适用于QAM信号的方形判决超指数迭代盲均衡算法

针对超指数迭代判决反馈(Super-Exponential Iteration Decision Feedback Equalization,SEI-DFE)盲均衡算法在水声通信系统中表现出的收敛性差的问题,提出了一种基于正方形判决的修正超指数迭代判决反馈盲均衡算法。该算法在修正超指数算法的基础上,引入判决正方形机制分别对输出信号的同相分量和正交分量进行均衡,以进一步提高相位补偿能力;在判决反馈均衡器中引入二阶数字锁相环,实现对相位旋转的跟踪和补偿。消声水池实验采用16QAM调制信号,从滤波器阶数、步长以及Q矩阵大小三个方面对算法的影响来验证算法的误码率性能,结果表明,新算法的误码率相比修正超指数迭代判决反馈(Modified Super-Exponential Iteration Decision Feedback Equalization,MSEI-DFE)算法改善了两个量级,实现了对相位旋转的有效补偿,大大改善了载波恢复性能。     

偏时域相干算法在自适应滤波器中的应用

在分析偏时域相干算法的基础上，提出了一种新的自适应滤波方法，该方法能够将复合信号中各信号分量进行分离，并自动调整输入信号的参数，使分离出来的信号误差达到最小的信号处理系统，它可以定量分离具有复杂频率成分且频带可互相重叠的信号分量，能对组成混合信号的各个信号分量进行定量的分析，而无论这些信号分量是有用信号还是噪声信号，并能够把组成混合信号的各信号分量进行分离。理论分析和计算机仿真均表明该算法具有较快的自适应跟踪能力和较好的稳态性能，可以很好地应用于信号分离系统中。     

粒子滤波和独立分量分析的含噪信号盲分离算法研究

研究了两阶段含噪独立分量分析算法来解决含噪信号盲分离问题。第一阶段,通过粒子滤波实现对不含噪混合信号的估计,将含噪独立分量分析转化为不含噪的独立分量分析;第二阶段用现有的FastICA算法从估计的不含噪混合信号中提取出源信号。不含噪混合信号的时变自回归模型和含噪与不含噪混合信号之间的关系构造了动态的状态．空间方程。该方程的特点是多变量、过程和观测噪声不限于高斯分布,粒子滤波是解决该问题的有效方法。提出了解决含噪独立分量分析的PF＋FastICA算法,仿真试验表明所提出的算法性能优于相关文献的结果。     

一种改进的盲解卷积算法在轴承声学诊断中的应用

针对时域盲解卷积算法滤波器长度估计困难的缺点,提出一种基于遗传算法优化的改进算法。该算法利用遗传算法搜索最佳时延,解决了盲解卷积结果不确定问题,并改进了信号分量的聚类指标,采用峭度作为独立分量间距离测度,提高了信号分量聚类的准确性,获得了可靠的估计信号。计算机仿真和实际环境中故障轴承声信号提取实验验证了该算法的有效性。     

基于Hilbert-Huang变换和听觉掩蔽的语音增强算法

Hilbert-Huang变换是一种新型的具有自适应性的时频分析方法,分析了HHT算法的原理,提出了一种基于HHT和听觉掩蔽的语音增强算法,首先将语音信号进行EMD分解得到各阶IMF分量,然后对高频IMF分量进行听觉掩蔽处理,最后将处理后的分量与剩余分量叠加得到重构信号。仿真结果表明所提出的算法降低了语音失真测度值,提高了语音信号的信噪比、清晰度及可懂度,并与听觉掩蔽算法和谱减法进行了比较,显示了该算法的优越性。     

适用于水声信道的新的盲均衡算法

由于时变水声信道的随机相位失真，常模算法（CMA）的误码性能将严重下降。在文献[1]中双模式盲均衡算法的基础上，提出了一种适用于水声信道的新的盲均衡算法（NCMA）。计算机仿真结果表明在时变水声信道中，该算法性能优于双模式算法，能够达到信号相位失真的恢复．并且收敛性能优于双模式算法。     

基于VMD和SVD联合降噪方法的球磨机振动信号随机噪声压制

针对球磨机筒体振动信号中存在大量噪声信号,难以提取其有效信息的问题,提出一种基于变分模态分解(VMD)和奇异值分解(SVD)的联合降噪方法。该方法首先利用VMD算法对球磨机振动信号进行分解,得到K个本征模态分量(IMF),其中K值采用瞬时频率均值法确定;然后通过互相关系数法选取大于等于互相关系数阈值的IMF分量,将选出的分量视为敏感模态分量,再利用奇异值分解算法对敏感模态分量进行去噪处理;最后将经过奇异值去噪的敏感模态分量重构,得到最终降噪信号。仿真分析验证该方法的有效性,将该方法运用到实测球磨机筒体振动信号中,结果表明,该方法能够去除磨机筒体信号中的噪声,提高了信号后续分析处理的可靠性。     

