基于结构风险最小化原则的奇异值分解降噪研究

针对奇异值分解降噪中矩阵有效秩的阶次难以确定的问题,提出了利用结构风险最小化原则来确定矩阵的有效秩阶次的新方法。该方法依据统计学习理论,把有效秩阶次的选择看作是一个学习过程,利用结构风险最小化原则来代替传统的经验风险最小化,从而自动得到奇异值分解降噪中矩阵的有效秩。仿真表明,该方法不但具有较好的降噪精度和算法稳定性,而且降低了消噪模型算法的复杂度。

ISVD降噪和重排谱图在烟机信号HHT时频谱分析中的应用

针对基于希尔波特黄变换(HHT)的时频谱存在受噪声影响大、高频部分时频分辨率低的缺点,提出将迭代奇异值分解(ISVD)降噪和重排谱图应用于HHT时频谱分析中。首先对噪声对HHT时频谱的影响进行了分析,含噪实测信号经过经验模式分解(EMD)得到的基本模式分量(IMF)中含有很强的噪声成分,从中提取的瞬时参数不具有物理意义,构成的HHT时频谱混乱而不准确;然后利用ISVD降噪对实测信号进行了降噪处理,有效地去除了噪声,降噪后信号EMD分解得到的IMF分量其Renyi信息接近于0,是近似平稳的单分量信号,从中可以提取到准确的瞬时参数,构成特征清晰、分布合理的HHT时频谱;最后对HHT时频谱中高频部分所对应的IMF分量进行了重排谱图分析,实现了其时频特征的准确定位。结果表明,该方法可以有效地提高烟气轮机信号HHT时频谱分析的准确率,为故障诊断提供可靠的特征依据。

EMD与改进SVD联合的脉冲涡流检测信号降噪方法

针对脉冲涡流检测信号非平稳性特点和强背景噪声干扰问题,提出一种经验模态分解(EMD)与改进奇异值分解(SVD)联合的信号降噪方法。首先将信号经EMD分解成一系列的固有模态函数(IMFs),根据各固有模态函数与原信号相关系数,将固有模态函数分为信号主导分量和噪声主导分量。然后使用改进SVD降噪方法对噪声主导分量进行降噪,并与信号主导分量重构得到降噪信号。基于仿真信号和实测信号对新方法的优越性和有效性进行验证,在对实测信号采用该方法处理后,结果表明该方法能将涡流检测信号信噪比提高至30.95 dB,均方误差降低至0.0260,能有效消除强噪声的干扰,为信号特征量的准确提取奠定基础。

一种改进的HOSVD降噪的信道预测算法

基于高阶奇异值分解(High Order Singular Value Decomposition,HOSVD)降噪的信道预测算法对天线数较少引起的秩不足问题比较敏感,同时也难以应付较大多普勒频移的情况,从而引起信道估计性能和预测性能的急剧下降、损失信道容量.针对这一问题,提出了一种改进的使用HOSVD降噪的信道预测算法.该算法先利用多输入多输出(Multiple-input Multiple-Output,MIMO)信道固有的空时相关性对采样得到的信道状态信息(Channel State Information,CSI)进行矩阵重排和数据平滑处理,随后基于信道的多维结构特性,使用HOSVD降低噪声的影响,继而重构信道矩阵,最后利用递归最小二乘滤波器对未来时刻的信道状态进行预测.仿真表明,所提算法的估计误差和预测误差性能均明显优于对比算法,这是因为所提算法通过矩阵重排和空时平滑,虚拟地增加了天线数,降低了秩缺失问题对估计和预测精度的影响,从而有效补偿了因误差所致的信道容量的损失.同时,对比天线数和多普勒频移对不同算法性能的影响可见,所提算法也能在大多普勒频移和天线数较少等不利条件下提供较好预测性能和信道容量,具有一定的优越性.

优化EMD法及其在航空发动机振动信号分析中的应用

针对脉冲噪声和随机噪声对经验模式分解所产生的模式混叠和端点效应问题,提出了一种中值滤波-奇异值分解(Median Filter-Singular Value Decomposition,简称MF-SVD)联合降噪的优化经验模式分解方法.利用中值滤波对脉冲噪声的去除能力和SVD对随机噪声的抑制能力,同时为了解决SVD降噪中降噪阶次难以确定的问题,提出了能量差分谱的概念改善了SVD降噪能力.联合中值滤波和改进后的SVD降噪方法去除脉冲噪声和随机噪声干扰,有效改善经验模式分解质量.将该方法应用到航空发动机振动试飞数据分析中,很好地获取了表征自由涡轮转子和燃气发生器转子振动特征的数据分量,有效抑制了模式混叠和端点效应,验证了优化经验模式分解方法应用的有效性.