用分数阶微分实现时频重叠多模式兰姆波的模式分离

为了分离时频重叠多模式超声兰姆波,提出了一种用分数阶微分理论实现多模式兰姆波模式分离的方法。以时频重叠的S1和A1模式混合信号为例,用赛利斯分布作为幅值谱的模型,首先对信号做频散补偿,由补偿后信号幅值谱分数阶微分推导了幅值谱特征参数的计算式并根据信号模型重建幅值谱,然后结合兰姆波的频散特性推导出对应的相位谱,并通过幅值谱和相位谱重构各模式的信号,实现模式分离。对1 mm钢板中仿真时频重叠的S₁和A₁模式信号分离结果显示分离出信号的幅值和带宽相对误差小于6%,中心频率相对误差小于0.25%。实验结果也证实了方法的可行性。因此当混合信号幅值谱不完全交叠时,本方法可以实现多模式兰姆波信号的分离,有助于多模式兰姆波频散信号的分析和识别。      

基于频散补偿和分数阶微分的多模式兰姆波分离

由于兰姆波的多模和频散特性,实际检测时在同一激发频率下存在多种模式的混合信号,而各模式信号有不同的频散特性,使得在时频混叠的情况下兰姆波的检测变得十分复杂.本文在频散补偿的基础上,通过时延函数建模,依靠不同模式频散趋势的差异性,将时频混叠信号的分离问题转化为部分模式混叠信号的分离问题.基于分数阶微分的理论,用信号幅值谱分数阶微分极大值和对应频率分别与微分阶次拟合多项式实现特征参数的提取并依靠特征参数重建幅值谱.结合相位谱重构时域信号以实现部分混叠信号中频散补偿后的模式的分离.最后恢复频散获得分离后的兰姆波信号.仿真和实验结果表明,本文方法不仅可以实现时频混叠多模式兰姆波信号的分离,更能保证分离精度,有助于复杂多模式频散信号的分离与处理的进一步研究.     

小波阈值去噪的一种改进方法

白噪声的方差和幅值随着小波变换尺度的增加会逐渐减小,而信号的方差和幅值与小波变换的尺度变化无关。本文在Donoho的软、硬阈值去噪方法基础上,提出了一种新的阈值函数,并把它们应用在图像的去噪上。该阈值函数具有物理意义清晰、表达式简单、计算方便等优点。实际噪声图像测试结果表明,这种经改进的方法可以有效地去除白噪声干扰,无论是在视觉效果上还是在信噪比和均方误差定量指标上均明显优于常用的软、硬阈值去噪算法以及改进的软硬阈值折中算法。     

基于混沌和随机共振的微弱信号检测

推导了分数阶线性振子系统响应的一阶稳态矩的频率不变性和相移特性, 并通过理论分析得出, 在随机共振机制下, 分数阶线性振子对系统响应一阶稳态矩的幅值具有放大作用. 构造Duffing混沌振子检测器, 利用混沌系统对参数摄动的敏感性以及对噪声的免疫能力实现弱信号检测. 数值模拟证实, 该方法可以有效地从噪声背景中将微弱正弦信号检测出来, 并且相对传统的混沌检测方法能显著降低信噪比检测门限.     

基于小波域可导阈值函数与自适应阈值的脉冲星信号消噪

脉冲星辐射信号具有极低的信噪比, 传统降噪方法难以在抑制噪声的同时保留其细节信息. 为此, 提出了一种小波域脉冲星信号消噪方法. 在小波域, 利用一种可导的阈值函数和一种自适应阈值选取方法, 对含噪脉冲星信号进行小波域阈值去噪处理, 并利用信噪比(SNR)、 均方根误差(RMSE)、 峰值相对误差(REPV) 以及峰位误差(EPP) 四项指标来对去噪效果进行评价. 实验结果表明, 与软阈值与硬阈值法相比, 该方法能在有效去除含噪脉冲星信号中的噪声、 显著提高其信噪比的同时, 更有效地保留原始信号中的有用信息, 同时可以获得更小的均方根误差、 脉冲峰值相对误差与峰位误差.     

