随机信号过程与矿床产出模型导出

将一个矿床的产出抽象化为一个随机信号的发生,由此导出一递推微分方程组,解之得普阿松分布。证明矿床的产出过程是一个普阿松过程,进而用Γ—分布表述了其参数λ,引出了负二项分布,给出了一个完整的推导过程。

随机振幅信号过程

本文从分析“随机振幅信号过程”的实际“功率谱密度”脉冲函数图线出发（如图１），通过数学建模，给出了实际脉冲图线与理论脉冲图线之间的关系，导出了“随机振幅信号过程”的均值，相关函数，遍历性，功率谱密度以及平均功率等重要统计特性及统计规律，并详细论述了这些数字特征及统计规律的实际含义，从而为“随机振幅信号过程”的理论与实际“信息信号系统”之间搭起了桥梁，使“随机振幅信号过程”的理论，更进一步接近“信息信号系统”的实际，更有效的解决“随机信号过程”

过程信号的盲分离

添加采集通道，应用文中提出的基于盲分离原理的简约 Ｈ Ｊ神经网络（ Ｒ Ｈ Ｊ Ｎ Ｎ），可有效地去除混杂在过程信号中噪声，是控制工程中一种新型的去噪手段。对多类控制系统与不同信号的组合仿真表明，该方法是有效的，网络性能是稳定的。

念珠藻葛仙米的藻殖段分化——信号转导参与过程的初步研究

钙调素拮抗剂W_7和FPZ均可抑制葛仙米藻殖段的分化。利用FPZ作为荧光染色剂发现 ,经过钙调素拮抗剂处理的藻体有较低的钙调素分布。在达到一定浓度后 ,金属离子螯合剂EGTA也抑制藻殖段分化。金霉素 (CTC)荧光显示 ,经EGTA处理的藻细胞其膜钙分布大大减少。但实验表明 ,藻殖段得以正常分化却是多种金属离子共同参与的结果。一氧化氮 (NO)可以大大降低葛仙米藻殖段的分化率 ,一氧化氮合成酶 (NOS)的抑制剂NNA也可以抑制藻殖段的分化。外源地加入氧自由基抑制了藻殖段的分化 ,但是氧自由基的清除物过氧化氢酶 (CA)也使藻殖段分化完全受抑制。以上结果初步表明 ,葛仙米藻殖段分化是个复杂的。

基于遗传算法过程信号的盲分离

盲分离神经网络算法存在着容易陷入局部极小点、收敛速度慢的缺点 .提出采用遗传算法优化盲分离神经网络权值的初值 ,将遗传算法与 HJNN结合形成 GA- HJNN算法 ,可迅速得到最佳盲分离神经网络的权值矩阵 ,实现对过程信号的去噪 .通过实验对 2种算法进行了比较 .

弧焊过程电信号小波软阈值消噪

在CO2 弧焊过程电信号的实际测试过程中 ,噪声的存在常是难以避免的 ,消除噪声是信号分析中重要的环节。小波变换具有很好的时、频局域性 ,以不同的小波变换尺度 ,可将信号分解成不同的频率分量。对于连续信号函数 ,随着尺度的增大 ,小波变换系数也增大 ;对于噪声 ,其小波变换系数随尺度的增大而减小。据此 ,可消除信号中的噪声成分。论文重点分析了小波软阈值法信号消噪方法 ,通过对实测弧焊过程电信号的消噪处理 ,对比分析了低通滤波、粗糙小波和小波软阈值消噪法。结果表明 ,采用低通滤波和粗糙小波消噪 ,会在信号的突变部分产生严重的失真。而小波软阈值法可以在消去信号噪声的同时 ,较好地保持信号的突变部分不失真 ,从而改善信号中特征信息的提取效果。

电机启动过程信号的周期域分析

在简单介绍过程信号周期域分析方法之后 ,结合 1台异步电动机启动、空转、关断过程信号的实际取样数据 ,通过周期域分析 ,获得了众多时、频域参量的周期域特性曲线 ,并分别对它们进行了必要的解释。

过程信号的前馈-反馈型自适应盲分离算法

利用神经网络的自学习能力实现信号的盲分离已被证明是实现信号分离的一种有效方法 ,不同的神经网络模型对分离算法的效能将产生极大的影响。针对化工生产过程的复杂性和在线监测控制的要求 ,在其他学者研究的基础上 ,基于前馈 -反馈型神经网络模型 ,提出了一种自适应盲分离算法用于过程信号的分离。

同轴电缆VOD系统信号传输过程中的噪声分析

本文从 VOD传输系统工作原理出发 ,对其下行传输噪声和上行传输噪声产生的机理进行了详细分析 ,从而为设计性能更加优化的相关系统提供了依据。

过程信号的周期域分析

本文提出一种以信号周期为自变量，以定义在本信号周期内的时、频域参量为变量的新的信号分析方法，并详细阐述了这种信号分析方法的实用意义，实现了各项周期参量的周期域表示。可以预言，这种信号分析方法将可揭示过程信号中的某些至今尚未十分明了的奥秘。

指数函数型过程信号的统—AR模型

为了把描述过程信号的三种方法:AR谱估计法、prony方法、pisarenko方法归纳在一个理论模型下.通过对指数函数型复数过程信号的建模研究,得出了一个统一的方程组,即统一的AR模型.由该模型出发,经过预测分析、无衰减正弦过程参数估计和定价讨论后可知:在不同的条件下,此理论模型可分别导出AR谱估计法,无衰减信号的prony谱估计方法和pisarenko方法.

