基于改进HHT的微弱故障信号特征提取方法

针对微弱故障信号故障特征难以提取的问题,提出一种基于改进希尔伯特-黄变换的故障特征提取方法。该方法首先采用平均总体经验模态分解将故障信号分解成一系列固有模态函数,再选取对故障特征敏感的固有模态函数进行希尔伯特谱和边际谱分析,从中提取故障特征。仿真和实际试验证明:希尔伯特谱和边际谱能够清晰呈现故障信号时域和频域内的细微特性,为微弱故障信号的特征提取提供了一种切实可行的方法。     

基于极值域均值模式分解最大相似度的语音增强方法

提出一种基于极值域均值模式分解最大相似度的低信噪比语音增强算法,解决部分噪声环境下低信噪比语音信号增强问题。该算法核心思想是：对分解后得到的固有模态分量进行筛选后再做滤波处理,以此减少过滤波和欠滤波情况的发生。在筛选过程中,提出一种最大相似度判断算法,通过检测得到的噪声信号与固有模态分量计算最大相似度,通过最大相似度筛选出固有模态分量进行滤波,由于噪声与语音信号容易发生频谱混叠,在滤波器的选择上采用时域滤波器。将滤波后的固有模态分量和未作处理的固有模态分量进行信号重构,得到增强后结果。     

基于谱熵梅尔积的语音端点检测方法

为了克服传统语音端点检测算法在低信噪比环境下准确率低的问题,提出一种基于谱熵梅尔积（MFPH）的语音端点检测算法.首先,提取带噪语音信号的梅尔频率倒谱系数中的第一维参数MFCC₀,将其与谱熵的乘积作为最终区分语音段和背景噪声段的融合特征参数;然后,结合模糊C均值聚类算法和贝叶斯信息准则（BIC）算法对MFPH特征参数门限值进行自适应估计;最后,采用双门限法进行语音端点检测.实验结果证明,与传统方法比较,该方法在-5~15 dB低信噪比环境下的语音端点检测准确率有较大提高.     

基于自适应滤波的滚动轴承故障诊断研究

针对固有频率未知的滚动轴承故障诊断问题，提出了一种基于经验模态分解的自适应滤波方法。讨论了经验模态分解方法及其在获取固有模态函数过程中的自适应滤波特性。通过对滚动轴承故障振动信号进行经验模态分解得到固有模态函数，运用希尔伯特变换解调固有模态函数得到包络幅频图，获取滚动轴承故障特征频率，进而确定滚动轴承的故障位置。应用该方法对仿真和实际数据进行了分析，并与冲击脉冲法作了比较。结果表明，基于经验模态分解自适应滤波的滚动轴承振动信号解调方法能够更有效地突出故障特征频率成分，避免误诊断。     

类谐波积谱基音周期检测算法

基音周期检测是语音信号处理的一项重要内容。在低信噪比情况下,常用的自相关函数法容易出现半周期和倍周期估计错误。为解决这一问题,在谐波积谱法的启发下提出了基于自相关函数的类谐波积谱法。该方法不仅可以有效地克服谐波积谱法由于信号中某次谐波分量为零时所造成的困难,而且可以有效地提高低信噪比下基音周期检测的可靠性。     

基于改进希尔伯特-黄变换的发动机气门故障诊断

由于发动机系统及工作环境等因素的影响,发动机气门故障信号往往呈现出非线性和非平稳性的特点。为此,提出一种基于改进希尔伯特-黄变换的故障诊断方法。以气门声音信号为研究对象,首先,采用快速独立分量分析法去除环境噪声因素对于信号诊断准确性的影响,对降噪后信号进行改进经验模态分解,得到表征信号特性的固有模态函数,并通过相关性分析法去除虚假分量,从而获得信号的希尔伯特谱和边际谱,最后,结合时域和频域特征进行故障诊断。通过仿真研究证实了本文所提方法的准确性,实际试验证明:希尔伯特谱和边际谱能够有效并准确地反映出故障信号的时频信息,为该类问题的解决提供一种切实有效的方法。     

