基于时频信息的动态同步相量测量算法

基于信号泰勒模型的动态相量测量算法,若仅利用信号频域信息求解模型参数则算法时延短、运算量大,若仅利用信号时域信息求解则算法运算量小、时延长。为更好满足实际应用对时延和运算量的综合需求,提出同时利用时域信息和频域信息的动态同步相量测量算法。在动态相量泰勒模型的基础上,通过傅里叶变换分别求取不同数据窗及不同频率点的相量测量值,再结合测量值的时域和频域信息,分析相量模型的动态特性,最后根据动态特性进行相移运算得到报告时刻的动态相量测量值。对理想信号及PSCAD/EMTDC仿真信号的相量测量结果表明,该算法在低频振荡、频率偏移等动态条件下,能有效降低信号动态特性对测量精度的影响。同时,该算法能对时延和运算量进行优化选择和平衡以满足实际应用的需求。

利用时频信息进行电机故障诊断

电机起动过程中有关电机状态时频信息对电机故障诊断有很大的作用。起动电流是一个非平稳信号 ,要采用时频分析。本文介绍了短时傅立叶变换这一时频分析工具 。

时频信息融合的电弧故障识别及仿真实验

为保证实验室用电安全,针对实验室电弧故障,提出一种时频信息融合的电弧故障识别方法并模拟验证。首先分别搭建模型模拟并联与串联电弧,然后在PSCAD/EMTDC中搭建三相五线制实验室用电系统模拟实验室用电电弧,最后针对难以辨识的串联电弧故障,依据突变理论融合时频信息,与阈值进行比较判断故障,并依据多类型负载实验室用电仿真系统进行验证。结果表明该方法可行性高且故障识别率达90%以上。将电弧故障辨识方法以及仿真实验用于教学有助于增强学生实验室安全用电意识,加深学生对相关电路原理、信号处理和故障辨识相关知识的理解,培养学生分析和解决实际电气问题的能力。

一种融合时频信息的钢琴音符端点检测算法

准确的音符端点检测是乐音识别的重要基础。针对端点检测算法中误识别的情况,提出了一种融合时频信息的钢琴音符端点检测算法,先通过能量峰值求出可能的音符起始点,用键号频谱的形式表示音频的频谱特征,再通过余弦相似度和曼哈顿距离筛选音符端点,在不需要音色先验知识的情况下实现音符切分。实验表明,融合时频信息进行音符端点筛选能够有效提高音符端点检测的精度。

基于时频互信息法的小鼠脑电信号相关性分析

分析了小鼠睡眠状态下初级视觉皮层局部场电位信号和呼吸信号的周期特性,为进一步探讨局部场电位信号周期节律是否与呼吸信号的周期性存在相关性,在不进行弱脑电信号分离的情况下,采用小波变换分解信号的时频成分,并通过互信息法计算相关性得出小鼠大脑局部场电位信号delta波段与呼吸信号有显著关联的结论。时频互信息法为脑电波与特定生理信号的相关性分析提供了一种思路。

基于卷积神经网络与时频图纹理信息的信号调制方式分类方法

通信信号的调制方式识别是通信侦察、频谱监测的重要工作内容之一,提出一种利用深度学习提取信号时频图纹理信息的分类方法。该方法利用不同调制方式在时频图细节上的微弱差别,并使用卷积神经网络提取图像纹理特征,最终输入SOFTMAX分类器进行分类。结果表明,该方法在大样本条件下,可取得良好的分类效果。与传统基于特征参数的支持向量机分类方法或前馈神经网络方法相比,其提取特征更优、分类效果更好,同时减少了人工设计特征参数的工作量和不确定性。

基于多级小波分解时间序列的花椒图像分类识别模型

为提升花椒图像分类识别准确率,借助自适应多级小波分解的时间序列分类(Adaptive Multi-level Wavelet Decomposition based neural network,AMWDNet)模型,着重关注此分类模型中的频域信息,克服从时域出发对目标序列进行建模造成频域信息缺失的瓶颈。本研究借鉴小波分解技术,结合长、短期时间模式提取方法,构建出更加精确、更加实时的时间序列花椒识别模型。经过对比试验研究发现,在UCR数据库中的4个数据集测试上,AMWDNet模型表现出优异的分类性能和强大的泛化能力,超过其他3个基准模型,由此提升花椒图像分类识别准确率。

