基于改进字典学习的单通道振动信号盲源分离算法

单一传感器采集到的机械信号可能是多个激振源的叠加,难以进行有效分离。针对单通道盲源分离问题提出了基于改进字典学习的单通道振动信号盲源分离算法。首先利用移不变字典学习算法学习信号中的移不变基函数,重构基函数得到反映信号时频域特征的移不变分量,然后利用自适应模糊C均值聚类算法及局部最大值检测算法对得到的各个移不变分量的包络谱提取关键点并聚类,最后将聚类后的移不变分量进行叠加得到源信号的估计。仿真数据的实验表明,算法在噪声环境下具有一定的鲁棒性,同时将该算法应用到实测某型直升机振动信号分离中,进一步验证了该算法的实际价值。     

基于最优匹配跟踪算法的单通道机械信号盲源分离

在形态学滤波的基础上,结合匹配跟踪算法(Matching Pursuit,MP)和盲源分离算法(Blind Source Separation,BSS)各自的特点,提出了一种基于最优匹配跟踪信号分解的欠定盲源分离算法.利用MP算法将非线性信号通过投影分解,在分解过程中利用遗传算法寻找最优原子,有效提高了算法匹配的精度和效率.将所得到的匹配分量和滤波后的原始观察信号组成新的多维信号,解决了单通道信号盲分离的欠定问题.利用快速核独立分量分析(Fast Kernel Independent Component Analysis,FastKICA)算法实现信号的盲分离,并分析了分离的不同源信号对于故障的贡献率.将该方法用于仿真信号和实际的轴承试验的信号,试验结果表明算法能够很好地解决单通道信号的盲分离难题.     

基于变分模态分解的侵彻过载信号盲分离

侵彻过载信号包含复杂的信号分量,传统的信号处理方法无法有效提取弹体的侵彻过载特征.提出一种将变分模态分解与盲源分离相结合的侵彻过载信号特征分离方法,首先由变分模态分解将源信号分解成一系列本征模态函数;然后将本征模态函数与源信号组成多维观测信号,对其自相关矩阵进行奇异值分解估计源信号数目,并计算各本征模态函数与源信号的相...     

基于单通道盲源分离的结构模态参数识别

针对基于传统盲源分离算法的结构模态参数识别需要满足传感器数目不少于源信号数目的问题,提出一种基于单通道盲源分离的结构模态参数识别方法,该方法利用单个通道信号即可完成结构模态参数识别。利用同步提取变换(synchro extracting transform, SET)对单通道观测信号进行时频分析以确定变分模态分解(variational mode decomposition, VMD)参数K的取值;将观测信号利用VMD分解形成K个本征模态函数(intrinsic mode function, IMF);将K个IMF进行线性混合形成2维观测信号并与原单通道观测信号重构形成3维观测信号,利用基于信号稀疏性的源信号分离算法分离得到各单模态信号;利用单模态识别技术识别结构模态参数。仿真和实测信号数据表明所提方法的有效性。     

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。     

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。     

基于变分贝叶斯算法和MLP网络的后非线性混合盲源分离方法研究

传统的后非线性模型往往要求其后非线性函数是可逆的,否则无法进行源信号的分离。然而在实际中,这一要求并不完全满足。针对此不足,结合变分贝叶斯推论和多层感知器网络,提出一种改进的多层感知器后非线性模型,它通过多层感知器来模拟后非线性函数,实现对不可逆后非线性函数混合的盲分离。仿真和实验结果表明该方法是有效的。     

基于EEMD子带提取相关机械振动信号单通道盲源分离

针对传统独立分量分析难以解决机械故障诊断中存在的相关源信号盲分离、欠定盲分离等问题,在相关振源信号部分子带满足统计独立的假设前提下,提出基于总体经验模态分解子带提取相关机械源单通道盲源分离方法。该方法将单通道观测信号进行总体经验模态分解获得到子带观测信号,将单通道信号及子带观测信号组成新的多维信号,利用奇异值分解及贝叶斯准则估计源信号数目;据互信息标准与源信号数目选若干独立性较强的子带观测信号重构,实现信号升维;对重构的观测信号进行白化预处理及联合近似对角化,获得源信号估计。并仿真、实验验证该方法在机械故障诊断中的有效性。     

