K-S变换及其电网超谐波时频分析应用

依据FFT→优化窗→IFFT思路,突破线性时频变换的窗函数积分性能桎梏,实现高性能优化窗函数的线性时频变换应用,建立新型时频变换算法——K-S变换.对信号x(t)的FFT频谱向量进行频移处理后,与该频移点下Kaiser优化窗的频谱向量进行Hadamard乘积,再将乘积结果进行FFT逆变换(IFFT),构造出K-S变换复时频矩阵,由此获得x(t)的时间-频率-幅值、时间-频率-相位三维信息;给出逆变换的数学推导与局部性质、线性性质和变分辨率特性;0~150 kHz电网的稳态与时变超谐波信号仿真实验表明,K-S变换的时域、频域分辨能力均优于流行的短时傅里叶变换、S变换,具有优良的变分辨率性能;0~40 kHz超谐波信号的实测证明,基于K-S变换的超谐波电压幅值测量绝对误差均小于0.032 3 V.

基于多分量LFM信号时频分析的水声多普勒和时延估计研究

在水声多普勒因子和时延估计研究实用化的进程中,利用多分量线性调频(LFM)信号实现估计的算法研究越来越普遍。针对多分量LFM信号时频域存有交叉项时各分量参数估计不准确的问题,提出基于非完全残差与脊线段匹配的自适应模态分解方法。该方法采用非完全残差函数保留了交叉点处的部分时频信息,利用脊线段匹配方法提供更精确的预设时频脊线,改进了各分量LFM信号调频斜率和起始频率的估计精度。联合两个估计量进一步给出了多普勒因子和时延估计的算法。仿真结果表示,较现有模态分解算法,所提改进方法有效解决了估计分量过程中交叉区间断裂带来的估计误差;水声多径的条件下,该方法的多普勒因子和时延估计精度优于对比的现有方法。

宽度-深度融合时频分析的径流智能预测方法

为解决现有基于LSTM的径流预测模型易陷入局部最优的问题,提出了基于VMD-LSTMBLS(variational mode decomposition-LSTM-broad learning system)的径流预测模型。将宽度学习系统与LSTM结合,针对径流序列多噪音特点,采用时频分析方法中的变分模态分解,将径流时间序列的一维时域信号变换到二维时频平面,减少噪声对预测结果的影响。仿真结果表明:与基线模型及现有基于LSTM的径流预测模型相比,该模型的预测精度有较为明显的提高。

基于半波相消的旋转叶片微动回波时频分析

在雷达探测场景中常见旋转引起的微多普勒效应,产生的微动特征与目标的几何和运动参数相关。文中从微动回波的线积分模型出发,基于半波相消的角度对旋转叶片微动回波时频特征形成机理进行了全面分析。首先在远场条件下,基于半波相消分析了旋转微动瞬时频率的形成机理,解释了其旋转微动时频特征的双端效应。进一步地,将半波相消分析扩展至近场条件,解释了近场条件下时频图双端区和镜面散射区凸显的效应。对于远场和近场条件,该文均给出了时频结果的定量解析计算方法。从图像形状和能量变化的角度对近、远场的时频特征进行分析,讨论了不同条件和参数对时频特征形状和细节的影响,基于半波相消分析将近场和远场分析统一起来,同时将线积分模型和局部散射模型联系起来。仿真实验验证了所提分析方法的正确性。

基于时频分析的SAR目标微波视觉特性智能感知方法与应用

合成孔径雷达(SAR)目标识别智能算法目前仍面临缺少鲁棒性、泛化性和可解释性的挑战,理解SAR目标微波特性并将其结合先进的深度学习算法,实现高效鲁棒的SAR目标识别,是目前领域较为关注的研究重点。SAR目标特性反演方法通常计算复杂度较高,难以结合深度神经网络实现端到端的实时预测。为促进SAR目标物理特性在智能识别任务中的应用,发展高效、智能、可解释的微波物理特性感知方法至关重要。该文将高分辨SAR目标的非平稳特性作为一种典型的微波视觉特性,提出一种改进的基于时频分析的目标特性智能感知方法,优化了处理流程和计算效率,使之更适用于SAR目标识别场景,并进一步将其应用到SAR目标智能识别算法中,实现了稳定的性能提升。该方法泛化性强、计算效率高,能得到物理可解释的SAR目标特性分类结果,对目标识别算法的性能提升与属性散射中心模型相当。

