基于GWO-VMD-SVD的Φ-OTDR信号降噪方法

针对Φ-OTDR系统采集的信号中包含大量随机噪声的问题,提出了一种基于灰狼优化算法的变分模态分解联合奇异值分解的新型降噪方法(GWO-VMD-SVD)。通过灰狼优化算法寻找VMD分解中最优的分解层数K和二次惩罚因子α,抑制了模态混叠现象;引入排列熵判定机制区分有用信号分量和噪声分量;将有用信号分量保留,同时对噪声分量使用SVD分解进行二次降噪,提取其中的有用信号;将两次降噪保留的有用信号进行重构,得到降噪后的信号。实验结果表明,该方法相对于VMD-PE和EEMD-CC,信噪比更高,能更有效地保留信号中的有用信息。     

基于CEEMD-PE的脑电信号降噪方法研究

在研究脑电信号特性的基础上,提出了一种基于CEEMD-PE对脑电信号进行降噪的方法.完全集合经验模态分解(CEEMD)能够克服模态混叠的问题,因此,对脑电信号进行CEEMD分解,得到一组固有模态函数(IMF)分量,计算各个IMF分量的排列熵(PE)值,依据PE的值剔除基本为噪声的IMF分量,将降噪后的分量与保留的分量进...     

基于VMD的宽带混沌雷达多生命信号探测方法

提出并实验验证了一种基于变分模态分解（VMD）的宽带混沌雷达多生命信号探测方法。首先基于混沌相关测距获得原始回波矩阵,然后利用VMD方法抑制噪声和杂波并重构多生命信号,包括基于0 dB峰值噪声比（PNR）判决减小VMD运算量,通过中心频率分析优选 K值以及利用3 dB峰值旁瓣水平（PSL）判决自动提取呼吸信号,最后结合快速傅里叶变换（FFT）和恒虚警率（CFAR）等,同时估计墙后多个人体目标的呼吸频率和距离。实验结果表明所提方法可以实现20 cm墙后二至五个人体目标的准确、快速探测,并且具有15 cm的高距离分辨率。      

基于VMD的通信辐射源个体识别方法

针对通信辐射源细微个体指纹信息难以提取的问题,根据辐射源指纹产生机理,提出了将接收信号中的数据部分过滤而保留指纹噪声的研究思路,设计了基于变分模态分解的识别方法.该方法采用变分模态分解将接收信号分解为主要包含数据信息的低频分量和主要包含指纹信息的高频分量,并设计深度卷积神经网络对分解后的高频分量进行特征提取和分类识别....     

基于经验模态分解的本征熵及其应用研究

以经验模态分解和信息熵理论为基础,可以提出本征熵这一新指标,用于大型设备运行稳定性定量监测。通过在十余家大型企业的实际应用和对应实验表明,本征熵较好地反映了设备运行时不同本征模态的稳定性,为设备的状态监测和诊断提供了运行稳定性的量化数据。     

基于EEMD-PE的ADS-B信号降噪研究

自动相关监视广播(Automatic Dependent Surveillance-Broadcast, ADS-B)信号在传输过程中经常受到复杂电磁环境、地面杂波等因素的干扰,给其后续的译码带来困难。结合排列熵(Permutation Entropy, PE)原理,提出一种基于集合经验模态分解(Ensemble Empirical Mode Decomposition, EEMD)的ADS-B信号降噪方法。利用EEMD将含噪ADS-B信号分解得到其各阶本征模态函数(Intrinsic Mode Function, IMF),计算各阶IMF的排列熵,通过排列熵的相对大小筛选出被噪声污染较高的IMF并将其剔除,利用剩余的IMF重构ADS-B信号,以达到降噪的目的。实验结果表明,该方法可以有效提高ADS-B信号的信噪比(Signal-to-Noise Ratio, SNR)。     

