EMD+AR模型在运动想象脑电处理中的应用

为了在处理运动想象脑电信号时得到理想的特征向量,提取脑电波(Electroencephalogram,EEG)信号特征之前使用经验模态分解(Empirical Mode Decomposition,EMD)信号,再用自回归(Auto Regressive,AR)模型提取特征。与单独使用AR模型相比,EMD+AR算法模型得到的频谱图特征更为明显,表明EMD+AR算法模型提取的特征具有较强的鉴别力。

风场模拟中AR模型的若干问题

自回归(AR)模型具有计算量小,模拟速度快等优良特性,在风场模拟中得到了广泛应用。本文对AR模型进行了系统的研究,将脉动风场模拟中广泛应用的AR模型归为两大类,对模型中的参数从理论上进行了合理的解释。对两种模型模拟脉动风场时涉及到的Wiener-Khintchine公式的变换形式,通过分析对其进行了修正,指出算法上可以采用FFT技术来计算互相关矩阵的元素以提高计算效率。提出了AR模型编程中偶然发现的自回归顺序问题,算例表明两种不同方法的风速时程样本及其无偏自相关估计和自功率谱估计均有较大的影响,希望能引起更多同行对该问题的注意。尽管标量过程AR模型简单且易于掌握,但不能考虑时滞问题。相比之下,理论分析和数值实验都证明,向量过程的AR模型在精度总体要高于标量过程的AR模型,但其运算时间也相应增多。

基于双树复小波包和AR谱的滚动轴承复合故障诊断方法

针对滚动轴承复合故障信号中故障特征难以分离的问题,提出了基于双树复小波包和自回归(autoregressive,AR)谱的故障诊断方法.首先,利用双树复小波包变换将复杂的、非平稳的复合故障振动信号分解为若干个不同频带的分量;然后,对包含故障特征的分量进行希尔伯特包络;最后,对包络信号求其AR功率谱,由此实现对复合故障特征信息的分离和故障识别.实验结果表明:该方法可有效地分离轴承复合故障的特征频率,验证了该方法的可行性和有效性.

基于AR模型模拟超高层建筑的脉动风速时程

风荷载是超高层建筑设计的主要荷载之一,而且通过风振时域分析可以更全面地了解超高层建筑风振响应特性,更直观地反映超高层建筑风致振动控制的有效性。因此,本文使用线性滤波法即白噪声滤波法(white noise filtration method,WNFM)中的自回归(auto-regressive,AR)模型模拟超高层建筑的风速时程。首先,考虑超高层建筑风速时程的时间和空间相关性,导出了四阶AR模型的参数表达式。接着,基于AR模型模拟了一幢高度为200 m超高层建筑的风速时程。最后,通过比较模拟风速功率谱、模拟自相关函数和互相关函数与目标风速功率谱、目标自相关函数和互相关函数的吻合程度,验证基于AR模型模拟超高层建筑风速时程的可行性。

基于多维AR模型的桥梁随机风场模拟

基于自然风特性,通过考虑结构节点间风速时程的空间相关性,采用多维AR模型模拟主梁和桥墩节点随机脉动风速时程,利用FPE准则和AIC准则确定模型阶数,并对模拟过程中的自回归顺序、功率谱密度等问题进行研究。对兰新二线铁路白杨河大桥采用多维AR模型模拟各节点的脉动风速时程,结果表明:当AR模型阶数为4时,模拟功率谱与目标功率谱吻合较好;当自回归顺序颠倒时,模拟功率谱明显偏离目标功率谱。

基于AR模型和谱熵的自适应小波包络检测

针对传统故障诊断的包络问题,提出了一种基于自回归(auto regressive,AR)模型和谱熵的自适应复解析小波包络检测方法。通过AR模型从数据内在规律性上剔除机械振动信号中可线性预测的平稳成分,提取共振衰减的非平稳成分,在不同频带下进行复解析小波包络,结合谱熵在频域内与通带滤波的相关性选定最佳包络。仿真和试验数据分析结果表明,该方法能有效地提取故障特征频率,较传统方法自适应性更强,鲁棒性更高,包络效果更好,在工程应用中具有良好的前景。

