基于倒谱预白化和辛几何模态分解数量规律的轴承故障特征提取方法（英文）

为了有效提取轴承的故障特征,避免轴承损伤引起的冲击成分受到离散频率分量和背景噪声的干扰,提出了一种基于倒谱编辑信号预白化和辛几何模态分解数量规律的轴承故障特征提取方法.首先,对原始信号进行倒谱预白化来增强轴承故障的冲击特性,去除复杂振动信号中的周期性频率成分,产生只包含背景噪声和损伤引起的非平稳冲击成分的白化信号.其次,发现了辛几何模态分解中哈密顿矩阵的有效特征值数目与信号中的频率个数成2倍的数量规律,并通过仿真和理论推导验证了该数量规律.最后,构造预白化信号的轨迹矩阵,进行辛几何模态分解,根据发现的数量规律,选择相应的特征向量重构信号,进行希尔伯特包络谱分析,并提取故障特征.通过仿真分析和应用实例证明,所提方法可以清晰地提取轴承的故障特征.     

基于复合字典降噪和优化傅里叶分解的齿轮箱故障特征提取方法

针对傅里叶分解对噪声敏感且存在模态混叠导致无法准确提取齿轮箱故障特征的问题,提出了一种复合字典降噪与优化傅里叶分解相结合的齿轮箱故障特征提取方法.首先,根据齿轮箱信号特点构造复合字典,结合正交匹配追踪算法降低振动信号中的噪声;其次,针对傅里叶分解过程中的模态混叠现象,提出了利用频谱的极值点划分频带的方法对其进行优化,提...     

改进的基于谱直方图人脸图像特征提取方法

提出了一种基于谱直方图的人脸图像特征提取的方法．使用梯度滤波器、高斯-拉普拉斯滤波器和局域二值模式（LBP）构成的滤波器组来计算待测图像的谱直方图．仿真实验结果和分析表明,该算法具有较高的效率和准确性．     

基于改进EMD的滚动轴承故障特征提取方法

针对滚动轴承早期故障信号微弱、背景噪声强、故障特征难以提取的特点,提出一种基于包络谱灰色关联度改进的经验模态分解（Empirical Mode Decomposition,EMD）特征提取方法。首先,用EMD将原始振动信号分解成若干本征模函数（intrinsic mode function,IMF）分量,计算原始信号及分解后各阶IMF分量的包络谱;然后,用灰色关联度分析计算原始信号包络谱与IMF分量包络谱之间的关联度,以包络谱关联度大小筛选IMF分量进行加权;最后,对加权的IMF分量计算能量、峭度、偏度形成特征集,通过主元分析(Principal Component Analysis,PCA)降维后输入概率神经网络（Probabilistic Neural Network,PNN）进行故障状态识别。该方法利用包络谱灰色关联度有针对性地筛选出对故障特征敏感的IMF分量,相比于单纯利用线性关系大小筛选IMF分量的相关性分析更具针对性。对滚动轴承4种故障状态早期故障信号进行识别,准确率为97.5%,表明该方法是有效的。     

基于经验模态分解的筛选条件研究

经验模态分解是Hilbert—Huang变换（HHT）的关键算法,它分解信号的能力直接影响到HHT的实用性和应用价值．为了研究经验模态分解对多分量复合信号的筛选条件,我们主要研究了在理想条件下经验模态分解筛选过程的特性及其对双分量信号模型的筛选条件,然后推出经验模态分解对多分量复合信号的筛选条件,并给出相应数值实验分析．     

基于小波阈值去噪和自适应变分模态分解的谐波检测方法

为准确检测电力系统的谐波分量,提出一种基于小波阈值去噪和自适应变分模态分解（VMD）的谐波检测方法。在传统VMD算法基础上,通过构建输入信号Hankel矩阵并进行奇异值分解（SVD）的方法,自适应确定模态分解个数;利用改进的小波阈值去噪方法减少噪声的干扰,进一步提高检测精度。仿真实验表明,所提方法能有效地估计谐波的频率和幅值参数,具有较高的检测精度和良好的噪声鲁棒性。     

基于EMD的运动想象脑电特征提取与识别

针对运动想象脑电特征的提取与识别,提出了一种采用经验模态分解(EMD)提取脑电信号能量特征与幅值特征的分类识别方法。首先用时间窗对脑电信号进行细分;然后利用EMD方法对细分后的数据进行分解,取前三阶的固有模态函数分量(IMF),提取能量和平均幅值差作为特征向量;最后,使用支持向量机对左右手运动想象进行分类识别。多次仿真试验数据表明,分类准确度达到88.57%,证明了该方法有效、适用。     

基于改进特征提取方法的五线谱识别

针对传统五线谱识别方法存在谱线过删和漏删的缺点,以及现有音符特征提取方法与谱线删除相互制约的问题,提出一种改进的、无需删除谱线的特征提取方法。在图像预处理阶段保留谱线,将音符与谱线同时投影,结合音符符杆垂直像素数据与音符其它部位像素数据携带的映射特征,对横纵向投影数据进行数理统计分析,得到供音符类型识别的归一化特征值,再利用基准谱线与音符符头的相对位置获取音调信息。实验结果表明,该方法在保证较高识别精度的基础上,进一步提高了识别速率,可以有效识别音符组合形式较复杂的乐谱,对于五线谱识别应用具有重要意义。     

基于变分模态分解的动态阈值分区滤波方法

为了更好地对地震资料进行保边去噪处理,提出了1种基于变分模态分解(variational mode decomposition,VMD)的动态阈值分区滤波方法。该方法通过在不同频带上针对分布强度不同的噪声进行自适应的阈值判断处理,将频带数据分为2个分别代表噪声和边界结构信息的特征区域,再对这2个区域选择适当的滤波方法进行噪声滤除。模型和实际资料验证结果表明,该方法不仅能提高地震资料信噪比而且保护并恢复了地层不连续性信息。     

