考虑敏感因子奇异值分解的北斗周跳探测方法

针对北斗导航系统中信噪比较高的周跳信号难以提取和定位的问题,提出一种基于敏感因子的奇异值分解(SVD)方法对周跳信号进行探测。利用相位减伪距法构造周跳检测量进行初步探测,对选取的周跳信号建立Hankel矩阵并做SVD分解,利用敏感因子在得到的分量信号中找出敏感分量,通过定位因子选择敏感分量所对应的奇异值进行信号重构,重构信号中的突变位置即发生周跳信号的历元。仿真结果表明,该方法较传统SVD方法能够更准确地定位发生周跳信号的历元。     

EEMD及LS-SVM在单频周跳探测与修复中的应用

针对北斗单频观测数据中微小周跳难以探测与修复的问题,采用基于总体经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)及最小二乘支持向量机(Least Squares Support Vector Machine,LS-SVM)的方法用于周跳探测与修复。该方法首先利用伪距减相位历元间差分构造周跳检测量,将其进行EEMD分解获得若干本征模式分量(Intrinsic Mode Function,IMF);然后利用相关性分析选取周跳信息明显的IMF分量信号并对其进行Hilbert谱分析,根据Hilbert谱中模极大值点的位置探测出周跳发生的历元;最后对筛选出的IMF分量信号利用LS-SVM预测,通过比较实测值与预测值的大小来修复周跳。采用实测数据验证本文方法,实验结果表明:本文方法可以有效探测并修复北斗单频观测数据中出现的1周左右的微小周跳。     

形态滤波在单频周跳探测中的应用

为了实现北斗导航过程中历元间周跳的精准探测,提出了一种基于形态滤波和奇异值分解(SVD)的周跳检测方法.利用相位减伪距法构造周跳检测量作为原始周跳信号.进而构造Hankel矩阵对原始信号进行SVD,得到具有不同分辨率的分量信号,并对得到的分量信号进行形态滤波.使用峭度准则选择峭度值较大的分量进行信号重构,以达到滤除噪声干扰,突出周跳特征的目的.实验结果表明:此方法可以对小周跳进行精确的探测,有效提高了周跳的探测精度.     

基于SVD分量包络方法的北斗周跳探测研究

针对北斗观测数据中存在的小周跳难以探测的问题,提出了基于SVD分量包络的周跳探测方法。首先利用伪距和相位相结合的方法构造出周跳检验量,然后对周跳检验量构建Hankel矩阵进行奇异值分解,得到包含突变信息的子空间。再对子空间逆变换得到的分量信号进行包络分析。实验结果表明,利用奇异值处理去噪后,进行包络变换能正确探测出小周跳。     

基于HHT的信号奇异性检测

针对信号的奇异性,采用基于希尔伯特-黄变换（HHT）的方法进行奇异性分解,即首先利用经验模态分解（EMD）对信号进行分解,再提取第一阶分量的瞬时频率;利用瞬时频率检测信号奇异点。通过对幅值突变、频率突变、脉冲突变和方向突变四种奇异信号的仿真分析,表明了该方法能够准确地检测信号奇异点。     

基于小波与神经网络的GPS周跳探测与修复*

为了得到精密的GPS定位结果,必须对载波相位中的周跳进行有效地探测与修复.分析了周跳发生的原因及其特性,提出了一种周跳探测与修复的二步法.首先对信号进行小波多分辨率分析,根据小波系数的模极大值点的位置准确探测出周跳发生的历元;然后对周跳两侧的信号采用神经网络进行分别预测,通过对比预测值的不同来确定出周跳的大小,从而实现了周跳的修复.文末,利用实测的相位数据,验证了方法的可行性与有效性.     

