一元及多元信号分解发展历程与展望

现实世界中,所获得的信号大部分都是非平稳和非线性的,将此类复杂信号分解为多个简单的子信号是重要的信号处理方法.1998年,提出希尔伯特–黄变换(Hilbert-Huang transform,HHT)以来,历经20余年的发展,信号分解已经成为信号处理领域相对独立又具有创新性的重要内容.特别是近10年,多元/多变量/多通道信号分解理论方法方兴未艾,在诸多领域得到了成功应用,但目前尚未见到相关综述报道.为填补这个空缺,从单变量和多变量两个方面系统综述了国内/外学者对主要信号分解方法的研究现状,对这些方法的时频表达性能进行分析和比较,指出这些分解方法的优势和存在的问题.最后,对信号分解研究进行总结和展望.

一种多分量信号分解方法:时频滤波分解

为解决目前信号分解分量时频域紧邻、重叠和间歇性复杂时频特征的多分量非平稳、非线性信号时,分解困难和效率低的问题,本文提出了一种基于信号时频分布的多分量非平稳信号分解方法——时频滤波分解(Time-Frequency Filtering Decomposition,TFFD). TFFD通过拟合所选反映信号中各分量时频瞬时特征与规律的时频域基准数据点,得到与分量实际瞬时频率(Instantaneous Frequency,IF)一致的拟合IF曲线,并以拟合IF曲线的时频坐标为基础,设置距离阈值条件确定分量在时频图上的分布区域,构造以拟合IF曲线时频坐标为中心频率、分布区域频宽为通带宽度的时频滤波器组,实现对多分量信号的时频滤波分解.通过对具有代表性时频特征的仿真和实际信号分析,并与经典信号分解方法对比,证明了TFFD方法优良的分解能力和分解效率.

配电网负荷预测中信号分解和预测模型组合的双层优化策略

负荷时间序列的波动性和非线性特征的加剧对负荷预测方法提出了更高的要求,而常规组合预测方法针对海量负荷数据存在应用局限性问题。为此,提出了配电网负荷预测中时序分解方法和预测模型组合的双层优化策略。首先针对某一负荷预测数据,在时序信号分解层配置权重,以负荷均方根误差最小寻优各分解方法的权重系数,进而获得各时序信号分解方法的最优组合;在此基础上,在预测模型层进行组合方案寻优,通过配置权重系数以获得各预测模型的最优组合,进一步提升负荷预测的精度。仿真结果表明,所提策略可根据预测对象的特征优化组合各信号分解方法和预测模型,降低了配电网负荷序列的非平稳性对预测精度的影响。

基于深度学习和信号分解的北方寒区河流开河日期预报

中国北方寒区河流春季开河时易产生冰凌现象,威胁涉河水工建筑物的安全。准确地预测寒区河流开河日期可为防凌指挥、调度决策提供重要参考依据。本文基于中国北方典型寒区-黑龙江省的5个代表水文站近60年的历史开河日期序列,采用完全自适应集合经验模态分解(CEEMDAN)技术和深度学习长短期记忆模型(LSTM)方法构建河流开河日期预报的耦合模型,以期提高河流开河日期预报的精度。结果表明:本研究构建的开河日期预报耦合模型(CEEMDAN-LSTM)预测精度明显优于单一深度学习方法(LSTM)计算结果;与LSTM相比,CEEMDAN-LSTM可将开河日期预报的平均绝对误差从2.51 d降低至1.20 d,合格率从91.59%提高至100%。验证期平均绝对误差从3.85 d降低至1.65 d,合格率从88%提高至96%。因此,所构建的开河日期预报耦合模型具有较高的预报精度,可为我国北方寒区春季防凌指挥和调度提供技术支持。

基于信号分解深度网络的轴承剩余寿命预测

工况波动、噪声干扰等因素造成滚动轴承高频振动信号信息冗杂,使退化过程建模结果难以准确反映实际退化趋势,导致轴承剩余寿命预测准确性不高。为此,本文提出一种基于信号分解网络的轴承剩余寿命长程时序相关预测方法。运用时间序列分解算法将振动信号分解为趋势、周期及余项3种分量,去除冗杂信息;针对快速退化到失效阶段,建立基于长短期记忆网络的自编码器特征提取模型,获得单调性和趋势性强的健康指标;最后,建立深度时序自回归神经网络模型对健康指标进行趋势预测,输出剩余寿命预测值的概率分布。实验结果表明,本文所构建的健康指标具有良好的趋势性和单调性,相比其他相关方法,所提剩余寿命预测方法具有更高准确率。

