基于奇异值分解的信号特征提取方法研究

奇异值反映了信号中有用信号和噪声的能量分布情况,通过奇异值分解可以将隐含在噪声中的特征信号提取出来。本文提出了在强背景噪声中基于奇异值分解的特征提取方法。研究发现,随着信号信噪比的降低,奇异值的分布趋于直线,特征信号难以分离和提取。通过增加奇异值分解阶次,可以使反映噪声能量的奇异值的分布范围扩大,使得噪声的能量相对分散,凸显出了反映有用信号能量的奇异值,从而有利于特征信号的提取。仿真试验和故障分析实例都验证了该方法的可行性。     

基于奇异熵的钢球表面缺陷特征提取研究

为评价钢球表面缺陷,应用小波分析、奇异值分解和信息熵相结合的方法提取钢球表面特征,基于奇异熵定义钢球表面图像特征参数,计算4种典型钢球表面缺陷图像的特征参数.结果表明:特征参数能反映图像的纹理特征,钢球表面损伤愈大,纹理愈复杂,其特征参数也愈大,特征参数可用于钢球表面缺陷的识别.     

基于改进奇异值分解技术的齿轮调制故障特征提取

在介绍现有奇异值分离技术基本原理及其在故障诊断中的应用的基础上,研究了信号时间序列重构的吸引子轨迹矩阵奇异值分布与信号特征的关系,引入了自相关分析及信号叠加技术,改进了现有算法,使得吸引子轨迹矩阵的重构科学合理。研究表明：该方法能在强噪声背景下提取出所需的调制信号,并成功用于实测齿轮调制故障信号的提取,为齿轮箱故障诊断提供了一个新的思路。     

一种基于奇异值分解的自适应降噪方法

根据信号处理基本理论和方法．针对奇异值分解方法中有关的Hankel矩阵有效秩难以确定的难题,提出了一种奇异值分解方法,即主分量分解方法．并通过试验数据进行了验证。仿真信号和海上实录信号的降噪实验研究表明．提出的方法比基本的LMS滤波和奇异值分解降噪效果更加优越,能有效提高信噪比并去除噪声。     

探测信号中周期性冲击分量的奇异值分解技术

机械设备振动信号中是否存在周期性的冲击分量是其有无故障的重要标志。通常检测的机械振动加速度信号 ,由于信噪比太低 ,即使存在周期性的冲击分量也往往被淹没在强的背景噪声之中。通过时域波形和频谱等基本分析手段来探测振动加速度信号中的周期性冲击分量往往是困难的。本文在总结基于奇异值分解的信号周期分量探测原理的基础上 ,针对现有信号奇异值分解技术存在的问题 ,对信号奇异值分解矩阵的构造方法作了重大改进。通过应用实例显示 ,用改进后的信号奇异值分解技术探测振动加速度信号中的周期性冲击分量是可行的     

基于奇异值分解的数字图像的特征提取

特征提取是图像识别过程中的重要的一部分,本文利用奇异值分解这种有效的代数特征提取方法,获得图像的有效特征描述,把同一类图像集中的各幅图像的信息矩阵的奇异值向量作为矩阵中的一列构成图像特征矩阵,求出图像类间离散度矩阵和图像类内离散度矩阵,比较它们的相似程度,最终获得有用和有效的特征。     

基于奇异值分解的数字图像的特征提取

特征提取是图像识别过程中的重要的一部分,本文利用奇异值分解这种有效的代数特征提取方法,获得图像的有效特征描述,把同一类图像集中的各幅图像的信息矩阵的奇异值向量作为矩阵中的一列构成图像特征矩阵,求出图像类间离散度矩阵和图像类内离散度矩阵,比较它们的相似程度,最终获得有用和有效的特征.     

基于改进奇异值分解和经验模式分解的滚动轴承早期微弱故障特征提取

针对滚动轴承早期微弱故障特征难以提取的问题,提出了改进奇异值分解(SVD)和经验模式分解(EMD)的滚动轴承早期微弱故障特征提取方法。首先用多分辨奇异值分解将信号分成具有不同分辨率的近似和细节信号,然后对近似信号用奇异值差分谱进行消噪,对消噪后的信号进行经验模态分解,将得到的各本征模函数分量进行希尔伯特包络解调,从而获得滚动轴承故障特征信息,最后通过对滚动轴承早期内圈故障的诊断实验证明了该方法的有效性     

一种确定奇异值分解降噪有效秩阶次的改进方法

提出了一种基于奇异值差分谱单边极大值的降噪方法,实现了对旋转设备故障信号信噪比的提高。首先通过相空间重构Hankel矩阵的方法对原始振动信号进行处理,再进行奇异值分解,最后采用奇异值差分谱单边极大值原则确定所含的较大峰值降噪阶数。通过数值仿真和实际轴承故障数据的应用分析,表明了该方法可以有效地提高信号的信噪比,为后期的故障特征信号提取创造有利条件。     

一种奇异值分解数字水印算法的研究

提出了一种可用于印刷品防伪的数字水印算法。将二值条码作为水印,嵌入到原始图像的奇异值分解的S分量。结合人类视觉系统（HVS）的视觉掩蔽特性,根据图像的块均匀度决定水印嵌入的强度,使嵌入的水印强度能够自适应于原始图像。水印提取时,利用Radon变换对待检测图像进行校正,并且根据二值条码的特性对提取出的水印图像进行了修正。实验结果表明,算法对一些常见的图像处理和几何攻击具有良好的鲁棒性。     