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。     

多途环境下的单通道水声信号盲源分离

提出了一种适用于多途环境下的单观测通道水声信号盲源分离方法。该方法首先利用自相关估计多途时延,使经各途径到达的多途信号同相叠加,信号能量得到增强,而噪声由于随机性能量不会增加,进而提高信噪比。然后采用间隔重采样的方法,虚拟多接收通道,解决单通道的欠定问题。仿真分析表明该方法可以有效解决多途环境下的舰船辐射噪声与环境噪声分离,而且在不同信噪比下有较稳定的分离性能。     

基于边检测盲源分离几何算法研究

提出了一种基于边检测的盲源分离几何算法.该算法只需要检测到观测信号X的所有独立的边,然后根据数字信号混叠时的几何性质,分离出源信号.首先给出了问题的数学模型,然后对其分析并给出具体的分离算法,最后给出了仿真结果.仿真结果表明:该算法比一般的几何算法复杂度降低了,分离时间减少了,并且能保证分离效果.     

应用JADE盲分离算法分离统计相关源

在一些如故障诊断等复杂的应用系统中，不相关源与相关源往往以相互混合方式同时存在于传感观测中。由于相关源不满足盲源离理论有关源的统计独立性前提假设，因此现有的盲源分离算法如基于矩阵联合对角化的算法等，无法从混有相关源的传感观测中准确分离源信号(不相关源信号和相关源信号)。本文在基于矩阵联合对角化的盲分离算法的基础上，提出通过对其源估计进行修正的相关源分离算法。理论分析和仿真结果表明：修正后的基于矩阵联合对角化的盲分离算法，能有效地分离包含相关源的混合观测信号。     

基于EMD和CICA的单通道盲源分离方法用于齿轮箱混合故障诊断研究

针对传统的独立分量分析难以解决齿轮箱混合故障诊断中存在的欠定盲分离问题,提出了基于EMD和CICA(约束独立分量分析)的单通道盲源分离方法。通过单通道加速度传感器采集齿轮箱混合故障信号,对其进行EMD分解以实现降噪及单通道扩展,采用基于白噪声统计特性和峭度值结合的方法选取有效的IMF分量,将其作为盲源分离的输入信号,通过CICA方法提取目标振动信号,识别故障特征。通过对齿轮箱轴承与齿轮混合故障的仿真及实验研究,验证了该方法的有效性和可行性。     

遥测振动信号单通道盲源分离自适应滤波幅度校正方法

针对基于经验模态分解(empirical mode decomposition,EMD)和独立分量分析(independent component analysis,ICA)的单通道盲源分离幅度不确定性问题,根据最小失真准则提出了一种自适应滤波幅度校正方法。利用EMD将单通道信号分解为一系列本征模态函数(intrinsic mode function,IMF),依据对数坐标下的边际谱分布确定单通道信号包含的独立分量数目。选择对应的IMF组合作为观测信号分量,利用ICA完成分离。根据分离信号数目确定横向滤波器阶数,并将分离信号作为滤波器的输入信号分量。利用滤波器输出和原始单通道信号设计目标函数,自适应调整滤波器系数使算法完成收敛,算法收敛后的滤波器权系数即为对应分离信号的幅度校正系数。仿真及飞行器试验遥测振动信号的处理结果证明在EMD-ICA基础上,该方法可准确得到信号各分量的幅度信息,为遥测振动信号进行时域统计及时频分析中能量检测提供了有效技术途径。     

基于移不变稀疏编码的单通道机械信号盲源分离EI北大核心CSCD

针对特征反复出现的机械信号,提出了一种使用移不变稀疏编码的单通道盲源分离方法。移不变稀疏编码将原始信号看成多个基与系数的卷积,能够根据信号的统计分布,利用信号自身特征自适应地学习到匹配的基和稀疏的系数。在恒定工况下,不同的信号源具有不同的特征,同一信号源的特征结构相似,将学习到的不同特性的基分别重构即可得到相应的源信号。将该方案应用于仿真的齿轮故障和轴承故障振动信号盲源分离问题中,以及用来提取实测的液压泵压力脉动。结果显示,这种方法较其他方法有所改进,所需人工经验少、抗噪能力强、信号恢复精度高、鲁棒性好,适用于单通道机械信号盲源分离,为单通道信号盲源分离提供了一种新思路。     