基于特征提取的低信噪比拉曼光谱去噪方法研究

为了提高拉曼光谱检测系统的时间分辨率,常常需要采用较短的采样积分时间,此时带有分子结构振动谱的有用拉曼信号可能完全淹没在噪声中,严重影响信号的进一步分析,因此有必要对测量所得的光谱信号进行噪声消除处理。传统的消噪方法是基于信号与噪声在频域或统计特性之间的差异,通过平滑滤波或取平均值的方法来消除噪声,一般适用于噪声强度不高的情况,对于信噪比较低的情况处理效果并不理想。针对传统去噪方法的不足,从信号重构的角度,利用基于小波变换的谱峰识别、半峰宽检测提取光谱特征参数,再利用最小二乘拟合的方法,能够有效地提取淹没于强噪声背景下的有用拉曼信号。在仿真中,运用该算法得到的光谱曲线光滑,峰位置准确,信噪比改善明显。在实验中,分别利用该方法处理头孢呋辛酯片和罗红霉素拉曼光谱数据,得到了清晰的谱峰位置、幅值及半峰宽信息,实现了对短积分时间、强噪声背景的拉曼信号的有效还原,提高了检测系统的时间分辨率。仿真和实验结果表明,该方法需要调整参数少,易于实现,在信噪比比较低的情况下依然能够得到良好的去噪效果,为进一步分析光谱数据提供准确可靠的信息。     

K-SVD和OMP算法在超声信号去噪中的应用

针对在线采集时超声波检测信号中存在大量噪声,降低了材料内部缺陷诊断准确性的问题,提出了一种基于广义K+奇异值分解算法(K-SVD)和正交匹配追踪算法(OMP)相结合的超声回波信号去噪算法。该算法利用K-SVD算法将Gabor字典训练成能够最有效反映信号结构特征的超完备字典,然后基于训练完成的超完备字典,用OMP算法把一定数量的字典原子进行线性组合来构成原始信号,从而实现信号的去噪。通过仿真实验将本文方法与传统的小波阈值去噪方法进行了对比研究。实验结果表明,该方法对超声回波信号的去噪效果优于小波阈值去噪方法,且噪声越大对比越明显,不仅可更有效地滤除信号中的高斯白噪声,提高信噪比,且尽可能保留了原始信号有用信息。     

基于FFT奇异值分解的光谱信号去噪算法

微型光谱仪在采集光谱信号过程中,光谱数据经常受到来自仪器光学系统和电子电路中的干扰出现噪声和光源特征峰,严重干扰了真实光谱信号的图谱特征,因此需要使用合理的预处理方法保留光谱信号中有用信号并尽可能过滤噪声信号同时将光源特征峰滤除,从而提高光谱信息定量分析的稳健性和准确性。并且在线检测系统要求尽可能减少人为参数选择对去噪效果的影响,奇异值分解经常应用于由系统电路引起的噪声去噪,奇异值降噪阶次的选取对提高信号信噪比十分关键,但是往往参数选取主要依赖经验调试和实验验证。因此,提出了一种基于奇异值重构信号分量频率的光谱信号去噪算法。该算法首先重构原始光谱信号单个奇异值分量信号,然后对每个奇异值分量信号作快速傅里叶变换,得到每个奇异值分量信号快速傅里叶变换结果中振幅最大所对应的频率值,最后按照奇异值递减方式对相应分量信号频率值进行一阶滞后差分,得到频率差分谱,研究表明,差分谱第一个谱峰值在大于设定阈值处所对应的奇异值即为奇异值分解降噪的有效阶次。结果表明：对包含多种重金属离子的溶液在线测量的紫外可见光谱信号,添加不同强度的随机噪声,并进行去噪处理,使用信噪比和均方根误差两个性能指标进行对比。所提算法相较于SG滤波算法和小波变换去噪算法信噪比分别提高了22.05%,10.88%,均方根误差分别降低了74.28%,41.29%。所提算法完全基于数据驱动,在处理真实紫外可见光谱信号中不仅抑制了噪声影响,而且将微型光谱仪的光源特征峰有效滤除,在紫外可见光谱信号的定量分析中具有较好的应用前景。     

