高阶统计量在心音信号检测与分析中的应用

介绍一种心音信号检测系统和采用高阶统计量对信号进行分析的方法，首先根据心音信号的特点，讨论了信号检测系统的结构，在信号处理方面，采用现代谱估计方法对心音信号进行谱分析，在此基础上提出应用双谱技术分析心音信号，检测信号的相位耦合信息，进而说明利用高阶统计量能够在高斯噪声背景下大大提高信号检测能力，最后，给出心音信号的双谱估计结果，从中可以得到一般功率谱分析无法得到的有关信息，为心音信号的自动分类提供     

基于自适应低秩稀疏分解的超声缺陷回波检测方法

超声无损探伤在金属材料微小缺陷检测中有着广泛的应用,但采集的回波信号通常受到噪声干扰甚至完全被噪声掩盖,为了辨别被噪声干扰的缺陷反射信号,提出了一种基于自适应低秩矩阵分解的超声缺陷回波检测方法。首先对原信号进行短时傅里叶变换并提取幅度谱和相位谱,引入基于误差重建的背景矩阵秩估计方法,用于估计低秩稀疏分解所需的低秩度参数。然后通过低秩稀疏分解将幅度谱分解为低秩、稀疏和噪声三部分,舍弃噪声部分。最后使用时频掩蔽分离出缺陷信号幅度谱并运用逆短时傅里叶变换获得回波信号。应用本文提出的方法分别对仿真和实测信号进行处理,结果表明本方法在缺陷回波检测方面是有效的。     

超宽带探地雷达目标回波信号特征提取与材质识别

基于探地雷达信号传输机理,建立了超宽带探地雷达宽带回波模型,揭示了多谱分量对目标回波信号特征提取与材质识别的影响。超宽带探地雷达由于回波信号信息丰富的特点,特征向量的选取成为目标识别的关键。利用子波变换在宽相关处理中的应用,对回波信号进行滤波和典型数据提取。提取纵向和横向典型数据用于目标形状识别;提取回波道数据进行Welch功率谱分析,用于目标材质识别。     

超声信号的非线性行为及应用

超声波检测技术广泛地应用于材料与设备的无损检测中.而表征材料与设备性能和缺陷信息的超声回波信号由于与传输介质、缺陷相互作用,再加上各信道中不同种类的噪声介入,变得非常复杂.充分理解和认识超声信号中的非线性行为,对材料和缺陷检测与评估有重要意义.本文以海底管道检测为背景,以缺陷的脉冲超声回波信号为研究对象,通过替代数据法和统计特征量方法,从时域的角度检验了超声信号中的非线性行为特性.通过大量的试验数据分析表明,超声信号中存在明显的非线性行为,而且这种非线性不是由测量过程中测量函数引起,而是由系统本身产生的,即由超声波与目标体相互作用而产生.论文还就超声信号中蕴涵的非线性特征的应用和前景进行了分析和展望.为更深入地认识和利用这些超声信号提供了一种手段.     

小波多分辨分析在超声回波信号去噪中的应用

在超声回波信号检测过程中，如何进行降噪处理一直是信号处理研究的焦点之一。该文应用具有优良的时频局部化能力的小波多分辨分析技术对回波信号作降噪处理，提取出材料缺陷处超声回波的主要特征信号。通过选取合适的分解和重构滤波器组，在有救提高信号的信噪比的同时也保持了良好的分辨率，从而实现缺陷识别和定位。在仿真实验中基于MATLAB环境对实际测量得到的超声回波信号进行噪声信号处理及特征提取，仿真结果证明了小波多分辨分析应用于超声回波信号降噪处理的有效性。     

小波分析在管道缺陷超声检测中的应用

在管道缺陷超声无损检测中，作为检测基本数据的脉冲反射回波信号受到电子噪声(包括热噪声和量化噪声)和结构噪声的干扰，使材料的缺陷信号变得难以识别。小波变换借助于时．频局部分析特性，已成为现代信号处理中的一种重要方法。在阐述小波变换基本原理的基础上，研究了管道超声缺陷信号的小波分解与重构。利用此方法对超声信号进行分析，可方便地识别是否存在缺陷以及缺陷的位置。     

基于小波包及小波神经网络的光纤熔接缺陷模式识别

介绍光纤熔接缺陷的识别在光纤通信中的重要意义。应用超声波探伤仪系统对光纤熔接点进行检测,针对缺陷信号特点提出利用小波包分析提取缺陷特征值和应用小波神经网络进行模式识别的方法,实现了从检测到的超声信号中提取出反映缺陷性质的相关信息,并通过这些信息对其进行分析,建立网络模型以实现缺陷定性识别。实验结果表明,小波包分析充分利用了缺陷回波信号的时域、频域信息,将频带进行多层次划分,对多分辨分析没有细分的高频部分进一步分解,并能够根据被分析信号的特征,自适应地选择相应频带,使之与信号频谱相匹配,从而提高了时一频分辨率,而小波神经网络良好的局部放大特性和多分辨率学习特性使缺陷的定性分类获得了较高的准确率。     