基于DWT-VMD混合信号分解技术的人体活动识别

在人类活动识别的应用环境中,从原始传感器数据中提取更加有效的特征仍具有挑战性。针对该问题,利用离散小波变换(Discrete wavelet transform,DWT)和变分模式分解(Variational mode decomposition,VMD)的混合信号分解技术提取原始信号中的显著特征向量。在UCI-HAR数据集与SCUT-NAA数据集上,利用多种机器学习分类算法,例如K近邻、随机森林、LightGBM和XGBoost,对DWT-VMD混合信号分解算法的有效性进行了实验。实验结果表明,与未使用混合信号分解技术相比,使用该技术后识别准确率均有所提高,其中UCI-HAR数据集分类准确率达到98.91%,与未加入分解算法相比提高了1.79%;SCUT-NAA数据集分类准确率达到95.52%,提高了3.2%。在人体活动识别中,利用DWT-VMD混合信号分解技术,能够提取原始信号中更有效的特征,提高识别准确率,具有一定的实用性。

融合媒体信息和信号分解的股票市场深度学习预测

对股票市场未来回报和风险的精确预测不仅能够帮助理性投资者更加合理有效地进行投资,也能够为政策制定者和投资者提供有用的指导。利用金融新闻标题文本,通过词嵌入模型和机器学习等文本分析方法,构建考虑新闻累积效应的投资者时闻累积情绪指数表征投资者情绪;以上证指数为例,采用变分模式分解(VMD)方法将指数波动数据分解为各种内在固有模式进行实证分析。最后,引入双向门控循环单元(BiGRU)作为深度学习模型进行股票预测。结果表明,投资者情绪指数显著影响上证指数波动,并且积极情绪和消极情绪的影响是不对称的;考量投资者情绪指标进行信号分解,能够有效提高股票的预测性能,相对于单纯分析股票时间序列的BiGRU预测模型,VMD-BiGRU模型的MAE,RMSE,RMSPE,MAPE等指标降低超过30%;在基准场景下,VMD-BiGRU模型性能优于多个计量经济模型和机器学习模型,对于收益率和波动率预测的MAE,RMSE,RMSPE,MAPE等指标普遍降低超过40%;模型在五粮液、工商银行、科大讯飞3只个股的推广中保持着同样稳定精确的预测效果。

基于变分信号分解的脉冲多普勒雷达抗扫频式干扰方法

针对脉冲多普勒(Pulse Doppler,PD)雷达遭受扫频式干扰时,接收机被干扰信号饱和导致的雷达虚警或漏警问题,分析扫频式干扰作用下PD雷达中频信号特征,提出基于变分信号分解的PD雷达抗扫频式干扰方法。利用目标回波时域稀疏性及干扰信号的频域窄带特性,通过极大极小惩罚项和2阶变分惩罚项分别约束中频信号中的目标回波脉冲串分量和干扰分量,设计了基于交替方向乘子法的迭代算法求解优化问题各分量。保留目标回波脉冲串分量,滤除扫频中频分量,从而抑制干扰对雷达的影响,并通过仿真和实测数据验证方法的有效性。研究结果表明:所提抗干扰方法在信干比-20 dB扫频式干扰作用下能够有效抑制扫频式干扰对PD雷达的影响,显著提高PD雷达的抗干扰性能。

基于信号分解高频分量再处理策略的大坝变形预测方法

准确预测大坝变形有助于掌握变形的变化规律和发展趋势,是保证大坝安全稳定运行的关键。由于大坝变形具有波动性,将给变形预测精度带来不利影响,为此,提出了基于信号分解技术的大坝变形预测方法。首先利用VMD方法将原始变形数据分解为不同频率的变形分量,以降低变形数据的波动性;由于初次分解得到的高频变形分量仍具有一定的不确定性,其后采用EMD方法对所有的高频分量进行再处理,从而得到相对稳定的变形分量集合;最后采用长短期记忆神经网络对所有分量进行预测并叠加,以得到最终的变形预测结果。实例分析表明,基于信号分解技术的大坝变形预测精度高于单次分解对应的变形预测结果,且其预测精度显著高于传统变形预测方法。