一种改进的奇异值降噪阶次选取方法用于紫外光谱信号去噪的研究

光谱去噪是光谱检测的重要环节。针对光谱信号易受光谱仪热噪声、现场机械振动以及随机噪声等因素影响,而在线监测系统要求减少人为参数选择对去噪效果的影响,提出利用奇异值分解(SVD)理论对光谱信号去噪。提出一种改进的降噪阶次选取方法：指定奇异值差分谱最大峰值点θ₁为所选阶次下界;利用奇异值、奇异值差分谱综合信息选取阶次上界θ₂;将区间θ₁～θ₂定义为模糊区域,通过模糊C均值聚类求取隶属度,赋予模糊区域内奇异值相应的权重系数。用所提方法对不同信噪比下SO₂紫外光谱信号去噪,将信噪比、均方根误差、波形相似系数、平滑度指标用于去噪效果的评价。去噪结果表明：所提方法完全基于数据驱动,具有较好的去噪效果,能够真实的恢复原始信号。     

基于稀疏分解的轨道移频信号去噪算法研究

随着我国铁路的高速发展,轨道移频信号的检测译码技术受到广泛关注;然而实际采集的轨道移频信号不可避免地会混入大量的背景噪声和干扰,因此译码前需要去噪以提高译码的准确性;提出一种基于稀疏分解的轨道移频信号去噪算法,利用移频信号特点构建过完备原子库,采用粗细二阶段匹配追踪算法实现移频信号的噪声去除;将文章算法应用到主流的ZPW-2000轨道移频信号中,结果表明,该算法具有比小波阈值、经验模式分解算法更好的去噪性能,能够有效地去除低信噪比移频信号的噪声,且去噪后译码信噪比可提高10 dB,另外,采用粗细二阶段原子搜索算法显著降低了匹配追踪的运算量,满足实时性要求。     

板状结构Lamb波频散补偿与聚焦接收成像检测

对板状结构中Lamb波的频散和多模现象进行了理论分析,采用有限元仿真方法获取了Lamb波与缺陷作用后的回波信号,对信号进行聚焦接收处理,即在一定距离范围内利用导波频散特性对各个模式信号进行频散补偿,提取补偿后信号的幅值,结果表明当所得信号幅值最大时,所对应的补偿距离等于缺陷与换能器之间的实际距离.利用这一结论,提出了以...     

遗传算法优化变分模态分解提取舰船辐射噪声特征线谱方法

特征线谱提取是舰船目标识别的一个重要研究环节,常采用传统的DEMON谱分析方法,处理过程中,一般对舰船噪声时域信号未予抑噪,低信噪比情况下,传统DEMON谱分析性能差。对此,提出一种采用遗传算法优化变分模态分解方法,用于分解舰船噪声原时域信号,获得抑制噪声后的舰船噪声重构信号,进而有效提取了舰船目标噪声幅度调制特征线谱。该方法首先采用遗传算法优化变分模态分解的两个关键输入参数(分解所取模态个数和惩罚因子),对变分模态分解得到的各阶固有模态分量加以判别,去除噪声主导分量,保留信号主导分量,使重构舰船噪声信号显著抑制了干扰噪声,然后对降噪后的重构信号进行频谱分析,获得目标噪声调制特征线谱。理论分析、仿真和实验数据处理结果表明,相比传统DEMON谱分析法,基于遗传算法优化变分模态分解的舰船噪声特征线谱提取方法具有更好的噪声抑制能力,所获取的舰船噪声幅度调制特征线谱信噪比明显高于传统DEMON方法,具有一定优势,前景良好。     

基于改进经验模态分解域内心动物理特征识别模式分量的心电信号重建

心电图(electrocardiogram,ECG)诊断心脏疾病的严格标准,要求有效地消除噪声并准确地重建ECG信号.经验模式分解(empirical mode decomposition,EMD)方法重建ECG信号中,模式混叠及重建采用模式分量的识别以经验为基础,导致重建ECG信号准确度降低,且方法不具有自适应和通用性.本文首先基于积分均值定理提出一种改进的EMD方法——积分均值模式分解(integral mean mode decomposition,IMMD)方法,经5000个高斯白噪声样本的蒙特卡罗法验证,IMMD方法比EMD具有更优多分辨率分析能力,能够有效地缓解模式混叠.其次,基于ECG信号内固有心动物理特征量识别重建ECG信号所采用的模式分量,具有现实物理意义,因此,方法具有自适应和通用性.经验证,提出方法重建47例ECG信号与原ECG信号的相关系数中:31例优于变分模式分解方法;33例优于Haar小波软阈值法;42例优于集总经验模式分解方法;45例优于EMD方法.相关系数均值为0.8904,方差为0.0071,表现稳定且最优.     

