基于SVD-EMD的有效微弱信号提取算法

针对奇异值差分谱的信号提取方法不能有效提取出强噪声环境中的微弱信号这一问题,提出了一种基于奇异值分解(SVD,singular value decomposition)和经验模态分解(EMD,empirical mode decomposition)相结合的微弱信号提取方法。采用奇异值差分谱选择奇异值进行信号重构,提取出带噪部分信号,对其进行EMD分解和SVD降噪处理,叠加得到降噪后的信号。仿真结果表明,该方法能够准确提取微弱信号信息,并能有效地去除信号噪声。     

基于奇异值差分谱分析和蚁群算法的小波阈值降噪

针对传统小波阈值去噪阈值选取的问题,将奇异值差分谱的方法与蚁群算法相结合运用到小波阈值降噪中,提出一种小波系数双阈值寻优方法.首先将待处理含噪信号进行多尺度小波分解;之后根据每级信号小波系数的奇异值差分谱分析得到寻优的目标函数;然后根据目标函数利用蚁群算法在每级的小波系数上进行阈值寻优;最后重构经过最优阈值量化规则处理的小波系数得到降噪信号.通过对仿真信号的降噪处理表明本方法对不同特点信号的降噪效果要好于传统阈值降噪方法;对滚动轴承以及深沟球轴承的振动故障信号的降噪处理验证了方法的可行性和适用性.     

基于奇异值分解和小波包分析的液压泵振动信号特征提取方法

针对液压泵故障特征提取问题,提出了一种基于奇异值分解和小波包变换的液压泵振动信号特征提取方法.通过奇异值分解将噪声非均匀分布的液压泵振动信号正交分解为噪声分布相对均匀的分量,对各分量进行小波包阈值去噪,重构去噪后分量,对去噪后信号进行小波包分解,提取各频带能量特征.以齿轮泵为例,将该方法对齿轮泵的气穴故障、齿轮磨损和侧板磨损3种常见故障和正常状态的振动信号进行特征提取分析,结果表明,该方法可有效提取齿轮泵故障特征.     

基于EMD阈值方法的轴承故障振动信号去噪

针对随机噪声信号影响对有用信息的获取,提出了EMD分解阈值去噪方法,将小波阈值去噪原理应用于经验模态分解（Empirical Mode Decomposition,EMD）中。首先对实际含噪信号进行EMD分解,根据分解后得到的内蕴模态函数（Intrinsic Mode Function,简称IMF分量）,采用自适应阈值去噪,进行信号重构,得到消噪后的信号,获取有用信息。将该方法应用于实际工程故障振动信号中分析研究表明,该方法可以获得较高的信噪比,能够对实际信号进行有效的故障特征频率提取,降噪后比降噪前的诊断效果更明显。     

基于经验模态分解的小波阈值降噪方法研究

针对小波阈值降噪方法中小波基和阈值缺乏选取依据的缺陷,提出了一种基于经验模态分解(EMD)的小波阈值降噪方法。首先将带噪信号进行EMD分解得到一系列本征模态分量(IMF),仅对带噪的高频IMF分量进行小波阈值降噪处理,将处理结果与不含噪声的低频IMF分量进行信号还原得到降噪后信号。方法有效避免了直接小波阈值降噪高频分量损失的问题,同时还可直接去除信号中可能存在的趋势项,比直接小波阈值降噪具有更好的效果。仿真数据处理证明了方法的有效性。     

敏感SVD和EEMD的故障诊断方法研究

在噪声干扰下有效提取振动信号所包含的微弱故障特征,是轴承故障诊断的关键问题,提出了一种基于敏感奇异值分解(SSVD)和总体平均经验模态分解(EEMD)的故障诊断方法.对时域振动信号进行敏感SVD分析,通过敏感因子选择反映故障冲击特征的敏感SVD分量,并利用定位因子定位分量信号所对应奇异值进行振动信号重构,以滤除噪声干扰;对降噪信号进行EEMD,根据峭度准则选取故障信息丰富的敏感固有模态分量(IMF),有效提取局部微弱故障信息;利用Teager-Kaiser能量算子(TKEO)计算故障信息的瞬时能量,并对其进行频谱分析,获取故障特征频率,以识别故障类型.方法应用于轴承故障诊断,实验证明了所提方法的有效性.     