可重构声信号分解滤波器组设计方法综述

数字助听系统中需要采用声信号分解滤波器组实现响度补偿功能.可重构滤波器组具有可控的子带分布,能够为不同类型的听力损伤患者提供高质量的响度补偿,因此其研究设计受到广泛关注.可重构滤波器组的设计方法多样,在整体结构和技术手段方面都各有特点.本文将对现有的可重构滤波器组设计方法从技术手段、整体结构、性能表现等方面进行综合分析与对比,并就未来发展方向进行展望.

匹配追踪信号分解与往复机械故障特征提取技术研究

提出了一种自适应提取往复机械振动信号冲击特征的信号处理方法 .方法的核心是基于特别选定的基元函数将信号展开 .在采用匹配追踪算法分解信号时 ,应用指数衰减正弦波函数作为信号分解的基元函数 ,能够十分理想地匹配信号中的冲击响应波形 ,与往复机械振动信号有最好的相似性 .往复机械的故障诊断实例证明 ,利用该方法提取信号中的瞬态冲击响应特征是可行的 .研究结果为机械冲击故障的特征提取与诊断提供了一条新途径 .

采用小波多分辨率信号分解的电能质量检测

针对典型的电能质量扰动信号 ,提出了采用小波多分辨率信号分解的电能质量检测与时频分析方法 ,并提出一种新型的同步检波器。该方法将电能质量扰动信号分解到子频带中 ,在小波域上检测信号的时间、频率和幅度 ,具有突出信号时域、频域局部特征的能力 ,因此特别适用于短暂瞬时信号的检测与分析。仿真结果表明 ,该方法具有优异的检测性能 ,适用于电压凹陷、电压凸起、电压间断、短时间谐波失真、暂态谐波失真、电压闪变与波动等电能质量扰动信号的检测与时频分析。

基于冲击时频原子的匹配追踪信号分解及机械故障特征提取技术

介绍一种用于匹配追踪信号分解的时频原子———冲击时频原子 ,它既可以匹配信号中的稳态正弦成分 ,也可以匹配信号中冲击成分 ,从而准确有效地获得设备的冲击故障特征和信息 ,并结合遗传算法以提高计算速度及实用性。计算机仿真结果证实了该方法的准确性 ,最后将该方法应用于转子实验台的冲击信号特征提取中 ,证明了该方法的工程实用性和有效性。

齿轮振动信号分解及其在故障诊断中的应用

对齿轮振动信号的测试及分解进行了研究。根据信号基频,把齿轮振动信号分解为啮合振动与旋转振动,这些振动信号可用于对齿轮状态进行定量研究。基于不同形式的齿轮振动信号,介绍了几种方法来提取信号中的故障信息。利用时域平均技术及齿轮振动信号分解理论对某齿轮箱早期故障信号进行了检测。研究表明,齿轮运动信号分解能够有效检测齿轮的各类故障,高阶加速度信号对齿轮某些类型的早期故障更加敏感。

基于多尺度线调频基稀疏信号分解的包络解调方法及其在齿轮故障诊断中的应用

提出一种基于多尺度线调频基稀疏信号分解的包络信号提取方法,并将其应用于转速剧烈波动情况下的齿轮箱故障诊断。基于多尺度线调频基的稀疏信号分解方法可以根据信号的特点,自适应的选择相应尺度对信号进行投影分解。其库函数的多尺度特性和线调频基函数中频率斜率参数的引入使得该方法比以往使用单一尺度库函数的分解方法更适合分解频率呈曲线变化的非平稳信号。当齿轮出现故障时,振动信号会出现啮合频率调制现象,在齿轮转速大范围波动情况下,载波频率和调制频率均随转速大范围波动。采用基于多尺度线调频基的稀疏信号分解方法,能同时有效提取变转速齿轮故障状态下载波频率和包络信号频率随时间的变化曲线,进而对齿轮箱故障进行诊断,解决经验模态分解方法和小波方法难于对转速剧烈波动情况下的齿轮故障进行诊断的问题。仿真算例和应用实例说明了此方法的有效性。