基于VMD分解和小波阈值的语音信号去噪

为了对非平稳、非连续的语音信号进行降噪,提出一种基于VMD分解和小波阈值的语音降噪方法。通过仿真信号对比分析了VMD、EMD和EEMD算法对信号分解中存在的伪分量、模态混叠问题。先用VMD对语音信号进行分解,再利用小波阈值降噪。实验结果表明,该降噪方法明显优于小波阈值的语音信号降噪、基于EMD和小波阈值的语音信号降噪以及基于EEMD和小波阈值的语音信号降噪。     

儿童音乐识谱学习的规律与方法

儿童音乐能力的较早培养对音乐才能长远的发展非常重要。儿童识谱学习与儿童空间知觉、数学、语言、思维等能力的不断发展变化相关。从儿童兴趣、年龄特点入手,为儿童创设识谱环境,在合乎其能力发展规律的条件下学习识谱,运用整体发展的观点,长远设计,让儿童在学习中体验快乐、体验音乐,促进儿童更早完成识谱学习的目标。     

基于经验模态分解的并列双圆柱绕流信号处理

基于磨光算子处理后空间N-S方程解的存在唯一性,针对一定雷诺数下并列双圆柱绕流具有附着于原大尺度结构上的小尺度结构的特性,提出利用经验模态分解(EMD)这一非线性、非平稳信号处理方法,对风洞实验中一定雷诺数下并列双圆柱绕流实测所得的原始信号进行多尺度分解,得到了去除骑行波之后的有效信号。实验结果表明,该方法磨光效果好,磨光后的信号标准偏差减小25%且无有效信息的损失,同时这种方法还具有自适应等特点。     

基于形态滤波与样本熵的转子故障特征提取方法

将样本熵引入旋转机械故障诊断领域,结合形态滤波和样本熵,提出了一种新的转子故障特征提取方法.首先选用最简单的直线结构元素,对实测转子振动信号进行形态滤波降噪处理;然后计算降噪后信号的样本熵,包括转子正常、不平衡、不对中、油膜涡动和碰摩等五种工况的振动信号;最后将样本熵作为特征,对各种故障状态进行评价.转子系统故障诊断的实例验证了该方法的可行性和有效性.     

基于VMD和CNN的滚动轴承故障定量诊断方法

针对滚动轴承故障尺寸难以定量诊断的问题,提出了变分模态分解(variational mode decomposition,VMD)和卷积神经网络(convolutional neural networks,CNN)相结合的诊断方法。首先对带有不同故障尺寸滚动轴承的运行进行监测,得到1个与滚动轴承故障尺寸有关的数据库;然后对数据进行VMD,提取有效的训练模式分量,并去除噪声等的干扰;最后将训练模式分量置入CNN进行训练,得到能对滚动轴承故障尺寸进行预测的网络模型。实验结果表明,所提方法可有效实现对滚动轴承的定量诊断。     

一种基于二维经验模式分解的人脸识别方法

针对小波变换在人脸识别中存在识别正确率较低的问题,提出了一种基于二维经验模式分解的人脸识别方法。首先利用二维经验模式分解对人脸图像进行分解,再提取各分解子图像的能量作为人脸特征向量,并采用支持向量机进行训练和识别。经剑桥大学ORL人脸库的图像识别实验表明,所提方法的识别率高于小波方法,正确率达到98.6%。     

一种基于MFCC和SVM的语音识别方法

提出了以Mel频率倒谱系数(MelFrequencyCepstrumCoefficients,MFCC)作为特征提取技术,以支持向量机(SupportVectorMachine,SVM)作为分类器的语音识别方法,实验结果表明,对于容易混淆的英文单词,该方法语音识别准确率较高。     

基于改进EMD与FastICA—样本熵的齿轮故障特征提取方法

针对齿轮常见故障及信号在传统EMD算法分解中产生的端点效应,提出一种基于改进经验模态分解（EMD）与快速独立分量分析（FastICA）—样本熵的齿轮故障特征提取方法。首先对信号进行EMD分解,得到一系列IMF分量和残余量,在此过程中通过匹配差别最小的极值包络线段确定端点处极值,然后从每个信号中分别选取周期性明显的分量与原始信号组成混合信号作为FastICA的输入,获得ICA计算后的分量,最后分别计算EMD分量与各独立分量的样本熵。实验结果表明,改进后的EMD算法可以有效改善端点效应问题,并通过与EMD—样本熵的对比,表明FastICA—样本熵能更明显、稳定地反映齿轮故障,因此可作为一种有效的故障特征。     

基于模糊函数和K-L变换的超声信号特征提取方法

用模糊函数表示超声信号,以解决特征提取时不同中心频率和不同到达时间的超声信号的预处理问题,并为信号分类提供时频特征。提出采用Karhunen-Loeve(K-L)变换提取信号的模糊平面特征,并对特征的分类能力进行了分析。实验结果表明模糊函数能有效去除信号的中心频率和到达时间的差异,用K-L变换提取的模糊平面特征能在低维空间有效地描述超声信号,并能获得较好的分类效果。     

基于MEEMD与TEO的电缆故障测距方法

正确识别故障行波波头和精确的双端测距算法可保障电缆故障行波测距精度。为解决希尔伯特黄变换（HHT）中经验模态分解（EMD）存在的模态混叠问题,提出一种基于改进集总经验模态分解（MEEMD）和Teager能量算子相结合的电缆故障行波检测方法。针对故障行波波速及线路实际长度变化对双端测距精度的影响,推导出一种不受波速影响的双端测距算法。PSCAD/EMTDC仿真结果验证了该方法可行且测距精度高。