压缩感知改进探地雷达回波信号时延估计

针对探地雷达回波受环境及多径干扰而导致时延估计的精度和速度不满足应用需求的问题,提出了基于改进快速匹配追踪的时延估计算法,算法首先基于压缩感知理论对雷达探地回波进行稀疏分解和重构,以提高信号的信噪比,消除回波中强干扰信号对时延估计的影响,然后采用QR分解优化的快速正交匹配追踪对时延估计模型进行求解,降低基函数错选概率,提高模型收敛速度.仿真实验表明,算法能够有效均衡回波信号中强信号分量和弱信号分量,具有较高的回波时延估计精度.     

基于终止准则改进K-SVD字典学习的稀疏表示特征增强方法

针对传统K奇异值分解(K-Singular value decomposition, K-SVD)算法在稀疏表示过程中,由于目标信号稀疏度难以确定以及字典原子受噪声干扰大导致稀疏表示效果较差的问题,结合变分模态分解(Variational mode decomposition, VMD)算法,提出了基于VMD与终止准则改进K-SVD字典学习的稀疏表示方法。借助VMD算法剔除信号中的干扰分量,依据相关分析与峭度准则选择最优模态分量;采用终止准则改进的K-SVD字典学习算法对最优分量的特征信息进行学习,优化目标函数与约束条件,在无需设置稀疏度的前提下,构造出准确匹配故障冲击成分的字典;此外,构建一种残差阈值改进的正交匹配追踪算法(OMPerr)实现稀疏重构及微弱故障特征增强。通过仿真及试验信号进行验证,结果表明:基于VMD与改进K-SVD字典学习的稀疏表示方法在字典原子构建、稀疏重构精度以及故障特征增强等方面均优于传统K-SVD稀疏表示方法,可以有效实现微弱故障的诊断。     

盲解卷积和频域压缩感知在轴承复合故障声学诊断的应用

针对时域盲解卷积算法对单一故障机械声信号有效,及传统稀疏分量分析对声信号分析失效等问题,提出一种盲解卷积、形态滤波和频域压缩感知重构的稀疏分量分析相结合的轴承复合故障声学诊断方法。通过时域盲解卷积算法优选分量结果,提取声信号的冲击成分。使用形态滤波滤除背景噪声。使用模糊C均值聚类估计混合矩阵,重构传感矩阵,并运用稀疏度自适应匹配追踪基算法(Sparsity adaptive matching pursuit,SAMP)的频域压缩感知重构分离信号。双通道滚动轴承故障声信号分析结果表明该方法能够有效分离和提取滚动轴承故障特征。     

基于VMD和K-SVD字典学习的供水管道泄漏振动信号压缩感知方法

针对供水管道泄漏振动信号在分析型字典下进行压缩感知时,信号的重构均方误差较大和不能保留信号中重要泄漏信息的问题,提出了基于变分模态分解(VMD)和K-奇异值分解算法(K-SVD)的供水管道泄漏振动信号压缩感知方法。首先,利用VMD算法将管道泄漏振动信号分解若干个本征模态函数(IMF),并对IMF分量进行互相关性分析;然后,选取最优模态分量,构成最优模态集,再借助K-SVD学习算法训练过完备字典;最后,选择高斯随机矩阵为观测矩阵和重构算法为正交匹配追踪算法(OMP)对管道泄漏振动信号进行压缩感知。实验结果表明,基于VMD-K-SVD稀疏表示构造的过完备字典的压缩感知方法与基于FFT正交基、DCT正交基、K-SVD的压缩感知方法相比,在压缩率为50%～89.5%下重构均方误差更小和互相关系数更高,且在相同压缩率下得到的重构信号的互相关延时估计定位误差的平均值分别降低80.12%、64.2%、61.38%。因此,所提的压缩感知方法具有较好的重构性能和稀疏性。     