基于经验模态分解和小波分析的靶船外弹道测量数据去噪方法

针对舰船外弹道测量数据误差性质复杂,表现为非平稳信号,难以用模型准确进行描述的问题,提出基于经验模态分解和小波去噪的靶船外弹道测量数据处理方法。首先对测量数据进行经验模态分解,得到测量数据不同频率的本征模函数,接着采用小波间值去噪原理对含有噪声的高频本征模函数去噪,最后将经过去噪的本征模函数与剩下的没有经过去噪的本征模函数和趋势项相加,重构去噪后的靶船测量数据。经实验数据分析,本方法在很大程度上克服了小波阈值降噪的缺陷,保留了高频分量中包含的有用信息,是分析非平稳、多频段的靶船外弹道测量的有效方法。     

基于SVD优化EMD的电梯导靴振动信号故障 特征提取

针对电梯导靴振动信号采用经验模态分解(Empirical Mode Decomposition,EMD)难以直接提取早期微弱故障特征的问题,提出基于奇异值分解(Singular Value Decomposition,SVD)优化经验模态分解的电梯导靴振动信号故障特征提取方法。该方法首先对原始信号进行SVD分解,通过奇异值贡献率原则来确定相空间重组的最佳Hankel矩阵结构,利用曲率谱原则与奇异值贡献率原则相结合来确定有效奇异值的阶次;筛选出包含主要故障信息的奇异值进行信号重构,得到剔除噪声信号与光滑信号的突变信号;然后对突变信号进行EMD分解,得到信号的本征模态函数(Intrinsic Mode Function,IMF)分量。最后,对IMF分量作Hilbert变换,求得其Hilbert边际谱,从而获得电梯导靴故障特征频率信息。仿真结果表明该方法有效改善了EMD难以直接提取早期微弱故障特征的问题,更准确地提取了振动信号的故障特征频率,验证了所述方法的有效性。     

基于IMF聚合与SVD的城轨车辆牵引电机轴承故障诊断

为有效提取城市轨道车辆牵引电机轴承的故障特征,提出一种基于本征模式分量(IMF)聚合与奇异值分解(SVD)相结合的轴承故障诊断方法.该方法首先运用经验模式分解(EMD)将原始振动信号分解成一系列本征模式分量;其次在利用皮尔逊积矩法进行本征模式分量的筛选后将剩余的分量聚合重构,再将重构信号运用奇异值分解降噪;最后对降噪信号进行Hilbert谱分析,实现轴承故障特征向量的提取.城市轨道车辆牵引电机轴承实测数据的分析结果表明该方法能够有效提取故障特征信号,对轴承故障进行有效的诊断.     

煤机设备轴承故障诊断方法

煤机设备滚动轴承早期故障特征微弱,且易受载荷、工况等因素的影响而被噪声淹没,导致轴承故障诊断困难。现有研究大多采用单一算法处理轴承故障信号,故障特征提取精度和故障诊断准确性有待进一步提高。提出了一种融合局部特征尺度分解（LCD）和奇异值分解（SVD）的煤机设备轴承故障诊断方法：采用LCD方法将煤机设备轴承振动信号分解为若干个内凛尺度分量（ISC）,实现信号初步降噪;计算各ISC的香农熵,选择香农熵最小的ISC进行SVD,并构建SVD信号的奇异值差分谱,针对最大突变分量进行信号重构,实现信号增强去噪;对重构信号进行Hilbert包络解调,得到轴承故障特征频率,进而判断轴承故障。采用现场实测数据对基于LCD-SVD的煤机设备轴承故障诊断方法进行验证,结果表明,该方法可准确提取出轴承故障特征频率,从而实现煤机设备轴承早期故障诊断。     

基于奇异谱分析的经验模态分解去噪方法

提出了一种基于奇异谱分析(SSA)的经验模态分解(EMD)去噪方法。该方法先对带噪信号进行EMD分解,得到若干个本征模态函数(IMF)。再通过SSA对每个IMF分量进行去噪处理:把第一个IMF分量作为高频噪声,并根据它计算出剩余IMF中所含的噪声能量,从而得到剩下的每个IMF中信号所占的能量比值。然后选择合适的窗口长度,对每个IMF进行SSA变换,根据IMF中信号所占的能量比值选择合适的奇异值分解(SVD)分量重构,得到去噪后的IMF。再将所有重构得到的IMF分量以及余项相加,得到最终去噪后的信号。经过实验,对比研究了该方法与小波软阈值、EMD软阈值和EMD滤波方法的去噪效果,结果表明该方法整体优于其它方法,是一种有效的信号去噪方法。     

