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。     

经验模态分解在电力绝缘气体SF6红外光谱去噪中的应用

经验模态分解(EMD)是以信号极值特征尺度为度量的时空滤波器,它充分保留了信号本身的非线性和非平稳特征,在信号去噪中具有较大的优势.本文以电力绝缘气体SF6为研究对象,在介绍EMD分解方法的基础上,首先对含噪的SF6光谱信号做EMD分解,得到各阶本征模态函数(IMF),然后对高频的IMF分量用阈值法进行处理,把经过阈值处理后的高频IMF分量与低频IMF分量叠加重构得到去噪后的信号.分析了在不同噪声水平上与小波阈值去噪方法的处理效果.实验结果表明EMD阈值去噪法有效地去除了噪声,较好地保留了光谱的细节信息,与小波阈值去噪方法相比较具有自适应的优势.     

SVM方法在滚动轴承故障诊断中的应用

SVM方法是在统计学习理论的基础上发展起来的一种新的机器学习算法,它是统计学习理论的具体应用．讨论了SVM方法在故障诊断领域中应用的分类算法,并以滚动轴承为例进行了试验论证．     

改进EEMD算法在缸盖振动信号降噪中的应用研究

针对常规降噪方法应用于柴油机缸盖振动信号降噪时,自适应差且需要根据噪声环境人为调整参数的问题,在传统EEMD算法基础上提出一种改进的EEMD降噪算法,并将其应用于柴油机缸盖振动信号处理。首先对原始信号进行预处理,其次利用总体经验模态分解（EEMD）算法在非线性、非平稳信号处理时的自适应特性,分解原始信号得到各阶本征模态分量,经Savitzky-Golay平滑滤波,再将噪声占主导的高频分量进行阈值去噪,最后得到干净的本征模态分量进行重构。仿真实验和实测结果表明,在输入信号12dB的多种输入信号工况下,改进EEMD算法去噪后信噪比为17.1,比现有去噪方法提升14%。     

基于EMD-WVD时频分布的齿轮故障诊断方法

针对Wigner-Ville分布(WVD)存在交叉项干扰的问题,采用基于经验模态分解(EMD)的WVD交叉项抑制方法,将齿轮故障信号分解为各阶固有模态函数,剔除伪分量后计算其各阶WVD,将WVD计算结果线性叠加就得到原始故障信号的WVD时频分布。仿真和实验结果表明,该方法结合EMD和WVD的优点,有效抑制WVD交叉项的干扰,保证其时频分布聚集性,达到诊断齿轮故障的目的。     

荧光光谱信号的去噪算法研究

分析了目前两类去噪方法的优缺点.针对荧光光谱信号与高斯白噪声在频率上的差异,重点探讨了以光谱信号提取为主的去噪方法.对经验模态分解的相关理论进行了分析,提出了基于经验模态分解的荧光光谱信号的去噪算法,并与小波去噪法进行了对比,验证了经验模态分解在提高荧光光谱信号的信噪比上的优势.     

基于奇异值分解和支持向量机的故障诊断方法研究

针对设备故障信号的微弱和噪声干扰严重问题,提出了基于奇异值分解和支持向量机的故障诊断方法.利用聚类分析的方法预处理设备的状态信号,剔除信号的异常点,以提高信号的准确性.对预处理后的信号进行构造矩阵和奇异值分解,选择恰当的窗口长度,以奇异值作为信号特征.支持向量机对信号特征进行识别和分类,为了避免支持向量机在多状态分类中输出的不确定性,记录支持向量机的训练输出作为决策表.支持向量机测试时的输出与决策表比对,以提高诊断结果的可靠性.最后,通过对比试验验证了基于奇异值分解和支持向量机的方法可以对设备进行可靠、准确、快速的故障诊断.     

VMD和CICA在齿轮箱故障诊断中的应用

针对齿轮箱故障信号微弱且易受周围噪声影响的问题,提出了一种基于变分模态分解(variational mode decomposition, VMD)的约束独立分量分析(constrained independent component analysis, CICA)算法。利用单通道加速度传感器采集齿轮箱的混合故障信号,通过VMD算法将混合信号分解为多个不同的本征模态函数(intrinsic mode function, IMF),然后依据峭度和互相关系数选取有效的IMF分量进行重构信号,对于重构信号利用CICA进行降噪处理,根据CICA降噪后得到齿轮和轴承的故障特征,对齿轮和轴承混合故障进行仿真及实验研究,结果表明,VMD-CICA算法可以很好地提取齿轮和轴承的故障特征频率,同时与经验模态分解-约束独立分量分析(EMD-CICA)和集成经验模态分解-约束独立分量分析(EEMD-CICA)算法相比得到的故障特征频率更明显。     

