期刊文献+
共找到5篇文章
< 1 >
每页显示 20 50 100
基于去噪盲分离的多个直扩信号参数估计 被引量:6
1
作者 汤辉 王殊 《系统工程与电子技术》 EI CSCD 北大核心 2011年第8期1722-1726,共5页
噪声条件下多个直扩信号混合情况下的参数估计是传统算法所无法处理的,为此提出将去噪盲分离算法应用于此问题,达到噪声消除和使多个扩频信号相互分离的目的。首先回顾了在低信噪比条件下估计单个直扩信号参数的循环谱估计技术,并且说... 噪声条件下多个直扩信号混合情况下的参数估计是传统算法所无法处理的,为此提出将去噪盲分离算法应用于此问题,达到噪声消除和使多个扩频信号相互分离的目的。首先回顾了在低信噪比条件下估计单个直扩信号参数的循环谱估计技术,并且说明了盲分离算法在估计多个混合直扩信号参数的可行性。然后给出了含噪盲分离的基本模型和一种有效算法移偏快速独立分量分析(fast independent component analysis,FASTICA)。接着引出了一个算法框架——去噪盲分离,证明了经典独立成分分析(independent component analysis,ICA)算法可以统一到这个框架中。仿真结果表明了算法的有效性和实用性。 展开更多
关键词 去噪盲分离 直扩信号 循环谱估计 移偏快速独立分量分析
下载PDF
疲劳裂纹扩展声发射信号去噪盲分离
2
作者 王兴路 贺利乐 +2 位作者 贺瑞 石嘉堃 柴健湣 《机械科学与技术》 CSCD 北大核心 2021年第10期1608-1613,共6页
采用声发射技术评估疲劳裂纹扩展状态时,评估结论会受到其它类型声发射信号和噪声的干扰。针对上述问题,在分析经验模态分解和独立分量分析特点的基础上,提出集合导数优化经验模态分解与独立分量分析相结合的声发射信号去噪盲分离方法,... 采用声发射技术评估疲劳裂纹扩展状态时,评估结论会受到其它类型声发射信号和噪声的干扰。针对上述问题,在分析经验模态分解和独立分量分析特点的基础上,提出集合导数优化经验模态分解与独立分量分析相结合的声发射信号去噪盲分离方法,用于疲劳裂纹扩展声发射信号的处理。分别进行模拟声发射信号和疲劳裂纹扩展试验,采用上述方法对采集声发射信号进行去噪盲分离,结果表明:基于集合导数优化经验模态分解与独立分量分析的声发射信号去噪方法可有效去除噪声信号的干扰,准确分离出疲劳裂纹扩展声发射信号,为进行含裂纹结构的疲劳损伤状态评估和剩余寿命预测奠定基础。 展开更多
关键词 声发射信号 去噪盲分离 集合导数优化经验模态分解 独立分量分析 疲劳裂纹扩展
下载PDF
基于VMD的噪声信号去噪源分离 被引量:4
3
作者 靳行 林建辉 《噪声与振动控制》 CSCD 2020年第2期167-173,共7页
针对噪声信号分析中的欠定盲源去噪问题,基于变分模态分解(Variational Mode Decomposition,VMD)、主成分分析(Principal Component Analysis,PCA)和去噪盲源分离(Denoising Source Separation,DSS)各自的优点,提出一种基于VMD和PCA的... 针对噪声信号分析中的欠定盲源去噪问题,基于变分模态分解(Variational Mode Decomposition,VMD)、主成分分析(Principal Component Analysis,PCA)和去噪盲源分离(Denoising Source Separation,DSS)各自的优点,提出一种基于VMD和PCA的欠定去噪源分离方法(QVMD-PCA-DSS)。所提方法首先通过第一次VMD分解得到窄带本征模态分量(Band-Limited Intrinsic Mode Function,BIMF),根据BIMF分量的PCA特征值梯度获得最优VMD分解参数,解决VMD参数选择问题,故称作二次估计型可变微分模态(Quadratic-estimates Variational Mode Decomposition,QVMD),然后使用基于QVMD分解得到的BIMF分量来解决盲源分离中源信号数据不足的问题,再根据PCA特征值选择模型估计源信号数量,最后应用DSS进行源信号估计。数据仿真证明,所提QVMD-PCA-DSS方法可以准确估计源信号,与传统方法相比,基于新方法所得估计源信号与源信号更为接近。将该方法应用于内燃机车司机室噪声测试分析中。结果表明,该方法可以自适应解决欠定盲源去噪问题,对降噪分析与噪声分析具有重要的工程意义。 展开更多
关键词 声学 变分模态分解 主成分分析 去噪分离 声测试
下载PDF
基于X射线数字成像的GIS设备缺陷无损检测方法 被引量:1
4
作者 张志刚 张岩 +1 位作者 吴文平 马贵荣 《计算机测量与控制》 2024年第6期35-41,共7页
GIS设备的安全性和可靠性对电力体系的平稳运行具有重要意义;因此,为提高对GIS设备缺陷的检测效果、提高设备运行的安全性,在X射线数字成像的基础上,提出一种针对GIS设备的缺陷无损检测方法;通过X射线数字成像的方式采集GIS设备图像,并... GIS设备的安全性和可靠性对电力体系的平稳运行具有重要意义;因此,为提高对GIS设备缺陷的检测效果、提高设备运行的安全性,在X射线数字成像的基础上,提出一种针对GIS设备的缺陷无损检测方法;通过X射线数字成像的方式采集GIS设备图像,并对图像中存在的泊松噪声实施去噪处理,以提高图像质量;针对处理后的图像,利用二维主成分分析法,通过将复杂的图像数据转换为简单的主成分来表示原始数据,提取出最具代表性的特征;将提取结果输入到BP神经网络分类器中,通过特征分类完成对GIS设备缺陷的无损检测;实验结果表明:应用该方法后,图像识别清晰度较高,对不同类型缺陷的检测效果良好;该方法的优势在于使用先进的图像处理和机器学习技术,能够有效地识别和定位GIS设备中存在的缺陷,通过及时发现并修复这些缺陷,可以提高GIS设备的安全性和可靠性,从而确保电力系统的平稳运行。 展开更多
关键词 X射线数字成像 GIS设备 缺陷无损检测 泊松 分离去噪 二维主成分分析法 特征提取 BP神经网络分类器
下载PDF
Strong noise attenuation method based on the multiuser kurtosis criterion
5
作者 高伟 刘怀山 《Applied Geophysics》 SCIE CSCD 2013年第1期25-32,117,共9页
The strong noise produced by the leakage of electricity from marine seismic streamers is often received with seismic signals during marine seismic exploration. Traditional denoising methods show unsatisfactory effects... The strong noise produced by the leakage of electricity from marine seismic streamers is often received with seismic signals during marine seismic exploration. Traditional denoising methods show unsatisfactory effects when eliminating strong noise of this kind. Assuming that the strong noise signals have the same statistical properties, a blind source separation (BSS) algorithm is proposed in this paper that results in a new denoising algorithm based on the constrained multi-user kurtosis (MUK) optimization criterion. This method can separate strong noise that shares the same statistical properties as the seismic data records and then eliminate them. Theoretical and field data processing all show that the denoising algorithm, based on multi-user kurtosis optimization criterion, is valid for eliminating the strong noise which is produced by the leakage of electricity from the marine seismic streamer so as to preserve more effective signals and increase the signal-noise ratio. This method is feasible and widely applicable. 展开更多
关键词 DENOISING blind source separation multiuser kurtosis strong noise
下载PDF
上一页 1 下一页 到第
使用帮助 返回顶部