基于同步压缩短时Fourier变换的信号瞬时频率提取方法

利用同步压缩短时Fourier变换(SSTFT)方法,改进了其非线性非稳态多成分信号的瞬时频率提取方法。其主要思想是将短时Fourier变换(STFT)之后的时频谱在时频平面上进行压缩重排,重排之后对时频谱上的能量脊线进行提取,再利用压缩重排逆变换,将各脊线对应的时域信号恢复出来,通过时频最优连接,改进了脊线提取不完整的缺点,将零碎曲线连接成完整的频率曲线,并利用该方法提取出了信号的瞬时频率成分。利用改进的SSTFT方法对多成分的模拟信号和高速列车轴箱振动加速度信号进行了分析。结果表明,该方法能有效分离信号的各个成分,并能够完整得到具有物理意义的瞬时频率。

基于同步压缩短时傅里叶变换的毫米波雷达人体动作识别

针对人体动作识别问题,提出一种基于同步压缩短时傅里叶变换的人体动作识别方法。使用毫米波雷达进行人体动作数据的采集,将采集到的数据进行同步压缩短时傅里叶变换得到其时频图;然后使用卷积神经网络对不同动作进行微多普勒特征提取并分类。在数据采集部分,使用毫米波雷达进行数据采集,有效地避免了外界因素的影响;在时频分析部分,使用窗函数优化的同步压缩短时傅里叶变换提高了时频聚集性。实验结果表明,该人体动作识别系统对不同人体动作的识别率可达到91.7%。

同步压缩短时傅里叶变换和时频脊线增强识别结构固有频率

根据实测结构振动响应准确地提取结构模态特征是评估结构健康状态的关键一环。将同步压缩短时傅里叶变换和时频脊线增强方法相结合,提出了一种新的结构自振频率识别方法。该方法首先对振动响应信号进行了同步压缩短时傅里叶变换,锐化了信号的时频表达,然后采用脊线增强方法对锐化后的时频图提取了峰值序列,获得了结构最可能的能量波动路径。通过对包含间断信号和模态混叠信号的仿真信号以及包含不同信噪比噪声的仿真信号进行验证,证明了同步压缩短时傅里叶变换的可靠性和准确性。接着,通过对比一个4自由度系统在地震作用下的结构响应,分析了不同变换方法的脊线增强效果,进一步验证了脊线增强方法对理解结构能量耗散路径和识别结构自振频率的有效性。

基于小波包分解的自适应同步压缩短时傅里叶变换

获得同时含有稳态频率和瞬态频率成分信号的高分辨率时频分布是时频分析的重点与难点,为了解决此类信号进行同步压缩短时傅里叶变换(synchro-squeezed short time Fourier transform,SSTFT)时窗长受限的问题,提出了基于小波包分解的自适应同步压缩短时傅里叶变换(adaptive synchro-squeezed short time Fourier transform by wave packet decomposition,WPD-ASSTFT)方法。首先,借助小波包分解将信号分解为若干个子信号;之后,对不同的子信号进行自适应窗长选择,确定使子信号进行短时傅里叶变换(short time Fourier transform,STFT)的时频分布Renyi熵值最小时对应的窗长——最优窗长;然后,将各个子信号在最优窗长下进行SSTFT;最后,将所有子信号的时频分布相加得到原始信号的时频分布。通过小波包分解,将信号分解为不同频率范围的子信号,通过自适应窗长选择,使得SSTFT的时频图分辨率最佳。利用该方法对仿真信号和铁路轴箱加速度信号进行分析,结果表明:由WPD-ASSTFT得到的时频分布具有良好的分辨率。

基于同步压缩短时傅里叶变换的微型无人机识别

针对利用雷达微多普勒效应的微型无人机识别问题,提出了一种基于同步压缩短时傅里叶变换(Synchrosqueezing Short-Time Fourier Transform,SSTFT)的分类识别方法。首先对无人机的微多普勒回波信号进行SSTFT从而获得信号时频谱,然后对时频谱进行多维度特征提取获得回波信号的时频特征及频率变化特征,最后将所获得联合特征输入到支持向量机(Support Vector Machine,SVM)中进而实现无人机的分类识别。基于实际雷达数据的实验结果表明,所提无人机分类方法准确率可达到97.03%。