基于多尺度线调频基稀疏信号分解的电力系统非平稳振荡信号特征提取

随着电力电子装置在源-网-荷侧的大规模应用,电力系统功率振荡表现出较强的非平稳特性和模式耦合性。本文提出一种基于多尺度线调频基稀疏信号分解的电力系统非平稳振荡信号特征提取方法。多尺度线调频基稀疏信号分解方法能够在动态的时间支撑区内对信号进行投影分解,逐次获得能量最大的信号分量,具有良好的时频聚集性,特别适用于非平稳振荡信号的分解。电力系统的功率振荡信号本质上是一种多模态时变振动系统响应信号。首先通过多尺度线调频基稀疏信号分解方法得到多个单模态振动响应信号,然后根据单模态振动响应特性采用最小二乘法进行振荡特征的提取。仿真算例和实例证明了该方法在电力系统非平稳振荡信号特征提取中的有效性和适应性。

基于多尺度线调频基稀疏信号分解的包络阶次谱在齿轮故障诊断中的应用

提出了基于线调频基稀疏信号分解的包络阶次谱方法,并将其应用于变速齿轮箱故障诊断之中。采用基于多尺度线调频基的稀疏信号分解得到齿轮箱啮合分量的瞬时频率,由此得到转速信号,并据此对齿轮振动加速度信号的包络信号进行等角度重采样,然后对重采样信号进行频谱分析,得到包络阶次谱,从而进行齿轮故障诊断。该方法无须使用转速计拾取转速信号,用软件方法实现了包络阶次分析,仿真算例与应用实例说明了该方法的有效性。

基于多尺度线调频基稀疏信号分解的广义解调方法及其在滚动轴承故障诊断中的应用

提出了一种基于多尺度线调频基稀疏信号分解的广义解调方法,并将其应用于非平稳转速下的滚动轴承故障诊断。该方法先采用基于多尺度线调频基的稀疏信号分解方法分解频率呈曲线变化的多分量信号,得到瞬时频率和瞬时幅值都具有物理意义的单分量信号及其相位函数,再基于获取的各分量信号的相位函数对原信号进行广义解调处理,从而将非平稳信号转化为平稳信号。当转速变化时,滚动轴承故障特征频率为曲线变化的非平稳信号,对其包络信号进行基于多尺度线调频基的稀疏信号分解,提取包络信号分量,再对包络信号分量进行广义解调,根据广义解调后分量信号频率成分与转频的关系即可判断滚动轴承的故障部位和类型。仿真信号与轴承内外圈故障振动信号分析结果表明,该方法比传统的包络信号分析方法能更有效地提取滚动轴承故障振动信号特征。

Matlab在周期信号分解及频谱中的应用

利用Matlab对方波、锯齿波、三角波等周期信号进行傅里叶级数分解和合成,直观演示了谐波合成过程和吉布斯现象,并且画出方波分解的三维图形,通过调整视角观察信号时域波形与频域频谱的关系。实践表明,将Matlab引入教学可以帮助学生把握重点、理解难点,激发了学生学习兴趣,起到了很好的教学辅助作用,有效地改善了教学效果。

基于多尺度线调频基稀疏信号分解的广义解调方法及其在齿轮故障诊断中的应用

在基于多尺度线调频基稀疏信号分解的基础上,提出一种基于多尺度线调频基稀疏信号分解的广义解调方法,并将其应用于非平稳转速状态下的齿轮故障诊断。广义解调可以将时频分布呈曲线变化的多分量非平稳信号转化为时频分布平行于时间轴的平稳信号,因此非平稳信号经广义解调后满足傅里叶分析对平稳性的要求,而如何获取多分量信号的广义解调相位函数是广义解调方法的关键和难点。对信号进行基于多尺度线调频基的稀疏信号分解,得到分量信号的相位函数,再对分量信号进行广义解调和频谱分析得到齿轮故障特征频率。该方法非常适合于分析转速波动齿轮的多分量调幅—调频振动信号,仿真算例和应用实例说明了方法对变速齿轮箱故障诊断的有效性。