基于广义形态滤波和MRSVD的故障诊断方法研究

为了从复杂工况下获取滚动轴承故障信息,提出了一种基于广义形态滤波和多分辨奇异值分解（Multi-Resolution Singular Value Decomposition,MRSVD）相结合的方法。首先利用广义形态学滤波方法对振动信号进行降噪预处理;然后利用MRSVD对降噪后的振动信号进行分解;最后通过峭度准则选取故障特征最丰富的细节信号,并对其进行Hilbert包络谱分析。将提出的方法应用于滚动轴承的故障检测,实验结果表明该方法能清晰地提取故障特征信息。     

基于MRSVD和VPMCD的轴承故障智能诊断方法研究

针对轴承早期微弱故障特征信息易被噪声掩盖和现实中难以获得大量典型故障样本的实际情况,提出了基于多分辨奇异值分解（Multi-Resolution Singular Value Decomposition,MRSVD）和变量预测模型模式识别（Variable Predictive Model based Class Discriminate,VPMCD）的轴承故障智能诊断方法。利用MRSVD对轴承加速度振动信号进行多层分解,提取包含故障特征的细节信息,建立对数正态分布模型,凸显细节信息中的非高斯特性,计算对数均值和对数标准差构造特征向量,并采用VPMCD方法进行故障识别。将该方法应用于实际轴承外圈、内圈、滚动体局部微弱故障状态下的故障诊断,结果显示：故障识别精度达到98.75%,证明了该方法的可行性和有效性。     

S能量谱特征提取在轴承故障诊断中的应用

准确提取振动信号的特征,是滚动轴承故障检测的关键问题,为此提出一种基于S能量谱特征提取的故障诊断方法。该方法对振动信号进行S变换,得到时频矩阵,并构建S能量谱,对S能量谱进行奇异值分解（Singular Value Decomposition,SVD）分析,得到能够反映S能量谱特征的奇异值,利用变量预测模型（Variable Predictive Model based Class Discriminate,VPMCD）方法,通过建立特征值之间的内在关系,构建故障识别模型。将所提方法应用于滚动轴承故障检测,实验结果表明,S能量谱特征提取轴承故障诊断方法具有较高的正判率。     

基于二次奇异值分解和VPMCD的故障诊断方法

奇异值分解( SVD)在信号分析时需限定主特征值的数量,影响了故障识别的准确性。为此,提出一种新的故障诊断方法。利用奇异值曲率谱自适应选择有效的奇异值进行信号重构,对重构信号实现二次SVD处理,产生相同数量的正交分量,然后求解各正交分量的能量矩,构造特征向量,并采用变量预测模型的分类识别方法分析特征向量,从而建立故障识别模型。将该方法应用于实际轴承的故障诊断,实验结果表明,轴承在正常和故障状态下,该方法的综合识别精度达到97.5%,高于常规基于SVD和支持向量机的方法8.75%。     

微电网HHT谐波检测与时频分析方法

为解决微电网谐波、突变等复杂非平稳信号的精确检测问题,提出一种基于Hilbert-Huang变换（HHT）的微电网谐波检测与时频分析方法。该方法采用保形分段三次埃尔米特插值法拟合极值点曲线,对谐波信号进行经验模态分解（EMD）,得到有限个固有模态分量（IMF）并进行Hilbert变换,最终计算各个IMF分量的瞬时频率和瞬时幅值,实现微电网谐波等非平稳电能信号的时频特性精确检测。仿真结果表明,该方法能够快速、准确地获取谐波信号频率成分、幅度及电压突变时刻。相对于FFT变换及传统HHT方法具有较高的精度和时域区分特性,可满足微电网谐波微机检测的工程应用需求。     

基于IMF能量谱的水声信号特征提取与分类

经验模态分解（EMD）是用来处理非平稳时变信号的一种信号分析方法,该方法对所分析信号的局部特征信号进行不同时间尺度的分解,从而得到这些局部特征信号的各阶本征模函数（IMF）。提出了一种基于IMF能量谱的水声信号特征提取与选择方法,通过对水声信号进行经验模态分解,提取信号的本征模式分量并转换为能量谱特征向量,从而观测不同信号子频带能量谱的特征变化。分类实验采用支持向量机（SVM）分类器进行。实验结果表明,相对于小波能量谱特征提取法而言,利用IMF能量谱作为特征向量的分类实验具有更佳的分类效果,平均正确率达88%以上。     

