含窄带噪声和白噪声的复杂染噪局部放电信号提取及应用

复杂噪声环境下,电力设备局部放电信号的高完备度提取是实现其运行状态在线评估的关键.该文提出一种基于自适应噪声的总体集合经验分解(CEEMDAN)和改进小波包结合的复杂染噪局放信号提取方法.首先,通过自适应CEEMDAN将染噪信号进行分解,利用奇异值分解(SVD)算法对分量中包含的窄带噪声和频率混叠进行抑制,再根据信号间...     

基于奇异值分解和经验模态分解的航空发动机健康信号降噪

提出了一种基于奇异值分解(Singular value decomposition,SVD)和经验模态分解(Empirical mode decomposition,EMD)的信号降噪方法。首先采用EMD方法对原始信号进行分解并提取出信号趋势分量。然后对信号剩余部分采用SVD方法降噪,并根据奇异值差分谱方法自适应选择奇异值进行信号重构。最后将重构后的信号与趋势分量叠加得到最终的降噪信号。采用该方法对模拟信号和实际航空发动机健康信号进行了降噪试验,结果表明:该方法能够准确地选择用于重构信号的奇异值,并能够有效地去除信号噪声。     

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SVD和均值量化的音频数字水印算法

提出了一种基于奇异值分解和均值量化的音频数字水印算法。该算法首先把原始音频信号分段矩阵化,然后对每分段所对应的矩阵进行奇异值分解,选取其相应的奇异值,通过均值量化方法嵌入二值图像水印,实现了音频信号中水印的嵌入。仿真实验结果表明,该音频水印算法对噪声干扰、低通滤波和重新采样等信号处理具有更好的鲁棒性。     

基于变分模态分解和奇异值分解的局部放电信号去噪方法

为有效抑制局部放电信号中的复杂噪声干扰,提出一种基于变分模态分解和奇异值分解的去噪方法。首先通过泄露能量确定VMD算法中的模态分解个数,对局部放电信号进行分解,得到数个有限带宽的固有模态分量;然后基于峭度指标选择包含有用信息的分量进行信号重构,将周期性窄带干扰去除;最后采用奇异值分解去噪方法抑制信号中剩余的高斯白噪声。运用该方法对含噪局放信号进行去噪处理,并通过时变峰度法对信号初至时刻进行拾取。与传统的小波方法和经验模态分解算法进行对比,该方法能有效抑制局放信号的复杂噪声干扰,去噪后信号波形畸变较小,信号拾取精度较高。     

一种改进的基于奇异值分解的数字水印算法

提出了一种基于奇异值分解（SVD）的数字图像水印改进算法。该算法将原始图像进行分块,对前M个子块进行奇异值分解,之后选取各子块中最大的奇异值,通过量化的方法嵌入经过BCH纠错码及交织预处理后的M个水印信息。由于采用了量化的方法嵌入水印信息,其提取不需要原始图像的任何信息,实现了水印的盲提取。同时,提取过程受到交织参数的限制,不知道该参数就无法正确地提取出数字水印,实现了水印的加密。实验结果表明,该改进算法明显改善了原算法的鲁棒性和安全性。     

应用奇异值分解和峭度分离滚动轴承复合故障

滚动轴承多故障特征影响故障诊断结果,为此提出一种结合奇异值分解和峭度的复合故障诊断方法。将采集的双通道多故障特征振动信号进行多层奇异值分解,利用奇异值差分谱和归一化峭度进行筛选和重构,实现对多故障特征的分别提取;通过滚动轴承内外圈故障实验,最终分离出轴承的2种故障。与直接采用原始信号诊断相比,该方法能够在背景噪声下准确分离频率相近的微弱故障成分,提高提取瞬态冲击信号特征的能力,能有效识别滚动轴承的故障类型和发生部位,提高复合故障诊断的准确性。实验结果表明,该方法可以有效地分离和提取滚动轴承多故障特征。     

基于EEMD-SVD-PE的轨道波磨趋势项提取

钢轨波磨检测是保障行车安全的重要手段,针对复杂钢轨线路波磨数据中的轨道起伏趋势提取问题,提出了一种基于排列组合熵(Permutation Entropy, PE)选取低复杂度奇异值分量重构趋势的EEMD-SVD信号去趋方法.相比已有的经验模式分解去趋算法,该方法考虑到原始IMF可能存在的信号成分混杂问题(如含有白噪声与信号的低频成分),首次提出通过奇异值分解来精确提取隐藏在多维IMF矩阵中的趋势项成分作为奇异值分量.由于协方差矩阵构建的奇异值分量排列时只考虑了能量的分布而未考虑趋势项信号低复杂度、高幅的特点,使用排列组合熵来选出符合趋势项特征的奇异值分量,最后对满足要求的奇异值分量进行重建得到最终的趋势项.为验证本文方法的有效性,分别进行了数字仿真和实际钢轨波磨数据去趋实验.数字仿真实验结果表明该方法整体去趋性能优于低通滤波法、与EMD结合的线性规划法和小波分解法,尤其在多信噪比的仿真实验中,当信噪比较低时,提趋准确率最大提高约30%.同时,实际钢轨波磨数据去趋实验说明本文方法能够适用于钢轨波磨检测.     

