融合优化可调Q因子小波变换的改进密度峰值聚类算法

为提升时间序列的聚类精度,提出一种融合优化可调Q因子小波变换的改进密度峰值聚类(improved density peaks clustering based on optimal tunable Q-factor wavelet transform,OTQWT-IDPC)算法,该算法利用可调Q因子小波变换的能量优化选择策略及改进粒子群优化算法确定的最佳Q因子分解时序信号,通过最优特征子带的能量、均值、标准差和模糊熵构建特征子空间,并采用主成分分析降低特征维度,以减少特征冗余。同时,考虑到距离较远而周围密集程度较大的K近邻样本对局部密度的贡献率,引入权重系数及K近邻重新定义DPC的局部密度,并利用共享最近邻描述样本间的相似性。在BONN癫痫脑电信号和CWRU滚动轴承数据集上进行对比实验,结果表明,该算法的聚类精度分别为95%、94%,且Jacarrd、FMI和F_(1)值指标均优于其他对比算法,证明了OTQWT-IDPC算法的有效性。

基于MMED+TQWT方法的叶轮振动信号特征提取研究

为了提高高炉煤气余压发电装置(TRT)叶轮故障诊断能力,开发了以最小熵解卷积MMED和可调品质因子小波变换TQWT两种方法共同诊断叶轮故障的技术。先利用MMED方法转换初始振动信号获得更明显的故障冲击成分,再对经过预处理的信号实施TQWT分解,并设定相应的品质因子Q,再按照峭度最大原则确定子带最优分量并计算包络谱数据,实现叶轮故障的诊断功能。研究结果表明:采用本文方法分析故障冲击成分获得了显著增强,对噪声干扰起到了明显抑制作用。从包络谱内明显看到跟叶轮故障特征频率相同的频率特征,形成了明显的边频带,说明叶轮中已形成故障特征。

基于优化TQWT和LE的变压器绕组状态检测

为实现短路冲击下变压器绕组状态的准确检测,提出了优化可调品质因子小波变换(TQWT)和拉普拉斯特征映射(LE)相结合的方法对变压器短路冲击下的振动信号进行分析。提出归一化奇异值熵作为TQWT分解过程中关键特征参数的选取准则,然后对TQWT分解后的振动信号子带能量序列进行LE,用以获取表征绕组状态的振动信号敏感特征。对某110 kV变压器短路冲击试验下振动信号的计算结果表明:优化TQWT算法可有效提高短路暂态振动信号分解的准确性,经LE获取的振动信号敏感特征可更加清晰地反映变压器绕组机械状态的劣化过程。当特征向量距离的变化超过3倍时,需要重点关注变压器绕组状态,从而为变压器绕组状态检修策略的制定提供依据。

基于PEGIES和TQWT的滚动轴承故障特征提取

针对滚动轴承在强背景噪声下周期性冲击特征难以提取的问题,提出一种基于周期增强的包络谱基尼系数(periodically enhanced Gini index of the envelope spettrum,PEGIES)和可调品质因子小波变换(tunable Q-factor wavelet transform,TQWT)相结合的滚动轴承故障特征提取方法。首先,以PEGIES为TQWT分解效果的评判指标,事先设定品质因子Q和冗余度迭代范围区间,以中心频率比CFR为阈值指标及最大分解层数公式确定对应品质因子Q分解下的最佳分解层数J。通过网格搜索的方式确定最佳品质因子Q,得到其对应的TQWT分解重构子带,选取大于PEGIES均值的子带进行合并处理得到最佳分量,通过Hilbert包络解调得到故障特征。为验证方法的有效性,将XJTU-SY滚动轴承加速寿命实验数据集和DDS(drivetrain diagnostics simulator)实验台实测信号作为研究对象,结合仿真信号结果,与其他方法进行对比,证实本文所提方法能在一定程度上降低转频的干扰,具有更好的故障特征比,能实现更加准确的诊断。