基于光纤传感技术的复合材料板低速冲击信号方向判别

为了准确识别复合材料板低速冲击信号,搭建了基于光纤Bragg光栅（FBG）传感器应变敏感特性的复合材料板冲击监测系统,分析了基于经验模态分解（EMD）的冲击信号特征提取方法,研究了基于信号特征提取的冲击信号方向判别。通过试验监测了在距离相等的情况下与传感器轴向角度为0°,15°,30°,45°,60°,75°,90°方向的冲击信号,分析得出冲击信号方向与EMD所得特征值呈余弦关系。结果表明：利用光纤传感技术和EMD法可精确判别低速冲击信号方向。     

基于奇异值分解理论的钢轨断裂检测方法

为了检测出钢轨断裂点的准确位置,首先基于传输线理论建立钢轨断裂时的机车分路电流幅值包络仿真模型,分析了钢轨断裂对分路电流幅值包络的影响,然后利用对分路电流幅值包络进行多分辨奇异值分解后细节信号的奇异性特征检测钢轨断裂点的准确位置。实验结果表明,该方法可以有效检测出不同断裂点等效阻抗值下钢轨断裂点的准确位置,从而弥补了目前监测方法的不足。并且该方法的数据可以由机车自身的记录器提供,不需要增加其他检测设备,因此能够在降低检测成本的同时能满足检测及时性方面的要求。     

公共空间模式算法结合经验模式分解的EEG特征提取

常规的公共空间模式分解方法需要大量的输入通道、缺乏频域信息,发展受到限制。为了克服以上缺点,将经验模式分解（Empirical Mode Decomposition,EMD）和公共空间模式算法结合,改变CSP滤波器成分选择方式,提出EMD-CSP算法来获取特征向量。该算法对预处理后的信号进行经验模式（EMD）分解,得到固有模态函数（Intrinsic Mode Functions,IMFs）,观察并计算每个IMF分量的能量谱,筛选有效的IMF频段（5~28 Hz）,使用改进的CSP滤波器进行滤波获取特征,最后使用支持向量机（Support Vector Machine,SVM）进行分类。分类结果得到9位受试的想象运动平均分类正确率为92%,证实了该算法的可行性与有效性。     

能量熵与峰值窗口结合去除眼电伪迹研究

为改进传统独立分量分析自动去除眼电伪迹算法中存在识别眼电分量速度慢、需采集同步参考眼电信号、丢失脑电信号问题,提出一种不需要参考眼电信号的眼电伪迹自动识别去除方法。利用FastICA分解出独立分量,计算各独立分量频谱能量熵,以频谱能量熵值作为判据识别出眼电分量;然后使用峰值窗口分离出眼电分量中存在的脑电信号,与其他独立分量进行拼接;利用FastICA逆变换重构出去眼电伪迹的脑电信号。实验结果表明：该方法能准确快速自动地去除眼电伪迹,并较好地保留其他的脑电信号成分;频谱能量熵识别眼电伪迹平均用时为0.01?s,准确率为98％,适用于实时EOG去除。     

增强局部量化模式人脸识别算法

针对局部二值模式没有考虑邻域点之间的关系以及局部序数模式（LIOP）的邻域点数过少不足,提出一种利用大邻域范围内邻域点间序数信息的特征提取算法。该算法首先以类似LIOP编码的方式得到的邻域特征向量,然后应用[k]均值聚类算法降低特征向量的主模数量。同时此聚类过程可以离线进行并且运行十分高效;最终将级联直方图特征作为人脸特征向量。实验结果表明,该方法的鲁棒性和识别率均优于对比算法。最后应用WPCA算法既降低特征维数又提升了算法的识别率。