基于变分模态分解和奇异值分解的频率相近信号分离方法

频率相近信号分离是故障诊断的难点问题。变分模态分解(VMD)作为一种新的信号时频分析方法,对频率相近信号具有较高的分辨率,能够实现频率相近信号的分离。VMD分解时先指定分解层数,层数选取的优劣将直接影响分解效果,过分解时容易产生虚假频率成分,反之,欠分解则容易丢失有用频率成分。基于此,提出一种基于变分模态分解和奇异值分解相结合的相近频率信号分离方法。首先选择适当的分解层数对信号进行VMD过分解,然后对分解得到的分量进行奇异值分解,通过奇异值分解检测并剔除虚假信号成分,从而实现频率相近信号的有效分离。利用仿真信号和滚动轴承故障信号证明了该方法的有效性和可行性。     

基于膜计算与粒子群算法的盲源分离方法

为了解决盲源分离方法收敛速度慢、分离性能不高的问题,提出一种基于膜计算(Membrane Computing,MC)和粒子群算法(Particle Swarm Optimization,PSO)的盲源分离方法。算法以分离信号负熵作为粒子群的适应值函数,将粒子均匀分布到各基本膜中,将各基本膜内最优位置输出到表层膜并选择适应值最小的最优位置作为群体最优位置,通过粒子自身最优位置和群体最优位置对种群粒子进行速度和位置的更新。粒子群最优解调整盲源分离的步长函数,进行信号的分离。提出的算法简化了惯性权重取值问题,保证了PSO算法局部搜索的精度,满足了全局搜索的多样性。仿真实验和实例应用表明,提出的算法可以很好地分离混合信号,并且能避免PSO算法的早熟收敛问题,具有更快的收敛速度和更优异的分离性能。     

基于单通道算法的内燃机油底壳辐射噪声分离

通过对内燃机的辐射噪声源进行分离和识别,得到的各独立噪声可为其减振降噪和监测诊断提供依据。在内燃机噪声源识别中,燃烧噪声和活塞敲击噪声在时域和频域上均有混叠,很难准确地将其进行分离。在半消音室中进行内燃机振动噪声试验,采集一路内燃机油底壳近场辐射噪声,先对其进行消除趋势项及滑动平均等预处理,减少随机误差成分,然后用集合经验模态分解得到IMF分量,用主分量分析降维,最后用快速独立分量分析进行盲源分离,并结合连续小波时频分析等方法进行识别。研究结果表明:通过采用单通道算法对内燃机油底壳辐射噪声进行分离和识别,可得到各独立分量,分别为内燃机的燃烧噪声和活塞敲击噪声。     

基于新概率密度函数的ICA盲源分离

基于独立分量分析(Independent Component Analysis,ICA),利用极大似然估计法,研究了超高斯和亚高斯的混合信号的盲源分离(Blind Sources Separation,BSS)问题.文中构造了一种新的、不同于以往文章中用来分离混合信号的概率密度函数(Probability Density Function,PDF).新构造的PDF无需改变函数中的参数值,可用来对于超高斯和亚高斯信号的概率密度进行估计(假设未知源信号是相互独立的).数值实验验证了新构造的PDF的可行性,与原算法相比,收敛时间和分离效果都得到了较大的改善.     

被动声纳方位估计的宽带盲源分离算法

针对实际被动声纳信号宽带非平稳且统计特性无法预知的特点,由宽带卷积混合模型,建立了融合时间延迟结构与非参数化特性的代价函数,通过核密度技术同时估计目标源的概率密度函数和解混矩阵,并对估计的最优解混矩阵与目标源信号求取每个频点内方位能量谱,最后累加所有子带构成宽带方位能量谱。宽带仿真结果与实际海试表明本文方法在方位分辨率和估计精度方面接近最小方差无失真响应（Minimum variance distortionless response, MVDR）和多重信号分类（Multiple signal classification, MUSIC）算法,在弱目标检测方面具有一定优势。