基于多指标优化TQWT和TEO的轴承声发射故障诊断

针对滚动轴承早期故障声发射信号存在信噪比低、调制成分复杂导致故障特征难以识别的问题,提出一种利用多特征指标优化的可调Q因子小波变换(TQWT)和Teager能量算子(TEO)结合的故障诊断方法。以峭度-波形信息熵指标对TQWT参数(主要是品质因子Q)进行自适应选择,分解得到一系列子频带;然后,结合峭度、峰度、稀疏值组成融合指标对子频带进行筛选,对选出的子频带降噪后重构信号;最后求得重构信号Teager能量算子解调谱,通过对解调谱分析得到轴承故障特征信息。仿真和实验数据表明:该方法能在低转速强噪声背景下提取出轴承故障声发射信号中的冲击特征并进行故障诊断。

基于可调Q因子小波变换的海杂波抑制算法

针对海杂波背景下弱目标检测中存在的信杂比低的问题,提出了改进的基于可调Q因子小波变换的海杂波抑制算法。由于海杂波能量远大于目标信号能量,提出选取与海杂波振荡特性相匹配的参数进行可调Q因子小波变换,得到各小波子带的系数,并对小波系数进行稀疏优化后重构海杂波信号。为了判断弱目标信号是否存在,提出一种自适应的阈值检测方法,将原始回波信号与海杂波重构信号的差作为检测样本,实现对弱目标信号的检测。该算法不依赖海杂波具体模型。最后对某实测海杂波数据集进行实验,验证了所提算法的正确性。

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。

一种数据库查询的多标签电能质量混合扰动识别与分类新方法

该文针对电能质量混合扰动的复杂性及当前分类识别的准确率不够高等问题,提出一种数据库查询的多标签电能质量混合扰动分类与识别方法,该方法能够更加科学准确地识别混合扰动,可为电能质量治理、扰动事件责任追究等提供有力决策辅助。首先,该方法基于可调Q因子小波变换(tunable Q-factor wavelet transform,TQWT)和时变均方根(rootmeansquare,RMS)的特征提取方法有效提取扰动信号基频时域特征量,较好地克服了当前基频幅值特征提取准确率不够高的难点问题;其次,提出频域特征曲线分割新方法,高效地提取扰动信号的高频特征曲线;然后,建立基频幅值特征数据库和高频特征曲线数据库;最后,利用快速动态时间规整(dynamictimewarping,DTW)结合多标签的分类思想进行混合电能质量扰动的多标签分类。仿真实验结果表明,新方法具有如下优势:几乎不受限值范围内基频偏移的影响,抗噪性较强,对单一扰动及包含双重、三重、四重扰动在内的27种扰动具有较高的分类准确率。电网实测扰动数据的分析,进一步验证了该方法的扰动识别有效性。

突发脉冲干扰下的白鲸哨声端点检测方法

针对圈养条件下大量突发脉冲干扰影响白鲸哨声检测的问题,提出了一种可调Q因子小波变换(TQWT)结合自适应谱聚类的无监督哨声信号检测方法。对原始信号做高Q因子的小波分解,并以平均小波系数作为检验统计量完成哨声端点粗检测,排除静默时间段与低强度脉冲干扰;在此基础上使用局部密度自适应谱聚类进一步区分哨声与强脉冲干扰,完成白鲸哨声检测。使用实采的白鲸信号测试该检测器性能并计算其F_(1)分数。该检测器在两段测试信号下分别获得了0.9487和0.9429的F_(1)分数,且在大数据量情况下明显优于由k-means聚类或传统谱聚类构成的检测器,具有更高的鲁棒性。

利用零偏移距VSP资料在小波域计算介质Q值

讨论了地震子波为一般零相位子波情况下,利用零偏移距垂直地震剖面(VSP)资料在时-频域计算Q值方法.以Morlet小波为基本小波,基于单程波传播理论,在地震子波为一般的零相位子波情况下,推导出了在时-频域计算Q值的公式.通过对横坐标作恰当的非线性变换后,该公式在形式上与地震子波为脉冲时的计算公式类似.文中采用VSP正演记录.验证了本文提出的方法的正确性.文中还讨论了在时-频域恰当地选择有效频带,降低反射波对Q值计算结果影响的方法.

