基于变分贝叶斯独立分量分析的故障源盲分离

提出一种基于变分贝叶斯独立分量分析的故障源盲分离方法,该方法可直接对噪声干扰的机械源信号进行有效分离,即不需要将未知噪声看成一种独立源,也不需要进行消噪预处理。并将该方法与传统的机械源分离方法进行对比实验,实验结果表明该方法是非常有效的。     

基于ICA-CEEMD小波阈值的传感器信号去噪

针对传感器在采集信号时混入不同的噪声,提出一种基于ICA-CEEMD小波阈值的组合去噪算法。该方法是对一维含噪信号进行剪切分段、平移和拼接,得到几个不同的含噪信号作为独立分量分析(ICA)的输入通道信号。通过ICA的盲源分离技术使得信号和噪声进行初步分离。再利用互补集合经验模态分解(CEEMD)对分离信号进行分解去噪,由于不同的高频和低频噪声,需要对分解的高阶和低阶固有模态函数(IMF)进行处理。对第一层和最后一层IMF利用3σ原则提取细节信息,进一步抑制模态混叠影响,重构去噪信号。最后,利用小波阈值对重构信号做去噪处理,提升去噪效果和性能指标。为验证该方法的有效性,进行了仿真和中北大学汾机实测实验,结果表明,该方法在去噪效果和性能指标上都优于小波软阈值去噪和基于CEEMD的小波阈值去噪方法,是一种有效的信号去噪新方法。     

基于盲源分离去噪和HHT的旋转机械故障诊断

在利用Hilbert-Huang变换对旋转机械的故障信号进行特征提取时,传感器所获得的信号往往受到不同类型的噪声干扰,而忽略噪声的影响常常产生很差的分析效果。为克服此不足,结合盲源分离,提出了一种解决HHT分析中模态裂解现象的方法,即基于快速独立分量分析消噪的HHT分析方法。仿真与实例结果表明,该方法能有效抑制HHT过程中的模态裂解现象,有效提取信号的特征频率,进而实现旋转机械故障诊断。     

自适应非线性BSS及其在齿轮故障诊断中的应用

基于核函数的非线性盲信号处理（BSS）在信号处理中有着广泛的应用,但传统的非线性盲信号处理的学习速率是固定的,如果学习速率选择的不合适,则算法难以收敛或者不能收敛。针对这一不足,结合模拟退火的思想,提出了一种基于核函数的自适应非线性盲信号处理算法。仿真和实验结果表明,该方法改善了原有算法的收敛性能,分离效果良好,算法具有更好的消噪和信号特征提取能力。     

语音模糊消噪算法

针对加性有色噪声,提出了语音信号模糊消噪算法;建立并训练了一个语音模糊消噪系统——自适应神经模糊推理系统（ANFIS）;用其对含噪语音中的有色噪声进行模糊估计,从而提取出干净的语音。对算法进行了仿真实验,结果表明,对模拟有色噪声在-17dB时能提取出清晰的语音。     

基于小波系数非线性连续函数衰减的脑电信号去噪

环境噪声和工频噪声的干扰对脑电信号(EEG)的进一步处理和分析带来极为不利的影响。针对传统小波系数软阈值消噪方法去噪后产生的波形失真和硬阈值消噪方法去噪后产生的振荡现象,提出了一种新的小波系数非线性连续函数衰减处理算法。通过小波系数的非线性衰减处理,使低值端小波系数连续函数的变化介于硬软阈值函数之间,有效避免了处理后的波形失真和振荡。通过实验数据比较,证明处理后的脑电信号信噪比和均方误差均优于传统的小波去噪处理方法。     

基于WT与LSSVC的信号消噪方法及其在转子故障诊断中的应用

噪声是影响转子早期故障特征有效识别与准确提取的主要因素.针对转子故障信号的消噪问题,提出一种基于最小二乘支持向量分类器的小波消噪方法.该方法以信号与噪声在小波域内的统计特征为理论依据,通过构造最小二乘支持向量分类器,以分类方式实现小波域内的信号与噪声判别,并对信号与噪声小波系数采取衰减策略以弱化噪声污染.模拟信号消噪分析与转子故障信号消噪实例表明,该方法可有效抑制信号中的噪声干扰,在信噪比与均方误差意义下的消噪性能优于小波阈值消噪方法.     

