基于EMD和模糊C均值聚类的滚动轴承故障诊断

针对滚动轴承故障振动信号的非平稳特征,提出了一种基于经验模态分解和奇异值分解的特征提取与模糊C均值（FCM）聚类的滚动轴承故障诊断方法。该方法首先对滚动轴承振动信号进行EMD分解,组成初始特征向量矩阵;并对该矩阵进行奇异值分解,将矩阵的奇异值作为故障特征向量;最后以FCM聚类为故障分类器,实现滚动轴承不同故障类型的识别。实验结果分析表明,该方法能有效地进行滚动轴承故障诊断。     

基于MP稀疏分解的心电身份识别

心电信号在医疗方面的应用有着广泛的研究,然而心电信号反映了人体心脏的生理活动,不同人的心电信号各不相同,因此可以用作身份识别.该文采用Gabor原子库对心电信号进行基于MP的稀疏分解,分解后所得的原子参数和投影值中包含该信号的重要信息,将其作为特征参数,并采用支持向量机对其进行分类.通过对20个人的心电信号进行实验,识...     

基于连续小波变换和RBF神经网络的气液两相流流型识别方法

针对气液两相流压差波动信号的非平稳特征,提出了以多尺度连续小波变换值矩阵的奇异值为特征矢量的流型识别方法。首先对气液两相流压差波动信号进行连续小波变换,得到初始特征向量矩阵。然后对初始特征向量矩阵进行奇异值分解得到矩阵的奇异值,将其作为流型的特征向量,再结合RBF神经网络形成流型的智能识别方法。对水平管内空气-水两相流4种流型的识别结果表明该方法能够有效地识别流型。     

基于WPT-SVD和GA-BPNN的混凝土结构损伤识别

针对基于压电波动法检测混凝土结构损伤离散性大的问题,提出基于小波包-奇异值分解(WPT-SVD)和遗传算法优化的BP神经网络(GA-BPNN)模型的损伤识别方法.该方法深度挖掘结构开裂损伤信号时频域变化特征,构建信号特征与损伤的对应关系,可以有效地识别结构损伤位置和程度.在混凝土结构表面粘贴压电传感器测得损伤信号,对损伤信号进行WPT分解,以获得多维时频矩阵.采用SVD对不同损伤状态下的时频矩阵进行降维,构建具有较高损伤敏感性的特征向量.建立具有自适应学习能力的GA-BPNN,实现结构的损伤识别.试验验证表明,压电信号奇异值可以作为损伤特征参量,主要频段的奇异值随着损伤的发展而下降,归一化奇异值向量距与损伤情况呈现3阶段对应关系. GA-BPNN较BPNN能够更好地表征信号特征与损伤间的关联性,识别结果更加稳定且精确度高,结构损伤位置和程度的识别精确度分别达到95.19%和94.47%.     

基于内禀模态奇异值伪熵特征提取的电能质量扰动识别

针对电能质量暂态扰动信号的非平稳、非线性等特点,提出一种基于内禀模态奇异值伪熵特征提取和支持向量机的电能质量复合扰动识别分类方法.该方法通过经验模态分解方法将各种非平稳电能质量扰动信号分别分解成若干个平稳的内禀模态函数,然后分别对每个有意义的内禀模态函数组成矩阵.该识别方法提出奇异值伪熵的概念,并依据该奇异值伪熵特征向量,通过支持向量机对各种电能质量扰动数据进行识别分类.实验结果表明,所提方法能有效地进行特征提取和电能质量扰动识别分类.     

