基于Hermitian小波的时间-小波能量谱滚动轴承故障诊断方法

针对滚动轴承早期故障微弱特征难以提取的问题,提出了一种基于Hermitian小波时间-能量谱的滚动轴承故障诊断方法.该方法针对轴承故障振动信号具有奇异性的特点,首先利用Hermitian小波对原始信号进行连续小波变换;再根据小波变换的结果求取信号能量在时间轴上的分布情况,利用谱峭度指标作为选择最佳累积尺度的标准,得到时间-小波能量分布;最后对时间-小波能量分布进行谱分析得到时间-小波能量谱以提取故障特征.利用时间-小波能量谱对仿真信号和轴承外圈及内圈点蚀故障信号进行分析.结果表明:该方法可有效地提取出强噪声环境下微弱故障的特征成分,并与普通的时间-小波能量谱作对比,特征提取效果更为明显,非常适用于滚动轴承早期故障诊断.     

基于改进递归小波的短期电能质量检测和分类

应用改进递归复小波变换来确定短时扰动的发生时间和持续时间,应用熵值法确定分解尺度,并用以基频为中心频率的单尺度小波变换能量分布曲线来进行扰动分类。该算法计算简单快速,仿真结果表明该方法是有效的。     

基于小波变换与SVM的ADHD病人分类

提出基于小波变换的特征提取方法对ADHD病人进行分类研究。采用115名ADHD-200的竞赛静息态功能磁共振数据,首先提取了90个脑区的平均时间序列信号,然后利用小波变换多分辨率分析特性对信号进行3层分解;计算了各个尺度下小波系数的能量值,对能量值进行归一化处理后,将其作为分类特征向量;最后结合SVM分类器采用留一交叉验证法对ADHD病人进行分类。结果表明该方法有助于ADHD病人的分类与诊断。     

基于小波分析的频带局部能量的特征提取

提出了一种基于小波分析频带局部能量的特征提取法。利用Matlab软件仿真,把该方法分别运用于频率跳变信号、幅值衰减信号和含瞬态成分的信号,并与常规的频带能量特征提取法进行比较,均得到了更好的特征提取效果。该方法由于考虑了频率的时变性,与常规的特征提取法相比,更具优越性。     

某混沌实时判定系统中特征提取的原因分析

研究混沌判定方法,对进行混沌分析与控制具有重要意义。基于信息论、控制论、数据挖掘的一些基本原理和方法,描述了某混沌实时判定系统的结构与功能模块。为满足该判定系统原理及功能的要求,需要进行时间序列的特征提取。以Logistic系统为例进行了实验研究,应用小波包分析、小波包能量进行了特征提取,分析了进行特征提取的原因与必要性。实验结果表明,特征提取模块是整个判定系统的关键模块,小波包能量可以作为该系统中特征提取的方法。     

采用小波熵和频带能量提取脑电信号特征

对于采用两种不同意识任务(想象左手运动和想象右手运动)的脑-机接口系统,采用脑电信号的小波熵和频带能量作为组合特征,采用Fisher线性判别分析进行分类,最后采用分类准确率和互信息作为评价标准,进行脑电信号的特征提取离线分析结果表明:该算法在分类准确率和互信息上都取得了良好的识别结果,为脑-机接口系统中意识任务的特征提取和分类提供了新方法。     

机动车声信号特征提取方法及在目标识别中的应用

使用谐波集法和小波子空间能量法，对目标识别中的声信号特征量提取技术进行了较为深入的研究，介绍了两种用于被动声信号特征提取的方法——谐波集法和小波子空间能量法，谐波集法是提取不同的频域特征作为特征矢量，小波子空间能量法是将不同尺度小波子空间能量作为目标识别的特征矢量；并采用k近邻(kNN)分类器对机动车目标的声信号和非机动车目标的声信号进行分类,经过对实测数据的计算机仿真结果表明，这两种方法都能达到较高的正确识别率，且小波子空间能量法性能更优。     

基于时间-小波能量包络谱的滚动轴承特征提取

研究了传统包络谱方法在滚动轴承故障诊断中不能准确提取故障特征的问题,提出了一种基于能量和包络谱相结合的时间-小波能量包络谱分析法。用两种方法对滚动轴承各部位采集到的数据进行了分析对比,结果表明,时间-小波能量包络谱分析法比传统包络谱方法能更好和准确地提取出滚动轴承故障的特征频率。     