基于变分贝叶斯理论的机械故障源 盲分离方法研究

摘要：未知噪声环境下机械源信号盲分离方法由于忽略噪声影响往往得到很差的分离效果。针对此问题,本文提出了一种基于变分贝叶斯独立分量分析的机械故障源分离方法,该方法与传统的机械源分离方法相比,具有以下独特特点,即不需要将未知噪声看成一种独立源,也不需要进行消噪预处理,可直接对噪声干扰的机械源信号进行有效分离。仿真研究表明,提出的方法优于传统的机械源分离方法,分离误差大幅度降低。实验结果也验证了本文提出的方法的有效性。     

粒子滤波和独立分量分析的含噪信号盲分离算法研究

研究了两阶段含噪独立分量分析算法来解决含噪信号盲分离问题。第一阶段,通过粒子滤波实现对不含噪混合信号的估计,将含噪独立分量分析转化为不含噪的独立分量分析;第二阶段用现有的FastICA算法从估计的不含噪混合信号中提取出源信号。不含噪混合信号的时变自回归模型和含噪与不含噪混合信号之间的关系构造了动态的状态．空间方程。该方程的特点是多变量、过程和观测噪声不限于高斯分布,粒子滤波是解决该问题的有效方法。提出了解决含噪独立分量分析的PF＋FastICA算法,仿真试验表明所提出的算法性能优于相关文献的结果。     

基于提升小波变换和AdaBoost的超声信号消噪技术

为了提高超声无损检测(UNDT)和无损评价(UNDE)中基础数据的信噪比(SNR),提出了一种基于提升小波变换和AdaBoost模式识别理论的超声信号消噪技术.该技术在研究材料内部散射体引起的结构噪声产生机理,以及分析传统裂谱分析算法局限性的基础上,利用提升小波变换将原始超声检测信号分解到小波空间后,通过采用AdaBoost算法构成的信噪分离器对信号和噪声进行识别、分离来消除噪声,得到高信噪比的超声回波信号.实验结果表明,与传统裂谱分析算法相比,该技术提高了消噪性能的稳定性,增强了湮没材料内部各种散射体散射中的缺陷回波信号能力.     

基于多个时间点联合解相关的卷积盲源分离

实际信号的混合均为卷积混合,且信号是非平稳的。盲源分离的目标就是找到一组分离滤波器,使得源信号的估计信号互相统计独立。结合信号的非平稳性,利用二阶解相关原理,文章阐明了一种在频域实现卷积混合的盲源分离算法,并且考虑了噪声对分离性能的影响。为了避免频点排列次序的不确定性,利用了多阶段盲源分离思想。利用该算法,对两路混合的实录水声信号进行盲分离,得到了两路源信号的估计信号,通过对估计信号的分析,利用信噪比提高率这一标准,验证了该算法的有效性。该算法收敛速度快,精度高,可用于浅海环境下实录水声混合信号的盲分离。     

基于卷积盲源分离的噪声鲁棒性语音识别的研究

研究了一种基于卷积盲分离算法与MFCC（Mel-Frequency Cepstral Coefficient）特征相结合的噪声鲁棒语音识别方法。该方法在预处理阶段,首先计算预白化观测数据的多阶自相关协方差矩阵,以获得多时延处理的二阶解相关统计信息。然后利用得到的二阶统计信息构建两个对称正定矩阵,通过Cholesky因式分解等一系列变换获得唯一存在的矩阵,根据此矩阵估算语音信号并提取MFCC特征用于后续识别。实验结果表明,在低信噪比条件下,该方法对于数字语音的识别性能优于基本的MFCC识别器和文献中已有的卷积分离算法。     

基于盲源分离的钢筋混凝土梁非线性振动特性分析

将盲源分离技术应用于结构非线性振动特性分析,在小波软阈值去噪的基础上,用二阶统计量盲辨识(SOBI)算法从结构的振动信号中分离出第一阶振动分量,然后利用Hilbert变换得到频率与振幅的关系。在数值仿真算例的基础上,采用钢筋混凝土简支梁和预应力箱梁的试验数据,验证了在分析结构非线性振动特性时,盲源分离技术抗噪性好,比短时傅氏变换更易操作。结果表明:在较小损伤的情况下,利用非线性振动特性识别结构损伤程度,有时比由基于线性振动的模态识别得到的结构频率改变的方式更可靠。     

