ARMA模型盲辨识仿真研究及其在机械故障诊断中的应用

介绍一种新的基于高阶累积量的ARMA模型的递推盲辨识算法，并对ARMA模型的盲辨识方法进行了仿真研究，同时与常用的方法（残余时间序列法、q切片法、Newton法）进行了比较和分析。仿真结果表明，该算法具有良好的收敛性和准确性，运行速度快。特别是随着系统的阶次的增加，速度提高越明显。由于在计算中引入高阶累积量，因而该算法还可抑制高斯噪声的于扰。在此基础上，将该方法应用到机械故障诊断中，并进行实验研究，实验结果表明，该方法是有效的。     

适用于水声信道的新的盲均衡算法

由于时变水声信道的随机相位失真，常模算法（CMA）的误码性能将严重下降。在文献[1]中双模式盲均衡算法的基础上，提出了一种适用于水声信道的新的盲均衡算法（NCMA）。计算机仿真结果表明在时变水声信道中，该算法性能优于双模式算法，能够达到信号相位失真的恢复．并且收敛性能优于双模式算法。     

基于盲分离技术的双目标辨识与定位方法研究

研究了利用盲分离技术对水下目标辐射噪声信号进行辨识和定位，指出了在水声信号盲分离过程中。自然梯度算法具有不稳定收敛的不足，通过构建新的非线性函数和学习因子等。提出了自然梯度算法的改进方法，经实船信号的盲分离实验表明．该算法在稳定性方面有改进。在对目标信号盲分离的同时。估计了目标信号到达基阵的时延，完成了双目标的辨识与定位。     

基于小波分析的电力负荷数据研究

本文针对电力负荷短期预测问题,首先对原始异常数据进行小波多尺度分解,找出信号突变点,其次对模极大值点处小波分解系数进行重建,然后对异常数据进行修正,最后利用BP神经网络算法求得预测日电力负荷数据。     

基于多尺度Kalman数据融合滤波

本文通过分析基于小波变换的动态系统模型,提出一种基于小波多尺度的Kalman数据滤波方法,本文利用小波的多尺度特点,把初始估计序列多尺度分解,并在不同尺度层上进行Kalman滤波估计,再利用小波重构来融合各层的估计信息,把标准Kalman滤波只在单一尺度和时间轴上对状态估计值和误差协方差进行数据更新,改进为基于小波变换的尺度轴和时间轴上的双向数据更新,该算法将小波多尺度分解去噪和Kalman滤波相结合,对实际中含较强噪声的动态系统的状态估计效果较好.算法也可用于多分辨率多传感器数据融合.     

输入数据缺失情况下的OE模型辨识算法研究

针对辨识技术应用过程中出现的一类输入数据随机缺失时的辨识问题进行了研究。针对输出误差(OE)模型描述的一类系统,提出了一种模型辨识和缺失数据预测交互迭代的辨识算法。在模型辨识中采用了递推的辨识算法便于形成实时更新的在线辨识策略;而在缺失数据的预测过程中,利用小波降噪技术对预测数据进行适应性的滤波。仿真和分析表明,所提出的辨识算法对连续性输入数据缺失具有很强的鲁棒性;与没有小波技术参与的辨识算法相比,该算法具有较高的模型辨识精度和对缺失数据较好的预测能力。     

泄漏声振动传播信道辨识及其在泄漏点定位中的应用

在基于声振动信号处理的传统泄漏定位方法中,已知振动信号在被测管道中的传播速度是该类方法的应用前提,但在实际检测中发现,该声速很难准确获知。采用盲系统辨识方法估计泄漏信号传播信道响应函数,并从中提取源信号从漏点传播到采集点的时间信息,从而不依赖泄漏信号传播速度定位漏点。盲辨识中,采用O verlap-Save和相关函数配准原理构建代价函数,解决高阶信道估计和信道间的病态问题;采用遗传算法对多目标函数进行全局最优化,避免梯度算法收敛陷入局部最小点。应用表明,通过泄漏声振动传播信道辨识,在声速未知情况下,泄漏定位平均误差在1 m以内。     

基于小波神经网络的蒸汽发生器水位辨识与控制仿真

提出一种基于小波神经网络的控制方法，对蒸汽发生器水位进行控制仿真．该方法利用小波神经网络作为控制系统的辨识器和控制器来构成控制系统．小波神经网络辨识器能更准确逼近非线性对象。小波神经网络控制器能自适应产生最佳的控制规律．仿真结果表明，该方案具有响应快、超调量小、较强抑制干扰能力等良好性能．     