基于时频分析与深度学习的结构震后损伤评估

为评估地震后钢筋混凝土(RC)框架结构的损伤状态,提高损伤评估的效率和精度,文章提出一种基于时频分析和一维卷积神经网络(1D-CNN)的地震损伤评估方法。首先利用增量动力时程分析对一个6层RC框架结构进行地震损伤模拟,并根据最大层间位移角对加速度信号进行损伤程度的标定,以此来获取数据样本,随后应用五种不同的时频分析方法对原始信号进行处理;然后建立基于1D-CNN的地震损伤评估模型,并利用贝叶斯优化算法寻找模型中的最优参数组合;最后评估所提出模型方法在噪声情况下的泛化能力。研究结果表明:五种时频分析方法中,小波散射变换方法的准确率最高,达92.5%,且计算速度也最快,仅需144 s;另外在噪声下该方法仍可以保持较高的损伤评估准确率,具有较好的鲁棒性和泛化能力。

基于时频分析的机场跑道平整度评价方法

机场跑道平整度是道面评价的重要内容,目前常用的平整度评价方法无法确定不平整在跑道上的分布情况,也无法针对不同机型飞机的滑跑安全性进行分类评价。基于此,提出了一种基于时频分析的跑道平整度评价方法。基于飞机三自由度动力模型,采用参数化分析方法对飞机以不同速度在具有不同振幅、不同波长的不平整跑道上滑跑时飞机重心处竖向加速度均方根分布特征进行统计分析;反算飞机重心处竖向加速度均方根为0.25g和0.4g时对应的跑道不平整信号的振幅、波长与滑跑速度,建立基于跑道不平整信号频域信息与飞机滑跑速度的飞机滑跑安全振动判断曲面;采用S变换方法对机场跑道高程进行时频分析,得到跑道不同位置处不平整信号的波长与振幅分布曲面;分析飞机在跑道上不同位置的滑跑速度,以坐标位置代替滑跑速度,形成基于跑道不平整信号频域信息与跑道位置的飞机滑跑安全振动判断曲面;与S变换获得的曲面叠加,得到基于时频分析的跑道平整度评价曲面。与现有评价方法相比,所提方法可以对跑道具体位置的平整度情况进行评价,并能够根据不同的机型对跑道平整度分级评价。

基于超声时频分析与残差网络的生物组织变性识别

为了能对高强度聚焦超声(HIFU)治疗过程中的生物组织进行实时准确的变性识别,提出了一种基于超声时频分析与残差网络(ResNet)的生物组织变性识别方法。首先,采用广义S变换(GST)方法对生物组织超声回波信号进行时频分析,得到二维时频图;然后,通过迁移学习,将在ImageNet数据集上训练得到的参数应用于超声回波信号数据集;最后,利用ResNet101模型从生物组织变性前后的时频图中学习和提取有效的变性信息,并可视化变性特征轨迹,实时地完成生物组织变性识别。实验结果表明:相较于现有基于信号能量,AR系数以及熵特征的变性识别方法,GST-ResNet方法无需人为经验选取特征参数,具有更高的识别率,可以实时准确地完成生物组织的变性识别。

联合时频分析:以单孔中电荷穿透深度和电流空间分布为例

近年来,联合时频分析再次成为研究热点。超级电容器功率密度高和寿命长,但为了优化平衡功率密度和能量密度,需考虑两个关键因素:(1)多孔基质的比表面积;(2)孔内空间电解质可抵达性。本文采用联合时频分析方法,研究孔内电荷穿透深度及电流空间分布。具体开展了如下工作:(i)在复正弦电流激励下,推导单孔的时域响应和频域响应解析解,由此定义了描述电荷扩散行为的时频特征。(ii)采用联合时频方法,分析了内部参数和外部参数对孔内电荷穿透率的影响,揭示了孔内电荷有限扩散和无限扩散之间的演变规律。(iii)基于穿透率临界值,定义了孔内部参数的临界值,由此判断孔内电荷半无限扩散和有限扩散。本文提出联合时频分析方法,实现了多孔电极中复杂物理化学过程的信息融合,联合时频分析最终殊途同归,并提高诊断可靠性。

基于图像处理与时频分析的跳频信号频率估计算法

针对电子侦察领域,复杂电磁环境中跳频信号频率估计的问题,结合图像处理技术提出一种基于时频分析的频率估计算法。首先基于干扰噪声与跳频信号时频特性的差异,通过BM3D与形态滤波的方法对时频图像中含有的高斯白噪声及扫频干扰进行滤除,其次组合采用灰度化、Roberts边缘检测、Hough变换等图像处理手段对信号的时频图像进行处理以突出目标信息,最后通过像素点搜索、阈值处理等方式定位时频脊线的确切位置,估计信号频率。仿真结果表明,该算法能够初步实现信噪比≥-8 dB且在低信噪比条件下保持估计均方误差处于10-5量级范围的信号频率估计,可完成对于低信噪比条件下跳频信号频率的估计。

