基于功率谱熵的无线电引信目标与干扰信号分类方法

无线电调频引信在战场环境容易受到干扰信号的干扰导致早炸,丧失打击能力。为提升无线电调频引信抗干扰能力,准确识别引信目标与干扰信号,提出一种基于功率谱熵特征的无线电调频引信目标与干扰信号分类识别方法。利用实测采集的无线电引信检波端输出信号,通过提取目标和干扰信号的功率谱指数熵和Renyi熵特征构成特征向量,作为K邻近(KNN)分类器的输入进行目标和干扰信号分类识别,并利用5-折交叉检验方法对其进行验证。结果表明:目标和干扰信号的功率指数熵和Renyi熵具有显著差异性,使用KNN分类器对其进行分类识别时,最高的识别准确率可达99.47%。

基于图谱功率谱熵和最大均值差异的GIS机械状态辨识方法

针对常规方法对于气体绝缘金属封闭开关设备(Gas Insulated Switchgear,GIS)机械缺陷的特征识别稳定性差、识别率低的问题,在图谱理论的基础上,提出一种基于图谱功率谱熵和最大均值差异(Maximum Mean Discrepancy,MMD)的GIS机械状态辨识方法。首先将采集得到的GIS振动信号转化为图信号,并利用图傅里叶变换技术变换至图谱域进行分析处理;然后提取图谱功率谱熵作为表征GIS不同状态的特征参数;最后利用MMD距离判别函数实现GIS不同工况下的状态辨识。实验结果表明:在噪声干扰的情况下,所提方法能够有效提取GIS不同状态下的特征参数,并成功区分出屏蔽罩松动及内部异物缺陷,状态辨识精度高达93.89%,较常规方法有明显提高。

基于小波包奇异谱熵和WOA-SVM的GIS放电故障诊断

为实现气体绝缘开关设备(GIS)放电故障诊断并提高诊断正确率,提出了一种基于小波包奇异谱熵和鲸鱼优化算法优化支持向量机(WOA-SVM)的GIS放电故障诊断方法。首先,提取GIS放电时的特高频信号的小波包奇异谱熵作为特征向量;然后,采用WOA寻优找到SVM的最优参数,建立准确的分类模型;最后,通过试验模拟GIS典型的放电故障,采用网格搜索参数的SVM、粒子群优化参数的SVM以及所提的WOA-SVM三种算法对GIS放电故障类型进行识别。结果表明所提的WOA-SVM算法故障识别正确率更高、适应度更好且收敛速度更快。

基于自适应子带谱熵的仿生小波语音增强方法研究

针对传统语音增强方法在低信噪比复杂噪声环境下存在的语音增强质量和可懂度欠佳等问题,本文提出了一种自适应子带谱熵与仿生小波相结合的语音增强方法。研究思路是,首先用自适应子带能比法对含噪语音和纯噪声段进行区分,然后用仿生小波分解含噪声语音,将分离出来的噪声输入自适应滤波器,采用递归最小二乘法,达到噪声滤除的目的,实现信噪分离。实验结果显示,在低信噪比的复杂噪声环境下,与传统的维纳滤波和小波变换方法相比,本文提出的语音增强方法可以获得更好的声音增强质量和可懂度。

基于自适应TQWT与小波包奇异谱熵的滚动轴承早期故障诊断

滚动轴承早期故障诊断可有效地保证机械设备的运行安全,针对滚动轴承早期故障特征微弱,故障特征提取不佳的问题,提出可调品质因子小波变换(Tunable Q-factor wavelet transform,TQWT)与小波包奇异谱熵相结合提取特征的滚动轴承早期故障诊断方法。针对滚动轴承早期故障信号的冲击性与周期性特征,提出峭谱积(峭度和包络谱峰值因子的乘积,KEc)的新指标。以KEc为优化指标,采用网格搜索法确定TQWT最佳的品质因子Q,同时以中心频率比为优化指标,确定最佳的分解层数J。通过最佳参数Q和J对原始信号进行TQWT分解并单支重构,选择KEc最大的重构分量作为最佳分量。提取最佳分量的小波包奇异谱熵值作为故障特征向量,最后运用支持向量机(SVM)进行模式识别并进行早期故障诊断。为验证所提方法的有效性,以XJTU-SY滚动轴承加速寿命试验平台研究对象,运用加速度传感器获取的试验数据集进行验证,识别结果准确率为94.5%。同时,与优化指标为峭度等的SVM识别结果进行比较,所提方法识别率提高了约1%~7%。对比结果表明,运用所提方法对滚动轴承早期故障进行识别,可以准确有效地诊断出轴承的故障类型,具有一定的实用价值。