部分集成局部特征尺度分解:一种新的基于噪声辅助数据分析方法

 局部特征尺度分解(Local Characteristic-Scale Decomposition,LCD)是最近提出的一种类似于经验模态分解(Empirical Mode Decomposition,EMD)的非平稳信号分析方法.为解决LCD方法的模态混淆问题,论文首先提出了基于噪声辅助分析的集成局部特征尺度分解方法(Ensemble LCD,ELCD).然而,ELCD有类似于总体平均经验模态分解(Ensemble EMD, EEMD)和互补总体平均经验模态分解(Complementary,CEEMD)的固有缺陷,在此基础上,同时结合最近提出的随机性检测方法——排列熵(Permutation Entropy,PE),论文提出了部分集成局部特征尺度分解(Partly Ensemble LCD,PELCD)方法.仿真数据分析表明,论文提出的PELCD方法不仅能够有效地抑制LCD分解的模态混淆,而且在抑制伪分量的产生以及分量精确性等方面要优于CEEMD和ELCD方法.     

基于BP神经网络的多传感器融合方法

本文首先基于数学理论,给出了多传感器融合问题的数学描述,然后简单介绍了BP神经网络的算法以及其在多传感器融合技术的中的应用,最后通过仿真实验,证明了BP神经网络的多传感器融合方法的可适用性。     

基于VMD的激光雷达回波信号去噪方法研究

为滤除激光雷达回波信号中的噪声,提高其信噪比,本文提出了一种基于变分模态分解(VMD)的回波信号去噪方法。该方法利用去趋势波动分析对信号进行变分模态分解,通过巴氏距离区分相关模态和非相关模态,采用移动平均法提取非相关模态中的有用信号,并将其与相关模态进行重构实现噪声的有效去除。实验结果表明,经该方法处理后的回波信号输出信噪比提高到了22.58 dB,均方根误差减小为0.78×10-11。该方法能有效滤除激光雷达回波信号中的噪声,保证信号的完整性,与小波变换、经验模态分解直接阈值、变分模态分解局部重构等方法相比,具有明显优势。     

Network traffic prediction model based on improved VMD and PSO-ELM

The rapid update of computing power leads to exponential data traffic growth, and the incidence of network attacks is also increasing. It is significantly important to analyze and predict network traffic accurately in the early stage and take corresponding preventive measures. The existing network flow integrated forecasting models still have some bottlenecks that are difficult to solve, for example, the slow optimization speed of modal decomposition parameters, easy falling into local optimal solutions, the slow convergence speed of the training process, and poor generalization capability. In this paper, particle swarm optimization (PSO) is utilized to improve the parameters selection process of the variational mode decomposition (VMD) algorithm and the extreme learning machine (ELM) algorithm. First, the PSO-VMD combined with multi-scale permutation entropy (MPE) is utilized to decompose the original network flow, and multiple eigenmode components are obtained. Second, the PSO-ELM is utilized to train the network traffic prediction model, and the PSO parameters in PSO-ELM are updated through adaptive weight adjustment and synchronous learning factors to increase the training and prediction speed, and the component prediction results are reconstructed to get a high-precision network flow forecasting result. Finally, through the prediction and verification of the public network flow data of the WIDE backbone, the result of this experiment indicates that the VMD-PSO-ELM can break through the bottlenecks of slow optimization speed of VMD decomposition parameters, reduce the computational complexity of ELM, accelerate the convergence speed, and increase the forecasting accuracy.     