基于混沌理论与SVM的内燃机振动信号趋势预测

针对内燃机振动信号信噪比低且呈非线性、非平稳的特性,提出将经验模态分解(emprical mode decomposition,简称EMD)相空间重构理论与支持向量机(support vector machine,简称SVM)相结合,实现内燃机振动监测数据的建模及预测.首先,将含噪声的振动信号经验模式分解,去掉主要干扰因素所对应的固有模态函数(intrinsic mode function,简称IMF)分量,再将剩余IMF分量进行重构,得到去噪声后振动信号时间序列;然后应用混沌理论,选择合适的嵌入维数和时间延迟对去噪后的振动信号时间序列进行相空间重构;最后采用SVM对其进行建模预测,并与径向基函数(radial basis function,简称RBF)神经网络的预测结果进行比较.试验数据表明,该方法能够预测内燃机振动信号的变化趋势,性能优于传统的分析方法,具有一定的工程实用性.     

基于K-SVD字典学习算法的稀疏表示振动信号压缩测量重构方法

针对目前机械振动信号频带越来越宽,依据传统香农-内奎斯特采样定理进行数据采集时,将会得到巨量振动数据,对存储、传输和处理带来困难的问题,提出了基于K-SVD字典学习算法的稀疏表示振动信号压缩测量重构方法。首先分析了振动信号在基于K-奇异值分解(K-Singular value decomposition,K-SVD)字典学习算法得到的过完备字典上的近似稀疏性,即可压缩性;然后利用高斯随机矩阵对振动信号进行压缩测量;最后基于压缩测量值采用正交匹配追踪算法对原始振动信号进行重构。仿真测试结果表明,当振动信号压缩率在60%~90%时,基于K-SVD字典学习算法构造的过完备字典比基于离散余弦过完备字典压缩感知重构相对误差小。该方法既可以得到较高的信号压缩比又有着精确的信号重构性能,在不丢失振动信息的情况下,大大减少了原始振动数据量。     

基于压缩传感的脉冲超宽带系统窄带干扰估计算法

针对超宽带抗干扰通信中较难实现射频窄带干扰(NBI)估计问题,根据超宽带信号为时域极窄脉冲而窄带干扰为连续波这一主要特点以及窄带干扰的频域稀疏特性,提出了一种基于压缩传感理论的改进正交匹配追踪(OMP)估计算法,该算法以重构误差变化率作为匹配过程的迭代终止条件,在低于奈奎斯特采样率下进行窄带干扰信号频率和幅度估计.理论分析和实验表明,该算法利用射频接收信号的欠采样值,采用较少的迭代次数,可以有效实现超宽带系统中单个或者多个窄带干扰信号估计.     

基于EMD和BCS的振动信号数据修复方法

为改善振动信号修复效果,引入贝叶斯压缩感知(BCS)理论,并提出一种基于经验模态分解(EMD)的贝叶斯压缩感知修复方法,以解决连续缺失信号修复问题。针对随机缺失信号,根据压缩感知修复原理,利用贝叶斯压缩感知算法进行修复;针对连续缺失信号,先对其进行经验模态分解,对分解得到的所有基本模式分量利用多任务贝叶斯压缩感知算法进行修复,最终将所有修复的基本模式分量累加得到整体信号。利用西储大学公开轴承数据进行修复实验,发现所提方法在时频域指标、误差、信噪比、峰值信噪比等方面均优于正交匹配追踪和正则化正交匹配追踪算法。从修复效果角度验证,发现该方法成功还原了外圈故障信号基本模式分量中的故障特征频率,达到了修复的目的。     

基于频域稀疏分类的滚动轴承故障诊断方法

针对基于特征频率识别的滚动轴承故障诊断方法存在易受强噪声干扰的问题,提出基于频域稀疏分类算法的诊断方法。首先对已知故障类型的滚动轴承振动信号进行时频变换,利用频域变换系数构造训练字典,再将待测轴承振动信号的频域系数在该字典上进行稀疏分解,求取稀疏系数,根据重构误差的最小值确定故障类型。测试结果表明:该方法能有效克服噪声干扰,并避免故障特征频率的估算问题。     

