动力调谐陀螺仪子空间辨识

针对传统子空间辨识法(SIM)用于动力调谐陀螺仪(DTG)建模过程中存在的结构参数复杂、干扰因素未知、建模精度不高等问题,提出了一种改进的子空间辨识方法。首先,确定辨识对象DTG的状态空间模型集,分析DTG输出信号中存在的固有有色噪声。然后,针对有色噪声的干扰问题,对传统SIM进行改进,通过数据Hankel矩阵的正交投影消除传统SIM的有偏性。最后,在数值仿真中引入置信椭圆,对改进算法进行统计特性分析。仿真结果表明:在不同强度有色噪声干扰下,改进算法无偏,方差特性与有色噪声强度和数据长度有关。辨识实验表明:改进SIM的辨识效果明显优于传统SIM,辨识拟合度优于90%。得到的结果显示改进算法能够应用于DTG系统建模。     

协方差驱动子空间模态参数辨识方法改进分析

针对协方差驱动子空间模态参数辨识方法难以识别弱小模态的问题,提出了一种根据数据有效率选择数据块的改进方法。该方法采用数据有效率来选择协方差矩阵块,以提高自相关能量在协方差矩阵中的比例,从而实现对弱小模态的识别。对该方法进行了仿真实验验证,验证结果表明,这一方法可以有效提高弱小模态的辨识质量。     

基于空间自适应和正则化技术的盲目图像复原

在原非负支撑域递归逆滤波（NAS-RIF）算法基础上,本文提出一种基于空间自适应和正则化技术的改进算法。在代价函数中,引入两项空间自适应的加权项,分别用来确保图像复原的逼真和平滑,自适应加权项需根据观察图像的局部特性和噪声方差求得。并加入正则化项,以达到抑制噪声的目的。本文提出了根据观察图像来估计噪声方差的方法,因而不需要知道噪声方差的先验条件。在求解中,采用共轭梯度算法来进行求解。对不同背景和不同信噪比的图像进行了仿真实验。结果表明：改进后的算法比原来的算法复原效果更好。     

改进自适应噪声对消算法的窄带干扰抑制

在局部放电在线检测中,自适应噪声对消算法是当前抑制窄带干扰的有效方法.由于窄带干扰频率范围很宽,滤波参数不易设置,同时实测时的窄带干扰在时频域都表现强烈,局部放电信号会完全淹没于干扰之中,使得一般改进噪声对消算法不能取得较好效果.为此,提出一种改进经验模态分解的噪声对消算法,首先在频域中降低干扰幅值,接着利用经验模态分解的分频特性将宽频带的窄带干扰分解到不同频带,各频带内的窄带干扰频率相差有限,然后进行自适应噪声对消,以达到较好的滤波性能.仿真和实际数据验证了该算法的有效性.     

高阶累积量的子空间模态参数辨识方法研究

基于传统的高阶累积量降阶方法的子空间模态参数辨识方法具有一定的缺陷.提出采用2种降阶方法用于改善高阶累积量的子空间模态参数辨识方法,并对该方法进行了实验验证,证明了方法的可靠性.该方法的计算量较小,能够用于一般结构的模态参数辨识.     

基于改进多元经验模态分解的多通道振动信号融合分析

振动信号是机械故障诊断的主要信号之一,单一信号获取信息量有限,抗干扰能力较差,多通道数据比单通道数据获得了更完善的机械健康状态。本文提出了一种自适应噪声辅助多元经验模态分解方法实现多通道振动信号的同步分析。在多通道信号的基础上添加两个噪声辅助通道,以原始信号多通道加权正交指数最小为目标,通过自适应权重粒子群算法搜索最优K(投影向量个数),α_1,α_2(两个辅助噪声通道的噪声强度)最优参数组合,实现多通道自适应同步分析。改进的方法提高了分解精度,有效抑制模态混叠。仿真实验和工程案例验证了该方法的有效性,与经验模态分解和多元经验模态分解相比,自适应噪声辅助多元经验模态分解方法提高了分解精度,能准确地提取旋转机械故障频率。     

有色噪声激励下基于应变响应的频域拟合算法

提出了一种有色噪声激励下基于应变响应的工作模态参数识别方法。首先,从应变频响函数出发,将工作模态参数识别方法应用到有色激励下的应变响应信号,推导出仅利用应变响应的多自由度系统模态参数表达式;其次,对悬臂梁进行数值仿真,分析了模态识别误差并验证了该方法的有效性;最后,通过悬臂梁实验验证了在真实有色噪声环境中,该方法依然具有很高的识别精度。     

基于随机子空间法的模态参数自动提取

为了自动且有效地剔除虚假模态、避免人为参与模态模型定阶及模态拾取,进而实现模态参数的自动准确识别,提出了一种新型的随机子空间法运行模态参数自动识别方法。该方法首先构造2个不同维度的汉克尔矩阵对应的随机子空间法运行模态识别模型并求解其极点,在此基础上针对2个模型的同阶极点进行匹配进而获得超清的稳态图,再对该稳态图进行谱系聚类分析,最终自动准确识别出模态参数。5自由度质量-弹簧-阻尼仿真系统及矩形平板的运行模态试验识别结果均验证了方法的有效性。     

结合斜变换与方差的图像聚焦测度

针对相机和电子显微镜等成像设备在自动对焦过程中聚焦测度易受噪声干扰的问题,将图像处理中的斜变换与统计学中的方差相结合,提出一种具有噪声鲁棒性的聚焦测度。将图像进行分块处理,便于后续获取每个局部子图像的清晰度指标。计算每一个子图像的斜变换来得到频域系数。在变换域中,计算中频系数的绝对值并对它进行累加求和作为各子图像的清晰度指标。最后,计算各子图像清晰度的方差,将该方差作为整幅图像的聚焦测度值。通过提取局部子图像的中频信息并结合全局的方差求解的方法可以使聚焦测度具有较高的噪声鲁棒性;通过在LIVE图像数据库的实验结果表明:本文方法的噪声鲁棒性优于现有经典算法,其SDA和离散度客观评价指标相比于鲁棒性较好的索贝尔梯度熵算法平均提高了20.27%和125.61%。     

基于EEMD_BP网络的滚珠丝杠副故障模式识别

针对在机械故障诊断领域,对信号的时频域处理分析提取特征值往往不能准确判断机械故障状态的问题。在对数控机床滚珠丝杠副振动信号研究中,提出了利用集合经验模态(EEMD)方法分析受到噪声干扰的3种不同状态的滚珠丝杠副振动信号。利用BP神经网络理论,以振动信号的时频域特征值及EEMD分解得到内禀模态函数(IFM)特征值作为输入,建立BP神经网络模型,并通过实验验证诊断网络模型的可靠性。