改进的TQWT在滚动轴承早期故障诊断的应用

针对滚动轴承早期故障特征信息十分微弱难以提取以及可调品质因子小波变换(tunable Q-factor wavelet transform,简称TQWT)参数设置依赖使用者经验的问题,提出改进的TQWT的滚动轴承早期故障诊断方法。首先,设定Q因子的区间范围,利用TQWT对滚动轴承故障振动信号进行分解得到若干个分量;其次,对各分量进行包络导数能量算子解调,在能量谱中根据特征频率强度系数这一指标自适应地确定TQWT的最佳分解参数,实现对故障信号的最优分解;最后,通过对最佳分量的包络导数能量谱分析即可准确地提取到轴承故障特征信息。通过对仿真信号、实验数据以及工程案例分析表明,该方法能够有效提取滚动轴承早期微弱故障特征并准确判断出滚动轴承故障类型,具有一定的工程应用价值。

基于稀疏表示的TQWT在低频振荡信号去噪中应用

为了改善低频振荡信号的去噪效果,为低频振荡信号的检测与分析提供准确可靠的数据,在分析可调Q小波变换和稀疏表示原理的基础上,给出了一种基于稀疏表示的可调Q小波变换去噪方法。该方法先利用可调Q小波变换对含噪的低频振荡信号进行稀疏分解,得到初始的小波系数。再利用基追踪去噪算法对得到的小波系数进行优化处理。最后对优化的小波系数进行重构,获取干净无噪的低频振荡信号。通过仿真分析验证了该方法的去噪效果和可靠性优于目前广泛使用的小波软、硬阈值去噪法。

基于可调Q因子小波变换的识别左右手运动想象脑电模式研究

针对识别左右手运动想象脑电图信号(EEG)模式精度和互信息不高的问题,该文采用基于可调Q因子小波变换(TQWT)算法来处理脑电信号。首先,利用TQWT对脑电图信号进行分解;随后,提取子频带信号的小波系数能量、自回归模型(AR)系数以及分形维数;最后,利用线性判别分析(LDA)对提取的脑电特征进行识别。采用BCI2003和BCI2005竞赛数据对所提出的算法进行验证,4名受试者的最高识别率分别为88.11%, 89.33%,77.13%和78.80%,最大互信息分别为0.95, 0.96, 0.43和0.45。实验结果表明,所提算法取得了高分类精度及互信息值,验证了其有效性。

基于调Q小波变换的心电信号特征量提取方法

与传统的基于频域划分信号分解方法不同,提出了一种基于品质因数的自适应信号分解方法。利用调Q小波变换自适应生成品质因数不同的小波函数作为信号分解的基函数,利用Mallat塔式算法将复合信号分解为具有持续振荡特性的高共振分量和具有瞬态冲击特性的低共振分量,并将其用于心电信号的特征量提取。相比于小波分析、经验模态分解等方法,该方法可以有效地去除信号中的噪声及干扰,分离频谱混叠且振荡形式不同的信号。通过数值仿真和实例分析证明了该算法的优越性。

基于可调Q因子小波变换和谱峭度的轴承早期故障诊断方法

通过对轴承故障机理的研究,提出基于可调Q因子小波变换和谱峭度的故障诊断新方法。首先,根据冲击成分的频谱分布,预设Q因子的范围,对轴承的振动信号进行可调Q因子小波变换;其次,计算各尺度变换系数的谱峭度,利用谱峭度最大原则确定最佳的共振因子和尺度带;然后,用相邻系数降噪法处理尺度带内的变换系数,并进行逆可调Q因子小波变换重构信号;最后,求取包络谱,根据极值点的频率位置进行故障诊断。研究结果表明:该方法能有效抑制噪声和谐波成分,使提取的故障特征成分周期性明显、峭度大,使故障特征频率突出显著,验证了所提方法的有效性。

