小,EMD分离效果越明显.     

小波分析在信号消噪中的应用

用小波分析进行信号消噪常用多尺度小波变换。多尺度小波变换是将信号分解成高频和低频成分，低频包含信号的主要性能，高频含较多噪声，将高频平滑后再重建即可消噪。消噪处理大致有强制、阈值两种方法。现场试验表明：此方法高效、实用。     

采气井口装置主要零部件的失效分析

对采气井口装置主要零部件的失效形式及失效模式进行了深入的分析,发现失效形式有：电化学腐蚀分布面积较大;冲蚀产生蚀槽;分布不均匀的坑蚀;腐蚀产物使闸板卡死;阀杆与闸板或阀针联接处硫化物应力腐蚀,使阀杆断裂;磨损或腐蚀造成表面损伤,材料流失,影响密封性;密封盘根老化、鼓泡,永久变形;失效模式为：腐蚀、磨损及密封件老化;易损件有：针阀的阀针与阀座;闸阀的阀板与阀座;针阀、闸阀的阀杆、密封盘根及轴承,并提出了改善采气井口装置系统可靠性的措施。     

独立分量分析在结构振动信号降噪中的应用

结构振动信号中混杂的噪声对信号的分析处理以及结构状态的诊断识别有很大影响。本文引入独立分量分析方法对结构动力信号进行降噪处理。通过增加实测噪声通道对多通道传感器信号进行扩展,利用有用信号与噪声成分之间相互独立,对信号进行ICA计算,将噪声与有用信号分离开来。对实验梁的实测振动信号进行分析处理表明,该方法降噪效果比较理想,而且降噪后的信号并没有改变结构动力特性。     

利用流体中温度噪声信号的相关分析进行流速测量

通过对流体中存在的温度噪声信号的相关分析,进行相关技术用于测量气体流速的实验研究与理论分析.首先,利用相关测量系统的数学模型在PC机上进行了仿真研究,为分析各参数对相关函数的影响、改进测量方法以及研究误差产生的原因,从理论上提供了依据.其次,简要介绍了所用的实验装置、实测结果以及进一步提高测量精度的途径.     

一种基于小波包主成分分析的语音情感识别方法

在语音情感识别中,由于特征参数的提取直接影响到最终的识别效率,从原始语音信号中提取特征参数是非常重要的。但是本文中提取的特征维数太多,导致特征匹配时过于复杂,消耗系统资源,不得不采用特征降维的方法。本文主要是研究一种在小波包变换的基础上通过特征降维来提高语音情感识别效果的方法,为此本文在德国库EMODB的基础上,通过小波包变换提取出语音的情感特征参数,然后利用主成分分析法对特征参数进行降维,最后利用支持向量机进行训练和测试。通过实验,获得了较好的识别效果。