肌间多尺度时频耦合分析方法研究

目的探讨脑卒中患者表面肌电(sEMG)信号间的耦合特性差异,为运动功能康复评估提供新的指导方法。方法提出一种新的时频耦合(TFC)分析方法,从时频互信息、时频归一化互信息和时频条件互信息3个指标度量时频非线性耦合强度。首先在仿真数据上验证TFC的有效性,然后将噪声辅助的多元经验模态分解与TFC相结合,构建多尺度时频耦合(Ms-TFC)分析模型,并用于研究5名健康人和5名卒中患者上肢及物运动过程中三角肌前束(AD)、中束(MD)和后束(PD)的肌间耦合特性差异。结果卒中患者和健康人的AD、MD、PD在4个平均累积方差贡献率超过90%的本征模态函数(IMF)尺度分量上,肌间耦合强度低且接近,轻度运动功能障碍的卒中患者与健康人不具有显著性差异(P>0.05)。结论AD、MD和PD在不同尺度上可能是统计独立的,Ms-TFC能够定量描述肌间多尺度时频非线性耦合特征。

多参数调节的超高频局部放电信号模拟源研制

超高频局部放电传感器及检测系统性能的评价需要稳定的信号源，由于多种因素的影响，高压模拟放电模型产生的超高频局部放电信号存在放电参数不稳定和不易调节的缺陷。因此根据超高频信号的时频特性，设计出了一种局部放电超高频信号模拟源。该信号源由控制单元、信号合成单元、宽频带全向发射天线组成，控制单元产生能够反映局部放电时频特征和相位特征的信号，通过幅值调制单元合成超高频局部放电信号，信号由天线发射。实验结果表明：该信号源能输出连续稳定的并具有工频相位特征的电磁波信号，信号的频率范围为0．3～1．5GHz，输出信号频率、输出功率及局部放电相位一放电量（φ-q）、相位一放电次数（φ-n）谱图均可平滑调节，输出功率达25dB，能有效模拟多种类型的局部放电超高频信号。

基于CAE和OCSVM的地铁道岔异常检测

为提高地铁道岔设备异常检测的准确率,提出了基于卷积自编码器与单类支持向量机的异常检测框架。以ZDJ9型交流电动转辙机为研究对象,使用现场运行过程中采集到的三相电流数据。首先,在数据预处理阶段,为保留原始数据的时频信息,本文利用短时傅里叶变换将原始一维时间序列数据转化为时频矩阵。同时,为综合利用多域信息,将每一相电流数据所对应的时频图堆叠,构成三维特征信息。然后,采用卷积自编码器对预处理后的图像数据进行进一步的降维与特征提取。最后,将提取出的特征输入到单类支持向量机进行异常检测模型训练。实验结果表明,相较于直接使用原始一维时间序列进行异常检测,结合时频与多域信息的模型具有更高的准确率以及F1-Score。

基于多重分形的膝关节摆动信号特征提取与分类

膝关节摆动(VAG)信号是膝关节在屈伸活动时由于接触摩擦所产生的振动,它能够反映髌骨软化症、半月板损伤和交叉韧带损伤等膝关节损伤疾病的特征与状态,正逐步得到临床医学的重视。本文依据多重分形去趋势波动方法,定量分析了正常和异常VAG信号的特性,提取了分形标度指数、多重分形谱极值点、广义分形维数和时频信息熵值等特征信息,并采用支持向量机对正常和异常VAG信号进行分类,得到较高的分类准确率,对于膝关节损伤疾病的无创检测和辅助诊断具有重要意义。

小波变换和神经网络的电路故障诊断

传统的电路故障诊断方法诊断波形图与实际波形差异较大,诊断准确率低。为了解决上述问题,基于小波变换和神经网络设计一种新的电路故障诊断方法。设定小波分解包,通过小波变换提取出故障特征,利用神经网络对原始信号进行离散小波变换,获得时频矩阵,分析能量变化特点,确定二维时频信息,根据不同故障类型的映射关系实现诊断。实验结果表明,基于小波变换和神经网络的电路故障诊断方法得到的波形与实际波形十分接近,能够精准地检测出电路故障。

P-Net框架下的小样本雷达信号识别算法

针对雷达信号由于缺少先验知识难以形成信号模板或识别网络的识别难题,本文重新审视了战争雷达的应用场景,并提出一种基于原型网络的雷达信号识别算法。原型网络作为一种弱监督学习模型,已被证明对于小样本数据的分类拟合具有积极作用。本文利用卷积神经网络将现有的充足样本信号时频信息映射到样本空间,获取各充足类样本原型,以样本点到原型的距离为损失函数,使得类间分散、类内聚合,得到泛化的训练模型。实验结果表明:小样本信号在较少先验信息的支持和微调下,通过泛化的模型能准确识别信号类别。在多种小样本信号并存的条件下,-2 dB时识别率可达90%以上。