基于时频谱图的配电网高阻接地故障智能识别方法

针对配电网中发生高阻接地故障(high impedance fault, HIF)进行特征提取时,人为构造的特征量或特征向量难以充分体现高阻接地故障区别于其他事件的特征问题,提出一种波形隐含特征提取方法.通过连续小波变换将零序电流转换为时频谱图,并分割为正方形切片,然后使用卷积神经网络辨识高阻接地故障特有的“齿”形特征.结果表明:文中所提方法能由波形中的高频分量得到可视化的时频谱图,省去了人为构造的特征量的步骤,避免了特征量难以准确表征HIF特征的问题,其可靠性在仿真及现场样本测试中得到了验证.

基于时频谱图和自适应动态权重PSO-CNN的外破振动信号识别

为避免地下电缆遭受破坏,提高振动监测系统对外力破坏的预警能力,提出一种基于时频谱图和自适应动态权重粒子群算法-卷积神经网络(PSO-CNN)的外破振动信号识别方法。首先,将振动传感系统获取的3000组外破振动信号转化生成为时频谱图数据集,在图像预处理阶段,采用直方图均衡化和二维主成分分析(2D-PCA)算法来增强灰度图像特征并实现图像数据的降维;然后,将图像数据集的70%作为CNN模型的训练集,并在网络训练过程中引入自适应动态惯性权重PSO对CNN模型的卷积层、池化层相关参数进行迭代寻优,从而获得优化PSO-CNN分类模型;最后,利用测试集图像数据对优化PSO-CNN模型的识别性能进行验证,并与其他分类模型进行了对比。结果表明,所提方法对6种常见外破振动信号的识别准确率达到98.33%,平均每张图像的识别时间仅为0.24 s,与其他分类算法相比具有更高的分类精度和更快速的识别速度,为快速准确地识别外力破坏事件类型提供了一种可行方案。

基于时频谱图和CNN的雷达空中目标识别方法

传统雷达空中目标识别方法容易受到杂波和有效特征难挖掘等因素影响,其识别准确率难以满足实际雷达系统的目标识别需求。为了改善雷达对空中目标的识别性能,提出一种基于时频谱图和卷积神经网络(convolutional neural network,CNN)的空中目标识别方法。该方法首先提取雷达目标检测点迹所在距离单元的多脉冲回波数据,然后通过杂波抑制和基于CLEAN算法的雷达目标机身分量消除,得到以目标微多普勒分量为主的时域回波数据,接着通过短时傅里叶变换得到目标微多普勒时频谱图,最后利用时频谱图对设计的卷积神经网络进行训练和测试,实现喷气式飞机、直升机、螺旋桨飞机三类典型空中目标的识别。实测雷达数据测试结果表明,所提方法对三类飞机目标的识别准确率高于传统方法。所提方法避免了传统人工提取微动统计特征,消除了杂波与机身分量的影响,提高了雷达对空中目标识别的性能。

基于时频谱图与图像分割的柴油机故障诊断

将图像分割理论引入柴油机故障诊断中,提出一种基于时频谱图、图像分割和模糊模式识别的柴油机故障诊断新方法.首先利用二进小波对柴油机缸盖振动信号进行预处理,然后用时频谱图对柴油机气门机构4种状态下的缸盖表面振动信号进行时频分析,并将谱图结果根据图像分割理论对其等高图进行分割,最后通过选取分割后图像的特征体质心位置、特征体面积、数目和熵作为特征参数,并利用模糊C均值聚类对图像进行分类识别.试验结果表明,新方法提取的振动信号图像几何特征与形状特征参数能充分反映柴油机气门工作状态的信息,对不同类型的气门故障均能正确诊断.

基于时频谱图的脉冲噪声抑制方法

从时频分析的角度,提出了一种新的音频信号脉冲噪声的处理方法。该方法基于被污染信号的时频谱图,通过区分纯净信号和脉冲噪声信号的频域特性与相关性来检测脉冲噪声。首次提出前后信息相关联的"限幅"噪声抑制方法,并利用带过滤系统的中值滤波方法分别对短时和暂态两种脉冲噪声信号加以抑制和消除。和信噪比相比,还进一步提出了四个指标专门用于评价去除脉冲噪声方法的性能。基于这四个指标,分析了如何调整参数以获得更好的检测和修复性能,并用大量仿真实验证实了这种新方法的有效性。最后给出了系统仿真结果,并指出了该方法的应用前景。

基于数学形态学的病理性附加肺音时频谱图分析

对病理性附加肺音进行即时识别和分析,是监控呼吸系统病情和不断改进治疗方法的十分必要的手段。提出了典型病理性附加肺音进行STFT和小波变换后的特征频谱图像模型,并根据这一模型设计出病理性附加肺音识别方法。这一方法与国际上各种基于学习或统计的病理性附加肺音识别方法比较,具有直观的优势和鲁棒的特点。

一种适合FPGA实现的时频谱图增强算法

在基于FPGA的时频分析研究设计中,针对直接显示的时频谱图无法体现频谱细节变化的问题,提出了一种适合硬件实现的谱图增强算法.该算法以正弦信号的频谱结构为原型,选用反比例函数逼近正弦信号的频谱包络,并结合实际应用情况推导出具体的增强算法,利用该算法不仅对时频谱图的灰度级进行了压缩,而且进行了谱图增强处理.实验结果表明,此算法可有效显示出时频谱图的细节变化,与对数变换相比,具有运算量小,实时性好,适合硬件实现等特点.