基于相空间重构与独立分量分析的局部独立投影降噪算法

针对故障分析信号中存在噪声问题,提出一种将相空间重构与独立分量分析相结合的局部独立投影降噪算法。其中相空间重构的目的在于从高维相空间中恢复混沌吸引子,独立分量分析能够找到信号的主流形,选择邻域是为了将特征相近的相点结合在一起。使用该方法对正弦仿真信号和Lorenz仿真信号进行降噪处理,结果表明局部独立投影降噪算法的降噪效果与局部独立分量分析算法降噪效果接近,但优于全局投影降噪算法。运用该方法对低速重载轴承振动信号进行分析,准确判断出轴承故障。     

基于改进字典学习的单通道振动信号盲源分离算法

单一传感器采集到的机械信号可能是多个激振源的叠加,难以进行有效分离。针对单通道盲源分离问题提出了基于改进字典学习的单通道振动信号盲源分离算法。首先利用移不变字典学习算法学习信号中的移不变基函数,重构基函数得到反映信号时频域特征的移不变分量,然后利用自适应模糊C均值聚类算法及局部最大值检测算法对得到的各个移不变分量的包络谱提取关键点并聚类,最后将聚类后的移不变分量进行叠加得到源信号的估计。仿真数据的实验表明,算法在噪声环境下具有一定的鲁棒性,同时将该算法应用到实测某型直升机振动信号分离中,进一步验证了该算法的实际价值。     

基于广义解调平滑能量分离算法的瞬时频率估计

平滑能量分离算法能够跟踪调幅调频信号的瞬时频率,结合广义解调和复解析Gabor滤波器的优点能够克服平滑能量分离算法只适用于单分量窄带信号以及对噪声敏感的局限性。理论分析了负频干扰对传统广义解调多分量分离方法的影响,在此基础上提出了一种新的基于广义解调的平滑能量分离算法,该方法利用广义解调将非平稳信号转化为准平稳信号,再通过复解析Gabor滤波器对其进行滤波以达到单分量信号分离的效果,分离出来的准平稳信号无需进行逆广义解调,直接采用平滑能量分离算法求取瞬时频率,经过频率补偿得到原始信号的瞬时频率。仿真和试验结果表明该方法能够克服负频率干扰,且比传统方法具有更高的解调精度,进一步扩大了平滑能量分离算法的应用范围。     

相减策略的含噪多频实信号频率估计算法EI北大核心CSCD

为抑制频谱泄漏对多频实信号频率估计的影响,提出一种新的频率估计算法。利用FFT法和相减策略对采样信号进行处理,逐步得到各分量的频谱最大值索引,以及各分量频谱偏移量和复幅值粗略值;构造包含所有非待估计频率分量的参考信号,利用相减策略从采样信号中减去参考信号,得到待估计的单频复信号,并对其频谱进行两点插值计算,得到该分量较精确的频谱偏移量和复幅值;然后,通过相减策略和频谱分析,逐步得到所有分量较精确的频谱偏移量和复幅值;通过迭代计算得到各分量精确的频率估计值。同时,可得到各分量精确的幅值和初相位。在无噪声、不同频率间隔等条件下进行了频率仿真试验。结果表明:所提算法有效抑制了频谱泄漏的影响,提高了多频实信号的频率估计精度,频率估计值的均方误差比其他优秀算法更靠近克拉美罗下限。     

延伸奇异值分解包及其在高速列车轮对轴承故障诊断中的应用

结合多分辨奇异值分解包的分解结构和对滚动轴承故障信号的Hankel矩阵的奇异值分布特性研究,提出了延伸奇异值分解包。该算法的核心包括矩阵递推构造和矩阵重构。以分量信号能量为指标,提出了有效分量信号的筛选准则,并基于该准则,进一步提出了延伸奇异值分解包的快速算法。仿真结果表明,延伸奇异值分解包对信号中共振频带分量信号具有很好的分解能力,方法具有强鲁棒性,同时极大地改善了奇异值分解包中出现的模态混叠。应用高速列车轮对轴承试验数据对该方法进行试验验证,结果表明,该方法能有效分离高速列车轮对轴承复合故障信号的不同共振频带信号,对筛选的有效分量信号进行包络分析,可有效提取不同类型的故障特征频率及其谐波,对共振频带的聚集性和故障的表征力相比奇异值分解包均有显著提高。     

自适应局部独立分量分析

提出一种自适应局部独立分量分析降噪算法。该算法先将一维时间序列重构到高维相空间,用聚集模糊K均值聚类和聚类评价函数求取高维数据集的聚类个数和聚类中心位置,然后利用K均值聚类寻找局部投影区间,对每个聚类进行独立分量分析并投影到低维空间,将低维空间数据排列并重构成一维时间序列。与使用聚类的局部独立分量分析相比,该算法具有自适应性和稳定性。使用数值仿真试验和齿轮故障信号对该算法进行验证,结果表明该算法对此类信号具有良好的降噪效果。     

