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。     

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)。     

实复转换式衰减信号参数估计算法

为抑制衰减实信号中负频率成分对参数估计的影响,提出一种实复转换式参数估计算法。预估计采样信号频谱能量最大值点的索引值;构造只含有负频率成分的参考信号,并将采样信号和参考信号相减实现实复转换,以抑制负频率频谱泄漏的影响;利用频谱两点插值算法得到频率偏差、衰减因子和复幅值的粗估计值,并重新生成参考信号和复信号;通过迭代计算得到精确的频率、衰减因子、初幅值和初相位估计值。以频率估计为例的仿真实验结果表明:所提算法可有效地抑制负频率频谱泄漏的影响,提高中高信噪比条件下的频率估计精度,特别是信号频率较低时的频率估计精度,提升了频率估计的综合性能。此外,在科氏流量计中进行了实测实验,检验了所提算法的有效性。     

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。     

基于迭代插值的实复转换频率估计算法

为消除实信号中负频率成分对频率估计的影响,提出一种基于迭代插值的实复转换频率估计算法。通过预估计采样信号频率,构造参考信号,并通过90°相移得到采样信号的正交分量;将采样信号与其正交分量合成为复信号实现实复转换,抑制负频率成分的影响;利用迭代插值算法估计复信号的频率,重新构造参考信号并生成正交分量与复信号,并对复信号进行频率估计,得到精确的频率值。仿真实验表明:所提算法消除了负频率成分的影响,改善了抗噪性,提高了估计精度,使得频率估计的均方误差更接近于克拉美罗下限。此外,在LFMCW雷达上进行了实测实验,验证了所提算法的有效性。     

矩形窗三点插值傅里叶变换高精度频率估计方法

针对电力系统信号频率估计的高准确性要求,该文提出一种基于矩形窗的三点复频域插值频率估计方法。所提出的方法首先采用矩形窗对信号加权处理,然后进行离散傅里叶变换,最后选择离散频谱中幅度最大的三根谱线进行复频域插值,得到频率估计结果。该方法同时考虑离散频谱中的正、负频谱,消除短程和长程频谱泄漏对频率估计误差的影响。采用主瓣最窄的矩形窗进行加窗,能最大程度地减少白噪声对频率估计误差的影响。仿真和实验结果表明：在不同周期和噪声强度情况下,所提出的方法均可以实现对信号频率的准确估计。在与已有的加窗插值傅里叶变换方法相比,该文所提出的插值算法抗噪性更好、频率估计误差更小,适用于对电力系统信号频率的准确估计。     

基于长程泄漏补偿的迭代插值FFT方法及应用

针对传统频域插值傅里叶变换参数估计精度低的问题,在分析频谱泄漏产生原理基础上,提出适用于多频信号的高精度频域迭代插值方法。该方法先利用传统插值法估算信号各频率参数,然后利用信号的估计参数值计算泄漏补偿因子,并用补偿因子重新计算信号各频率参数,最后通过多次迭代实现所需的计算精度。通过对方法的估计结果进行噪声干扰敏感性分析、参数变化对估计精度影响及对方法敏感性分析结果表明,在噪声干扰与长程泄漏明显情况下,所提方法仍具最好估计精度及稳定性,且收敛速度快,可作为改进信号参数估值精度的可选方法。对IC芯片封装中引线键合过程数据处理与分析结果表明,所提方法能较好抑制长程泄漏影响,提高参数估计精度。     

一种激光多普勒信号的频率估计算法

分析了激光多普勒回波信号的特征,提出了一种激光多普勒信号的频率估计算法.用FFT(Fast Fourier Transform)技术求得信号的自相关函数,并由功率谱得到信号频率的粗估计,然后用粗估计值对自相关函数移频,并根据移频信号自相关函数在一点的相位,估计频偏,对粗估计进行频率校正得到频率估计值.在进行信号频率粗估计和求相位时,利用计算过程中得到的结果和FFT因子的对称性,减少运算量.仿真结果表明,本算法有较小的均方根误差和平均绝对误差,应用于激光多普勒测速实验,结果与仿真一致.     

