联合同步挤压小波变换和多尺度排列熵的局部放电类型识别

为稳定提取变压器局部放电信号的特征,提出一种基于同步挤压小波变换和多尺度排列熵的局部放电特征提取方法,再通过ＧＫ模糊聚类方法对局部放电信号的特征进行识别分类。首先,通过同步挤压小波变换对4种典型变压器故障产生的局部放电信号进行分解,将其分解为一组含有局部放电特征信息的模态分量;然后,通过多尺度排列熵量化各模态分量的局部放电特征信息,使用各模态分量多尺度排列熵的平均值作为识别特征向量;最后,利用模糊聚类得到的局部放电样本标准聚类中心,采用欧式贴近度进行局部放电识别分类。将提出的方法应用于变压器局部放电的实验数据上,并与基于小波分解方法和经验模态分解的识别方法进行对比分析,实验结果表明,所提出的方法具有更好的分类性,对变压器局部放电分类具有更高的识别精度,平均识别精度达到93.60%。     

基于多迭代变分模态分解与复合多尺度散布熵的生物组织变性识别方法

根据高强度聚焦超声(HIFU)实验中采集到的超声背散射信号的特点,采用多迭代变分模态分解(MIVMD)与复合多尺度散布熵(CMDE)对生物组织变性进行识别。首先对采集的超声背散射回波信号进行MIVMD重构,计算重构后有用信号的CMDE,并使用Gutafson Kessel（GK）模糊聚类得到聚类中心,根据欧式贴近度与择近原则对生物组织变性进行识别。通过对仿真信号分析发现,MIVMD重构获得信号的信噪比高于经验模态分解(EMD)与变分模态分解(VMD)重构获得的信号,MIVMD 重构获得信号的均方根误差低于EMD与VMD重构获得的信号,将其应用于HIFU治疗中实际获取的超声背散射信号,计算MIVMD重构后信号的复合多尺度散布熵(CMDE),并与近似熵(ApEn)、样本熵(SE)、模糊熵(FE)比较发现,CMDE更容易区分变性组织与未变性组织,与MIVMD￣ApEn￣GK聚类、VMD-SE-GK聚类和MIVMD-FE-GK聚类相比,本文所提 MIVMD-CMDE-GK聚类的效果更好,识别率为91.32%。     

分布式光纤扰动传感系统故障模式识别仿真

针对传统方法存在识别时间过长、识别率较低等问题,提出一种新的识别方法———基于信息融合的光纤扰动传感故障识别方法。通过集合经验模态分解进行信号分解处理,并提取所得分量中的敏感分量。利用各敏感分量与原信号的关系值及互信息乘积绝对值作为评定标准,选择含系统信息的分量作为分析对象。利用轻量级协议算法及线性模型提取所选对象中的故障特征向量。以提取的故障特征向量为依据,利用系统灰色性故障识别方法和模糊性识别方法出发得到传感器系统故障诊断信息,获取传感器多角度信息融合故障识别,利用信息融合故障识别方法对光纤扰动传感器故障数据进行了识别。实验结果表明,所提方法有效减少了识别时间,提高了识别率。     

基于动态模糊决策树的心电信号分类方法

为提高心电信号分类识别的准确率,提出一种基于时频特征融合与动态模糊决策树的心电信号分类识别方法。对心电信号依次进行周期分割、小波包分解与重构和形态识别处理,将小波包变换系数矩阵的二范数作为频域特征,并与时域特征进行融合以表征心电信号,同时将模糊C均值聚类引入模糊决策树的建树过程中,实现特征空间的动态划分。在MIT-BIH标准心电数据库上的实验结果表明,该方法的分类识别准确率较高,心电信号正异常分类的准确率达99.14%。     