基于奇异值分解的强单频干扰自动识别与消除

单频干扰常常会将有效信号掩盖,严重影响了地震勘探数据的处理、解释。为了提高单频干扰压制的效果,研究了一种自动识别及消除单频干扰的新技术。该技术可在频率域快速识别出强单频干扰,利用奇异值分解(SVD)的特性,并用含有单频干扰的地震道构建Hankel矩阵,利用Hankel矩阵的奇异值分布与信号振幅谱之间的对应关系,通过奇异值分解和重构,可有效压制地震道中的单频干扰。模型数据和实际资料测试表明:该方法对强单频干扰具有较好的识别和压制效果,并且对有效信号伤害较小。     

基于奇异值分解和小波分析的结构模态参数识别

提出了一种新的基于奇异值分解（SVD）和小波分析的结构模态参数识别方法。获得结构在随机荷载作用下的加速度响应,对其进行相关分析可得到相关系数矩阵。将小波变换用于分解相关系数矩阵可得到小波系数矩阵,用奇异值分解小波系数矩阵可精确地识别出模态参数。通过数值算例和实际测试获得的结构信号验证了该方法的可行性。研究结果表明SVD方法与小波分析的结合能够方便准确地寻找出结构的小波脊,其获得的信息可靠度也更高,适用于多自由度结构的模态参数识别。     

一种基于奇异值分解的奇异性检测新方法

针对信号中的奇异点检测问题,提出了一种利用一维信号序列以连续截断信号方式构造出较小列数和较大行数矩阵的方法,并通过奇异值分解来实现这种检测.分析了该矩阵方式下奇异值分解的信号分解原理,研究了该方法的奇异性检测效果,并与Hankel矩阵方式以及小波检测效果作了比较,将其应用于铣削力信号的奇异性检测.实验结果表明,该方法能有效揭示铣削过程中可能由铣刀或工件问题引起的微小冲击现象,且其各分量指示奇异点位置的脉冲幅值大、宽度小,能与周围高频噪声形成鲜明对比,有利于更准确地判断奇异点的位置.     

基于LMD与奇异值差分谱的滚动轴承故障诊断方法

针对滚动轴承故障振动信号的非线性非平稳特性及强噪声特性,提出了一种基于局部均值分解(local mean decomposition,LMD)和奇异值差分谱的滚动轴承故障诊断方法.首先对原始信号进行LMD分解,得到若干乘积函数(product function,PF)分量,然后对故障特征明显的分量构建Hankel矩阵并进行奇异值分解,求出奇异值差分谱曲线,找到奇异值差分谱最大突变点来确定奇异值重构分量的个数,进而对包含故障特征频段的分量进行消噪和重构,再对重构信号进行Hilbert包络谱分析,提取故障特征.实验结果和工程应用表明:LMD和奇异值差分谱结合的信号特征提取方法,能准确、有效地提取滚动轴承的故障特征频率,对故障类型作出准确判断.     

基于奇异值分解的频率估计新算法

为了提高信号频率估计的精确度，提出了一种新的自适应滑动窗奇异值算法（sliding window adaptive SVD, SWASVD）.该算法基于奇异值算法将包含信号信息的矩阵分解到一系列奇异值和奇异值矢量对应的时频子空间中，从而分离信号信息与其他噪声信息的特点，推导了连续奇异值算法，产生两个辅助矩阵，在行列式处理中，采用减少秩的方法消除噪声，推导出的近似矩阵减少了复杂计算，使用matlab进行仿真，与多重信号分类谱估计法（MUSIC）进行了比较.结果表明，该新算法使用了滑动窗的概念，对陡峭信号变化有很好的鲁棒性，应用该方法可以在频率估计方面获得更准确的结果.     

广义高斯核模型在心电信号稀疏分解中的应用

稀疏分解得到的心电信号表示结果对心电信号的压缩、特征提取等非常有利。根据心电信号的波形特点,提出了新的基于广义高斯函数的核模型。新的核模型通过正交最小二乘算法进行逐步回归建模,每一个核函数的中心,尺度及形状参数由重复加权提升搜索算法优化得到。为了避免过拟合,运用交叉验证的方法进行迭代终止时的阈值选择。实验数据来自MIT-BIH心电数据库,结果表明,对于心电信号,新的核模型具有稀疏性好,泛化能力高等优点。     