基于稀疏信号重构的无线传感网络目标定位

提出了一种新的基于稀疏信号重构的无线传感网络目标定位方法.针对目标定位问题,将多目标位置表示为离散化测量空间上的稀疏向量,则多传感节点声音信号能量测量值向量可分解为测量矩阵、稀疏矩阵与稀疏向量的乘积,通过稀疏信号重构方法可以恢复目标位置稀疏向量,实现多目标定位.传统L1范数稀疏信号重构法要求测量矩阵和稀疏矩阵乘积满足受限等距性条件,在目标定位问题中难以满足.采用贪婪匹配追踪算法重构稀疏向量,基于噪声信号能量幅值终止迭代搜索,进行多目标定位.实验表明,基于贪婪匹配追踪稀疏信号重构目标定位方法能准确实现多目标定位,定位精度优于基于正交匹配追踪的稀疏信号重构目标定位方法和基于单纯形搜索的最大似然估计目标定位方法.     

稀疏度拟合的自适应机械振动信号压缩感知

针对利用机械振动信号进行设备故障诊断和状态监测过程中，存在采样数据量多、存储容量大、传输带宽高和信号重构精度低等问题，提出一种稀疏度拟合的自适应机械振动信号压缩感知方法。首先，对机械振动信号进行多尺度小波包变换，再将小波包系数按一定阈值进行置零处理并求取其稀疏度；然后，采用迭代方法求取各稀疏度下满足重构信号精度条件的最低采样率，并对信号的稀疏度和采样率采用最小二乘法进行拟合，消除信号测量误差，求取最佳信号采样率；最后，采用K-奇异值分解算法构造与各信号块相适应的过完备字典，并利用正交匹配追踪算法实现信号重构。实验证明，与传统压缩算法相比较，该算法的信号压缩率和重构精度均得到较大提高。     

基于压缩感知的低速率语音编码新方案

利用语音小波高频系数的稀疏性和压缩感知原理,提出一种新的基于压缩感知的低速率语音编码方案,其中小波高频系数的压缩感知重构分别采用l1范数优化方案及码本预测方案进行,前者对大幅度样值重构效果较好,且不仅适用于语音,也适用于音乐信号,具有传统的线性预测编码方法无法比拟的优势,后者对稀疏系数位置的估计较好,且不需要采用压缩感知重构常用的基追踪算法或匹配追踪算法,从而减少了计算量.两种方法的联合使用能发挥各自的优势,使得重构语音的音质进一步改善.     

基于小波包分解与主流形识别的非线性降噪

为解决工程实际中强噪声、非线性且频率成分复杂的振动信号降噪问题,提出了基于小波包分解和主流形识别的非线性降噪方法。采用小波包分解将原始振动信号正交无遗漏地分解到各频带范围内,根据各子频带中信噪空间分布,分别采用相应参数对小波包分解系数进行相空间重构;采用局部切空间排列(local tangent space alignment,LTSA)主流形识别方法在高维相空间中实现信号与噪音的分离,并重构出降噪后的一维小波包分解系数,最后进行小波包分解重构得到降噪后的振动信号。通过仿真实验和实例应用对本文所提方法的有效性进行了验证,试验结果表明本文方法具有良好的非线性降噪能力。     

基于相频空间稀疏性快速估计发光二极管灯点参数

为了得到每个发光二极管(LED)灯点对某些目标位置的贡献量,以便获得、记录或重现特定的LED照明模式,本文对控制LED灯点的脉宽调制波形(PWM)的参数(振幅、频率偏移量、相位延迟)估计问题进行了研究。首先,将频率偏移-相位延迟空间离散化成网状格点空间,根据测量到的数据在格点空间具有稀疏性的特点建立了稀疏模型。然后,基于该稀疏模型,利用正交匹配追踪算法(OMP)用很少的采样点快速地重建出未知参数。最后,采用逐级迭代细分网格技术优化稀疏模型以便有效地抑制估计误差。实验结果表明,本文方法仅使用相当于奈奎斯特采样定理要求的27.5%的采样点即可准确地重建未知参数,从而快速估计LED灯点的参数。在理想情况下,本文算法的均方根误差小于068%。另外,不同噪声条件下的对比实验说明该算法在信噪比大于20 db时鲁棒性较好。     