EEMD分解在电力系统故障信号检测中的应用

针对经验模态分解(EMD)的希尔伯特-黄变换(HHT)在电力系统故障信号检测问题,应用存在的模态混叠会导致扰动信号检测失效,为此提出一种基于聚类经验模型分解(EEMD)的故障信号检测的方法。方法通过多次对目标数据加入随机白噪声序列以保证不同区域信号映射的完整性,并且克服了传统EMD分解造成的模态混叠问题,通过EEMD方法提取信号的固有模态函数(IMF),再进行Hilbert变换,利用Hilbert谱对故障暂态和扰动时刻进行检测,通过瞬时频率实现对故障暂态和扰动时刻的准确定位。通过数字仿真分析表明,方法是准确有效的。     

基于模糊聚类的小波变换图像去噪算法改进

介绍一种改进的较优的基于模糊聚类的小波变换图像去噪算法.首先分析了模糊C均值聚类算法中加权指数m的重要性,采用基于模糊决策的方法,分别构造模糊目标和模糊约束,由模糊目标和模糊约束的交集来共同确定最优的加权指数m以获取较为理想的聚类分类结果.再利用该种加权模糊聚类算法把小波系数划分成包含信号与只包含噪声的小波系数两类,将只包含噪声的小波系数置为零,将包含信号的小波系数利用软阈值法进行收缩,最后对处理后的系数根据M带小波变换的局部时频分析能力及其良好的信噪分离能力进行M带小波变换,得到去噪效果较好的图像.     

自动扶梯链轮轴承的振动信号特征提取分类方法研究

为了提高自动扶梯链轮轴承故障诊断准确率,针对轴承振动信号特征提取方法的问题,本文使用经验模态对原始信号进行分解,通过包络谱方法选取优化分解后得到多个模态分量中的最优模态分量,引入多角度特征度量提取故障特征值.根据轴承振动信号数据的振动特性建立更趋向于故障特征类别信息的轴承信号特征组,避免了单一度量特征提取绝对化问题.使用模糊C均值聚类算法,让相似特性的样本数据聚类到同一簇区域,有效解决了单一度量分析无法表征出轴承振动信号复杂的内在特性问题.     

基于MEMD的管道阻塞声信号特征提取与识别方法

针对供水管道阻塞声信号的非平稳性和多元数据分解尺度问题,提出了基于多元经验模态分解(MEMD)的管道阻塞声信号特征提取及识别方法.利用MEMD对三种运行状态下的管道检测声信号进行多通道同步自适应分解,获取各个信号通道间的共同模式;根据相关系数和方差贡献率筛选出反映管道主要信息的固有模态分量(IMF),计算所选IMF的能量占比作为管道运行状态的特征向量;采用支持向量机(SVM)对不同运行状态下的管道声信号进行分类识别.实验结果表明:方法能够有效地对管道阻塞声信号进行特征提取及识别.     

模糊C-均值聚类算法在动态汽车衡中的应用

为了提高动态汽车衡的测量精度,针对测量数据的信号处理问题,采用小波变换对动态汽车衡测量数据进行数字滤波.小波变换不但能滤除测量数据中的噪声信号,而且能很好地保留信号的突变部分.同时,通过提取5尺度小波系数作为模糊C-均值聚类算法的聚类样本,有效识别出最接近车辆实际质量的有用称重数据,提高了称重精度.试验结果表明,采用小波变换对动态汽车衡测量数据进行阀值滤波,并利用模糊C-均值聚类算法识别有用数据,对提高车辆称重的精度具有良好效果.     

基于PSO-IFCM的遮挡车牌车辆识别

针对智能交通系统中车辆类型自动识别问题,利用车辆面积、车窗位置和车轮位置3个特征,实现车辆类型的快速分类识别。对聚类中心初始化和模糊聚类算法进行改进,提出基于粒子群优化的改进模糊C均值算法(PSO-IFCM)的识别方法,用于车牌遮挡情况下的车辆识别。实验结果表明,PSO-IFCM算法具有较好的鲁棒性。     

