自适应非线性BSS及其在齿轮故障诊断中的应用

基于核函数的非线性盲信号处理（BSS）在信号处理中有着广泛的应用,但传统的非线性盲信号处理的学习速率是固定的,如果学习速率选择的不合适,则算法难以收敛或者不能收敛。针对这一不足,结合模拟退火的思想,提出了一种基于核函数的自适应非线性盲信号处理算法。仿真和实验结果表明,该方法改善了原有算法的收敛性能,分离效果良好,算法具有更好的消噪和信号特征提取能力。     

基于膜计算与粒子群算法的盲源分离方法

为了解决盲源分离方法收敛速度慢、分离性能不高的问题,提出一种基于膜计算(Membrane Computing,MC)和粒子群算法(Particle Swarm Optimization,PSO)的盲源分离方法。算法以分离信号负熵作为粒子群的适应值函数,将粒子均匀分布到各基本膜中,将各基本膜内最优位置输出到表层膜并选择适应值最小的最优位置作为群体最优位置,通过粒子自身最优位置和群体最优位置对种群粒子进行速度和位置的更新。粒子群最优解调整盲源分离的步长函数,进行信号的分离。提出的算法简化了惯性权重取值问题,保证了PSO算法局部搜索的精度,满足了全局搜索的多样性。仿真实验和实例应用表明,提出的算法可以很好地分离混合信号,并且能避免PSO算法的早熟收敛问题,具有更快的收敛速度和更优异的分离性能。     

基于独立分量分析的欠定盲源分离方法

目前的欠定盲分离算法只能分离稀疏信号,对于不稀疏的信号分离效果不理想。经典独立分量分析算法中的扩展Infomax算法既能分离超高斯信号,也能分离亚高斯信号,但却只能应用于观测数不少于源数的超定盲源分离,结合扩展Infomax算法,本文提出了一种欠定ICA算法,通过生成隐藏数据将欠定盲分离问题转化为超定盲分离问题,然后再应用经典的扩展Infomax算法进行分析,该方法可以分离欠定情形下超高斯和亚高斯混合信号。并用该算法对实测的齿轮箱混合故障信号进行分离,再用包络阶次方法对分离出的信号进行分析,成功识别出了齿轮箱的不同故障特征,验证了该算法在齿轮箱故障诊断中的有效性。     

基于盲分离技术的双目标辨识与定位方法研究

研究了利用盲分离技术对水下目标辐射噪声信号进行辨识和定位，指出了在水声信号盲分离过程中。自然梯度算法具有不稳定收敛的不足，通过构建新的非线性函数和学习因子等。提出了自然梯度算法的改进方法，经实船信号的盲分离实验表明．该算法在稳定性方面有改进。在对目标信号盲分离的同时。估计了目标信号到达基阵的时延，完成了双目标的辨识与定位。     

气体质量计量的方法论证

为提高科氏流量计气体信号的初始频率收敛速度和跟踪精度,提出了一种频率解算的新方法：首先采用基于burg算法实现的格型IIR自适应陷波器对信号滤波,并短时间跟踪信号频率,其收敛后基于简化梯度算法实现的格型自适应陷波器开始并行工作,待简化梯度算法实现的格型自适应陷波器收敛后,前者停止工作,简化梯度算法实现的格型自适应陷波器持续工作直至结束。通过仿真和实验验证来说明本方法信号收敛速度更快、频率跟踪精度更高。     

一种基于同伦非线性模型的语音盲分离方法

采用同伦非线性模型对语音信号进行建模,将非线性可预测性作为盲源分离的准则,推导了基于同伦模型的盲源分离算法,成功地实现了语音信号的分离。这种方法是对基于线性预测模型盲源分离算法的推广,它既适用于分离采用线性预测模型建模的信号,也可以分离采用同伦非线性模型建模的信号(如语音)。理论分析和仿真表明,这种方法比基于线性可预测性的盲分离算法具有更广的适用范围,对于语音信号的分离,此种算法具有更快的收敛速度。     

基于EEMD-AESSAICA的电驱动单通道噪声源分离识别

为准确分离识别电驱动总成的噪声源，提出一种集合经验模态(EEMD)与改进樽海鞘的独立分量分析(AESSAICA)方法。首先针对传统盲源分离方法存在收敛速度慢、分离精度低的问题，提出基于改进樽海鞘算法的盲源分离算法，提出自适应领导者数目的精英方向学习策略，其能够平衡全局探索和局部开发矛盾、加快收敛速度。其次通过仿真实验验证该方法比传统独立分量算法在分离效果上提升4.38%，能够提高分离效率，提升分离结果质量；然后联合EEMD和AESSAICA算法提出的单通道盲源分离方法，同时验证其相似系数在0.96以上；最后采用该方法分离识别电驱动主要噪声分量。结果表明上述方法能够有效识别电驱动各独立噪声源，通过减速器噪声实验验证最大分离误差为1.1%，分离结果的准确性得到证明。     