基于小波包奇异谱熵和IWOA-ELM的列车轴承故障诊断

为了有效提高多工况下地铁列车滚动轴承故障诊断精度,基于轴承振动数据,提出一种基于小波包奇异谱熵和改进鲸鱼优化算法(IWOA)优化极限学习机(ELM)的故障诊断方法。针对轴承振动信号的非平稳性和非线性特点,采用小波包提取样本特征,使用奇异值分解提取小波包数据集的样本信息熵,获得样本特征集。其次,针对模型参数难以确定,优化速度慢且容易陷入局部最优问题,采用变异算子和混沌动态权重因子改进鲸鱼优化算法(WOA),使用IWOA优化ELM参数获得故障诊断模型。最后,使用美国凯斯西储大学的轴承故障数据验证了模型的可靠性和稳定性,在多工况下不同类型组合的300组测试样本中,模型诊断准确率为99.33%。同时与同一数据源的其他诊断模型进行对比验证模型的优越性。结果表明,基于小波包奇异谱熵和IWOA-ELM的轴承故障诊断模型诊断可靠性强、准确率高。

一种新的对数能量谱熵语音端点检测方法

将一种新的对数能量(LE)特征和谱熵(SE)特征相结合,提出一种新的对数能量谱熵(LESE)特征,采用模糊C均值聚类算法和贝叶斯信息准则算法进行LESE特征门限估计,并使用双门限法进行语音端点检测.在TIMIT连续语音库上的实验结果表明,相比于能量谱熵(EE)法和对数能量(LE)法,在噪声环境下LESE法具有更好的检测性能,表现出更好的稳健性.当信噪比为-5 dB时,LESE法的检测错误率仅为18.02%,在信噪比为0～10 dB时,其检测错误率要明显低于EE法和LE法.

基于多尺度形态分解谱熵的雷击干扰与短路故障识别研究

研究和识别输电线路直击雷的暂态特征对研制基于暂态量的保护及提高可靠性都具有十分重要的意义.针对雷击未故障、雷击故障和接地短路故障,提出了基于多尺度形态分解谱熵的雷击干扰识别方法.对不同的故障类型进行多尺度分解,分别计算在不同尺度上的能谱熵和奇异谱熵,作为待识别特征矢量.建立标准故障模式矩阵,对待识别样本的特征矢量与标准故障模式进行灰色关联分析,根据关联度的大小,判断待识别样本信号属于哪种故障类型.大量仿真计算验证以上所提方法正确、有效.

基于数学形态梯度谱熵的性能退化特征提取方法及其应用

针对数学形态谱熵难以准确描述信号的形态复杂度以及性能退化趋势评价效果不理想的问题,提出一种基于数学形态梯度谱熵的性能退化特征提取方法。该方法利用形态梯度算子在信号处理中能有效提取故障特征信息并抑制噪声的优势,将其引入到形态谱熵的定义中,得到数学形态梯度谱熵的概念。通过对仿真信号进行分析,验证了所提出的形态梯度谱熵作为信号复杂度指标的合理性与有效性。最后,将该方法应用到滚动轴承的性能退化研究中,结果表明,形态梯度谱熵能有效反映滚动轴承的性能退化趋势。