基于小波—奇异值分解的数字水印新算法*

为了有效地保护数字作品的版权,提出了一种以离散小波多级分解与奇异值分解相结合的数字水印新算法。该算法充分利用小波与奇异值的固有性质,对原始图像进行多级小波分解,并对部分子带作奇异值分解。将水印置乱来保证一定的安全性,再对其进行分块离散余弦变换,然后将它嵌入到中间奇异值及其周围的部分矩阵块中。实验表明,该方法不仅有较好的透明性,而且能抗大多数处理攻击,有较好的鲁棒性。     

基于稀疏分解的航空装备机电故障检修仿真

航空装备在巡航、物资运输、军事作战等领域具有重要作用,因此一旦发生故障,造成的损失也是巨大的。在航空装备故障中,机电故障是最难以诊断和修复的。以往在故障检修的故障信号处理环节中,多采用小波变换、盲源分离以及奇异值分解等三种方法,信号去噪能力不足,影响了整体方法的检修效果。针对上述情况,提出一种基于稀疏分解的航空装备机电故障检修方法。该方法首先利用采集装置对航空装备机电故障信号进行采集,然后利用稀疏分解对故障信号进行分解去噪处理,接着利用免疫聚类算法对去噪后的信号进行故障识别,最后对不同类型的故障进行故障修复。结果表明:稀疏分解去噪后,信号信噪比提高1.4dB、5.3dB、9.8dB,去噪效果有明显改善;使得所提方法的漏检率与误检率降低,提高了整体检修质量。     

奇异值分解去噪中有效秩阶次的自身辅助确定

为解决奇异值分解(Singular value decomposition,SVD)去噪中有效秩阶次难以确定的问题,提出一种利用SVD本身进行辅助确定的方法。充分借助SVD在奇异性检测中表现出的优良特性,将原始含噪信号进行SVD处理后获得的奇异值序列视作一个新的信号,并对该信号对象重新进行奇异值分解;通过对各分量信号的奇异性检测,将奇异值序列的奇异点位置作为有效秩阶次确定的依据。对一个仿真实例信号的实验结果表明,该方法可准确地确定出有效秩阶次,从而能够实现信号的有效去噪。     

基于混沌和SVD DWT的稳健数字图像水印算法*

针对现有适用于图像的数字水印对信号处理和几何失真比较敏感的问题,提出一种稳健的数字图像水印算法。该算法先对整个图像应用三级离散小波变换,再对低频域运用奇异值分解,并通过修改奇异值,嵌入经过混沌置乱的水印图像的奇异值,在小波变换域的中频系数上嵌入水印信息。水印检测时,分别在中频区域和低频提取水印并进行比较,采用效果较好的水印作为检测水印。实验结果表明,该方法对一般的信号处理操作及几何攻击等均具有较好的鲁棒性。     

High payload multi-channel dual audio watermarking algorithm based on discrete wavelet transform and singular value decomposition

Digital watermarking technology is concerned with solving the problem of copyright protection, data authentication, content identification, distribution, and duplication of the digital media due to the great developments in computers and Internet technology. Recently, protection of digital audio signals has attracted the attention of researchers. This paper proposes a new audio watermarking scheme based on discrete wavelet transform (DWT), singular value decomposition (SVD), and quantization index modulation (QIM) with a synchronization code embedded with two encrypted watermark images or logos inserted into a stereo audio signal. In this algorithm, the original audio signal is split into blocks, and each block is decomposed with a two-level DWT, and then the approximate low-frequency sub-band coefficients are decomposed by SVD transform to obtain a diagonal matrix. The prepared watermarking and synchronization code bit stream is embedded into the diagonal matrix using QIM. After that, we perform inverse singular value decomposition (ISVD) and inverse discrete wavelet transform (IDWT) to obtain the watermarked audio signal. The watermark can be blindly extracted without knowledge of the original audio signal. Experimental results show that the transparency and imperceptibility of the proposed algorithm is satisfied, and that robustness is strong against popular audio signal processing attacks. High watermarking payload is achieved through the proposed scheme.     

基于Bayes阈值估计的小波在转子故障信号降噪中的运用

提出了一种有效的转子故障信号的降噪方法.该方法利用概率统计的最优估计原理对样本信号进行估计,增加了小波阈值参数的可靠性.根据Bayes估计风险最小的原则,对不同子带的小波系数估计小波阈值,通过软阈值函数进行逐层降噪,对降噪后的信号进行重构,达到对转子故障信号降噪.把从多功能振动实验台上取得的转子故障振动信号,利用该方法进行降噪.并将降噪结果与Birge-Massart小波阈值降噪法和Donoho小波阈值降噪法的处理结果进行比较,结果显示使用Bayes(贝叶斯)阈值估计降噪法处理的信号能够很好地保留信号的细节部分,而且信噪比(SNR)也有明显提高.