小波模态参数辨识的边缘效应问题研究

首先在应用Morlet小波变换进行模态参数识别的原理基础上,分析小波变换过程中产生边缘效应的原因及对模态参数识别准确性的影响。提出将支持向量机回归方法用于结构模态参数识别的数据预测延拓中。通过对单自由度和三自由度结构的数值仿真,并与对称延拓方法比较,验证该方法在抑制边缘效应方面的有效性及其在模态参数识别方面的准确性。     

杜芬系统检测微弱特征信号的方法及应用

混沌学理论研究发现杜芬系统在其处于混沌状态时,对噪声具有很好的"免疫"功能,而对微弱特征信号却十分敏感.在此基础上,通过对两种不同输入信号的研究,进一步验证了杜芬系统在微弱特征信号检测方面的优势.最后,将其应用到转子的损伤检测中,取得了较好的检测效果.     

Volterra模型预测在EMD端点延拓中的应用

经验模态分解(empirical mode decomposition,简称EMD)的端点效应使得EMD分解结果产生严重失真,为了减小端点效应在分解过程中产生的影响,将混沌序列模型引入EMD,提出采用Volterra模型解决分解中产生的端点效应问题。论述了基于Volterra模型的数据延拓技术原理,即先对原始数据进行Volterra建模,然后利用该模型对数据进行延拓。该方法使端点处的延拓更加合理,从而使得三次样条曲线在端点处不会发生大的摆动,实现了准确的EMD分解。通过对仿真信号的研究表明,延拓抑制了分解的端点效应。把该技术应用于转子横向裂纹振动信号的EMD分解中,取得了良好效果。     

应用EMD分解下的Volterra模型提取机械故障特征

将混沌时间序列的Volterra模型引入到机械故障诊断中,提出了采用EMD与Volterra模型相结合的方法提取机械故障特征。该方法较传统的特征提取方法,具有提取特征明显,计算简单等优点。仿真实验表明,此法能够有效地提取特征参数。将其应用于机械转子故障特征提取中,取得了较为满意的结果。     

相关系数法在相变检测微弱特征信号中的应用

在原有杜芬振子检测微弱特征信号的理论基础上,提出了利用相关系数法来刻画系统微小的相变,证实了微弱特征信号对杜芬系统的影响远大于其他信号对该系统的影响,阐述了利用相关系数法检测极微弱特征信号的步骤,给出了阈值的选择条件.最后将该方法应用于实验当中取得了较好的检测效果.     

利用聚合经验模态分解抑制振动信号中的模态混叠

传统EMD易于造成分解模态的混叠,混叠后的IMF分量失去原有物理意义。聚合经验模态分解(ensemble empirical mode decomposition,EEMD),是一种将噪声辅助分析应用于经验模态分解中的新方法,可以较好的抑制EMD分解中产生的模态混叠现象,将其应用于振动信号的模态提取中,取得较好的工程效果。     

基于无抽样小波包变换的语音增强方法

非均匀临界频带与人耳对固有语音的频率感知特性十分相似,并且可在听觉感知上近乎完美地使信号进行重构.文章基于此提出了一种新的语音增强方法.该方法首先采用易于计算的无抽样离散小波包(UDWP)模拟人耳的听觉特性滤波器组对带噪语音进行分解;其次在语音信号的子带层次上用一种类似于软阈值的无穷阶可导的函数进行阈值处理;最后应用谱减法进行二次增强.实验结果表明,该方法在有效去除语音噪声的同时可以较大地提高语音的清晰度和可懂度.     

非法入侵电视信号的硬件检测方法及其实现

介绍了一种用硬件实现非法电视干扰信号的检测方法。在分析非法入侵信号干扰特点的基础上,提出了硬件检测的原理方法,给出了硬件检测系统的设计构想。该系统主要由信号处理、智能判别和报警控制三个模块组成。大量的模拟实验和应用结果表明,本检测方法能够有效地检测出非法入侵的信号。