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。     

奇异值分解及其在人脸识别中的应用

人脸识别技术是一门利用计算机分析来分辨人们身份的新兴技术。该技术可以用于政府、军队、银行、社会福利保障、电子商务、等许多领域。本文对奇异值分解进行了研究。探讨了其在人脸识别中的作用以及这种方法目前还有的问题。最后提出了改进的奇异值分解方法。     

奇异值分解在人脸识别中的应用

使用人脸数字图像奇异值分解中前面部分较大的奇异值及其对应的特征向量来重构图像，以剔除原图像中由于光照、表情、姿势等噪声影响对应的高频信息，并将重构图像作为模板进行识别．此方法无需使用较多的奇异值和训练样本，就能达到了很高的识别率，大大降低了识别工作量，并优于PCA方法．     

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。     

小波变换在数字图像处理中的应用

主要分析了基于小波变换的图像分解和图像压缩的技术，并运用Matlab软件对图像进行分解，然后提取其中与原图像近似的低频信息，达到对图像进行压缩的目的．分别作第一层分解和第二层分解，并比较图像压缩的效果。     

基于EMD的多特征参数和关联向量机的滚动轴承故障诊断研究

轴承作为工业中旋转机械中的重要部件,其故障将严重影响机械设备的安全运行.为了实现对轴承运行故障状态的有效诊断,提出了一种基于经验模态分解(empirical mode decomposition,EMD)提取的多特征参数的关联向量机的(Relevance vector machine,RVM)的滚动轴承的多故障诊断模型.首先运用经验模态分解的方法将轴承振动信号分解为多个固有的模态分量,之后将提取的表征轴承故障特征的IMF分量的能量、峭度、偏度构造特征向量,最后采用关联向量机多分类故障诊断模型进行故障模式识别.轴承实测振动信号分析表明:该方法能够有效、准确地诊断出轴承的故障状态,具有较高故障诊断准确率.     

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。     

一种基于小波图像去噪算法应用中分解层数的确定方法

本文针对小波分解层数在图像去噪过程中非常重要这一事实,结合多方向、多尺度图像去噪算法给出了一种基于多阈值的分解层数确定方法.并通过仿真实验验证了确定分解层数的重要性及本文所给出方法的有效性.     

矩阵分解的常用方法

矩阵分解对矩阵理论的发展起了关键作用。所谓矩阵分解就是将一个矩阵写成结构比较简单的或性质比较熟悉的另一些矩阵的乘积。其分解的分解的方法有很多种,但常用的三角分解、QR分解、奇异值分解。     

基于傅里叶分解和共振解调的齿轮箱故障诊断（英文）

目的：齿轮箱的振动信号频谱结构比较复杂,难以提取其故障特征频率。傅里叶分解方法可以将振动信号分解为多个单分量信号,利用共振频率筛选出最优分量并进行包络解调,识别特征频率以实现故障诊断。创新点：1.为了求解共振频率,提出一种基于短时向量的最大奇异值比方法;2.将傅里叶分解方法引入到齿轮箱故障诊断中,并利用共振频率选择最优分量进行包络解调以提取故障特征频率。方法：1.分析奇异值比与冲击信号的关系,提出求解共振频率的最大奇异值比方法;2.对比最大奇异值比方法与谱峭度方法在求解共振频率方面的表现,从而验证最大奇异值比方法的有效性;3.对比分析所提方法与传统的总体经验模态分解（EEMD）和变分模态分解（VMD）方法在信号分解与故障特征提取方面的效果,并通过仿真和实验进行验证。结论：1.最大奇异值比方法能够准确计算出共振频率,比谱峭度方法求解的频率值更加精确;2.基于傅里叶分解方法和最大奇异值比的共振解调方法能够有效提取故障特征频率,其在故障诊断方面的表现优于EEMD和VMD方法。     

海量信息融合方法及其在故障诊断中的应用

针对多传感器融合的信息不确定性以及证据理论缺乏对海量信息融合的有效处理,以概率盒理论为基础,提出一种基于改进的证据理论概率盒融合算法,用于解决故障诊断中的应用问题。首先将多个传感器数据进行分布类型检验,然后针对不同分布特点使用不同方案进行建模,并利用改进的证据理论概率盒融合算法进行数据融合,最后从融合后的结果中提取特征,利用支持向量机进行故障诊断,得出诊断结果。实验结果表明,该方法合理可行,尤其在海量信息融合中,效率得到显著提升。     

改进的LRC及其在姿态变化的人脸识别中的应用

分析了变量的自相似是LRC算法中线性回归模型中的不利因素,提出了改进的LRC算法.该算法利用奇异值分解降低变量间的自相似程度,同时减少了变量的个数,提高了识别过程的速度.在UMIST人脸数据库中的实验显示了算法的有效性.