高斯带通滤波器的设计及其在管道超声检测中的应用

本文分析了本文分析了由超声换能器,耦合剂,石油管道组成超声检测系统,得出了超声回波信号的数学模型,依据超声回波信号的数学模型,并利用最大信噪比原理设计出高斯带通滤波器,应用所设计的高斯带通滤波器对超声信号处理,大大提高了信噪比,有效的提取出缺陷信息。滤波后超声回波的包络的峰值对应着各个回波到达的时间。     

基于ANSYS的圆柱体超声检测仿真技术研究

金属材料在各个领域的应用日趋广泛,但是其内部缺陷常会导致产品不能正常使用,甚至引起重大的安全隐患,因此对构件内部缺陷检测并识别日趋重要.本文同时采用有限元和实验两种手段对均匀介质中的缺陷检测进行研究.首先,以中心圆孔为内部缺陷的铝圆柱体作为研究对象,采用探头垂直入射的水浸式超声检测方法进行研究,通过实验获得缺陷回波信号.其次,为对比实验检测结果,引入有限元分析软件ANSYS,对声波传播进行仿真计算并获得缺陷回波信号.对所获得的缺陷回波信号进行频域处理,对比实验及有限元两种方法所获得的频谱图.结果表明,有限元仿真结果与实验结果基本一致,可从缺陷回波信号的频谱图看出缺陷的形状以及大小不一样.     

基于MOMEDA与双谱分析的滚动轴承早期故障诊断

滚动轴承早期故障阶段,故障特征微弱且环境噪声干扰严重,采集数据包含大量噪声信息,传统的包络谱分析难以提取故障特征信息。双谱分析理论上可以抑制高斯噪声,但很难从强背景噪声下提取出微弱故障特征。而多点最优调整的最小熵解卷积（Multipoint Optimal Minimum Entropy Deconvolution Adjusted,MOMEDA）方法能增强信号中的冲击特征,但其效果和故障信号周期区间等参数有关。利用MOMEDA与双谱分析进行信号处理,将提取到的信号高阶谱特征作为滚动轴承早期故障分类依据。利用MOMEDA方法对采集信号进行滤波处理,提取出有冲击特征的时域信号;对特征增强的信号进行双谱分析,从高阶谱中提取故障特征。经过仿真信号分析和实际轴承故障信号验证,该方法能有效地提取出滚动轴承早期故障特征,实现故障诊断。     

短丝纤维卷绕牵伸齿轮箱故障信号的图像特征提取方法

针对短丝纤维卷绕牵伸齿轮箱故障信号不易提取的问题,提出了基于图像纹理信息的特征提取方法。通过对齿轮箱振动信号进行小波包双谱分析,获得具有稳定纹理信息的振动信号双谱图,采用基于小波变换对双谱图进行图像融合,提高图像的综合纹理特征。采用灰度共生矩阵的四个特征参数对振动信号的双谱图进行加权融合特征提取。在短丝生产线上对齿轮箱常见的齿轮破损和裂纹进行了实验分析,结果表明本文方法的故障识别率达到85%以上。     

Prediction of paroxysmal atrial fibrillation based on non-linear analysis and spectrum and bispectrum features of the heart rate variability signal

In this paper, an effective paroxysmal atrial fibrillation (PAF) prediction algorithm is presented, which is based on analysis of the heart rate variability (HRV) signal. The proposed method consists of a preprocessing step for QRS detection and HRV signal extraction. In the next step, several features which can be used as markers for the prediction of PAF are extracted from the HRV signal. These features consist of spectrum features, bispectrum features, and non-linear features including sample entropy and Poincaré plot-extracted features. The spectrum features are able to discriminate the sympathetic and parasympathetic contents of the HRV signal, which are affected before PAF attacks. The bispectrum features are used in order to reveal information not presented on the spectral domain, and to detect quadratic phase coupled harmonics arising from non-linearities of the HRV signal. Moreover, the non-linear analysis can map the heart rate irregularities in the feature space and it leads to better understanding of the system dynamics before PAF attacks. In the final step, a support vector machine (SVM)-based classifier has been used for PAF prediction. The performance of the proposed method in prediction of PAF episodes was evaluated using the Atrial Fibrillation Prediction Database (AFPDB). The obtained sensitivity, specificity, and positive predictivity were 96.30%, 93.10%, and 92.86%, respectively. The proposed methodology presents better results than the other existing approaches. The other important advantage of the proposed method when compared to the other approaches is that we do not need the both records of a subject to specify which episode preceding PAF events.     