基于信息融合度传递的频域徙动入侵特征挖掘算法

在功率自激混合组合网络中,路由之间的相群特征相异性会产生谐振信号,因此需要有效挖掘入侵信号的频域徙动特征来实现对入侵信号的拦截。传统方法采用混合蛙跳算法挖掘入侵特征并且聚类中心矢量向模糊边缘贴近,因此搜索和挖掘精度不高。提出了一种基于混合蛙跳最优模因组信息融合度传递的频域徙动入侵特征挖掘算法。构建功率自激组合网络的系统模型和入侵信号数学模型,基于频域谐振慢变衰落幅度均衡原理,得到多源网络攻击源信号在相干点积功率累积尺度坐标,采用多普勒频移模糊搜索对入侵信号进行平滑处理,计算入侵信号的多普勒频移状态空间固有模态函数,得到入侵信号的频域特征包络幅度估计值。采用IIR滤波算法,对信号进行降噪滤波处理,提高信号的纯度,提出基于信息融合度传递的混合蛙跳入侵信号检测算法,优化特征挖掘结果,完成入侵信号的频域徙动特征挖掘算法改进。仿真实验结果表明,该算法能准确挖掘入侵信号的频域徙动特征,特征的波脊亮点明显,在低信噪比下提高了入侵信号的检测性能。     

Partial ensemble approach to resolve the mode mixing of extreme-point weighted mode decomposition

Empirical mode decomposition (EMD) is an effective tool for breaking down components (modes) of a nonlinear and non-stationary signal. Recently, a newly adaptive signal decomposition method, namely extreme-point weighted mode decomposition (EWMD), was put forward to improve the performance of EMD, in particular, to resolve the over- or undershooting issue associated with the large amplitude variations. However, similar to EMD, EWMD also suffers the mode mixing problem caused by intermittence or noisy signals. In this paper, inspired by complementary ensemble EMD (CEEMD), a noise-assisted data analysis method called partial ensemble extreme-point weighted mode decomposition (PEEWMD) is proposed to eliminate the mode mixing problem and enhance the performance of EWMD. In the proposed PEEWMD method, firstly white noises in pairs are added to the targeted signal and then the noisy signals are decomposed using the EWMD method to obtain the intrinsic mode functions (IMFs) in the first several stages. Secondly, permutation entropy is employed to detect the components that cause mode mixing. The residual signal is obtained after the identified components are separated from the original signal. Lastly, the residual signal is fully decomposed by using the EWMD method. The proposed PEEWMD method is compared with original EWMD, ensemble EWMD (EEWMD) and CEEMD using simulated signals. The results demonstrate that PEEWMD can effectively restrain the mode mixing issue and generates IMFs with much better performance. Based on that the PEEWMD and envelope power spectrum based fault diagnosis method was proposed and applied to the rubbing fault identification of rotor system and the fault diagnosis of rolling bearing with inner race. The result indicates that the proposed method of fault diagnosis gets much better effect than EMD and EWMD.     

基于分群辨识曲线的信号能量分析法

针对传统的信号能量分析法无法直接处理高阶模式下的非平稳振荡信号,结合振荡机组的分群辨识,提出用基于分群辨识曲线的信号能量分析法进行低频振荡参数的在线辨识,以拓展信号能量分析法的适用范围,并提高辨识效率。该方法借助信号能量分析法能处理上下包络线关于时间轴对称的信号这一特点,利用振荡机组分群辨识得到的两个发电机群的反向对称轨迹,采用信号能量分析法辨识主导振荡模式。仿真测试的结果表明基于分群曲线的低频振荡在线辨识方法结果准确、计算效率高,能够有效地识别系统的主导振荡模式。     

基于信号功率谱密度分布的动态非均匀子带分解方法

针对频谱变化范围较大的宽带信号的子带分解问题,为了动态地调整子带的宽带与数量,合理地控制子带信号的自相关矩阵特征值扩散度,提高子带信号处理的性能和效率,在基于离散傅里叶变换(DFT)子带分解方法的基础上,提出了一种基于信号功率谱密度(PSD)的动态非均匀子带分解的新方法。对于给定序列,通过功率谱估计,确定子带数目和子带幅度范围,通过子带调制实现不同子带向零频处搬移,实现信号的分解。利用Matlab对子带信号特征值扩散度和信号重建性能进行了仿真。实验结果表明,与均匀子带分解相比,提出的方法直接利用PSD的分布信息实现非均匀子带分解,有效地控制了子带信号特征值扩散度在合理范围内的分布,并具有较好的重构性能。     