地震数据时频分析的W变换及其改进方法

针对常规线性时频分析方法无法同时达到时间域和频率域上的高分辨率和能量聚焦,尤其在低频区域分辨率较差的问题,为提高线性时频分析方法在低频区域的分辨率,提出了W变换方法,在线性变换中引入瞬时频率参数,构建与地震数据瞬时频率相匹配的分析时窗。将W变换方法与典型的非线性时频分析方法——魏格纳-维利分布(WVD)进行了对比。WVD方法展示的是时间-频率域中的能量分布,明确指示子波的时间重心和频率重心,而W变换中由于引入了任意时间位置所对应的瞬时频率作为变换参数,所展示的时间-频率谱因而也具有明确的能量聚焦重心,因此,W变换与WVD方法具有直接对标意义。分析了近年来W变换的3种改进方法的发展状况,详细阐述从常规W变换、谐变时窗W变换、分数阶W变换、直到线性正则W变换的发展和演进。通过W变换在河道砂体识别和溶洞检测方面的3个应用实例,验证W变换可以提高时间-频率谱的分辨率与能量聚焦。

侵彻过载信号自适应变分模态分解时频分析方法

传统过载信号时频分析方法广泛应用于超高速侵彻引信层间粘连机理研究和信号处理方法优化中,但模态混叠效应已成为其应用时的瓶颈。针对该问题,提出一种基于自适应优化变分模态分解(OVMD)的侵彻过载信号时频分析方法。考虑到侵彻过载信号频率成分复杂且具有的非平稳性、随机性特点,该方法以模态的混叠效应和稀疏性作为信号的分解约束,采用非支配排序遗传算法(NSGA-II)搜索获取变分模态分解算法的分解个数和二次惩罚因子,再基于参数优化的变分模型,确定各模态函数的中心频率和带宽,完成过载信号各频率成分的自适应分解。通过对实测侵彻过载信号分析可见,相比于通用经验模态分解算法,该方法可以有效抑制模态混叠现象,且在时域和频域上均具有更好的分辨率,能为引信系统的信号处理、仿真模型验证、结构设计提供有效信息支撑。

基于高分辨率时频分析的核爆地震信号能量统计初至检测算法

核爆地震波检测是禁核试核查的关键环节之一。常用的短时长时能量均值比、赤池信息准则、傅里叶变换等方法虚警率都比较高,为此,提出一种基于高分辨率时频分析的核爆地震信号能量统计初至检测算法。其基本原理是根据核爆地震事件信号与噪声的频域分布差异,采用窄带分频技术将信号时域波形变换到时频域,在各频带计算局部能量均值与全局能量均值之比并进行二值化处理,当结果大于设定的阈值时,认为此频带该时刻属于地震事件信号的一部分,如果在某一阈值下出现二值化结果相同的情况,只需继续增大阈值进行检测,直到最终只有一个时间点检测到频段的数量最多即可,最大值的跳跃点即认为是初值时刻。利用地下核爆产生的地震信号进行实验研究,结果表明本文方法能够在提高检测准确率的同时解决高虚警问题,在低信噪比信号条件下具有较好的适用性与鲁棒性。

基于改进广义S变换时频分析的“板状”断控油藏油柱高度预测

塔里木盆地北部坳陷碳酸盐岩断控领域油气资源丰富。断控“板状”油藏油水界面的识别是该类油藏效益开发的关键工作。钻井探测油藏油水界面的成本高、工程实现难度大,而采用地球物理的方法识别油水界面是一种高效措施。文章提出一种基于广义S变换时频分析的应用方法,通过大量过井地震道时频分析结果与开发动态分析数据联合分析,发现地震资料主频随深度/时间的变化与油层厚度具有正相关关系,提出采用地震道时频道集能量包络异常拐点判别油水界面的思路。实验表明,针对“板状”油藏,当油柱厚度OCH<120 m时,分析结果存在不确定性;当120≤OCH≤250 m时,分析结果基本可靠;当OCH>250 m时,油层厚度可靠。应用表明,在富满油田某区某断裂破碎带预测油层厚度主体为200~520 m,与当地开发实际相符,可指导开发实践。