基于多个时间点联合解相关的卷积盲源分离

实际信号的混合均为卷积混合,且信号是非平稳的。盲源分离的目标就是找到一组分离滤波器,使得源信号的估计信号互相统计独立。结合信号的非平稳性,利用二阶解相关原理,文章阐明了一种在频域实现卷积混合的盲源分离算法,并且考虑了噪声对分离性能的影响。为了避免频点排列次序的不确定性,利用了多阶段盲源分离思想。利用该算法,对两路混合的实录水声信号进行盲分离,得到了两路源信号的估计信号,通过对估计信号的分析,利用信噪比提高率这一标准,验证了该算法的有效性。该算法收敛速度快,精度高,可用于浅海环境下实录水声混合信号的盲分离。     

JADE算法在盲信号分离中的应用

分离矩阵的学习算法是盲信号分离的关键技术,矩阵联合对角化的预白化JADE算法是一种基于四阶累计量的学习算法。本文简要介绍了JADE算法的基本原理,通过实例,采用JADE算法对盲信号进行分离。实验表明,JADE算法在盲源信号分离中是一种很有潜力的方法。     

认知型水声通信时空自适应处理算法研究

针对浅海水声通信面临的复杂干扰环境,提出了一种适用于水声通信系统的认知型时空自适应处理算法。该算法在传统时空自适应阵列处理算法的基础上引入了干扰认知的功能,通过干扰认知处理降低计算量,并且实现干扰样本的选取,确保自适应算法的可靠收敛。利用了协方差矩阵特征分解和多重信号分类(Multiple Signal Classification, MUSIC)估计干扰的个数,辅助选取盲源分离算法中的维度和时空自适应算法中的空域维度,进行算法降维处理。针对采用盲源分离后的各干扰,采用包络检测法提取时域特征,采用短时傅里叶变换(Short-time Fourier Transform, STFT)方法提取时频谱特征,分析干扰特征,实现干扰分类,从而实现干扰样本的选取。通过计算机仿真验证了该认知处理算法的性能。     

误差非线性函数的变步长FxLMS算法研究

滤波-x最小均方（Filtered-x Least Mean Square,FxLMS）算法是主动噪声控制的经典算法,其存在收敛速度与稳态误差不可兼得的问题,解决方法之一是采用变步长FxLMS算法。总结了现有的基于误差非线性函数的变步长模型,并将其应用于FxLMS算法以改善算法性能。用三种常见的噪声作为参考输入信号进行仿真试验,对比了不同非线性函数变步长算法的性能。结果表明,变步长FxLMS算法能有效改善参考信号为高斯白噪声和正弦波时的收敛速度和稳态误差,且不同噪声环境下最优算法不同,但此类算法无法提升噪声源为冲击噪声时的性能。这为不同应用场景下算法的选取提供了参考。将变步长FxLMS算法应用于某车型的发动机主动噪声控制,结果表明,变步长FxLMS能显著提高定速工况的系统性能,但对急加速工况效果并不明显。     

独立分量分析的算法分析与改进

Fast ICA算法是基于一批已取得的样本数据进行处理,它不适用信道矩阵变化的情况;虽基于自然梯度的Info max法是根据单次观测的样本值来调整分离矩阵,但它仅适合单类信源情况。在信道恒定和变化情况下,仿真比较上述算法的优缺点,同时为解决在线算法中收敛速度和稳态误差的矛盾,提出一种改进的变步长算法。该算法将步长变化与信号的分离程度相联系,根据信号之间的相似性测度变化量自适应地控制步长,最后仿真验证该算法的实用性。     

一种提高稳态误差及收敛速度的回声消除算法

以研究回声消除为背景,在分析比较了三种LMS自适应滤波器算法的基础上,提出了改进的LMS自适应滤波器算法。并利用Matlab进行仿真分析,通过绘制误差曲线、学习曲线,证明了改进后的算法在稳态误差以及收敛速度方面都优于之前的算法。该算法能较好地应用到IP电话中的回声消除的自适应滤波问题。     

基于自适应模拟退火遗传算法的传感器优化配置研究

针对传感器优化配置组合优化问题,提出了一种基于模态置信度准则MAC的优化算法——自适应模拟退火遗传算法。以模态置信度MAC矩阵的最大非对角元的值极小为目标函数,针对满足传感器数量不变的约束条件问题,提出了二重结构编码遗传算法,并将传统的模拟退火算法改良后,作为一个独立的算子置于遗传算法进化过程中;为了避免出现过早收敛的现象,引入了自适应交叉和变异概率。算例结果表明该混合算法对传感器数目与位置同时实现了优化,得到了满足不同精度要求的传感器优化配置方案。     