遗传算法在过程信号的盲分离中的应用

盲分离神经网络算法存在着容易陷入局部极小点、收敛速度慢的缺点。提出采用遗传算法优化盲分离神经网络权值的初值,与遗传算法结合形成 GA-HJNN 算法,可迅速得到最佳盲分离神经网络的权值矩阵,实现对过程信号的去噪。通过实验对两种算法进行了比较。

基于卷积盲分离神经网络的过程信号去噪算法

研究了一种基于卷积混叠盲信号分离的简约神经网络算法,简称RCMNN。可使线性静态或动态传输通道中混叠的多源信号实现分离,从而可有效应用于传输通道中过程信号上的去噪,是控制工程中去噪的新方法。对多类不同信号组合仿真表明,该算法是有效的,网络性能是稳定的。

基于遗传神经网络优化的过程信号盲分离算法

研究一种较新的盲信号神经网络分离(BSS)方法,用于过程信号去噪。由于盲信号分离神经网络存在容易陷入局部极小点、收敛速度慢的缺点,研究采用遗传算法优化盲信号分离神经网络权值的初值,将遗传算法与神经网络(HJNN)结合形成GA-HJNN算法,可迅速得到最佳盲信号分离神经网络的权值矩阵,实现对过程信号的去噪,并通过实验对2种算法进行了比较。

基于多过程信号的轧辊磨削表面粗糙度智能预测

由于轧辊磨削表面粗糙度预测困难,且其预测精度不足,为此,笔者提出了一种基于多过程信号的轧辊磨削表面粗糙度智能预测方法。首先,以砂轮转速、磨削深度、拖板速度和头架转速为变量,对轧辊进行了全因素磨削实验,采集了磨削过程中的多过程信号,即声发射信号、振动信号和主轴电流信号,测量了磨后轧辊的表面粗糙度;对信号进行了分段处理,强化了信号与粗糙度的关联,并对粗糙度进行了离散化处理,将回归问题转化为分类问题;然后,提取了各类信号在时域和频域上的众多特征值,并利用主成分分析法(PCA)对其进行了特征降维融合,构建了多种类型的特征输入;最后,利用网格搜索法优化了多层感知机(MLP)网络,得到了粗糙度的预测模型,实现了对轧辊磨削表面粗糙度的智能预测。研究结果表明:相较于单信号方案,多信号方案能够提供更全面、准确的信息;基于PCA的降维融合特征能进一步提高MLP网络的预测效果,其准确率为78.16%,F1值为0.7776,平均偏离距离为0.29。

过程信号的盲分离及其应用

提出的简约的ＨＪ神经网络（ＲＨＪＮＮ） 能用于过程信号的盲分离，即可有效地去除信号采集通道中的噪声信号，是一种新型的去噪控制手段。

基于PC机声卡的过程类复杂信号发生器

介绍了一种利用PC机声卡,通过VB编程修改WAV声音文件来获得工程中实际要处理的各种复杂信号的方法。实践证明,该信号发生器在模拟产生涡街流量计信号等过程类复杂低频信号方面有一定应用价值。

OBE理念下“随机过程及信号处理”课程教学实践与探索

在研究生教育快速扩张的背景下,传统的研究生课程教学模式已经不能满足新阶段高质量研究生人才培养的需求,构建以创新为引领的研究生培养模式逐渐成为研究生教育的重要任务。本研究在“随机过程及信号处理”课程教学实践中,应用OBE理念建设研究生课程,强调以学习者为中心、学习结果为导向的思路,修订与OBE理念相适应的课程教学大纲,采用“SPOC+讨论式”教学模式以及相应的综合评价体系,经过两届学生的实践,发现该教学理念符合学生个性化需求,有助于培养学生发现问题、设计研究方案并解决问题的能力,取得了良好的教学效果。

基于CAN总线的多路过程信号发生装置设计

介绍一种基于CA N总线的多路过程信号发生装置设计,对其中关键电路中涉及到的关键器件选型,热电偶信号模拟板及热电阻信号模拟板的原理进行了详细说明和分析。

一种过程系统信号的频域分析方法

本文提出了一种过程信号频域预处理方法,通过采样、零阶保持、零阶保持补偿、矩形脉冲分解和阶跃信号结尾等5个步骤,将一个非周期且终值稳定值不为零的原信号转化为有限数量的矩形脉冲信号和1个结尾阶跃信号。解决了非周期过程信号频域处理的预处理问题。然后提出了一种非周期信号的拉氏变换方法,通过原始信号频域拉氏变换、复频域表达和频域恢复的方法,实现了将非周期信号转换为拉氏变换后的线性叠加。理论推导、仿真实验和实际应用结果表明了该方法能够为过程系统频域分析提供了一种较为准确和有效的手段。