基于形状标记和双谱分析的图像形状特征提取

针对严重滑动磨粒、疲劳剥块和层状磨粒等磨粒的图像识别问题, 提出了基于形状标记和双谱分析的图像形状特征提取方法. 首先根据中心距离函数、累积角函数、最远点距离函数和三角形区域表示等4种形状标记方法, 将二维磨粒图像转换为一维信号表示; 然后对一维信号进行双谱分析, 得到形状的归一化双谱; 最后在归一化双谱域内, 根据双谱积分和双谱矩计算双谱不变量, 得到图像的76维形状特征, 涵盖了形状的整体特征、角度变化信息、角点信息和轮廓细节信息等. 为了有效评价所提方法的有效性, 在MPEG-7 CE Shape-1 Part B数据集和Swedish leaf数据集上进行了形状识别能力实验与抗噪声能力实验. 实验结果表明, 所提方法能够有效提高双谱分析用于形状识别时的识别准确率和抗噪声能力.     

Wavelet transform-based feature extraction for ultrasonic flaw signal classification

In this paper, we present automatic classification models for ultrasonic flaw signals acquired from carbon-fiber-reinforced polymer specimens. Different state-of-the-art strategies based on wavelet transform are utilized for feature extraction. Furthermore, a wavelet packet transform-based local energy feature extraction method is proposed to solve the deficiencies of the existing methods. Artificial neural networks and support vector machines are trained to validate the effectiveness of different feature extraction methods for flaw signal classification. Experimental results show that the proposed method can extract reliable features to effectively classify the different ultrasonic flaw signals with high accuracy.     

碳纤维复合材料超声缺陷信号特征提取与降维

在对碳纤维复合材料进行超声无损检测时获取的回波信号往往构成复杂,某些缺陷特征不明显,使用传统小波方法对这类信号进行特征提取时效果并不理想。为解决上述问题,提出基于双树复小波包变换的频带局部能量特征提取方法以获取碳纤维复合材料超声缺陷信号的初始特征向量;在此基础上,使用基于粗糙集的ε-约简方法完成特征降维。实验结果验证了所提出方法的有效性,为实现碳纤维复合材料缺陷的自动和准确识别提供了新途径。     

基于双谱二次特征的通信信号识别算法研究*

针对卫星通信中辐射源信号分类识别问题,开展基于双谱二次特征的卫星通信信号分类识别算法研究。通过辐射源信号的对角切片双谱获取信号特征,利用Chirp-Z变换将双谱对角切片特征从频域扩展至复平面,并提出扩展的基于巴式（Bhattacharyya）距离的分离度准则作为信号双谱二次特征提取依据,提取出具有最强可分离度特征作为特征参数,并通过支持向量机进行分类识别仿真实验。实验表明,本文识别算法适用于不同类型的卫星通信信号,且对噪声变化不敏感,可实现较高的正确识别率。     

双谱在城市地下燃气管道泄漏检测中应用研究

由于城市地下燃气管网压力较低,环境噪声复杂,泄露信号微弱,使得泄漏信号难于用基于二阶累积量理论的信号处理手段检测。根据高阶累积量及双谱理论,将双谱应用于高斯噪声下的非高斯信号检测,通过直接法得到双谱的估计值,并利用二维窗来提高双谱的频率分辨率,然后根据实际情况建立了相应的假设检验模型。实验结果表明,该方法可有效地检测出低压燃气管网的泄漏信号,检测距离不小于20m。     

基于PCA的超声缺陷类别识别方法研究

考虑超声回波信号不同参数对某一具体缺陷类别的不同重要性,在超声检测缺陷信号特征提取的基础上,提出采用主分量分析法对其分析。分析结论取代传统的直接把缺陷特征向量分类器作为输入的方法,避免冗余特征对缺陷类别识别的影响。将锻件中三类常见缺陷的特征向量分别进行主分量分析,并通过利用BP神经网络的泛化性能分别构建了分类器。利用DS证据理论对神经网络的输出进行融合识别。通过现场采集的超声探伤信号,对提出的分析方法进行验证,缺陷类别的识别率有较大提高,说明了该方法的有效性。     

一种结合EWT和成分分析的无线电指纹提取方法

无线电台信号个体识别主要是提取无线电信号中的杂散成分,通过对杂散成分进行分析达到个体识别的效果。针对线电信号杂散成分具有非线性、非平稳性的特点,本文将经验小波变换(EWT)和信号成分分析结合起来,提出了一种新的信号特征提取方法。该方法首先利用EWT对信号进行自适应的分解处理,通过选取部分能够表征个体差异的信号成分进行特征值谱分析,并以信号成分的归一化特征值谱的差异为依据进行信号指纹特征的提取,再根据指纹特征对信号进行识别。仿真结果表明,该方法与HHT和局部积分双谱分析方法相比,具有更加优越的识别性能,并且具有更加优良的特征稳定性,同时受信噪比的影响较小。