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。

基于可调Q小波变换去噪和扩展Prony算法的谐波与间谐波检测

利用扩展Prony算法对电力系统谐波、间谐波进行检测时,由于实际信号中夹杂着随机噪声和脉冲噪声,而扩展Prony算法对噪声比较敏感,因此提出了一种基于可调Q小波变换去噪和扩展Prony算法的谐波与间谐波检测方法。该方法先利用可调Q小波变换对信号进行去噪预处理,再利用扩展Prony算法对去噪后的信号进行分析。仿真结果表明该方法有利于提高扩展Prony算法对谐波和简谐波的检测精度。

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。

基于自适应可调Q因子小波变换的海杂波背景下的目标检测技术

本文针对海杂波背景下的慢速微弱目标的检测问题,根据海杂波和目标的振荡特性差异,提出了一种基于自适应可调Q因子小波变换(Adaptive Tunable Q-factor Wavelet Transform, A-TQWT)的海杂波背景下的目标检测算法。通过迭代计算、搜索出最能匹配海杂波和目标振荡特性的可调Q小波变换(TQWT)三元参数组合(Q,r,J),运用形态分量分析法(Morphological Component Analysis, MCA)对海面回波信号进行分析,得到目标的最优稀疏表示;再根据目标分量各小波子带占总能量的比重,选取合适的门限确定重构小波系数集进行重构,得到目标的重构信号,从而实现目标和海杂波的有效分离。最后在IPIX实测数据集上添加慢速微弱运动目标进行算法验证,结果表明本文提出的算法可以有效检测出落入海杂波多普勒通道中的慢速微弱目标,且不需要任何目标和杂波的先验信息。

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因子小波变换与稀疏时域法的电力系统低频振荡模态辨识

对于目前电力系统低频振荡模式识别和参数提取中的噪声干扰等问题,提出一种新的提取低频振荡关键模态参数的方法,将可调Q因子小波变换(Tunable Q factor Wavelet Transform,TQWT)和稀疏时域法(Sparse Time Domain method,STD)进行联合。首先运用TQWT技术对含有噪声的电力系统低频振荡广域测量信号进行预处理,达到降噪的目的。而后将处理后的信号作为新的输入信号,利用稀疏时域法进行振荡模态及其参数的辨识,其输入信号的采集既可单点测量也可多点测量。通过对测试信号和EPRI-36机系统仿真验证了所提方法的优越性,能够在信噪比较低的环境下对噪声进行有效抑制而准确地辨识出系统的振荡模态参数。与传统方法相比具有更好的抗噪能力,所提方法辨识过程中所需时间更短且辨识出的参数也更为准确。

基于可调Q因子小波变换和迁移学习的癫痫脑电信号检测

针对癫痫脑电信号的检测问题,提出一种基于可调Q因子小波变换和迁移学习的癫痫脑电信号检测方法。首先,对EEG信号进行可调Q因子小波变换,并选择能量差异较大的子带进行部分重构,重排重构信号,将其表示为二维彩色图像数据;其次,通过对现有的癫痫发作自动检测算法和深度可分离卷积网络Xception模型的分析,使用ImageNet数据集分类的预训练模型参数进行网络参数初始化,得到深度可分离卷积网络Xception的预训练模型;最后,利用迁移学习方法将Xception模型的预训练结果迁移至癫痫发作自动检测任务。所提方法在BONN癫痫数据集上的准确度达到99.37%,敏感度达到100%,特异度达到98.48%,证明了该模型在癫痫发作自动检测任务上具有良好的泛化能力。与传统检测方法和其他深度学习方法相比,所提自动检测方法达到了较高的准确率,避免了人工设计和提取特征的过程,具有较好的应用价值。

EEG信号识别中可调优化Q因子小波变换的多特征融合算法

EEG信号对脑部疾病诊断具有重要意义,但其特征选择对信号识别准确率影响较大.针对这个问题,本文基于Q因子小波变换,提出一种可调优化Q因子小波变换融合多维特征的脑电信号识别(Ad-TQWT MF)算法.该算法首先根据小波分解后的子带信号定义能量香农熵比,用其作为可调Q因子小波的优化评价标准;再融合变换后信号的时域,频域和非线性特征,通过自适应特征选择方法构建特征子空间;最后在该特征子空间下对脑电信号进行识别.在BCI脑电竞赛数据集DatasetⅢ,O3VR,X11b和S4b进行了实验,实验结果表明:Ad-TQWT MF算法在LDA分类器中精度为89.2%,81.2%,83.2%和85.6%,相比于原Q因子小波变换,冗余特征减少10%~30%,相较于Haar和Db 4小波精度提高3%~5%,证明了Ad-TQWT MF算法的有效性.