多尺度形态梯度和标记分水岭的时频谱图分割

时频谱图干扰强,目标之间、目标与干扰之间有重叠,其分割是重要而困难的问题.提出一种基于图像熵定义的时频谱图多尺度形态梯度图像融合方法,将该方法与标记分水岭分割结合形成一种基于多尺度形态梯度和标记分水岭的时频谱图分割方法.实验结果表明,与基于单尺度形态梯度和标记分水岭的分割方法相比,新方法实用性更强;与Otsu法相比,新方法分割更准确.

自动物种识别中基于时频谱图形状的声学部件检测

概述了声音的自动物种识别在环境监测中发挥的重要的作用,创新性地利用时频谱图将可听的声音信号转换为可视的图像信号,并定义了构成动物叫声结构的基础声学部件。从图像处理的角度出发,设计了3种基于时频谱图形状检测声学部件warble,stacked harmonic和oscillation的算法;通过母考拉的叫声结构详细阐述这3种算法,并将这3种算法的识别结果与Raven和Song Scope进行了比较。实验结果表明,相较于Raven和Song Scope,本文设计的3种算法在识别精度上提高了10%。

基于形态学滤波和时频谱图对消的多跳频信号参数估计

针对复杂电磁环境下多跳频信号的参数估计问题,提出一种基于多尺度形态学滤波和时频谱图对消的信号参数盲估计算法。首先根据跳频信号、干扰和噪声的时频特征差异性,采用多尺度形态学滤波消除噪声、突发和扫频信号,并利用谱图对消法剔除定频信号;然后通过八连通域标记获取跳频信号的位置信息,利用改进的K-means聚类算法实现异速跳频信号的分离;最后由各类簇参数估计多跳频信号的周期、跳变时刻和跳频频率。仿真结果表明,与利用形态学滤波并提取时频脊线的方法相比,该算法在低信噪比下具有更高的估计精度,且在定频、跳频信号发生频率碰撞时,仍能准确估计跳频参数。

基于改进VGG16的超短波时频谱图分类方法

现代战场电磁环境日益复杂,战术通信网台主要集中在超短波频段;而未来的技术侦察对智能化、大数据处理的支撑需求越来越强烈;为实现超短波盲信号的分类,提出了一种将盲信号的时频谱图与优化后VGG16网络相结合的分类方法;该方法首先将电磁战场中实际采集到的超短波盲信号转换为时频谱图,然后通过迁移学习将其与优化后的VGG16卷积神经网络结合起来,并将空洞卷积引入网络,完成了对超短波盲信号的分类;实验结果表明,优化后的VGG16网络比原网络有更高的识别准确率,达到了93.1%;当将空洞卷积引入到优化后的VGG16网络的第7层和第10层时,识别率达到最高为92.2%,学习时间减少了34.1%,大大减少了模型的训练时长,验证了空洞卷积在超短波盲信号分类识别上的有效性。

基于S变换时频谱和KHA-CNN的换流变故障声纹识别

为准确进行换流变压器故障诊断,保证直流输电可靠性,提出一种基于S变换时频谱和KHA-CNN模式的换流变故障声纹识别方法。利用自适应补充集合经验模态分解算法(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN),实现换流变本体声纹信号与噪声的分离;通过S变换得到时频谱图,实现声纹信号的特征提取;通过磷虾群优化算法(krill herd algorithm,KHA)对卷积神经网络进行超参数寻优,将S时频谱图作为特征输入到KHA-CNN,实现故障诊断。研究结果表明:该方法对于换流变故障具有很好的识别效果,能为换流变故障诊断提供有效参考。

基于谱图分解的宽带通信信号智能检测算法

对于宽带通信信号检测问题,针对目前基于深度学习的信号检测算法不适应于处理大带宽和大时宽的宽带信号以及对信号时频参数估计存在的固有偏差问题,提出基于谱图分解的宽带通信信号智能检测算法,完成对大带宽接收信号中窄带信号的高效准确检测。首先将由宽带信号转化而来的灰度时频谱图通过谱图分解得到适合于目标检测网络输入大小的子谱图,然后使用改进的无锚框YOLOx目标检测算法对子谱图中的窄带信号进行检测,最后将子谱图的信号检测结果融合得到窄带信号的时频参数等检测结果。经过实验测试得出,该算法能够适应复杂的噪声环境,与其他深度学习算法和传统算法相比,具有较高的信号检测概率,较低的虚警概率,较小的信号参数估计平均误差,其检测精度更高,鲁棒性、实用性、通用性更强。