基于时频谱熵的储层分布检测

地震波在不同介质中传播表现出不同的频谱特征。目前,时频分析技术作为地震波频谱特征分析的一种必要手段,在储层分布检测中起着重要的作用,但是地震数据体经谱分解后生成若干共频率谱数据体占用大量储存资源,而且使得解释成为一项繁重的工作。谱熵作为信息的期望值,从熵的角度看来,有序信号具有小的熵值,而无序信号具有大的熵值。因此为了克服时频分析带来的不便,提出利用S变换完成时频谱分解,然后在时频谱的基础上进行谱熵运算的时频谱熵方法。通过计算谱分解后频谱的谱熵,将若干共频率数据体合成一个时频谱熵数据体,减少了数据的存储量,提高了解释的效率。在实际资料处理中用于分析岩性、砂岩储层的空间展布和地质构造等,取得了良好的效果。在实际资料应用中发现,砂岩储层的时频谱熵值最高。

基于信号谱熵的模糊Hamming网络缺陷识别

无缝钢管损伤监测和诊断的关键在于缺陷信号特征的提取和识别.作者研究了无缝钢管内伤、外伤及孔洞等缺陷信号的频域特征,提取信号二维谱熵指标作为特征指标,运用改进的模糊Hamming神经网络识别方法,对无缝钢管的缺陷进行识别.结果表明,该方法具有很高的识别精度,实例中识别准确率达100%.由于该识别方法不需要示教学习过程,因此能够应用于实时在线缺陷识别.

基于BWO优化VMD和奇异谱熵的滚动轴承故障诊断

针对滚动轴承早期故障特征微弱不易识别的问题,提出以分解模态分量最小包络熵为目标函数,采用白鲸优化算法(Beluga Whale Optimization,BWO)求解变分模态分解(Variational Mode Decomposition,VMD)超参数的参数优化变分模态分解方法,利用分解得到的最小包络熵的模态分量结合奇异谱熵(Singular Spectral Entropy,SSE)进行特征提取,采用支持向量机(Support Vector Machine,SVM)进行滚动轴承的故障诊断识别。通过滚动轴承诊断识别实验分析,并与经验模态分解和局部均值分解算法对比,结果表明,基于BWO优化VMD和奇异谱熵的故障特征提取方法具有较好的故障识别率,能够实现滚动轴承的故障诊断。

能谱熵向量法及粒子群优化的RBF神经网络在高压断路器机械故障诊断中的应用

高压真空断路器是电力系统开关设备中极其重要的一种高压电器,而高压断路器故障中80%是由于机械特性不良造成,为此通过小波包变换对高压断路器机械振动信号进行了分析,以信号的能谱熵作为特征输入向量,建立了粒子群优化(PSO)径向基函数(RBF)神经网络的高压断路器故障识别系统模型,最后对实际高压断路器振动信号进行获取分析并得到结果。实验结果表明,高压断路器正常信号能谱熵向量各元素分布比较均匀;而故障信号所得能谱熵向量各元素变化较大且有一定变化规律;粒子群优化后的RBF网络模型在正确率、精度等方面高于传统神经网络模型。实验结果表明该方法用于高压断路器的故障诊断是可行的,并且可以为断路器的故障诊断提供更好的理论依据。

一种改进的自适应子带谱熵语音端点检测方法

噪声环境下的语音端点检测在稳健语音识别中占有十分重要的地位。自适应子带谱熵法是一种新的端点检测方法,它的思想是将一帧语音分成若干个子带,再用谱熵法进行运算,子带的个数可以自适应选择。该方法具有一定的稳健性,但随着信噪比的降低,语音端点检测的准确性也随之下降。提出了一种结合加权功率谱减的子带自适应谱熵法,并给出了该方法的实现步骤。该方法采用边降噪边用稳健性好的特征参数做语音端点检测,从两个方面来提高端点检测的准确性。实验结果表明该方法具有良好的性能,在不同信噪比的不同加性噪声下系统识别率都有提高。

基于奇异谱熵和支持向量机的变压器绕组松动识别及定位

绕组压紧状态影响着变压器的机械性能和绝缘性能。为此,提出一种基于奇异谱熵和支持向量机的变压器绕组松动诊断及定位方法。首先进行110 k V变压器绕组松动实验并测取不同绕组状态下的振动信号,对信号进行时间序列重构,通过奇异值分解提取重构空间的最优特征序列,结合信息熵得出绕组松动的特征量——奇异谱熵,并作为诊断模型的输入,利用粒子群算法对多分类支持向量机进行参数优化。并将其测试结果与BP和PNN神经网络的诊断效果进行对比。实验结果证明,该方法能有效地判断绕组是否发生松动并正确识别绕组松动相,验证了上述方法的可行性和准确性。