基于改进的经验模态方法脑电信号分解

针对经验模态分解 (empirical mode decomposition, EMD)过程中存在的包络拟合问题,提出了一种消减欠冲现象的改进算法。该算法通过引入“伪极值点”,增加了极值点的数目,构成了新的极值序列,然后利用新的极值序列插值拟合得到新的包络线。最后通过仿真实验对比本文算法和经典拟合算法包络拟合产生的欠冲点数目。实验结果显示,与经典拟合算法相比,改进的算法产生的欠冲点数目减少了大约77.5%。实验结果表明,此算法可以有效地消减欠冲点的数目,拟合出的包络线更加贴近原始信号,拥有更好的平滑性。     

一种简化特征空间稳健自适应波束形成算法*

在基于特征空间(ESB)的自适应波束形成算法中,针对当指向误差落在波束主瓣的边缘特定角度时,输出信干噪比下降,且信号子空间需要进行费时的特征值分解的问题,提出了改进线性约束最小方差(LCMV)算法。在假定的期望信号方向附近减少一个方向性约束条件,并基于信号特征值大于噪声特征值的这一特性, 利用空间协方差矩阵逆的高阶次幂来逼近信号子空间,无须特征分解,将求得的权矢量向改进的信号子空间投影。该方法能够大大减少计算量,同时还显著提高了自适应波束形成稳健性。通过仿真分析及结果比较验证了算法的正确性和有效性,因此从     

基于熵聚类模糊神经网络味觉信号识别系统的研究

提出了一种基于熵聚类的模糊神经网络味觉信号识别系统模型，该模型利用聚类方法实现模糊输入空间划分和模糊IF-THEN规则提取，并使用梯度下降法对系统参数进行精炼，系统兼具有良好的可解释性和学习能力，对11种矿泉水味觉信号的识别实验结果表明了该系统的可行性和有效性。     

Classification of power system disturbances using support vector machines

This paper presents an effective method based on support vector machines (SVM) for identification of power system disturbances. Because of its advantages in signal processing applications, the wavelet transform (WT) is used to extract the distinctive features of the voltage signals. After the wavelet decomposition, the characteristic features of each disturbance waveforms are obtained. The wavelet energy criterion is also applied to wavelet detail coefficients to reduce the sizes of data set. After feature extraction stage SVM is used to classify the power system disturbance waveforms and the performance of SVM is compared with the artificial neural networks (ANN).     

自适应经验小波塔式分解的齿轮微弱故障诊断方法

针对强背景噪声下齿轮微弱故障特征难以有效提取的问题,本文提出了一种基于自适应经验小波塔式分解的齿轮故障诊断方法 .首先,在齿轮故障信号傅立叶变换基础上,通过设定分解层数对信号频谱进行有效划分,进行经验小波变换;然后进一步提出时-频峭度指标,绘制信号在不同分解层数下各分量信号的时-频峭度图,确定所感兴趣的最优共振频段范围;最终得到最优单分量信号,利用包络解调分析提取齿轮微弱故障特征.采用所提方法对齿轮故障信号进行分析,结果表明该方法可以有效提取齿轮微弱故障特征,而传统经验小波方法因为受强背景噪声影响较大,无法准确提取齿轮微弱故障特征信息.     

基于EMD和互信息熵的微震信号自适应去噪

针对强干扰背景下的微震信号提取,提出一种基于经验模态分解（Empirical Mode Decomposition,EMD）和互信息熵的自适应提取算法。通过EMD对微震信号进行分解,得到高频和低频两部分信号,并对分解得到的各阶固有模态分量求出能量和能量熵值。根据互信息准则,通过依次计算相邻分量能量熵之间的互信息值来区分高频和低频信号。将经过自适应阈值滤波后的高频信号和低频信号一起进行信号重构,得到新的微震信号。仿真结果表明,在对微震信号去噪时,该方法可以有效地去除噪声信号,信噪比均提升了10 dB以上。工程上的微震信号通过该方法处理后,也取得了较好的效果。