基于EEMD的地声信号单通道盲源分离算法

针对只有一个观测通道时,基于矩阵运算的盲源分离算法将会失效的问题,提出一种适用于单观测通道的地声信号盲源分离方法.首先采用总体经验模态分解方法将观测信号分解为固有模态矩阵,使单通道的欠定问题转化为多通道的正定问题,再利用已有的盲源分离算法进行分离.仿真实验说明该方法可以抑制宽频及瞬态干扰,有效地提取源信号,而且对频带有...     

调制故障源信号盲分离的经验模态分解法

针对非线性、非稳态、含噪原始信号混合且混合信号数目小于源信号数目的旋转机械调制故障源信号盲分离问题，提出了一种基于经验模态分解(EMD)和主成分分析(PCA)相结合的方法.对混合信号进行经验模态分解提取嵌入在信号中的所有振荡模式，应用主成分分析方法对所提取的模式进行共性分析，得到模式中的主要成分.利用该方法对仿真数据和两通道滚动轴承加速度振动数据进行了分析，结果表明，该方法能够有效突出旋转机械的故障特征频率成分，避免了误诊断，且适用范围优于独立分量分析方法.     

AWGN信道中盲源分离的时频联合两步消噪预处理方案

针对加性高斯白噪声AWGN环境下盲源分离算法的性能随信噪比降低而大幅下降的难点问题,借助于经验模态分解和小波变换2种时频分析方法,并对其消噪性能进行优势互补,采用"粗消噪-细消噪"的两步化思想,提出一种应用于盲源分离的时频联合两步消噪预处理方案.仿真试验与其他算法进行对比,证明了新的噪声预处理方案可以更有效地降低观测信号中的加性噪声,使盲源分离算法工作在更宽的信噪比范围内提高算法的鲁棒性,并说明了算法对通信信号具有数据延拓的必要性.     

基于EEMD和FastICA的单通道背景声舱音盲源分离

针对单通道信号盲源分离(blind source separation,BSS)模型的极端欠定问题,提出利用总体经验模态分解(ensemble empirical mode decomposition,EEMD)将单通道混合信号分解成多个瞬时频率本征模态函数(intrinsic mode function,IMF)分量...     

基于EEPS-BSS算法的脑深部诱发电位提取

脑深部诱发电位对探究神经刺激器治疗疾病的工作机理起着重要作用.为解决临床治疗中采集电极数少于源信号数而产生的欠定盲源分离问题,提出了一种在欠定情况下不需利用先验知识的改进盲源分离法.针对单路脑深部诱发电位的提取,仅利用经验模态分解对观测信号进行分层处理,以一定的规则重构信号来扩展观测信号数目,进而进行分离.仿真与实测数据表明:该方法能实现从低信噪比的单路信号中有效提取微弱诱发电位,分离后各输出信号间的互相关系数较分离前大幅下降,从而证实了该算法提取诱发电位的有效性.     

基于经验模态分解的旋转机械故障信号去噪源分离

针对旋转机械故障诊断中信号源不足的问题,综合经验模态分解(EMD)、主成量分析(PCA)和去噪源分离(DSS)各自的优点,提出一种基于EMD和PCA的欠定去噪源分离方法(EMD-PCA-DSS)。首先通过EMD求出本征模函数(IMF),进而重组IMF分量和原观测信号作为新的观测信号,解决了盲源分离(BSS)中源信号数据不足的问题。然后,通过PCA估计观测信号的源数,利用DSS估计出源信号。将该方法应用于某转子的实测故障信号分析中,诊断出转子发生了不平衡故障,表明该方法在旋转机械故障诊断中的有效性,这对于机械设备的状态监测和故障诊断具有重要的工程意义。     

基于摄像测量法的在轨柔性结构模态参数辨识

针对在轨传感器布置困难的问题,提出一种利用数字摄像测量技术对在轨大型柔性结构进行模态参数辨识的方法。阐述了三维动态重构技术、相机标定算法和像素点特征提取算法原理。利用一类柔性星载天线模型进行了地面试验,采用高速数字摄像机记录模型的自由振动响应过程,并从采集的图像序列中提取给定测点的位移振动数据,通过特征系统实现法（ ERA）辨识星载天线模型的前5阶固有频率、阻尼比等模态参数。结果表明,数字摄像测量方法可以在满足在轨测试设备简单要求的同时,有效地辨识柔性天线的在轨模态参数。     

基于VMD-PARAFAC的轴承故障欠定盲源分离

针对传统的轴承故障欠定盲源分离方法需要施加约束的问题,提出了一种基于变分模态分解(variational mode decomposition,VMD)和平行因子(parallel factor,PARAFAC)分析的欠定盲源分离方法.利用VMD算法将振动信号分解为多个带限本征模态函数(band-limited intrinsic mode functions,BLIM Fs),将这些BLIM Fs构造成三阶张量作为PARAFAC模型的输入,利用三线性交替最小二乘算法对模型分解,从而在宽松条件下实现复合故障信号的分离.仿真和实验结果表明,提出的方法是有效的,与传统的故障盲源分离方法比较,提出的方法在多故障盲源分离中更具有适应性和实用性.     