机械振动信号自适应多尺度非线性动力学特征提取方法研究

针对机械振动信号的故障特征提取问题,提出了基于独立变分模态分解与多尺度非线性动力学参数的特征提取方法。①提出频谱循环相干系数选取匹配波形对机械振动信号进行端点延拓后再进行VMD分解得到不同频率尺度的IMF分量;②根据互相关准则选取有效的IMF分量进行核独立成分分析,分离出相互独立的有效故障特征频带分量;③计算各独立分量的复合多尺度模糊熵偏均值,并利用正交变换将独立分量正交化后构造多维超体,进而利用多维超体体积定义并计算信号的双测度分形维数,从而获得多尺度非线性动力学特征参数,实现机械故障诊断。仿真和实验结果表明:所提方法可有效抑制VMD分解的端点效应和模态混叠,信号分解效果好,特征参数分类精度高,极大地提高了机械故障诊断准确率。     

极低频信号的一种离散频谱校正新方法

对于振动工程中常见的极低频、极短时、极高频(接近奈奎斯特频率)等极端频率信号,常用的离散频谱分析与校正方法存在较大误差.对极端频率信号的典型情形进行了分析,针对极端频率信号中的极低频信号,提出了一种计及负频率成分干涉影响的离散频谱校正新方法.该方法基于Blackman窗,利用局部谱峰附近的三条谱线,建立包含正负频率贡献的离散频谱校正模型,通过对模型的求解获得频率、幅值和相位校正公式.采用频段内扫描的方式对频谱校正公式进行了仿真验证,结果表明所提方法有效降低了负频率成分的干涉影响,对极低频信号的频率、幅值和相位校正有较高的精度.     

音频无人机定位的时延估计模拟分析

针对无人机非平稳音频信号时差定位中,广义互相关时延估计算法抗噪性差和时延估计值精度低等问题,文章采用了一种基于广义二次相关时延估计的改进算法。算法对叠加了实际噪声（如风声、雨声、汽车鸣笛声等）的无人机音频信号进行频谱细化的广义二次相关,有效抑制了噪声干扰,融合相关峰精确插值算法,提高了互相关函数的分辨率,使得时延峰值更加明显。仿真实验结果表明,改进的广义二次相关方法在不同信噪比时,比广义互相关和广义二次相关算法的时延估计精度更高,稳定性更好。改进的广义二次相关算法对无人机定位中的时延估计具有更好的性能优势,具有较强的实际应用性。     

基于多分辨分析的时频分析

短时傅里叶变换由于采用固定宽度的时域窗，在缓变与瞬变信号共存的宽频带信号分析中，其时间与频率分辨力矛盾突出。采用Mallat算法的小波变换能够将信号正交分解成多尺度的信号分量，然而所提供的时频信息不很直观，难以识别其时频谱。通过对短时傅里叶变换和小波变换在时频分析中的优缺点分析，发现两者具有互补性。因此本文提出基于多分辨分析的短时傅里叶变换（取名为WAVSTFT），即采用Mallat算法将信号分解成多个尺度信号分量，再对各分量分别做与其尺度相适应的短时傅里叶变换，最后把得到的各时频谱在同一个不相平面上叠加，从而得到信号的总体时频构造。经理论分析与实例验证，该方法有效可行，为工程测试中的时频分析提供了一种有效的手段。     

水声信号多参量估计的PWVD改进方法

Pseudo Winger-Ville分布（PWVD）是处理非平稳信号的有力工具,因其具有较高的时频聚集性更适合于实时处理,且选择合适的窗函数可降低旁瓣大小,提高分辨率。传统的PWVD可以对信号瞬时频率进行无偏估计,但其频率分辨率和时间分辨率不能同时兼顾;提出了一种插值PWVD法可克服此不足,极大地减小了频谱泄漏的负面影响,有效提高了频率估计与时间估计的精度。仿真和实测数据的分析结果验证了插值PWVD法的可行性与有效性。     

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。     

频谱校正的复比值法

为了抑制快速傅立叶变换(FFT)栅栏效应,已经发展了多种幅值比校正法.但是研究发现:这种方法对于实信号在有些条件下,甚至会比从FFT离散谱线直接读出的误差更大.其原因是由于实信号中负频率成分对正频率谱峰的干扰.为了抑制这种干扰,给出了复比值校正方法和复合复比值法.前者直接利用复数频谱进行校正,后者根据前者在最高谱线与其左右相邻的谱线各校正出一个频率,然后对这两个频率加权平均.仿真算例表明:复比值法对负频率成分的干扰不敏感;而复合复比值法性能优于Quinn算法.     