基于FxKalman算法的有源控制器设计与实现研究

近年来,对于有源噪声控制算法的性能越来越重视。与基于维纳滤波原理的最小均方滤波(Filtered-x Least Mean Square,Fx LMS)、最小二乘滤波(Filtered-x Recursive Least Square,Fx RLS)算法相比较,基于卡尔曼滤波的有源控制算法(Filtered-x Kalman,Fx Kalman)具有较快的收敛速度和良好的跟踪性能,且对带宽噪声有较好的降噪性能。设计、仿真运行了Fx Kalman算法的有源控制器,并针对单频、窄带和宽带信号,在实验室封闭空间对Fx Kalman算法、Fx LMS算法和Fx RLS算法进行有源控制器验证性实验比较,证实了Fx Kalman有源控制器具有上述优点。而如果初级噪声为单频信号且对算法收敛速度要求不高,Fx LMS算法是最经济稳妥的选择。当需要控制带宽噪声或对算法收敛速度要求较高时,Fx Kalman算法则为最好的选择。     

基于改进双曲正切函数的变步长最小平均p范数算法

在信号处理领域,传统的自适应滤波算法采用的固定步长会导致稳态误差和收敛速度无法同时兼顾。针对这个问题,对最小平均p范数(Least Mean p-norm,LMP)算法进行改进,提出了一种基于改进双曲正切(tanh)函数的变步长最小平均p范数算法。该算法利用改进的tanh函数来调节步长,采用移动加权平均法构造变步长函数;同时引入了一个调节函数以进一步提升算法的性能。通过在海洋脉冲噪声干扰下进行仿真,实验表明,与已有的固定步长和变步长算法相比,改进的变步长LMP算法较好地兼顾系统的收敛速度和稳态误差;引入调节函数后的新算法在保证原有算法收敛速度的同时进一步降低了算法的稳态误差,从而兼顾了算法的收敛性和稳定性,具有较好的可行性。     

基于人工鱼群算法的轴承故障随机共振自适应检测方法

针对传统的自适应随机共振以单个参数为优化对象忽略参数间交互作用的不足及采用遗传算法优化参数在种群数量增加时算法收敛速度明显减缓的缺陷,提出基于人工鱼群算法的自适应随机共振新方法。该方法利用人工鱼群算法对初值、参数设定容许范围较大、具备并行处理能力及人工鱼个体数目增加时鱼群算法收敛速度能提高的特性,自适应实现与输入信号最佳匹配的随机共振系统。仿真数据与轴承滚动体故障数据分析表明,基于该算法的自适应随机共振方法可有效实现微弱特征检测与早期故障诊断。     

一种高效的弱目标线谱检测算法

为实现弱目标线谱检测,在自适应线谱增强(Adaptive Line Enhancement,ALE)算法的基础上,结合频域批处理技术,提出了一种能降低计算量的高效线谱检测算法——归一化频域批处理最小均方(Normalized Frequency-domain Block Least Mean Square,NFBLMS)算法;所提NFBLMS算法在权值迭代过程中,步长参数不受输入信号功率的影响。理论分析和数值仿真结果表明:相比于已有的线谱检测算法,NFBLMS算法能较好地解决ALE算法实时处理运算量问题,并可获得较高的系统增益,且其步长参数具有较强的鲁棒性,能同时兼顾算法的收敛速度和稳态误差。因此NFBLMS算法更适合实际工程应用。     

An Improved Whale Optimization Algorithm for Feature Selection

Whale optimization algorithm (WOA) is a new population-based metaheuristic algorithm. WOA uses shrinking encircling mechanism, spiral rise, and random learning strategies to update whale’s positions. WOA has merit in terms of simple calculation and high computational accuracy, but its convergence speed is slow and it is easy to fall into the local optimal solution. In order to overcome the shortcomings, this paper integrates adaptive neighborhood and hybrid mutation strategies into whale optimization algorithms, designs the average distance from itself to other whales as an adaptive neighborhood radius, and chooses to learn from the optimal solution in the neighborhood instead of random learning strategies. The hybrid mutation strategy is used to enhance the ability of algorithm to jump out of the local optimal solution. A new whale optimization algorithm (HMNWOA) is proposed. The proposed algorithm inherits the global search capability of the original algorithm, enhances the exploitation ability, improves the quality of the population, and thus improves the convergence speed of the algorithm. A feature selection algorithm based on binary HMNWOA is proposed. Twelve standard datasets from UCI repository test the validity of the proposed algorithm for feature selection. The experimental results show that HMNWOA is very competitive compared to the other six popular feature selection methods in improving the classification accuracy and reducing the number of features, and ensures that HMNWOA has strong search ability in the search feature space.     

求解包装生产中复杂问题的布谷鸟算法改进

目的 为了解决在求解复杂的高维函数优化问题时存在的求解精度不够高和易陷入局部最优等问题,提出一种基于莱维飞行发现概率的变步长布谷鸟搜索算法(LFCS).方法 在相同环境下,选取6个不同难度、不同类型的测试函数,将LFCS算法与IPSO,IDE,IABC,CS算法比较,分析算法的收敛速度和收敛精度.结果 相比其他4种算法,LFCS算法迭代次数更少,收敛速度更快,收敛精度更高.结论 无论是低维函数还是高维函数,LFCS算法在收敛速度和收敛精度方面都有所提高,尤其是针对复杂的高维函数优化问题,在取值范围较大的情况下,LFCS算法能够更快、更准地找到最优解.