基于小波变换⁃海森伯格矩阵⁃奇异值分解的图像水印算法

为提高水印图像的不可见性和算法鲁棒性,通过小波变换?海森伯格矩阵?奇异值分解的方法研究了彩色图像水印算法。首先,对宿主图像和水印图像进行了彩色空间变换;然后,对载体图像进行了小波变换;最后,对低频系数进行了海森伯格矩阵?奇异值分解后嵌入水印图像。结果表明,该算法对多种攻击方式有较强的鲁棒性,嵌入水印后宿主图像不可见性好,嵌入信息能力强,具有一定的应用价值。     

基于LabVIEW的心电信号采集系统设计

设计一种基于虚拟仪器LabVIEW软件的心电信号采集系统,通过图形化语言（G语言）编程,对借助USB接口的心电传感器采集到的心电信号进行实时显示处理,对于构造一套比较实用的心电分析仪有一定的参考价值,在生物医学信号处理和医疗仪器开发方面也具有广阔的应用前景.     

基于Fourier变换-源强模拟技术近场声全息正则化方法比较

近场声全息中通常需要采取正则化方法来改善重建的不适定性.研究在基于Fourier变换-源强模拟技术的近场声全息理论基础上,分别对截断奇异值法和Tikhonov法进行了比较,并使用广义交叉验证法和L-曲线法对正则化参数进行选取,最后采用不同的组合方法对声场重建进行仿真分析.结果表明：运用L-曲线法结合Tikhonov正则化方法,重建声场的相对误差较小,能有效地解决该理论重建过程中的不适定性.     

基于短时傅立叶变换的脉象信号的模式识别方法

针对脉象信号的非平稳特性,采用全极点滑动窗递归算法,对15例吸毒者和15例正常人脉象信号的离散短时功率谱进行了分析。在得到每一例脉搏波的短时功率谱后,应用奇异值分解有效地提取特征矢量,然后进行模糊c-均值聚类,受测者全部予以正确识别。研究结果表明,基于短时傅立叶变换的奇异值分解方法是一种稳定、有效的特征提取方法;同样,运用模糊c-均值聚类算法不需要模式的先验知识,分类结果正确率较高,简便实用。     

基于随机子空间的船舶电网谐波检测

船舶电网的谐波源密集,产生的谐波直接影响船舶通信和导航设备的正常工作．针对强噪声背景下,谐波参数不易准确检测的问题,将随机子空间理论（SSI）和最小二乘法运用于船舶电网的谐波检测．首先将采集到的电网电流信号构成Hankel矩阵,然后经矩阵OR分解和奇异值分解（SVD）,得到谐波频率,进而求出谐波幅值和相位．在Matlab7．1／Simulink环境下搭建船舶电网谐波源模型,仿真结果表明该方法检测精度高、抗干扰能力强、简便易行,具有良好的工程应用前景．     

基于小波变换的麻醉监测诱发脑电信号分析的研究

采用小波变换方法对麻醉监测脑电信号进行分析，通过基于小波变换系数的奇异值分解构造特征向量的特征提取方法提取麻醉状态下中潜伏期听觉诱发脑电的特征，并用BP网络分类器对提取的特征进行聚类，从而实现麻醉深度的估计，实验仿真结果表明了该方法的有效性．     

基于奇异值分解行人对齐网络的行人重识别

为解决行人重识别的训练数据集中自动检测出的行人图像背景过大和行人部分缺失的错位现象问题,使用空间变换网络层对图像错位进行处理。为优化整个网络的深度学习过程,提高图像检索能力,增加网络特征层,使用奇异值向量分解方法对其进行处理。将行人对齐网络和奇异向量分解相结合,构造奇异值分解行人对齐网络,既可解决图像错位问题,又提高图像特征的相似性度量的效果。在Market1501、CUHK03和DukeMTMC-reID数据集上进行试验,并与行人对齐网络和其他深度学习与非深度学习的行人重识别方法进行比较,试验结果中整个网络的平均检索精度和行人图像第一次匹配正确的概率平均达到了65%和80%左右,这表明奇异值分解行人对齐网络可以提高对行人匹配的效果。