基于改进 ICA-OMP 优化原子分解的谐波和 间谐波检测方法

针对原子分解中匹配追踪类算法存在的问题,提出一种结合帝国竞争算法(ICA)和正交匹配追踪算法(OMP)优化原子 分解的电网谐波和间谐波信号检测方法。 首先根据谐波和间谐波信号的特征,将 Gabor 原子库简化为正弦原子库。 然后采用 OMP 算法对谐波和间谐波信号进行原子分解,通过设置合理的相关性阈值确定终止迭代次数。 最后,根据搜寻出的最佳匹配 原子的索引参数实现谐波和间谐波信号参数估计。 在 OMP 算法迭代过程中引入 ICA,可实现在连续参数空间中搜索最佳匹配 原子,避免索引参数步长对检测精度的限制。 算例仿真与实测表明本文提出的算法能够在噪声干扰情况下准确检测出各次谐 波和间谐波分量,频率、幅值和相位的最大检测误差分别为 0. 015 4% 、0. 722 4% 和 1. 512 6°,可有效分辨出频率相近的间谐波 分量,实现时变谐波和间谐波分量的精确定位。 与正交匹配追踪算法相比,计算复杂度缩减率在 99% 以上。     

基于Bandelet稀疏的移动机器人环境视觉纹理图像的压缩传感与重构

压缩传感技术为移动机器人环境视觉的实时高效处理与传输提供了一种新的解决方法。结合Bandelet变换自适应跟踪图像正则方向的特点,进行了基于Bandelet稀疏和正交匹配追踪(OMP)算法的环境纹理图像压缩传感重构分析研究。结果表明：在较大观测值下,Bandelet稀疏重构与传统小波稀疏重构效果差别不大;在较小观测值下,传统sym8小波稀疏重构出现不稳定状态,出现块状信息缺失,不能有效重构,而Bandelet稀疏重构效果相对稳定;在给定观测值下,Bandelet稀疏重构的边缘细节表达能力优于sym8小波,说明Bandelet变换在压缩传感采样高压缩比下恢复重构具有有效性和稳定性。     

采样信号时频特性的复合材料损伤检测

一种时频数据处理方法被应用于复合材料损伤检测。根据小波变换的框架重构理论和小波变换时频相空间理论,提取了信号的时频域特征,通过比较原信号的时频空间和小波变换相空间的相同部分,得到了能反映原信号同样时频特征的小波级数展开项和,应用Ｇｒａｍ－ｄｓｃｈｍｉｄｔ正交化方法,按照一定准则,对所得到的小波级数展开项的线性组合进行正交处理,用代数数值方法,从已知采样数据分布集合得到了对应于曲线本身时频特征,经过     

IPSW 方法及其在变工况滚动轴承 退化状态跟踪中的应用

感知获取的一维快变信号不仅受工况变化的影响,且无法避免地受到噪声干扰,此时传统的相空间曲变(PSW)方法提取的健康指数(HI)将无法胜任变工况下的滚动轴承退化趋势跟踪。针对这一问题,提出了改进的相空间曲变法(IPSW)。从确保PSW分量的独立性及其信息最大化的角度出发,通过高维重构分量间的综合平均互信息局部极小化和互信息熵局部极大化,避免高维重构相空间相轨迹发生扭曲和缠绕,并对慢变损伤趋势项与工况变化干扰项进行解耦,实现独立于工况变化的、反映故障演化趋势的HI提取。仿真及实验信号验证结果表明:基于IPSW方法提取的HI能够有效避免转速变化的影响,对轴承损伤退化趋势进行有效跟踪。