Mixed Fault Diagnosing of Rolling Bearing Under Noise

In field of rolling bearing fault diagnosis,the sampled bearing vibration signals will be generally disturbed with noise. In noisy environment,the conventional blind source separation method is not good for diagnosing bearing faults. In this paper,wavelet de-noising method and blind source separation technology have been combined. In order to achieve fault diagnosis of rolling bearing,firstly wavelet soft threshold de-noising method has been applied on sampled signals. Then the better robust JADE algorithm has been applied in signals blind source separation. At last,vibration signals bearing inner and outer faults of have been analyzed in this paper,and the corresponding bearing faults have been diagnosed successfully. The proposed research methods provide a new way for diagnosing rolling bearing's mixed faults under noise.     

基于自相关降噪的混叠转子振动信号分离

航空发动机在运行过程中,传感器测得的振动信号是各振源的混叠信号,且含有很强的噪声。常规的信号处理方法难以分离混叠信号,对机器的健康监测和故障诊断造成了很大的困难。介绍了盲源分离基本原理和方法,指出盲源分离算法在强噪声环境下失效。针对强噪声环境下的混叠振动信号,提出首先通过时延自相关降噪方法对振动信号进行降噪,然后通过盲源分离算法对降噪后的信号分离。仿真结果验证了提出方法的有效性。最后,利用该方法对实测混叠转子振动信号成功实现了降噪和盲分离,为噪声环境下的混叠信号分离提供了一种新的方法。     

双/单通道传导电磁干扰噪声盲源分离研究

传导电磁干扰差共模噪声分离中,硬件分离网络结构复杂、成本较高,传统软件分离受环境噪声影响明显,测量同步性差。针对上述局限,提出一种基于盲源分离理论的传导电磁干扰噪声差共模分离策略。首先,利用快速独立分量分析对L线、N线噪声实施双通道盲源分离,实验证明其比射频电流叠加法信噪比范围更宽,适用性更强;其次,单通道盲源分离采用连续小波变换实施虚拟通道扩展以克服同步测量误差,同时改进快速独立分量分析目标函数以提升收敛性能。实验证明,其分离性能取决于小波函数的选取而非扩展通道数量,性能相比双通道盲源分离有一定降低,但节省经济成本,具有较好应用前景。     

基于声压幅度比的多声源分离定位决策研究

利用声压幅度比模型,提出了一种基于声压幅度比的多声源分离定位方法,该方法利用盲信号分离算法实现混合声源信号的分离,根据谱估计的相似度确定接收信号中各声源的分配情况,结合幅度差异因子获得传感器的声源信号分布,再通过单声源的声压幅度比模型确定声源位置,实现多声源定位。由于盲信号分离算法比较成熟,且实际中的声源信号大多为非高斯,因而满足盲信号分离条件。该方法具有实用强、应用性广等特点,对其它分离、定位问题也有借鉴作用。     

改进的二阶统计量盲分离算法

利用二阶统计量(不同时延相关矩阵)的非平稳性和信号时序结构特征,能简单估计出线性瞬时混合的盲源信号。但随时延[τ]增大,仅利用某一个时延协方差均衡化,忽略了信号的时间变化特性,很难保证算法的性能。通过分析矩阵的平均特征,提出一种改进的基于二阶统计量盲源分离算法,对一组均衡化的时延相关函数进行等时延分段,并对等间隔段的两个时延矩阵分别求取均值,采用类似联合近似对角化,估计出最优化的酉矩阵,最终得到信源的稳健估计。性能指标分析和仿真实验证明,算法很好地解决原算法的不足,并成功分离出信号。     

基于R-SOBI的结构模态参数辨识方法

提出了一种基于稳健SOBI算法提取结构/系统的频率、阻尼比及模态振型的方法。运用该法提取系统/结构模态参数的步骤为:首先利用稳健SOBI的盲源分离方法采集的信号进行分离,然后将分离矩阵作为结构/系统的模态振型矩阵,最后再对各个分离后的单自由度信号提取频率、阻尼比参数。研究结果表明,提出的方法可以准确提取出结构/系统的模态参数,尤其是即使噪声环境下仍然能准确提取出系统的模态振型矩阵。