基于SSA和AR模型的海面变化预测试验

以吴淞站1955-2001年月平均潮位序列为基础,采用奇异谱分析(SSA)与自回归模型(AR)相结合的方案(SSA+AR),进行了月平均潮位预测试验。基本思路是对SSA分析的结果选择若干有意义的分量进行序列重建,借助于自回归模型进行分量预测,再对它们进行叠加,从而建立预测模型。本文以1955-1996年数据为基础建立模型,1997-2001年数据作为验证,检验结果表明,两种方法的结合使用显示了较好的效果。

一种基于阶比域的AR模型盲辨识算法

结合阶比分析和现有时序模型盲辨识方法各自的优点,提出了一种基于阶比域的AR模型盲辨识算法。该方法是将时域采样所得的非稳态信号按等角度重采样,从而得到阶域中的稳定信号,对其建立AR模型进行盲辨识。该方法继承了现有的时序模型盲辨识方法的所有优点,同时克服了现有时序模型盲辨识方法在处理非平稳信号的不足。仿真结果表明,该方法是有效的,可很好地处理非平稳信号。

基于AR建模理论的汽车行驶姿态预测方法研究

采用AR模型开展了汽车运动参数预测研究,详细分析了其建模预测方法,并以侧倾角速度这一车辆行驶时的关键参数为例,讨论了AR模型在行驶安全运动参数预测中的应用,结果显示该模型取得了一定的效果。此外,AR模型仅利用自身的历史数据进行建模预测,故具有简便易行、通用性好、可操作性强的特点。

基于SVD-AR模型与VPMCD的轴承故障诊断方法

针对强噪声背景下振动信号故障特征难以提取的问题,提出了基于奇异值分解的自回归(SVD-AR)模型,用于提取振动信号的特征,并与变量预测模型模式识别(VPMCD)方法相结合应用于轴承故障诊断。对轴承振动信号进行SVD;然后,利用奇异值差分谱对分量信号进行筛选,对能够反映故障信息的分量信号建立AR模型,提取轴承振动信号的特征信息;采用VPMCD对滚动轴承运行状态进行识别。实验证明了方法的合理性和有效性。

基于广义逆矩阵的AR模型参数估计算法

AR(auto-regressive)模型是时序建模分析中常用的时间序列模型。在模型参数的最小二乘估计和定阶的过程中,要求线性方程组必须有解。针对这一问题,文中引入自相关系数矩阵对线性方程组进行化简,并提出基于广义逆矩阵理论的参数估计方法。该算法对线性方程组是否有解没有限制,无需事先判定,从而解决建模过程中线性方程组无解情况下的参数估计问题。实验证明该法可有效地对设备运行状态进行趋势预测,具有一定的工程意义。

基于ARSαS模型参数估计的雷达目标检测方法

由于杂波非高斯特性和相关特性的影响,传统的动目标检测(moving target detection,MTD)技术的检测性能严重下降,针对该问题,基于对称α稳定分布(symmetricαstable,SαS)杂波模型和自回归(auto regressive,AR)模型理论,提出了一种基于ARSαS模型参数估计的雷达目标检测方法。该方法基于SαS模型,通过幂变换抑制杂波的非高斯特性,以及通过基于广义尤拉-沃克方程参数估计的AR模型白化杂波,应用快速傅里叶变换实现对目标信号的积累,以提高信杂比。仿真实验和实测数据验证表明,所提方法在非高斯相关杂波背景下的检测性能明显优于传统的MTD方法。

基于EMD-AR谱和GA-BP的滚动轴承故障诊断研究

为了提高滚动轴承振动信号的故障特征提取能力,快速有效地诊断出轴承的故障类型,提出了一种基于EMD-AR谱和GA-BP神经网络的滚动轴承故障诊断模型,以美国凯斯西储大学轴承数据中心的轴承振动加速度数据为例,对滚动轴承各种状态进行了理论分析和实验测试研究。首先,通过经验模态分解,将采集到的轴承振动信号进行了分解,获得了不同阶次的固有模态函数分量;然后,通过自回归模型对这些分量进行了故障特征提取,并由AR模型的参数和残差的方差组成了故障特征向量矩阵;最后,将故障特征作为遗传算法优化BP神经网络的输入数据和输出数据,分别对该故障诊断模型进行了训练和测试。研究结果表明:基于EMD-AR谱和GA-BP的滚动轴承故障诊断方法可以有效识别不同类型的故障特征;相较于传统的基于BP神经网络、GA-BP神经网络诊断方法,其诊断的效率更高,并且诊断准确率可达到95%。