非理想信道估计条件下OFDM系统的最大似然检测算法

基于最大似然的准则,研究了理想信道估计条件下和非理想信道估条件下OFDM系统的最优检测算法。研究结果表明,当发送信号为PSK调制方式时,无论是理想信道估计还是非理想信道估计,最大似然检测算法与传统的迫零检测算法等价。但当信道估计非理想且发送信号的调制方式为16QAM或高阶QAM时,采用最大似然检测算法才能够获得更好的性能。     

CEEMDAN结合LMS算法在轴承信号降噪中的应用

针对在强噪声背景中提取有用信号的问题,结合完整集成经验模态分解（CEEMDAN）与自适应滤波中的最小均方算法（LMS）发展一种新的算法。先将信号进行CEEMDAN分解,分解为多个模态分量（IMF）,然后再使用LMS对每一个分量进行降噪,最后将降噪后的分量重构。通过仿真实验,验证了该方法可以消除大部分的噪声和干扰信号,且易于实现。最终将其应用于振动筛轴承故障诊断中,验证了该方法的可行性。     

基于粒子群算法优化的独立分量分析算法

通过两组模拟信号对三种主流独立分量分析算法-JADE、FastICA、扩展Infomax算法的性能进行了对比分析,结果表明三种算法均无法完全分离超高斯源与亚高斯源形成的混合信号,FastICA算法对能量强弱差别大的混合信号失效。基于这一现象,提出了一种新的独立分量分析算法,以粒子群算法为优化工具,以分离矩阵为优化变量,最小化分离信号联合概率与边缘概率乘积的差值,并给出了具体的计算流程。仿真实验结果表明,该算法的性能显著优于上述三种独立分量分析算法。同时,新提出算法实施过程中不需要任何先验知识,相比其他三种ICA算法,更适合解决工程实际问题。最后,将该算法应用于对滚动轴承实验台实测信号的处理,通过对分离信号的分析实现了对滚动轴承故障类型的准确识别,进一步证明了算法的有效性。     

ICA在轴承声音信号预处理中的应用研究

在轴承状态监测与故障诊断过程中,所测得的声学信号,大多为轴承声音信号及电机噪声的瞬时混叠.对测得的混叠信号进行预处理并分离出需要的各源振动信号是轴承状态监测与故障诊断所要解决的一个关键性问题,这种分离问题属于独立分量分析的范畴.本文在分析了独立分量分析的基本原理的基础上,提出一种改进的ICA算法.该算法具有算法简单、分离速度较快的优点.实验结果表明利用独立分量分析有效地对轴承声音信号进行预处理,能成功地剔除电机噪声干扰信号.     

独立分量分析及其在故障诊断中的应用

独立分量分析是盲源分离的一种新方法，其处理的对象是相互统计独立的信号源经线性组合而产生的一组混合信号，最终目的是从混合信号中分离出各独立的信号分量。本简要介绍了独立分量分析的基本思想及算法，并对现场采集到的多组振动信号进行了分析，结果表明，独立分量分析在对混合信号进行盲分离方面具有很强的能力，从而为机械设备状态监测与故障诊断提供了一种行之有效的信号预处理的新方法。     

含噪多频信号频率估计算法

为抑制多频信号中非待估计频率分量频谱泄漏对频率估计的影响,提出一种新的频率估计算法。利用快速傅里叶变换(FFT)算法对采样信号进行预处理,得到每个频率分量的频谱索引,从而得到各频率分量粗略的幅值和初相位估计值;采用频率搬移策略滤除多频信号中的非待估计频率分量,得到降频信号;对降频信号进行频谱分析,并经迭代计算得到各频率分量信号精确的频率、幅值和初相位估计值。在无噪声、不同信噪比等条件下进行了仿真实验,结果表明,所提算法具有良好的频率估计性能,有效抑制了多频信号中频谱泄漏的影响,提高了频率估计精度,优于现有优秀算法。     

基于频谱搬移的迭代式谐波实信号频率估计算法

为抑制谐波实信号中频谱泄漏的影响,提出一种基于频谱搬移的迭代式谐波实信号频率估计算法。在估计某一谐波分量的频率时,所有负频率与其他分量的正频率均为产生频谱泄漏的干扰分量。根据干扰分量的频率逐次进行频谱搬移并抑制干扰分量,得到仅含有单一分量的信号,利用抛物线插值算法估计其频率;得到所有谐波分量的频率后,重新进行干扰分量抑制获得单一分量信号,以得到更加精确的频率估计值。仿真实验表明,所提算法抑制了干扰分量,提高了谐波实信号的频率估计精度,频率估计的均方误差更接近于克拉美罗下限(CRLB)。