一种基于小波变换的多聚焦图像融合方法

提出了一种基于低频系数局部区域梯度信息的多分辨率图像融合方法。根据局部梯度信息对源图像的小波低频系数进行选择,获取融合图像的对应低频系数。依照平均误差、峰值信噪比、均方根误差以及偏差度、熵等评价标准,将该方法的多聚焦图像融合效果与其他三种常用低频系数融合方法的效果进行了比较。实验结果表明,该方法获得的大部分评价指标都优于其他三种方法,且其最佳小波分解层数为2层,而其他三种方法的最佳小波分解层数为5层。最佳小波分解层数越少,图像融合的计算量越小。该方法在减少计算量的同时,提高了融合质量。     

小波多辨率CT成像及处理算法

分析了小波变换进行低分辨率快速图像轮廓重构和局部区域精确重构的算法。在这种算法中，滤波器与小波有关，从而可由反投影得到各种小波图像。通过小波多尺度分析和小波系数控制，提出一种简单算法进行图像增强和噪声去除。与标准的算法相比，该算法提高了重建速度和图像精度。     

基于小波多分辨率分析的时变结构参数识别研究

提出一种小波多分辨率分析的最优尺度选择方法,并将其应用于结构时变物理参数的识别。首先,从函数空间剖分的角度引入WMRA对时变参数进行多分辨率近似展开,将振动微分方程转化成多元线性回归方程,根据时变参数的频率范围及采样频率、线性方程组的个数等确定分解层数取值范围;其次,利用赤池信息准则（AIC）寻求最优分解尺度,为增强数据的稳定性,采用正交最小二乘算法（OLS）代替传统最小二乘算法（LS）对模型中小波系数进行估计并重构时变参数;最后,分别以突变和连续变化的两种时变参数的5层剪切框架模型进行数值模拟。分析结果表明：在预先确立的分解尺度范围内,采用无噪声干扰的响应信号进行识别时,识别精度随着分解尺度的增加而增加;采用噪声干扰的测量信号进行识别时,识别精度与分解尺度的增加无必然联系;通过选择适当的分解尺度,能够准确识别时变参数、提高方法的计算效率并保证很好的抗噪性能。     

利用二阶循环平稳性的信道自适应盲辨识

提出了利用二阶循环平稳性信道盲辨识的自适应求解方法。通过递推更新循环相关函数,从而完成了循环相关矩阵的自适应估计。利用共轭梯度搜索的方法实现信道的自适应盲辨识,并讨论了梯度算法中步长选取的问题,提出了可变步长选取的方法。由于采用二阶循环统计量,因此算法既简单又可以很好的抑制平稳加性有色噪声。计算机仿真表明,在低信噪比情况下,自适应算法能很好的工作。     

线性时变系统的状态空间模型递推辨识研究

针对线性时变系统中状态空间模型的辨识问题,本文提出了一种新的模型参数矩阵的递推辨识格式。不同于常用的利用奇异值分解(SVD)或者最小二乘原理计算时变状态空间模型参数的方法,这种新的递推方法基于信号子空间投影原理,通过重新建立输入输出数据之间的关系,构建新的信号子空间矩阵,从而递推得到系统的时变状态空间模型参数。与现有的计算时变状态空间模型的方法相比,这种新的递推方法由于不需要进行SVD的计算,从而大幅的减少了计算时间。特别是当系统的阶次较高时,计算效率优势更为明显。在算例中将这种方法与经典的使用SVD的时变ERA(TV-ERA)方法从辨识结果和计算效率上进行了比较。仿真结果表明这种新的递推算法能有效辨识状态空间方程形式的线性时变系统的模型参数,和TV-ERA方法相比具有更高的计算效率。     

结构物理参数的分频段加权辨识

利用小波分析多分辨率分析原理,建立线性系统多尺度动力平衡方程。将外荷载和线性系统在荷载作用下的响应作正交小波变换,得到各频段的小波系数,由多尺度动力平衡方程建立系统的参数识别方程。在不同频段根据系统的信噪比大小确定不同的加权值,对结构物理参数进行加权最小二乘辨识。该方法能较大地提高结构物理参数的识别精度,并且识别精度随着小波分解层次的增加而增大。     