瑞雷面波频散特征的时频分析方法及应用

在非平稳信号的处理中,信号在任一时刻附近的频域特征都很重要,而时频分析就是处理非平稳信号的重要工具。瑞雷面波在传播过程中发生频散,属于典型的非平稳信号。这里用时窗长度为分析频率分量周期五倍的改进短时傅里叶变换,对面波信号进行分析,得到其时频谱图。瑞雷面波的时频谱图反映出面波中各个频率成份到达接收点的时间,由此可计算出各个单色波的相速度,从而求出面波的频散曲线。根据相速度、频率、波长的关系,最终能够求出工程中常用的速度-深度图。

基于Mel-GADF与ConvNeXt-T的变压器铁心松动故障诊断方法

为解决传统梅尔(Mel)时频谱图对变压器铁心松动程度识别率较低的问题,提出一种基于梅尔-格拉姆角差场(Mel-GADF)时频谱图与ConvNeXt-T网络相结合的变压器铁心松动故障诊断模型。将变压器声纹信号生成Mel时频谱图,同时将原始声纹数据经过格拉姆角场(GAF)变换得到格拉姆角和场(GASF)与GADF这2种时频谱图;生成Mel-GASF与Mel-GADF这2种特征融合的时频谱图来弥补Mel时频谱图的低频缺失问题;将3种时频谱图放入ConvNeXt-T网络进行训练对比,选出效果最佳的诊断模型。以型号为S13-M-200/10的变压器为对象进行空载试验,对不同铁心松动程度下的声纹信号进行分析,分析结果表明,将Mel-GADF作为特征时频谱图结合ConvNeXt-T网络,可将测试集准确率从传统Mel时频谱图的98.273%提升至99.500%,提升了1.227个百分点。

时频分析技术在地震信号初至估计中的应用

时频分析旨在构造一种时间和频率的联合密度函数,继而揭示信号所含频率分量及其演化特性,是传统Fourier分析的新进展、乃至于革命。本文通过对地震信号噪声特性的分析,研究了基于联合时频谱图三重相关的地震信号初至的估计方法,并给出了实验结果和结论。

地震数据时频分析与分频处理

在地震数据处理过程中,时频分析技术可较好地描述信号和噪声的频率随时间变化的规律,即时频分析可以细致地刻画数据中各类波的时频结构和性质,其重要性在于能直观地识别、检测和分类数据,因此,可采取有针对性的措施,以提高每一个步骤的处理精度。简述了时频分析的方法原理,介绍了适应于地震数据分析的窗函数的选取方法,并展示了分频噪声压制的应用效果,说明分频处理是提高数据处理保真度的有效方法。

基于改进残差网络的XLPE电缆局部放电声纹诊断方法

XLPE电缆是电力系统的重要设备,针对传统的残差网络模型在进行电缆故障诊断时计算量较大、准确率低的问题,提出一种基于改进残差卷积网络的电缆局部放电故障诊断方法。首先通过试验平台对3类典型局部放电故障的声纹时频谱图进行采集和预处理;然后,采用SiLU函数作为激活函数,并在残差块中引入高效信道注意力机制模块,得到改进残差网络模型;最后,利用训练好的模型识别局部放电故障的时频谱图。结果表明,改进残差网络对于XLPE电缆局部放电故障的识别率可达97%以上,与经典深度学习网络和传统机器学习算法相比,具有更优的识别效果。

干扰背景下基于改进AlexNet的无人机信号识别方法

复杂电磁环境下非合作无人机图传信号易被干扰覆盖,传统检测手段难以有效识别,为此提出了一种基于改进AlexNet模型的无人机图传信号识别方法。该方法针对干扰覆盖场景下图传信号的时频图像特征,对AlexNet模型进行改进优化,通过拆分卷积核、减少全连接层节点数、增加全局平均池化层,在不增加计算复杂度的情况下加深了网络结构,有效提升了图传信号识别能力。在内场微波暗室和外场真实环境中,分别制备了不同干扰强度下的时频图像数据集以训练模型,结果表明,在信干噪比(SINR)为-15 dB时改进AlexNet模型仍可保持90%以上的验证准确率,而且相比于其他CNN模型,可将单位训练时间缩短1 s以上。

基于轻量化神经网络的齿轮箱声信号可视化故障诊断

齿轮箱是机械装置的主要部件之一,其中的齿轮因为长期在复杂环境中工作而容易产生故障。利用声波图谱的方式来对齿轮箱故障进行诊断有着无需停机、非接触式的优点。因此,如何提高声波图谱方法的故障诊断效率和诊断精度尤为重要。对采集到的齿轮箱声学信号进行小波变换从而得到时频谱图。提出了一种以MobileNetV3为骨干网络(backbone)进行特征提取,使用改进单次检测器(SSD)进行特征检测的轻量化故障特征诊断网络GSLDN。利用GSLDN识别时频谱图的故障特征,依据转动构件运动原理提出了告警判别模型。通过工程实例分析,对比了YOLOv5_S特征检测模型与GSLDN的识别精确度和运行效率,发现GSLDN有着近似于YOLOv5_S的识别精度,但在参数量和运行时间上大幅度降低。所提出的GSLDN以及告警判别模型能够保证信噪比在大于-7.33 dB时仍然能够准确判断故障发生。