一种新的模拟电路故障诊断小波神经网络方法

结合小波变换和神经网络二者之间的优点，提出基于小波神经网络的模拟电路故障诊断方法。采用能量分布特征提取方法和改进BP算法，用正弦信号仿真模拟电路，应用小波变换对模拟电路的采样信号进行多尺度分解，再进行能量分布特征提取，然后利用神经网络对各种状态下的特征向量进行分类识别，实现模拟电路故障诊断。相对于传统的故障诊断方法，用小波变换对故障信号进行预处理，大大减少了神经网络的输入数目，从而简化了神经网络的结构和减少了它的训练时间，并提高了辨识故障类别的能力。对实例电路仿真结果表明，该方法能正确识别各种故障状态，准确率高。     

基于小波变换的光纤振动信号特征提取与识别

本文主要研究光纤安全预警系统振动信号特征提取及振源识别问题.采用小波多分辨分析技术,从多尺度分解的角度出发,依据小波变换的分层分解关系和时频特性提取振动信号的细节信息,用来反应不同频带上振动信号的能量分布特征,在此基础上采用支持向量机对振动信号进行分类识别.测试结果表明,与现有方法对比,本方法具有准确率高的优点,为光纤振动信号的识别提供一种高性能的实用方法.     

基于频谱图的故障诊断系统

采用频谱法对TRT中回转机械故障信号进行能量分析,提取出反映TRT运行状态的功率谱的特征向量和主要故障特征表,设计了监测和诊断软件的故障诊断模块。结果表明:利用故障信号的特征向量与故障特征表,通过相似性原理进行故障诊断是有效的。     

一种用于雷达HRRP功率谱的加权特征压缩方法

针对雷达高分辨距离像的平移不变特征——功率谱特征,提出了一种基于Fisher判决率的加权特征压缩方法．该方法利用目标功率谱特征的Fisher判决率迭代搜索最优权向量,并根据最优权值的大小对特征向量降维．与直接使用原始功率谱特征及基于Fisher可分性判据的几种现有的特征压缩方法相比,加权特征压缩方法在降维的同时可提高识别性能,且运算简单,在基于外场实测数据的识别实验中对测试数据具有良好的稳健性．     

谱映像定理在欧氏空间中的另类证明

以泛函分析中的谱映像定量为基础,利用矩阵可以约化为若当型的特点,用一种非常简便的方法证明了欧氏空间中的谱映像定理,给出了一类矩阵指数特征值与原矩阵特征值之间的关系,并给出具体的实例验证结果的有效性.     

无扩频矩阵知识二维扩频系统的盲同步

针对加性白高斯噪声信道,考虑未知二维扩频矩阵的条件下,提出了一种二维扩频系统的时频同步方法。该方法利用二维扩频矩阵周期性重复的特点,先估计出频率偏差,再通过滑动暂存窗求相关矩阵最大特征值,完成信号的时间同步。计算机仿真结果验证了该方法的有效性。     

基于脑电信号的高智能假手控制

提出了一种基于特定几种心理作业的脑电信号控制假手的方法。将Burg法功率谱估计用于多通道脑电信号的特征生成,使用线性神经网络进行分类,通过离线以及在线实验验证,得到3种模式较高的识别成功率。将闭眼时α节律功率的提升作为单次实验的触发,实现了对假手三自由度的控制。     

基于双树复小波包和AR谱的滚动轴承复合故障诊断方法

针对滚动轴承复合故障信号中故障特征难以分离的问题,提出了基于双树复小波包和自回归(autoregressive,AR)谱的故障诊断方法.首先,利用双树复小波包变换将复杂的、非平稳的复合故障振动信号分解为若干个不同频带的分量;然后,对包含故障特征的分量进行希尔伯特包络;最后,对包络信号求其AR功率谱,由此实现对复合故障特征信息的分离和故障识别.实验结果表明:该方法可有效地分离轴承复合故障的特征频率,验证了该方法的可行性和有效性.     

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。     

肌电信号处理和肌电控制的研究

根据肌肉收缩力量的大小与运动神经纤维传出动作电位的频率有的特征，通过数据卡采集表面肌电信号，进行放大、滤波等处理，然后提取特征进行分析处理。在分析比较了各种特征提取方法的优缺点后，采用了功率谱法对肌电信号进行特征提取，并通过labview计算功率谱中最大值左右一定范围内的能量所占整个功率谱能量的比值K，根据K值来判断该肌电信号属于何种动作。