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。

基于可调Q因子小波变换的芯片图像去噪研究

噪声会降低芯片图像的字符识别准确率,为了去除芯片图像的噪声干扰,并保留芯片图像的字符细节,提出了基于参数优化的可调Q因子小波变换(TQWT)的芯片图像去噪方法。首先根据图片的弱纹理区域,使用极大似然估计来估计噪声强度,进而优化TQWT的参数。然后,根据最优参数,使用TQWT对含噪图像沿水平和竖直方向分解,剔除高频噪声子带,使用剩余子带进行重构去噪。实验表明,优化参数后的TQWT能将噪声完全分离,可以在去噪的同时保留字符的细节信息,在视觉效果、峰值信噪比和结构相似性上都优于对比算法。

基于可调Q因子的煤矿井下电力系统谐波检测与抑制系统设计

针对谐波对煤矿井下电力系统产生严重扰动并且还耗费较多无功等问题,同时结合基于瞬时无功功率理论的谐波检测方法在三相四线制电路的应用局限性,采用可调Q因子小波变换改进瞬时无功功率理论对谐波总含量进行检测。运用MATLAB/SIMULINK创建三相四线制有源滤波器的仿真模型,将其使用到有源滤波器的谐波检测模块中,设置相应的仿真参数,根据仿真结果分析该有源滤波器的谐波抑制效果,很好的改善了煤矿电能质量。

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。

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。

基于相邻系数TQWT与改进TLS-ESPRIT算法的电力系统低频振荡模态辨识

针对广域测量系统低频振荡过程中的高斯噪声干扰和定阶问题,提出了相邻系数的可调Q因子小波变换(TQWT)与改进TLS-ESPRIT算法相结合的方法对电力系统低频振荡信号进行模态辨识。该方法利用TQWT对含噪低频振荡信号进行分解,得到初始的小波系数,再利用相邻系数阈值规则对得到的小波系数进行处理,再对处理后的小波系数进行重构,达到去噪的目的;最后将去噪的信号运用改进总体最小二乘–旋转不变技术(TLS-ESPRIT)算法辨识,得到低频振荡模态参数。数值算例仿真、IEEE四机两区域仿真及北美电网实际案例仿真等结果表明,该方法能够准确辨识出低频振荡模态参数,相比于其他方法具有抗噪性能好、拟合精度高等优点。该辨识方法具有较强的实用性,能够较好地实现在线辨识,为下一步的低频振荡抑制研究奠定了基础。

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TWQT和熵特征的癫痫脑电快速检测

该文提出一种基于可调Q因子小波变换的熵特征提取方法用于癫痫脑电的快速检测。首先,利用TWQT算法对脑电信号进行分解,计算分解后得到的小波子带的中心频率;随后,选择对应癫痫发作时异常波段频率范围的子带进行小波重构,并对重构信号提取排序熵和规则性指数等熵特征;最后,选择包括支持向量机、随机森林、极端梯度提升在内的多种分类器进行分类实验。实验中采用德国波恩大学癫痫研究中心的公开数据集和UPenn and Mayo Clinic′s Seizure Detection Challenge数据集进行验证,所提出的方法针对小样本数据集可以达到99.3%的准确率,100%的灵敏度以及98.6%的特异度,体现了该算法的有效性。

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。

低频振荡模态参数辨识的共振稀疏分解SSI分析方法

提出在色噪声背景下,采用共振稀疏分解的随机子空间法进行低频振荡模态参数的辨识,根据信号预知的共振属性实现复杂信号的分离。首先,对含高斯色噪声的低频振荡信号进行分解,得到高共振分量、低共振分量和余项三部分。低频振荡信号具有高共振属性,高共振分量即为提取的持续振荡的低频振荡信号,而高斯色噪声大部分存在于余项中。然后对高共振分量利用SSI进行参数辨识,得到较高参数的辨识准确度。仿真算例和实例说明了所提方法的有效性。