基于可调Q-因子小波变换的语音增强算法

针对语音增强算法中传统的小波阈值法的局限性,提出一种基于可调Q-因子小波变换和清浊音分离的语音增强算法。首先用过零率和短时能量法判别清音和浊音;然后在可调Q-因子小波变换下,对清、浊音采用不同的阈值处理,在不同尺度上,分别结合系数能量和噪声方差得到的阈值作为清音和浊音的阈值确定准则;再利用改进的阈值函数分别处理清音和浊音的小波系数,估计出不含噪声的系数;最后进行小波逆变换,得到抑制了噪声的语音信号。对含有高斯白噪声和有色噪声的语音进行仿真实验,结果表明:与目前许多经典的去噪方法相比,该方法在去噪效果和提高语音可懂度方面均有一定的改善。

基于可调Q小波变换与基追踪的电能质量信号去噪

现场采集的电能质量信号中夹杂着高斯白噪声和脉冲噪声,这些噪声的存在给电能质量信号的检测与分析带来困难,因此要对电能质量信号进行去噪预处理。针对传统去噪方法的局限性,本文给出了基于可调Q小波变换与基追踪的去噪算法,该方法先用不同品质因数的小波基函数对含噪信号进行稀疏分解,再利用基追踪去噪算法对得到的小波系数进行优化处理,最后对优化的小波系数进行重构,这样就实现了电能主特征信号与脉冲噪声和高斯白噪声的分离,从而达到去噪的目的。仿真结果表明该方法可以有效地去除电能质量信号中的高斯白噪声及脉冲噪声,且去噪效果和可靠性优于广泛使用的小波去噪和集合经验模态分解去噪。

具有空间-通道重构卷积模块的肺音分类模型

目的探究肺音数据的准确识别及分类。方法本文提出了一种结合空间-通道重构卷积(SCConv)模块的卷积网络架构以及双可调Q因子小波变换(DTQWT)与三重Wigner-Ville变换(WVT)结合的肺音特征提取方法,通过自适应地聚焦于重要的通道和空间特征,提高模型对肺音关键特征的捕捉能力。基于ICBHI2017数据集,进行正常音、哮鸣音、爆裂音、哮鸣音和爆裂音结合的分类。结果方法在分类的准确率、敏感性、特异性以及F1分数上分别达到85.68%、93.55%、86.79%、90.51%。结论所提方法在ICBHI 2017肺音数据库上取得了优异的性能,特别是在区分正常肺音和异常肺音方面。

基于TQWT能量选择算法隧道爆破信号特征提取分析

以悬泉寺隧道掘进工程为背景,对隧道爆破振动进行监测。利用可调品质因子小波变换(Tunable Q-factor Wavelet Transform)优良的能量优化选择能力,实现信号高、低品质因子成分及所含高频强噪声的分离。通过对高、低品质因子优化分解子带能量人工判别,选取优势能量子带进行信号重组,得到最能体现信号特征的最佳分析信号。对最佳信号的分析结果表明:隧道爆破不同批次雷管混用导致MS3~MS5段间延时时差超过了设计值,爆破信号归一化短时傅里叶(Normalized Short Time Fourier Transform,NSTFT)时频分布说明隧道爆破主频与各段别起爆波形中心频率均值较为接近,体现了各段雷管起爆能量对信号能量分布的贡献。隧道爆破信号精细化分析在隧道爆破振动特征提取、雷管微差间隔识别和信号主频的判别等方面具有很好的工程应用价值。

一种基于能量选择的改进TQWT海杂波抑制算法

针对雷达对海探测中海杂波抑制问题,研究了基于能量选择的改进可调Q小波变换（TQWT）海杂波抑制算法。根据目标和海杂波振荡属性差异,通过TQWT将回波信号分解到不同子带的小波系数中,并利用基追踪去噪（BPD）对小波系数稀疏优化后进行目标重构。为更好的重构目标信号,文中基于子带能量最优分布准则,提出了能量选择法,提取目标能量占优层级的小波系数进行重构,实现目标与海杂波的有效分离。论文分析了雷达观测时间对算法性能的影响,为该方法的工程应用提供指导。通过在CSIR公开数据集上进行实验,结果验证了该算法的性能,改善了输出信杂比。