共查询到19条相似文献,搜索用时 93 毫秒
1.
2.
针对道路载荷谱实质为非平稳信号的特点,以及经验模态分解(Empirical Mode Decomposition,EMD)降噪存在模态混淆的问题,将集成经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)应用于道路载荷谱降噪处理,并从时域、频域和雨流域同EMD降噪效果进行了分析对比。提出基于EEMD的载荷谱信号降噪计算步骤,给出EEMD计算参数的求取原则,讨论计算参数对降噪效果的影响。结果表明,EEMD可以较好地估算并降低载荷谱信号中的噪声水平,提高信噪比和疲劳循环次数统计精度。 相似文献
3.
4.
5.
利用环境噪声反演浅海海底声学特性一直是学者们研究的热门课题之一,目前绝大多数的噪声场建模方法依赖于多维海底模型,而多维参数的求解过程加大了反演的复杂度。减少反演参数个数可以有效降低反演的复杂性,提高反演的速度,以此为目的开展了基于单个参数海底模型的噪声场建模研究,并计算得到了基于海底单参数的噪声场空间相干系数表达式。通过与传统模型的对比,验证了该计算模型的有效性。结合实验数据,利用该模型对实验海域进行了海底单参数反演,并结合海底反射临界角确定了实验海域的沉积物类型为粉砂质砂,该结论与文献记载相吻合。 相似文献
6.
7.
8.
由于SAR图像中存在大量的相干斑噪声,最小割准则(Minimum Cut Criterion)倾向于分割出小的孤立点集,因此最小割准则难以直接应用于SAR图像分割中。本文给出了一种可以根据需要来控制分割区域大小的参数化最小割准则(Parametric Minimum Cut Criterion),由此减少小的孤立点集的产生。该准则通过构建参数化割树(Parametric Cut Tree)得到理论最优解。为了参数化最小割准则更有效地应用于SAR图像分割,结合了区域分割方法中的四叉树分裂合并技术,给出了一种基于图论的SAR图像区域分割算法。在利用四叉树技术分裂图像时,根据SAR图像的统计特性,给出了一种新的区域一致性度量,有效地抑制了相干斑噪声的影响。实验结果表明了本文方法的有效性。 相似文献
9.
10.
针对SAR(Synthetic Aperture Radar)图像全自动配准问题,本文提出一种基于仿射不变SIFT(Scale Invariant Feature Transform)特征的精确配准方法.该方法首先对传统SIFT方法改进构建具有仿射不变性的SIFT描述子,并利用该描述子对提取的控制点进行粗匹配,然后由粗匹配点对的尺度比和方位差及其邻域的灰度相似性构建新的相似矩阵,最后利用SVD(Singular Value Decomposition)方法确定精确匹配点对,求出变换参数从而实现图像的精确配准.实验结果表明该方法优于传统的SIFT方法和SIFT+SVD方法并且可以达到亚像素的配准精度. 相似文献
11.
12.
工况模态分析的EMD方法 总被引:2,自引:5,他引:2
EMD(Empirical Mode Decomposition)算法1995年由NASA海洋水波实验室提出,本质上是一种将时域信号按频率尺度分解的数值算法,对于线性时不变系统,它可以从时域信号中直接提取具有不同特征时间尺度的内禀模式函数(IMF,Intrinsic Mode Function),分解得到的IMF s之间具有正交性,且分解唯一,本文以此为基础,将NExT(Natural Excitation Technique)方法推广到多点随机激励下的复模态情况,对多自由度线性系统实测响应信号的互相关函数进行EMD分解,并进而实现模态参数的辨识。 相似文献
13.
EMD趋势分析方法及其应用研究 总被引:14,自引:0,他引:14
趋势分析是一种重要的设备状态监测与故障诊断方法,对分析较长时间范围内设备运行状态的变化具有重要意义。研究了一种基于经验模式分解(Empirical Mode Decomposition,EMD)的设备运行状态趋势分析方法。研究表明,与传统方法(如最小二乘法、低通滤波法)相比,经验模式分解能够更准确地提取信号趋势信息。应用于某炼油厂透平烟机故障诊断,表明这种基于经验模式分解的趋势分析方法能够有效提取设备运行趋势信息,消除采样中随机因素的影响,为准确评估设备运行状态、诊断故障提供可靠依据,具有重要的现场实用价值。 相似文献
14.
15.
16.
17.
18.
对美国密歇根大学电子工程系的研究人员提出的一种多源数据融合算法进行了介绍,对SAR图像与可见光图像融合的一系列相关技术及其主要步骤进行了探讨,简要概括了评价融合后图像效果的标准和方法,并介绍了目标的检测与识别。 相似文献
19.
针对滚动轴承振动信号的非平稳特性和现实中难以获得大量典型故障样本的实际情况,提出基于集合经验模态分解(EEMD)能量熵和最小二乘支持向量机(LS-SVM)的滚动轴承故障诊断方法。首先通过EEMD分解将非平稳的原始振动信号分解成若干个平稳的固有模态函数(IMF);滚动轴承同一部位发生不同严重程度的故障时,在不同频带内的信号能量值会发生改变,因此可通过计算振动信号的EEMD能量熵判断发生故障的严重程度;从包含主要故障信息的IMF分量中提取的能量特征作为输入来建立支持向量机,判断滚动轴承的技术状态和故障严重程度,并选用不同核函数对诊断效果进行分析比较。实验结果表明,该方法能有效地应用于滚动轴承的故障诊断。 相似文献