青异值分解(SVD)理论在同步电机参数辨识中的应用

将奇异值分解理论应用于同步电机参数辨识中,这一方法可在最小二乘辨识算法中无论雅可比矩阵奇异与否,均可获得最短的向量解,从而提高辨识算法收敛性及减少迭代次数,应用本文算法成功地对一台200MW汽轮发电机的参数进行了辨识.     

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.     

改进奇异值分解的海杂波抑制算法

针对强海杂波背景下海面运动目标回波信号难以检测的问题,提出了一种奇异值分解和双延迟线对消算法相结合的海杂波抑制算法。首先将脉冲压缩后的目标回波信号按周期重排成快慢时间维度矩阵,进行周期奇异值分解;然后构造出信号所对应奇异值的阈值和输入信杂噪比的关系,利用阈值对奇异值指数比进行判决,实现自适应区分海杂波和目标信号;最后对重构后的目标信号进行双延迟线对消,抑制杂波的同时确保目标信号的损失降到最低。采用实测数据对算法性能进行实验验证,相比于现有的海杂波抑制算法,所提方法能够适应目标回波序列信杂噪比的变化,在输入信杂噪比为-30 dB下仍能抑制大部分杂波并准确检测信号,由此验证了新算法具有更好的抑制效果和更优的检测性能。     

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。     

自适应信号重构技术提高地震数据的信噪比

利用信号和噪声的特征值差别,采用奇异值分解技术压制噪声,提出了基于多道相似系数大小来自适应地选择特征值个数,进而进行信号重构,分离信号和噪声,从而达到提高信噪比的目的。通过对合成数据和实际地震数据的处理结果对比表明该方法能最大程度地保持信号,从而有效地提高地震资料的信噪比。     

基于奇异向量和奇异值的入脸识别新方法

通过提出一种基于奇异值向量和奇异值的人脸识别新方法——正交奇异值方法，将奇异向量和奇异值中的信息有效结合，克服了目前基于奇异值分解的识别方法中，要么丢弃了奇异值中的信息，要么丢弃了奇异向量中的信息，识别效果并不理想的缺陷。在ORL国际标准人脸库上实验显示，与目前基于奇异值分解的识别方法相较，该方法达到了更好的识别效果。     

基于DWT DCT SVD的音频盲水印算法

提出了一种结合离散小波变换（DWT）、离散余弦变换（DCT）和奇异值分解（SVD）的音频盲水印方法,将原始音频数据分段后进行二级小波变换,再将近似分量进行余弦变换,把余弦变化后的前1/4系数进行奇异值分解后嵌入水印. 水印的嵌入容量为2756 bit/s. 实验结果表明,该算法具有较好的透明性,并且对于MP3压缩、重量化、重采样、低通滤波、裁剪替换、高斯加噪等常见音频信号处理攻击具有很强的鲁棒性.     

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.     

加权信号张量子空间拟合算法

提出了一种基于三阶张量高阶奇异值分解的声矢量阵列加权信号张量子空间拟合算法. 首先对声矢量阵接收信号进行三阶张量建模, 并通过高阶奇异值分解得到信号张量子空间, 从而结合加权信号子空间拟合算法进行空间方位谱估计. 由于基于高阶奇异值分解得到的信号张量子空间相比于传统的矩阵奇异值分解得到的信号子空间能够更好地抑制噪声, 并且体现了多维数据之间的关联关系, 因此具有更高的方位估计精度. 理论和仿真结果表明: 该方法在低信噪比、等强度不相关信号和强相关信号条件下仍具有良好的目标分辩能力和稳定性, 工程应用价值较高.     

利用子空间改进的K-SVD语音增强算法

在低信噪比的情况下,稀疏表示无法将纯净语音完全从带噪语音中分离出来,针对此问题提出了一种利用子空间改进的K奇异值分解语音增强算法．首先,利用子空间最优估计器跟踪噪声; 其次,通过K奇异值分解算法对噪声进行训练,构建出噪声字典; 最后,用K奇异值分解算法训练语音字典．在训练过程中,如果某个原子对应的稀疏系数低于设定的阈值,并且该原子可在训练得到的噪声字典中找到,就把该原子对应的稀疏系数设为零,即可达到去噪的目的．仿真结果表明,改进算法去除白噪声和babble噪声的效果显著,有效提高信噪比和减少语音失真,同时,该算法也可以很好地应用于消除随机噪声．     

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%.