隧道衬砌结构不规则空洞正演模拟与时频分析

为有效识别隧道衬砌结构各种形状的空洞,采用时域有限差分法进行正演模拟,分别分析空洞形状、充填介质和埋深对探地雷达电磁反射波成像效果和时频特征的影响,并通过室内模型试验进行验证。研究结果表明:空洞反射波的响应特征均表现为开口向下的抛物线。随着空洞上部边界由直线逐渐过渡至圆弧形或尖角形,正演模拟图中反射波的次数减少,反射信号减弱,且连续小波变换时频图中的能量值也越来越小。空洞埋深越浅,空洞充填介质的介电常数越大,则所得模拟图像的信号越强。该研究成果可为隧道衬砌结构内空洞周围的病害发育预测和判断提供参考。

基于时频分析和迁移学习的齿轮故障诊断方法

针对齿轮故障诊断问题,提出了基于平滑伪Wigner-Ville时频分布和AlexNet迁移学习的故障诊断方法。原始齿轮故障信号是一维振动信号,通过平滑伪Wigner-Ville时频分析+灰度级-RGB变换伪彩色增强变换可以转化为二维时频图像,从而获得比一维振动信号更直观和丰富的特征;进而利用AlexNet神经网络模型进行迁移学习,显著提升开发效率。采集了齿轮系统正常运转、3种单一故障(齿面点蚀、齿面磨损、断齿)和2种复合故障(点蚀+磨损、断齿+磨损)共6种特征的振动信号,构造了齿轮故障数据集,并通过AlexNet迁移学习获得迁移AlexNet齿轮故障诊断模型。研究结果表明,提出的基于时频分析和迁移学习诊断方法对齿轮故障诊断的总体准确率为95.79%,因此可用于工业现场的齿轮系统故障诊断。同时,试验结果表明,齿面磨损单一故障和含有齿面磨损的复合故障造成所提方法的诊断正确率相对较低,说明对于齿面磨损的信号特征的研究和提取方法仍有进一步提升的空间。

时频分析与小波变换在水声定位中的应用

文章研究一种基于联合时频小波分析的水声目标识别和定位方法。先深入研究时频分析和小波变换的基本原理,构建联合时频小波域的特征表示,再使用MATLAB软件对模拟的水声信号进行实验,并通过添加噪声模拟实际环境。实验结果表明,联合时频小波分析在水声目标识别和定位中表现出良好的性能,特别在噪声环境下表现出良好的健壮性。通过分析目标识别函数和归一化目标识别函数成功定位水下目标,验证了方法的有效性,为水声信号处理提供了一种新的分析方法,为实际应用中的目标检测与定位提供了有益参考。

时频分析在精神分裂症认知障碍筛查中的应用综述

精神分裂症是一种主要以认知功能受损为主要表现的严重疾病。近年来,学者们越来越关注精神分裂症患者脑结构与功能变化的相关性及其机制。因此,如何从神经心理层面有效筛查和识别潜在患者成为研究焦点。为更加全面捕捉大脑电活动模式,研究基于深度学习的脑电信号分析技术至关重要。时频分析是一种可以对脑电图(EEG)信号进行分解,揭示出不同时间窗口和频率范围内的电活动模式的技术,它对于理解大脑的功能状态、识别异常活动以及研究大脑疾病的机制具有重要意义。在精神分裂症的研究中,时频分析已被应用于EEG信号的处理和分析。本研究旨在通过时频分析方法,深入了解精神分裂症早期认知障碍的临床表现,期望揭示大脑在不同状态下的电活动模式,为早期检测和治疗提供新视角。

基于时频分析的机组风速预测

文章提出了一种基于时频分析的机组风速预测算法,通过对气象数据的时域分析和频域分析,获得不同状态下风速的信号特征。预测不同特征下的风速信号来修正机组的风速,能更好地了解风能资源的分布和变化规律,以及风机的运行状态和性能,进而实现风机发电效能提升。

暂态特征模量时频分析的电缆型配电网单相接地故障区段定位

配电电缆导体与屏蔽层耦合复杂,电缆发生单相接地故障后,在复杂条件下(如高阻故障、电弧等)故障稳态特征不显著、暂态特征多变,复杂网络中准确定位故障电缆困难。针对典型配电网电缆结构参数特征,首先论证故障暂态信号解耦的可行性,提出相模变换矩阵的一般计算方法;然后,根据电缆发生不同类型单相接地故障前、后暂态模量状态,筛选出能够有效反映单相接地故障的特征模量;最后,考虑配电网拓扑和测量点布置,分析故障后电缆分支节点处的暂态电流特征模量频率分量的幅值分布和极性因子,构建基于空间–测量矩阵的单相接地故障区段定位判据。利用PSCAD/EMTDC搭建10kV电缆型配电网故障仿真模型,典型案例计算结果表明:所提方法能够实现不同条件下单相接地故障区段的定位,与已有方法相比具有优势。