S变换在水下目标分类识别中的应用

目标特征提取是目标识别的重要部分。介绍了一种较新的时频分析方法——S变换,对莱蒙湖底四类沉积物的反射回波进行S变换,并提出了提取变换后以频谱图的时间能量谱和奇异值为特征的特征提取方法,分析了四类回波的时间能量谱和奇异值特征的差异,并进一步用距离可分性测度检验了所提取的特征性能。最后利用最近邻分类器分类,仿真结果显示,该特征提取方法是一种有效的、稳定的特征提取方法,将在水下目标识别领域有更多的应用。     

动态测试数据中坏点处理的一种新方法--绝对均值法及应用研究

本文简要介绍了剔除坏点数据的几种经典方法，并对动态测试中数字时序信号的坏点剔除方法进行了探讨。根据动态测试中数字时序信号的特点提出了一种剔除坏点的新方法——绝对均值法，并给出了绝对均值法中阀值形确定的范围。作者采用绝对均值法和莱因达（PaЙTa）法分别对三组实测数据进行坏点数据的剔除处理，对处理结果的分析对比表明运用绝对均值法剔除动态测试数据中的坏点数据比莱因达法效果更好。     

基于ITD-SVD和MOMEDA的故障特征提取方法

为提高滚动轴承故障诊断的准确性,提出一种基于固有时间尺度分解(ITD)、奇异值分解(SVD)和多点最优最小熵反褶积(MOMEDA)相结合的故障特征提取方法。首先,采用ITD分解故障振动信号,并构建基于峭度和相关系数的组合权重指标筛选准则,从而完成分量信号的筛选与重构。其次,对其进行SVD滤波降噪。最后,利用MOMEDA提取降噪后信号中的周期性冲击成分,并通过Hilbert包络谱分析得到诊断结果。经过实验数据分析,结果表明所提出的方法不仅能滤除噪声干扰,增强故障特征信息,而且能准确提取出故障特征。     

基于EMD分解和奇异值差分谱理论的轴承故障诊断方法

针对故障轴承振动信号中含有强烈的背景噪声,难以提取故障频率的现实情况,提出了基于经验模态分解(Empirical Mode Decomposition,EMD)和奇异值差分谱的轴承故障诊断方法.首先通过EMD方法将非平稳的原始轴承振动信号分解成若干个平稳的本征模函数(Intrinsic Mode Function,IMF);由于背景噪声的影响,从各个IMF的频谱中难以准确地得到故障频率.对IMF分量构建Hankel矩阵并进行奇异值分解,进一步找到奇异值差分谱,根据奇异值差分谱理论对某个IMF分量进行消噪和重构,然后再求其频谱,便能准确地得到故障频率.实验结果表明,提出的方法能有效地应用于轴承的故障诊断.     

RS-LOD方法及其在旋转机械故障特征提取中的应用

局部波动特征分解(LOD)方法是一种新的自适应时频分析方法。该方法通过采用微分、坐标域变换、分段线性变换三种运算,可以高效地将信号自适应分解为一系列的单一波动分量(MOC),非常适合于处理多分量信号。然而,由于分段线性变换的使用,虽可以显著提高算法的计算效率,但会使MOC分量缺乏光滑性,从而导致失真。对此,将样条曲线形状可调可控的有理样条函数引入LOD方法替代分段线性变换,提出了基于有理样条函数的局部波动特征分解(RS-LOD)方法。在详细阐述RS-LOD分解原理的基础上,通过仿真信号将RS-LOD、LOD和经验模态分解(EMD)进行了对比分析,结果表明RS-LOD方法可以明显改善原LOD方法中MOC分量光滑度差的问题。此外,针对旋转机械故障振动信号的多分量调制特点,将RS-LOD方法应用于旋转机械的故障特征提取,对滚动轴承和齿轮箱故障振动信号的分析结果表明,RS-LOD方法可以有效地提取旋转机械振动信号的故障特征。     

一种抑制EMD端点效应新方法及其在信号特征提取中的应用

经验模式分解(EMD)的端点效应一直是困扰其工程实用性的难点问题,结合端点效应产生机理和现有的研究成果,提出了一种基于端点优化对称延拓(End Optimization Symmetric Extension,EOSE)的抑制EMD端点效应新方法.通过对信号和其包络线的偏差评价函数的最小化计算,获取最佳的信号端点值,在此基础上延拓信号的上、下包络线将最大化地逼近原始信号两端点,在EMD后续"筛选"固有模态分量(IMF)过程中抛弃两端延拓的数据,将端点效应释放到原始信号的以外.将原EMD、基于EOSE改进EMD和基于时间序列建模(ARMA)改进EMD3种方法进行对比分析,仿真和实验结果表明,基于EOSE方法抑制EMD端点效应的效果最好,能够精确提取出旋转机械振动信号的典型故障特征,运算效率较高.     

Optimal placement of piezoelectric actuators on plate structures for active vibration control via modified control matrix and singular value decomposition approach using modified heuristic genetic algorithm

The present work deals with the optimal placement of piezoelectric actuators on a thin plate using modified control matrix and singular value decomposition (MCSVD) approach. The MCSVD is considered as the fitness function and optimal positions of the actuators are obtained by maximizing it with MHGA (modified heuristic genetic algorithm). Vibration suppression has been studied for simply supported plate with piezoelectric patches in optimal positions to suppress first specified modes using LQR (linear quadratic regulator) controller. It is observed that the positions of patches obtained with this approach give greater vibration suppression, reduced computational requirements, and provide global optimum solution only.