基于同步提取短时Fourier变换的高铁钢轨波磨检测

钢轨波磨已成为高速铁路轨道损伤的主要形式之一,影响着乘坐的舒适性及列车的运行安全性,因此寻找有效检测轨道波磨是必要的.针对同步压缩变换存在能量发散以及抗噪性差等问题,提出了基于同步提取变换的高铁钢轨波磨检测方法.利用同步提取变换对实测高铁轴箱振动加速度信号提取瞬时频率曲线及波磨的特征频率,获得了能量更加集中的时频表示及清晰的瞬时频率曲线,克服了同步压缩变换存在的能量发散以及频率混叠的问题.分析结果表明该方法实现了高铁钢轨波磨的检测与定位,与传统的方法相比速度快,精度高.

基于STFT图像和迁移学习的次同步振荡源定位方法

直驱风机与电网交互引发次同步振荡,严重威胁电网的安全稳定运行。为快速定位诱发机组,提出了一种基于短时傅里叶变换(STFT)图像和迁移学习的次同步振荡源定位方法。首先,采用压缩感知技术将出口数据转化为观测信号,再对观测信号进行STFT得到具备振荡特征的映射图,构建映射图与振荡源机组之间的联系;然后,采用对抗式迁移学习架构,结合电力系统,实现对目标域无标签振荡数据的快速泛化;最后,与传统迁移学习方法进行比较,结果表明所提方法在定位准确率和效率方面表现更优,且具备较强的抗噪能力。

自适应窗口旋转同步压缩变换及其在电机转速估计上的应用

针对同步压缩变换(Synchrosueezing Transform,SST)中短时傅里叶变换(Short-time Fourier Transform,STFT),固定窗效应在处理非线性时变信号上的不足,提出了一种自适应窗口旋转短时傅里叶变换(Adaptive Window Rotating Short Time Fourier Transform,AWRSTFT)方法,该方法通过自适应匹配一系列的旋转算子,实现信号在全局上的频率带宽最小。进一步地,在SST的框架下,用AWRSST方法替换STFT,提出了自适应窗口旋转同步压缩变换(Adaptive Window Rotating Synchrosueezing Transform,AWRSST)方法,并用于电机转速信号的处理,该方法能够兼顾AWRSTFT和SST的优势,进一步锐化时频脊线,从而增强时频表示的能量聚集水平。通过数值仿真和电机转速估计实验,验证了该方法的有效性。

基于QSTFT的同步压缩变换及在轴承故障诊断中的应用

高阶同步压缩变换以同步压缩变换为基础,能够有效地估计纯调制信号的瞬时频率,提升时频面的能量集中水平。但由于受到窗口固定的限制,其难以对频率快速变化的多分量信号获得清晰的时频表示。为此,引入缝式短时傅里叶变换,其能够根据信号的特点,在特定区域自适应地选择最佳的窗口,克服了窗口时宽不变的缺陷。在此基础上,结合高阶同步压缩变换,提出一种基于缝式短时傅里叶变换的自适应高阶同步压缩变换算法,进一步提升对复杂信号时频特征的提取能力。通过对仿真信号和轴承外圈故障信号进行分析,验证了该算法的有效性。

窗口伸缩优化的同步压缩算法及其在变转速工况瞬时频率估计上的应用

针对传统时频分析方法的固定窗在分析非线性调频信号时存在时频聚集性不高等问题,在短时傅里叶变换基础上引入同步压缩理论,利用信号的局部信息特征,提出一种窗口伸缩优化的时频同步压缩变换算法,并在此基础上推导出二阶及高阶的窗口伸缩优化的同步压缩变换算法。该方法能够兼顾同步压缩变换和重排的优势,进一步锐化时频脊线,从而增强时频表示的能量聚集水平,提高信号时频分辨率。鉴于信号的先验知识未知,以最小信息熵准则为依据对截取信号窗口进行伸缩优化,利用熵值对时变窗口参数进行估计从而确定各时刻的最优窗宽。仿真信号和实际信号分析结果验证了该方法的有效性。