一种基于AR模型的非线性盲源提取方法及其应用

针对非线性盲源分离中非线性问题转化为线性问题,提出了一种基于AR模型的新方法。该方法在已知源信号的AR模型前提下,不但能够处理源信号的分离问题,还能够提取特定源信号,而后者是原来方法不具备的。从语音信号的非线性混合中提取源信号的仿真实验证实了该算法的有效性。     

基于门控循环单元与误差修正的短期负荷预测

针对负荷预测模型迭代训练过程中存在误差积累的问题,提出结合叠式双向门控循环单元（SBiGRU）、完整自适应噪声集成经验模态分解（CEEMDAN）和误差修正的组合预测模型. 建立SBiGRU模型学习在气温、日期类型影响下负荷序列的时序特征,误差特征体现在SBiGRU模型预测产生的误差序列中;使用CEEMDAN算法将误差序列分解为数个本征模态函数（IMF）分量与趋势分量,对每项分量再次建立SBiGRU模型进行学习与预测,并对各分量的预测值进行序列重构,得到误差的预测结果;对预测结果进行求和以修正误差. 模型评估结果表明,组合模型的预测准确精度为98.86%,与SBiGRU、BiRNN、支持向量回归等方法相比,该模型具有更好的精度.     

基于视觉的机器人轨迹误差测量技术

提出了一种基于视觉的机器人轨迹精度测量系统,该系统以计算机视觉为基础,结合激光测量等技术,可实时测量机器人的运动轨迹误差,完成了高精度图像快速采集与处理、系统标定、三维计算及计算结果可视化等关键技术研究及系统研制工作,并在机器人上进行了实验,大量的实验表明,该系统的测量精度和速度均可满足机器人的轨迹测量的需要。     

数控机床运动误差源识别技术的研究

以典型误差源引起的数控机床运动误差的数学模型作为被识别运动误差的标准模式类别，提出了用基于统计Ｂａｙｅｓ分类器的相关特征识别法和基于人工神经网络分类器的识别法来进行数控机床运动误差源的识别，并用计算机数值仿真结果验证了这些方法的有效和准确性，最后给出一个识别实例．     

误差分离技术测量线轮廓度误差仿真计算

研究了在数控加工中利用误差分离技术测量线轮廓度误差的新方法,在推导数学模型基础上进行计算机仿真。仿真结果表明误差分离技术应用于线轮廓度误差测量是可靠的,这为数控加工中进行在线测量进而补偿加工提供了基础。     

单目视觉坐标测量方法

为了解决现代化生产中对高精度、大尺寸、三维整体现场在线测量技术的需求问题,提出了一种基于光学测头成像的单目视觉坐标测量方法。该方法以光学测头上的光学特征点作为成像目标,利用单个摄像机获取测量信息。测量过程中,通过分析光学测头上光学特征点的二维成像坐标,利用特征点之间已知的几何约束知识和摄像机的透视投影模型,建立特征点与对应像点的求解关系。通过基于奇异值分解的位姿优化算法确定特征点的空间位置坐标。根据特征点与测尖间已知的位置约束关系确定被测点的空间坐标,从而实现坐标测量目的。测试实验结果表明,该方法切实可行,系统的测量不确定度小于0.32mm。     

基于EEMD-SVD-PE的轨道波磨趋势项提取

钢轨波磨检测是保障行车安全的重要手段,针对复杂钢轨线路波磨数据中的轨道起伏趋势提取问题,提出了一种基于排列组合熵(Permutation Entropy, PE)选取低复杂度奇异值分量重构趋势的EEMD-SVD信号去趋方法.相比已有的经验模式分解去趋算法,该方法考虑到原始IMF可能存在的信号成分混杂问题(如含有白噪声与信号的低频成分),首次提出通过奇异值分解来精确提取隐藏在多维IMF矩阵中的趋势项成分作为奇异值分量.由于协方差矩阵构建的奇异值分量排列时只考虑了能量的分布而未考虑趋势项信号低复杂度、高幅的特点,使用排列组合熵来选出符合趋势项特征的奇异值分量,最后对满足要求的奇异值分量进行重建得到最终的趋势项.为验证本文方法的有效性,分别进行了数字仿真和实际钢轨波磨数据去趋实验.数字仿真实验结果表明该方法整体去趋性能优于低通滤波法、与EMD结合的线性规划法和小波分解法,尤其在多信噪比的仿真实验中,当信噪比较低时,提趋准确率最大提高约30%.同时,实际钢轨波磨数据去趋实验说明本文方法能够适用于钢轨波磨检测.     

滚珠螺母的机器视觉检测

提出了基于机器视觉检测技术的滚珠丝杠副螺母的非接触测量方法。将用A102FCCD数字摄像头采集的图像经过IEEE1394数字接口卡传输到计算机。对原始数字图像实施预处理、二值化、轮廓提取及细化等处理后,将图像信息转变成宏观图形信息。在尺寸测量时,借助于图像处理中提取的边界,使用自编程序测量和计算螺母的螺距、珠心径、球面度误差、圆柱度误差及滚道锥度,其测量误差分别为0.001、0.023、0.010、0.016及0.006 mm。分析了误差产生的原因,指出光学误差是影响测量精度的主要因素。测量结果满足产品的技术要求。理论分析及实验结果表明了该方法正确可行。