基于差分进化的时变信道最大似然估计算法

研究了隧道环境下的通信信道估计。针对隧道环境的地铁列车与轨旁设备之间无线通信中无线传输信道快速变化的特点,提出了一种采用元胞差分进化(DE)方法实时获取时变信道的有效信道长度的新型最大似然(ML)信道估计算法——DE-ML算法。仿真结果表明该算法在使用较少导频信息的情况下,通过差分进化方法有效估计跟踪有效信道长度,其估计性能优于最小二乘(LS)、线性最小均方误差(LMMSE)、传统ML等经典信道估计算法。该算法能在提高系统传输效率的同时显著提高算法的估计精度,尤其在高速移动情况下也具有了非常良好的性能。     

基于模型实时辨识自适应控制算法的时变机械系统振动主动控制

参数时变的现象广泛存在于机械系统。如果系统参数随着时间而发生较大变化,振动主动控制方案就需要考虑时变参数对控制算法的影响。针对动力学特性变化较大的时变机械系统振动,提出一种模型实时辨识自适应控制算法,该算法将传统的滤波自适应算法与递归预测误差方法相结合,利用改变梯度的递归预测误差方法实时估计控制通道模型。建立弹簧质量支承的非均匀截面杆纵向振动时域模型,模型中随时间而变化的弹簧刚度导致模型动力学特性发生较大变化。用模型实时辨识自适应控制算法对建立的杆模型进行振动控制数值仿真,仿真结果表明,所提出的控制算法能有效抑制时变系统的窄带和宽带振动。相对于现有的方法,该控制算法能实现更好的控制性能。最后,将所提出的控制算法应用到时变的摇摆系统振动控制,实验结果验证了所提出控制算法的可行性和有效性。     

基于卡尔曼滤波的时变水声信道估计

为了能同时利用时变水声信道的簇状稀疏特性和时间相关性,构造了一种时变水声信道模型,并基于该模型对传统的卡尔曼滤波压缩感知算法进行改进。该方法主要利用前一时刻估计的信道状态响应来确定当前时刻信道的候选支撑集,并以此构造时变水声信道的状态转移方程。通过卡尔曼滤波迭代的方法计算候选支撑集上的系数,最后通过阈值法滤除误差原子。仿真结果表明：该方法能有效地利用水声信道间的时间相关性来提高信道估计的性能,同时由于水声信道存在簇状稀疏特性,因此经该方法也具有一定的鲁棒性。     

基于时变NARMA模型的非线性时变系统辨识

在非线性自回归滑动平均模型NARMA(Nonlinear Auto Regressive Moving Average)中引入时间变量,将其扩展为时变NARMA模型,用Taylor展开将模型中的非线性函数展开为关于输入输出的多项式,得到关于参数线性时变的多项式形式的时变NARMA模型,再用基序列拟合模型的时变参数得到关于参数线性时不变的模型,最后用递推最小二乘法估计模型参数。仿真算例证明,与小波网络方法相比,辨识精度高,计算量小。     

基于EEMD-SCBSS的岩石声发射信号去噪方法

针对岩石声发射(AE)信号的低信噪比、随机性强、非平稳性等特点,提出了一种基于总体经验模态(EEMD)及单通道盲源分离(SCBSS)的AE信号滤波方法。将含有背景噪声的AE信号进行EEMD分解,得到一系列按频率从高到低排列的本征模函数(IMF);提取高频背景噪声信号与观测信号构建虚拟多通道观测信号;利用快速不动点优化算法(FastICA)对构建的虚拟多通道观测信号进行盲源分离(BSS),进而得到滤波后的AE信号。通过构造含噪声AE信号进行数值仿真实验及实测数据分析,将基于EEMD及SCBSS滤波方法与小波阈值滤波方法进行比较。实验结果表明:小波阈值滤波方法会导致滤波后的AE信号频域信息失真,影响滤波后的AE信号上升时间,能量等参数识别;该方法可以对含噪声AE信号进行有效地滤波处理,能够较好地滤除AE信号中的非平稳随机噪声,并且能够保护滤波后的AE信号频域信息。     

基于频域导频时域处理的OFDM系统信道估计算法

针对正交频分复用(OFDM)系统,提出了一种适用于时变信道的信道估计算法。该方法利用频域导频,经离散傅立叶变换(DFT),获得的信道冲击响应等效于利用频域导频对应的时域序列和接收信号进行循环相关获得的信道冲击响应。因此,避免了在时域采用复杂的循环相关运算。同时,通过消除频域导频时域序列的自相关误差,能有效降低由DFT谱泄漏导致的信道估计误差。仿真和分析表明,在时变多径衰落信道下,提出的信道估计方法的性能比传统的基于DFT的算法和频域维纳滤波算法有明显提高。