基于APSO-SSD-SVD的特高压换流站OLTC振动信号降噪方法

随着中国特高压交直流换流站的大规模投运,有载分接开关(on-load tap changer, OLTC)已成为特高压换流站中发生故障较多的设备之一。针对强背景噪声环境下特高压换流站OLTC故障特征难以提取的问题,提出一种基于自适应粒子群算法优化奇异谱分解和奇异值分解的方法。首先,利用自适应粒子群优化(adaptive particle swarm optimization, APSO)算法对奇异谱分解算法中的模态参数进行优化,选取最优分解模态数。其次,基于最大峭度准则选取最佳奇异谱分量。然后,确定最佳重构阶数,通过奇异值分解重构信号,从而达到信号降噪的目的。将所提方法应用于仿真信号和实验信号,结果表明所提方法的信噪比达到23.302,均方根误差仅为0.004,并且波形相似参数高达0.998,优于其他降噪方法。所提方法能够更有效地实现对特高压换流站OLTC振动信号的降噪,为辅助运维人员诊断OLTC状态提供参考。

基于ICEEMDAN-ICA的滚动轴承振动信号降噪算法

船用滚动轴承的振动信号由于机舱环境复杂以及轴承周期性与非周期性冲击的影响容易淹没在噪声信号中,导致故障特征频率难以提取。针对这一现状,提出一种结合改进的自适应噪声完备经验模态分解(ICEEMDAN)和独立分量分析(ICA)的滚动轴承振动信号降噪处理方法。该方法主要针对经验模态分解(EMD)衍生算法存在的模态混叠问题进行改进并导入ICA处理,然后利用功率谱熵(PSE)对ICA分离信号进行筛选重构,利用包络谱和快速傅里叶变换对信号进行处理得到特征频率。通过该方法对多故障滚动轴承信号进行处理,发现本算法大幅降低了噪声及干扰,多项参数表现良好,有效提取了故障特征。

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。

改进的语音端点检测技术

为了提高低信噪比下语音端点检测的性能,提出了一种改进的基于谱减法和自适应子带谱熵的语音端点检测方法。该方法先利用谱减法对带噪语音消除加性噪声,及时更新背景噪声估计,再对增强后的语音信号利用改进的自适应子带谱熵进行端点检测。实验结果表明,该方法具有良好的检测性能,相对传统方法提高了端点检测的准确率,在低信噪比环境下仍能比较准确地检测到语音的端点。

一种基于自适应谱熵的端点检测改进方法

在低信噪比的环境下,为增强与噪声的区分度,提出了一种适应于低信噪比环境的语音端点检测方法。通过改进语音端点检测的特征参数,更好地区分语音信号与噪声信号,提高在低信噪比环境下的端点检测正确率。基于子带谱熵,引入正值常量对基本谱熵参数进行算法改进,得到改良的负谱熵特征,并结合自适应子带选择方法,得到一种新颖的特征参数——自适应子带常量负谱熵。特征在低信噪比的情况下有较强的抗噪能力,并能够准确地检测出语音端点。实验结果表明,不仅快速有效,具有较强的鲁棒性,而且适合低信噪比的语音端点检测。

梯度格型自适应算法与最大熵谱估计

通过比较梯度格型快速自适应算法和最大熵谱估计算法的优缺点，结合工程实际应用，给出了一种适合于快速处理的谱估计方法，使谱估计的运算量提高约一倍。

小波包结点阈值自适应消噪法

当噪声为时变的时候,传统的小波阈值消噪方法效果很有限:当采用软阈值消噪时,总体效果较好,但当含噪信号很不规则时显得过于光滑;当采用硬阈值消噪时,消噪效果不理想,信号含有明显的噪声。为克服上述缺陷,本文提出基于"自适应阈值消噪思想"的小波包结点阈值消噪法。首先,我们给出了小波包结点阈值的定义,这种阈值取法突破了高斯白噪声和平稳噪声的局限性;其次,我们提出了基于谱熵的噪声估计法用以替代传统的中值绝对值(MAD)噪声估计法,这种噪声估计方法与实际应用环境相符,适用于非平稳噪声和有色噪声。仿真实验证实,相比于常规小波消噪算法,结点阈值法和基于谱熵的噪声估计法在白噪声环境下具有较好的消噪效果。