基于BP神经网络的故障诊断仿真研究

介绍了BP(反向传播)神经网络模型,阐述了BP算法的基本原理、权值调整的过程,给出了BP算法一般的编程步骤和流程。在此基础上,应用基本的BP算法进行了系统故障诊断的仿真研究,为提高其实用性,采用VC 与MATLAB混合编程的方法,在VC 环境下制作了应用界面。最后介绍了BP算法在使用中存在的主要问题,并进一步提出了相应的改进方法。     

基于BP神经网络的网络智能诊断系统

随着计算机网络的发展，网络维护与管理日趋复杂。故障诊断就是对网络运行状态进行检测，并对出现的故障进行处理。随着人工智能理论的发展，要求把智能技术引入网络故障诊断领域，其中人工神经网络能比较准确地完成网络智能诊断任务，特别是目前广泛采用的前向多层神经网络模型(BP模型)。文章对BP神经网络故障诊断系统进行研究和设计，并通过实例进行仿真试验，结果证明该系统对网络故障的智能诊断有较高的实用价值。     

模拟电路故障诊断的BP神经网络方法研究

BP网络是模拟电路故障诊断中应用十分广泛的一种神经网络。针对传统BP算法的误差下降缓慢,调整时间长,甚至容易陷入局部极小点而不能自拔等局限性,提出用弹性算法与BP网络相结合的方法,并结合某型雷达装备的具体电路,运用该方法建模、仿真。实验结果表明,采用弹性算法结合后的BP网络误差收敛稳定,训练速度快,在克服传统BP算法的局限性上效果显著,为新型雷达装备的故障诊断和维修提供了一种方法,具有特定的实用意义。     

一种基于神经网络的模拟电路故障诊断方法

模拟电路故障诊断一直是一项富有挑战性的研究课题。文章在简要介绍BP神经网络基本原理的基础上,以差分放大电路为例,设计并实现了基于BP算法的模拟电路故障诊断方法,建立了模拟电路故障诊断BP神经网络模型。实验表明,该模型的辨识精度高,能实现对模拟电路故障的正确诊断。     

基于虚拟仪器和BP神经网络液压系统故障诊断

针对液压系统故障诊断中存在的检测和分析判断困难、耗时费力且准确度不高等诸多问题,提出了一种基于虚拟仪器和BP神经网络技术的液压系统远程故障诊断系统的设计。利用虚拟仪器数据采集、分析和处理能力以及其开放性特点,实现了对液压系统故障的实时远程监测判断。利用BP神经网络技术对历史监测数据的分析判断,实现了对液压系统将来工作状...     

基于BP神经网络的硬盘播出系统电平诊断的应用及其实现

研究了在MATLAB环境下,利用BP神经网络解决硬盘播出系统电平诊断中的分类问题。首先阐述了BP神经网络的一种故障诊断模型,其次分析了基于集合结构的电平诊断实现原理,最后研究了BP神经网络对电平诊断的求解方法。结论表明:利用在基于BP神经网络的MATLAB环境下解决电平诊断问题时仿真效果明显,有利于实际工程技术的应用。     

基于BP神经网络的导弹故障自动诊断研究

精确制导空空导弹是一个复杂系统,及时、准确的识别和诊断导弹故障是化解风险的重要措施。由于导弹故障模式复杂,对其故障进行识别和诊断的难度很大。文中以某型空空导弹测试问题为例,提出一种基于BP神经网络算法的导弹故障自动识别与诊断技术。通过对导弹测试数据的采集和整理形成数据样本,利用神经网络系统的学习和判断能力自动识别及诊断导弹故障,并使用Matlab神经网络工具箱进行仿真验证。验证结果证明,该技术能够快速、准确的识别和诊断导弹故障。     

BP神经网络在光伏发电系统故障诊断中的应用

介绍了并网光伏发电系统的故障诊断模式和故障原因,以及BP神经网络的结构与学习算法。针对太阳能并网光伏发电系统工作过程中可能出现的故障,提出了一种基于BP神经网络的故障诊断方法。测试结果表明了该方法的有效性和可能性,达到了预期的结果,可以用于并网光伏发电系统的故障诊断。     

基于PCA和BP神经网络算法的车牌字符识别

文章采用了双重PCA算法链接BP神经网络的方法对车牌字符进行识别.先由主成分分析法对原始样本数据进行分类,然后由BP神经网络法对拒识样本进行识别.研究结果表明,与传统的单一识别方法相比,提高了识别正确率,减少了训练时间.