基于多分辨高阶奇异谱熵分析的局部放电信号特征提取

局部放电信号特征提取是电力设备绝缘缺陷模式识别和故障诊断的关键步骤。奇异谱熵分析(singular spectrum entropy analysis,SSEA)理论研究了局部放电信号的复杂性和无规则程度,但无法充分反映信号内在非线性特性。使用局放信号4阶累积量切片代替SSEA的协方差矩阵,并引入集合经验模态分解理论(ensemble empirical mode decomposition,EEMD)实现方法多尺度化,提出了局部放电信号多分辨高阶奇异谱熵分析(multi-scale higher order singular spectrum entropy analysis,M-HSSEA)方法。通过分析仿真局放信号,该方法提取的熵特征向量能够有效提高噪声抑制能力,并且增强了相空间重构参数鲁棒性。在户外变电站环境中设计了3种典型局部放电缺陷,运用该方法求取特高频信号熵特征向量并使用RBF神经网络进行分类,获得了较高识别正确率,从而验证了文中方法有效性及适用性。

基于多尺度形态分解谱熵的电机轴承预测特征提取及退化状态评估

由于预测特征提取与退化状态评估直接关系故障预测可信性,结合数学形态学与信息熵理论,针对电机滚动轴承,提出基于多尺度形态分解谱熵的预测特征提取方法,用灰色关联分析对退化状态进行评估。对不同损伤程度轴承振动信号进行多尺度形态分解,分别计算其在不同尺度域内的复杂性度量能谱熵、奇异谱熵,以其作为预测特征向量。建立标准退化模式矩阵,对待检测样本信号特征向量与标准模式进行灰色关联分析,据关联度大小对样本信号退化状态进行评估。并仿真与实例数据验证该方法对电机轴承退化状态评估的有效性。

基于Hilbert谱熵的柴油机故障诊断方法研究

从信号的特征提取出发,采用局域波时频谱分析和信息熵结合的方法——Hilbert谱熵(HSE),进行柴油机振动信号的特征提取和状态识别.首先,对信号进行局域波分解;然后,根据得到的内蕴模式分量计算Hilbert谱;最后,建立基于时频分布的Hilbert谱熵,并以此作为故障识别的特征参数.以柴油机缸套与活塞间磨损的状态识别为例,根据对时域、频域和时频域的信息熵比较分析,证明了Hilbert谱熵对柴油机的状态进行评价的有效性.此方法为柴油机预知维修提供了一个有效的手段.

功率谱熵在局灶性缺血性脑损伤无创检测中的应用

为了对局灶性缺血脑损伤的程度进行无创诊断 ,并对损伤区域进行定位 ,用 SD(Sparague- dawley)实验大鼠建立了一个局灶性缺血脑损伤的动物实验模型 ,采得缺血前到缺血 30 m in时的缺血区域与正常区域的 EEG(Electroencephalogram)信号 ,并采用功率谱熵对 EEG信号进行了分析。结果发现局灶性脑缺血导致 EEG信号的功率谱熵发生了明显的变化。缺血侧的 EEG信号的功率谱熵在缺血 15 min时已经明显低于缺血前的正常值 ,在整个缺血过程中缺血侧的 EEG信号的功率谱熵小于正常区域的功率谱熵。这表明 EEG信号的功率谱熵是一种很好的表征脑缺血损伤的参数 ,具有计算简便。

基于信息谱熵的支持向量机机械状态识别

特征提取是机械状态识别的重要内容。分析了机械振动信号的频谱特征,将二维信息谱熵作为机械状态的特征指标,应用到轴承的状态监测,直观地辨别出正常和故障两种状态。进一步将二维谱熵作为支持向量机(SVM)分类器的输入量,结果表明SVM具有良好的分类能力和计算效率,可以满足在线监测的要求。