一种基于Hilbert Huang变换的直扩信号盲检测方法

针对直扩信号在低信噪比情况下难以检测的问题,提出一种基于Hilbert—Huang变换的盲检测算法。通过对信号进行经验模态分解,根据能量最大原则对得到的内蕴模态函数进行筛选和提取,实现信号的重构;计算其时间、瞬时频率及幅值的分布图和边际谱,从而检测出直扩信号并估计出载频。理论分析和仿真实验表明该算法在信噪比为-16dB的情况下能有效地检测出直扩信号。     

基于极值域均值模式分解和独立分量分析的语音增强方法

提出一种基于极值域均值模式分解与独立分量分析相结合的低信噪比语音增强算法,解决更多噪声环境下低信噪比语音信号增强问题.该算法的核心思想是:利用独立分量分析的特点,分离出选取的固有模态分量的固有特性,消除信息混淆.通过最大相似度,筛选出需要处理的固有模态分量,对其进行独立分量分析,使噪声特性能够进一步集中,提高最大相似度,这样更有利于噪声的滤除.由于独立分量分析存在幅值、位置的不确定性,所以对滤波后的独立分量要进行二度重构,即独立分量分析重构和极值域均值模式分解重构,得到增强后结果.     

局部Hilbert边际能量谱在滚动轴承故障诊断中的应用

针对滚动轴承振动信号非线性的特点,提出一种基于局部希尔伯特边际能量谱和马氏距离判别法相结合的故障诊断方法。首先,采用镜像延拓方法抑制经验模态方法将待分析信号分解成多阶固有模态函数和的形式,并根据相关性判别算法选取含有主要故障信息的IMF分量;其次,利用局部Hilbert边际能量谱提取故障信号能量特征参数;最后,利用马氏距离算法对滚动轴承的工作状态进行判别。通过相关试验证明了此方法的有效性,具有一定的工程应用价值。     

基于Hilbert包络谱和SVM的齿轮故障诊断

针对齿轮振动信号非平稳性和故障特征难以提取的问题,提出一种基于希尔伯特(Hilbert)包络谱和支持向量机(SVM)相结合的故障诊断方法。首先,采用基于镜像延拓的改进经验模态分解(EMD)方法,将齿轮振动信号分解成一系列含有信号特征的固有模态函数(IMF);其次,根据正交性原理,选取包含信号主要信息的模态分量进行希尔伯特变换并求出包络谱;最后,将包络谱所求出的特征幅值比作为支持向量机分类器的输入来识别齿轮的工作状态。试验结果表明,该方法能有效地识别和诊断出齿轮的工作状态,可应用于该类问题的故障诊断研究。     

基于Teager能量算子的语音激活检测

针对大多数语音激活检测(VAD)方法在低信噪比情况下性能急剧恶化的情况,提出了一种基于Teager能量算子(TEO)的语音激活检测方法.它能结合语音增强技术,应用Teager能量算子进行自适应门限判决.实验结果表明,在低信噪比的情况下,该方法能够随着环境自适应门限,具有较高的准确率和稳定性,简单有效.     

智能语音识别系统中噪声估计算法的研究和改进

智能语音识别技术的研究已有较长的时间,但由于语音信号本身所具有的多变性、瞬时性、连续性和动态性的特征,使得机器在不同的环境尤其是噪声环境中进行语音信号的识别仍具有一定的困难.为了提高带噪语音信号识别的准确率,本文研究了一种常用的噪声估计算法,即基于后验信噪比的时间递归平均算法.并在此算法的基础上提出了一种对平滑因子的改进算法,将语音活性检测算法与这两种算法在不同输入信噪比下进行模拟验证.通过运算结果的对比分析可以看出,改进后的算法相比于语音活性检测算法最高可以使输出分段SNR提高2.1 dB,相比于原时间递归平均算法最高可以使输出分段SNR提高0.5 dB,表明低输入SNR下改进后的算法可以有效提高语音信号的质量和可懂度.     