舰船运动姿态仿真与多层AR预报研究

舰船运动姿态预报可更好地保障舰船各项作业的顺利进行,提高航行安全性。该文从频域角度仿真随机风浪,据此仿真舰船运动。考虑到舰船运动姿态时域上的非线性、非平稳特点,采用多层AR模型进行舰船运动姿态预报,并根据仿真案例进行预报检验。多层AR方法能有效提高极短期预报的精度。

基于EMD与AR模型的柴油机故障诊断

采用经验模式分解(EMD)方法对振动信号进行分解,得到固有模态函数(IMF),对每一个IMF分量分别建立AR模型,以模型的自回归参数和残差的方差作为特征向量,用支持向量机(SVM)进行分类,判断柴油机的工作状态和故障类型。实验结果分析表明,该方法即使在小样本情况下也能准确有效地诊断柴油机故障,能实现故障的实时自动化诊断。在不同转速时,需选用新转速工况下的数据作为训练样本,以保证分类准确率。

面向自相关过程的改进ARMAST控制图与Grubbs调和规则的集成

为解决多品种小批量生产方式存在过程输出自相关和机器设置的频繁调整通常导致过程均值偏离目标值两个问题。提出以改进的稳态自回归滑动平均控制图为监控技术、以基于稳态卡尔曼滤波器的Grubbs调和规则为调整技术的集成理论。其中,针对稳态自回归滑动平均控制图在高阶自回归滑动平均过程下难以求解稳态方差的问题,建立了通用的任意阶平稳自回归过程下稳态方差的求解方法,使其适用范围更广;针对稳态自回归滑动平均控制图的参数设计方法效率较低,提出了基于条件概率的参数设计方法,使其监控效率更好。当控制图预警后,采用Grubbs调和规则对生产过程进行调整。通过仿真实验和实例研究验证了改进的参数设计方法和集成方法的有效性。

基于多分辨率特征的UWB SAR二维广义似然比目标检测方法

针对超宽带合成孔径雷达(UWB SAR)工作体制及探测背景的特殊性,结合成像过程,分析了不同分辨率条件下目标与杂波的区别,在此基础上采用了两种形式的一阶自回归(AR)模型实现对多分辨率序列的建模,并提出了广义似然比(GLR)的二维计算方法。该方法大大提高了多分辨率特征提取的稳定性,基于实际UWB SAR图像的试验结果表明:利用多分辨率特征可明显增强图像信杂比,从而提高UWB SAR目标检测效果。

基于AR模型和谐波小波的扭振固有频率提取

提出用谱估计的方法分析利用激光多普勒扭振测量仪获取的扭振信号。首次采用 AR模型和谐波小波分解相结合处理低信噪比的扭振信号。首先介绍了 AR模型对信号消噪、重构和谐波小波分解的原理 ,然后利用一组模拟信号来验证该方法的实用性。最后用来处理从实验台上获得的扭振信号 ,提取出了该转子实验台的扭振固有频率 ,与利用传递矩阵法计算的理论结果比较吻合。

虎门桥主梁挠变之AR(P)模型分析

以虎门大桥主梁施工为工程背景,针对其采用挂篮悬臂中的各梁块挠变必须加以控制,以防止桥跨挠曲发展至超限的程度的需求,采用适合边施工边测量边预报的AR(P)模型方法进行监控,旨在支持相关施工方案的及时调整,使悬臂的施工状态尽可能稳定地接近设计状态。分析表明:主梁的合龙精度满足规范与技术标准的要求,验证了自回归理论在桥梁施工监测分析中的实用性和严谨性。

基于ART算法的电力负荷预测

为了有效支持用电管理决策及负荷预测,在分析用电管理及智能辅助决策支持技术发展现状的基础上,提出了一种基于自动回归树(ART)算法的电力负荷预测方法。利用该预测方法对电力远程自动抄表系统所采集的历史数据进行了处理分析。针对实际系统应用,验证了该方法适用于短期负荷预测,也适用于对未来电力负荷的准确快速预测。因此它是一种行之有效的方法。