全相位FFT在导弹自动驾驶仪测试中的应用

自动驾驶仪是导弹的姿态控制系统,其性能好坏决定了导弹飞行的稳定性。为了精确测量其性能,对导弹自动驾驶仪测试原理和方法进行了研究,进行了正弦信号测量方法的分析,提出了基于全相位FFT数据处理方法,并结合时移相位差校正方法实现正弦形式信号的频率、幅度和相位等参数的精确测量。利用LabVIEW图形化编程软件设计了算法软件,通过仿真试验考察了该算法在无噪、低噪和大噪环境下信号测量精度,结果表明全相位FFT方法在信号频谱测量方面具有精度高、抗噪能力强等优点,满足自动驾驶仪的测试需求。     

A New Method Based on Time-Varying Filtering Intrinsic Time-Scale Decomposition and General Refined Composite Multiscale Sample Entropy for Rolling-Bearing Feature Extraction

The early fault diagnosis of rolling bearings has always been a difficult problem due to the interference of strong noise. This paper proposes a new method of early fault diagnosis for rolling bearings with entropy participation. First, a new signal decomposition method is proposed in this paper: intrinsic time-scale decomposition based on time-varying filtering. It is introduced into the framework of complete ensemble intrinsic time-scale decomposition with adaptive noise (CEITDAN). Compared with traditional intrinsic time-scale decomposition, intrinsic time-scale decomposition based on time-varying filtering can improve frequency-separation performance. It has strong robustness in the presence of noise interference. However, decomposition parameters (the bandwidth threshold and B-spline order) have significant impacts on the decomposition results of this method, and they need to be artificially set. Aiming to address this problem, this paper proposes rolling-bearing fault diagnosis optimization based on an improved coyote optimization algorithm (COA). First, the minimal generalized refined composite multiscale sample entropy parameter was used as the objective function. Through the improved COA algorithm, optimal intrinsic time-scale decomposition parameters based on time-varying filtering that match the input signal are obtained. By analyzing generalized refined composite multiscale sample entropy (GRCMSE), whether the mode component is dominated by the fault signal is determined. The signal is reconstructed and decomposed again. Finally, the mode component with the highest energy in the central frequency band is selected for envelope spectrum variation for fault diagnosis. Lastly, simulated and experimental signals were used to verify the effectiveness of the proposed method.     

结合幅度谱和功率谱字典的语音增强方法

从双路字典学习、噪声功率谱估计、语音幅度谱重构角度提出了一种改进的谱特征稀疏表示语音增强方法。在字典学习阶段,融合功率谱与幅度谱特征,采用区分性字典降低语音字典和噪声字典的相干性;在语音增强阶段,提出一种噪声功率谱估计方法对非平稳噪声进行跟踪估计;考虑到幅度谱和功率谱特征对不同噪声的适应程度不同,设计了语音重构权值表。对分别由幅度谱和功率谱恢复而来的两路信号进行自适应加权重构,结合相位补偿函数得到增强后的语音信号。实验结果表明,该方法在平稳、非平稳噪声环境下相比于单一谱特征的语音增强方法平均提高31.6%,改善了语音增强方法的性能。      

兰姆波检测信号的匹配追踪时频分析

为有效去除兰姆波检测信号中的冗余信息和识别多个模态,应用匹配追踪方法对兰姆波信号进行处理。在Chirplet原子基础上添加弯曲算子进行改进,以更好地匹配频散和多模式兰姆波信号的特征。由改进的Chirplet原子组成过完备字典,使用基于遗传算法的匹配追踪(GAMP)信号稀疏分解方法,从过完备字典中选出与待分析信号相匹配的最佳原子,利用最佳匹配原子和对应的分解系数进行信号重构和时频分析。研究结果表明,改进后的Chirplet原子更能反映出兰姆波信号的非线性时频变化特征,得到的时频分布与频散曲线的弯曲特性能很好的吻合。采用改进后的Chirplet原子匹配追踪方法可以获取更加精确的走时信息,为后续兰姆波损伤定位成像奠定基础。