一种自适应Morlet小波包络解调的弱故障检测方法

为自适应实现Morlet小波与故障冲击特征成分的最优匹配,采用基于Shannon小波熵的方法优化带宽参数设计了最优Morlet小波。针对最佳尺度的求取难题,利用谱峭度与小波熵均能敏感反映冲击性的特性,提出了基于峭熵比的最佳尺度的求取方法。基于此,提出基于自适应Morlet小波包络解调的弱故障特征提取方法。仿真实验与实例分析表明:该方法克服了传统包络解调需要人为设定带通滤波器参数的不足,减少人工干预,能自动有效地从强噪背景中提取微弱故障特征,具有一定的工程应用价值。

基于自适应子带功率谱熵的语音端点检测算法

在语音处理中,鲁棒性端点检测是语音处理最重要的领域之一,首先提出了一种子带功率谱熵(SPSE)的特征参数,然后,该参数结合Wuetal提出的自适应子带方法(ABS);发现了一种新颖的鲁棒特征参数-自适应子带谱熵(ASPSE),它能成功地在不同的背景噪声下检测语音端点。实验结果表明,在不同的噪声环境和信噪比下,ASPSE参数非常有效,而且该算法优于其它算法。

一种快速自适应谱估计算法

通过对梯度格型快速自适应算法的研究，结合最大熵谱外推目前存在的缺点，将梯度格型算法应用于最大熵谱外推中，并将其与伯格算法进行了比较。

基于信道信息的录音假冒者检测系统研究

说话人识别系统会受到假冒者的攻击,而用高保真录音设备录制的语音蓄意闯入说话人识别系统是常见的攻击方式之一。由于不同设备的信道信息不同,而语音中的静音部分又包含了完整的信道信息,且这部分信息不受说话人和文本等因素的影响,因此可以通过检测语音中静音的信道信息是否相同,来判断语音是否为回放的高保真录音。应用自适应子带谱熵法提取语音中的静音,并通过使用改进后的MFCC作为信道信息特征,建立高斯混合-通用背景模型(GMM-UBM)。实验结果表明,通过加入静音检测模块到说话人识别系统中,系统对假冒语音的等错误率大大降低,使得系统的安全性得到提高。

低信噪比下的语音端点检测算法研究

为了解决传统方法在强噪声环境下,语音检测性能急剧下降的缺陷,提高信号在低信噪比(0 db以下)语音端点检测的准确性,本文提出了一种将多窗谱估计谱减法和自适应子带能熵比相结合的检测算法。该算法利用增益因子可变的多窗谱估计谱减法对低信噪比信号进行降噪,提高其信号的信噪比,再将每帧信号分为若干个子带(其数量可自适应选择),提取每个子带能熵比参数进行端点检测。实验结果表明,当信噪比为-10 db时,信号检测准确性维持在95%左右。该方法能在低信噪比情况下,显著提高端点检测准确性和可靠性。

类不平衡高光谱图像分类的光谱自适应增强方法

针对高光谱图像分类方法在处理类不平衡数据集时容易出现高误检率的问题,该文提出一种光谱信息自适应加权框架,其中包括构建光谱自适应加权方法,该方法通过结合熵权法权重和训练权重来确定光谱波段的权重,以增强模型对光谱信息的识别能力。同时,建立了一个局部关系增强的全局上下文分类模型,通过聚合全局和局部特征,学习更稳健的分类特征在类不平衡数据情境下实现更精确的分类。在训练过程中,光谱自适应加权方法自动调整光谱波段的权重,有助于选出对分类任务关键的光谱波段,显著增强模型的泛化能力。其次,提出的局部关系增强的全局上下文分类模型,在提取全局上下文特征的基础上,增强局部信息对分类结果的贡献,有效缓解类不平衡数据集的误检率问题。在Pavia University、Houston 2013数据集上的实验结果表明,与现有的分类模型相比,该方法在处理类不平衡的数据集方面表现出色,显著提高了地物要素的分类精度。

基于自适应共振解调的齿轮故障诊断方法

针对传统共振解调技术难以确定带通滤波器参数及受噪声影响较大,诊断效果不佳的问题,提出一种基于EEMD、信息熵和快速峭度图的自适应共振解调方法。该方法通过EEMD方法将故障信号分解成若干个固有模态分量,利用互相关系数方法自适应重构信号以突出故障特征信号,对信息熵最小的固有模态分量进行谱峭度分析,自适应确定带通滤波器的中心频率和带宽,最后对通过滤波的重构信号进行Hilbert包络谱分析。数字仿真实验和实测齿轮故障数据分析结果表明,该方法可以有效突出故障特征信号,证明了该方法的有效性。