角域AR谱技术在齿轮故障诊断中的应用

利用时频分布平面内信号能量峰脊与瞬时频率之间的对应关系,对信号瞬时频率进行估计;在此基础上利用代数方法求解鉴相时标积分方程,并对经插值重采样得到的角域信号进角域平均处理,提高了角域信号的信噪比;最后对角域信号进行AR建模实现信号的阶次谱分析。实际测试结果表明:采用角域AR谱技术处理齿轮箱非平稳振动信号,能够有效地避免传统频谱方法无法解决的"频率模糊"现象,克服了传统阶次谱分辨率较低,谱线毛糙,易受噪声及轴频调制影响等缺点,对齿轮箱的早期故障有较好的识别能力。     

基于广义解调时频分析和瞬时频率计算的阶次谱方法在齿轮故障诊断中的应用

针对齿轮启停过程中故障振动信号的调频特性,提出了基于广义解调时频分析和瞬时频率计算的阶次谱方法,并将其应用于齿轮瞬态信号的分析。广义解调时频分析是一种新的时频分析方法,它可以将多分量的信号分解为若干个瞬时频率具有物理意义的单分量信号,每个单分量信号可以是调幅-调频信号,因此非常适合处理多分量的调幅-调频信号。而当齿轮发生故障时,其启停过程中的振动信号就表现为多分量的调幅-调频特征。在基于广义解调时频分析和瞬时频率计算的阶次谱方法中,首先采用广义解调时频分析方法将齿轮瞬态信号分解为若干个单分量信号,然后计算各个分量的瞬时频率,再对其瞬时频率信号进行重采样,最后对重采样信号进行频谱分析得到阶次谱,从而提取齿轮振动信号的故障特征,判断齿轮的工作状态。仿真信号和实验信号的分析结果表明了该方法的有效性。     

矢量水听器阵时频MUSIC算法研究

时频MUSIC算法利用信号的时频分布构造空间时频分布矩阵,并用该矩阵代替传统的相关矩阵进行DOA估计,可以有效抑制噪声和干扰,提高算法的稳健性。时频子空间算法突破了传统子空间算法中阵元数对估计信号个数的限制,时频点包含了信号的时频空三维信息,通过时频点的选择可直接确定信号的频率从而确定阵列流型矩阵。对于宽带信号,在进行方位估计时避免了频域搜索,减少了运算量。将时频MUSIC算法应用于二维矢量水听器垂直线阵中,充分利用矢量水听器的标、矢量信息和信号的时、频信息进行宽带信号的二维波达方位估计。仿真研究验证了算法的有效性。     

基于EEMD和能量分离的风电机组传动系统的故障诊断方法

针对风力发电机传动系统故障发生时难以有效提取识别问题,提出基于EEMD分解和能量分离的故障诊断方法。对采集到的振动信号进行EEMD分解,根据峭度和相关系数选取包含故障最多且与原信号相关性较大的IMF分量;应用EEMD对信号进行分解,满足能量分离的要求。利用Teager能量算子对信号瞬时变化和精细时间分辨率的适应性,用能量分离算法估计选定的IMF分量的幅值包络和瞬时频率,用来进一步做Fourier变换,通过频谱分析实现故障的诊断与定位。风电机组的实验数据和现场实际运行数据证实了所提方法的准确性和有效性。该方法在风电场的实际工程中具有较高的应用价值。     

时频面上基于瞬频估计的信号提取方法

针对多分量非平稳信号的噪声抑制和信号分离问题,提出了一种新的时频滤波法.采用FMmlet自适应分解将被分析信号在时频空间内展开,得到无交叉项干扰、时频聚集性很强,且能反映信号的线性或非线性结构的时频特性的时频分布.根据时频面内能量脊与瞬时频率的对应关系,采用谱峰检测和时频加窗轮流迭代的方法,估计出信号分量的瞬时频率.在瞬时频率精确估计的基础上,设计适当的时频滤波函数,对被分析信号的Wigner-Ville分布(WVD)进行时频加窗处理,得到单分量信号的修正WVD,然后采用 WVD反变换进行信号分量的时域重构,达到从非平稳信号中分离有用分量的目的.理论分析和仿真实验表明,利用该方法从复杂非线性时变信号中提取出的信号分量失真度小.该方法在非平稳信号的深层特征提取中具有良好的应用前景.