车辆振动信号的特征提取方法比较

针对用于车辆振动信号分析的常用方法:小波分析方法和Hilbert-Huang变换方法,以及作者新近提出的时序多相关-经验模式分解方法,通过仿真对比分析了它们各自的特点以及它们在振动信号特征提取中的适用性。非线性信号的仿真分析表明,在没有噪声或分析对象背景噪声较小的情况下,后两种方法能提取到特征信号,小波分析不适合非线性信号的分析;在强背景噪声下,前两种方法均不能得到满意的特征信息,而时序多相关-经验模式分解方法能提取到所需的目标信息。最后将时序多相关-经验模式分解方法用于某特种车辆特征信号的提取,得到了满意的结果,验证了该方法在车辆振动信号特征提取中的有效性。     

低信噪比下突发信号的检测方法

针对低信噪比环境下突发信号检测性能较差的问题,提出了一种基于功率谱倒谱的突发信号的检测方法．该方法首先采用倒谱的最大值作为检验统计量,并利用平滑窗对检验统计量进行平滑;然后,用K均值聚类算法对其分类判决,以区分出信号和噪声;最后,利用基于长度的三态转换给判定结果修正．仿真结果表明,在低信噪比环境下,所提方法具有较好的检测性能和较低的计算复杂度．     

MATLAB加窗滤波在广义互相关时延估计中的应用

针对麦克风阵列广义互相关声源定位方法中,麦克风接收到的人声信号掺杂混响以及噪声,导致算法求解过程中准确性不高的缺点,通过MATLAB分窗滤波的方法,在算法中对实时接收的声音信号进行预处理,针对人声频率进行改进,提升低信噪比状况下估计时延的准确性,完成人声声源定位的目的,并通过仿真实验验证了该方法的有效性.     

Speech enhancement using improved phase spectrum compensation

The typical phase spectrum compensation method has the negative enhancement performance in a low SNR,so the improved phase spectrum compensation method is proposed for this problem. First, the algorithm compensates the speech spectrum through the phase compensation function obtained by calculating the signal to noise ratio of each frame; second, by the new speech presence probability algorithm to estimate the noise power spectral density; finally, we apply the new phase spectrum and the estimated noise in the wiener filter. Simulation results show that the improved algorithm proposed in this paper can effectively improve the ability of voice systems to remove noise especially in a low SNR.     

基于Hilbert-Huang变换的结构损伤诊断

对Hilbert-Huang变换(HHT)在结构损伤诊断中的应用进行了分析。Hilbert-Huang变换是一种适用于非线性、非平稳信号，且具有自适应性的新的数据处理方法，将该方法应用于结构的反应分析，能有效地提取结构的损伤特征，从而对结构的健康状况进行诊断。分析实例表明了该方法的有效性和实用性。     

低信噪比神经元锋电位检测的新方法

细胞外神经元锋电位记录中经常包含许多小幅值信号,为了正确检测这些小幅值低信噪比的锋电位,增加单次实验的神经元检出数量,设计一种针对四极电极阵列记录信号的锋电位检测算法.提取4通道信号主成分分析的第一分量,计算该分量的非线性能量算子,从而减小噪声并增强锋电位.检测阈值的设定采用一种两步法,用于减小锋电位发放密度变化以及大幅值锋电位对于阈值的影响.仿真数据和实验记录数据的验证结果表明,这种主成分与非线性能量算子相结合的阈值检测法适用于四极电极等测量点高密度分布的微电极阵列记录信号,能够显著提高小幅值低信噪比锋电位信号的正确检出率,特别是能够有效地检出重叠锋电位,为后续的神经信息解码和神经网络分析提供更充分的数据.     

基于噪声特征空间消噪和TEO能量的语音活动度检测

提出了一种噪声环境下的语音活动度(Voice Activity Detection)的稳健检测算法,算法采用了先降噪后检测的策略.为了使检测算法能够适应嘈杂的噪声环境,本文采用了两个互补性的策略.首先,采用噪声特征空间投影的方法,以较小的语音畸变为代价,去掉语音信号中的有色分量,然后利用Teager Energy Operator(TEO)来增强语音信号与噪声之间的能量差别,最终,根据子带TEO的平均信噪比来区分语音与非语音信号.我们采用了TIM IT数据库与几种常见的噪声来评价该算法,实验表明,该算法优于最新的语音活动度检测算法.