基于再模糊和奇异值分解的局部模糊区域检测

针对局部模糊区域检测与分割,提出一种基于再模糊和奇异值分解的局部模糊检测方法。首先,对待检图像进行高斯模糊和图像连续分块,对分块图像进行奇异值分解;其次,对奇异值向量进行指数函数拟合,得到待测和再模糊图像的奇异值曲线,分别计算拟合曲线的积分并作差,将差值差异性作为描述模糊的特征值;最后,利用Canny边缘检测算法完成图像分割,并利用最大、最小滤波器和相关形态学处理对边缘内部区域进行填充。实验结果表明:该方法可以有效地完成局部模糊区域的检测和分割,同时对纹理平坦区域的识别同样有效。

奇异值分解理论和小波变换结合的行波信号奇异点检测

准确检测故障行波信号的奇异点是行波故障测距的关键。现场故障行波信号通常含有大量噪声,有些情况下单独使用传统的小波变换将不能有效检测到信号的奇异点。为解决强噪声情况下故障行波信号奇异点的检测问题,提出了基于奇异值分解理论和小波变换的故障行波信号奇异点检测方法。通过构造重构的吸引子轨迹矩阵,并由Frobenious范数意义下的最佳逼近矩阵可以得到除噪后的信号序列,对所得信号序列进行奇异性检测得到信号序列奇异点。仿真结果表明,该方法在强噪声情况下可以去除噪声影响,并且保持信号的奇异性,准确检测到信号的奇异点。

基于Hankel矩阵的复小波–奇异值分解法提取局部放电特征信息

气体绝缘组合电器(gas insulated switchgear,GIS)在产生局部放电(partial discharge,PD)时,会向外辐射特高频(ultra-high frequency,UHF)电磁信号,有效提取UHF PD信号的特征信息可实现GIS的在线监测与故障诊断。针对UHF PD信号经过复小波变换后,层间奇异信息分布和层内奇异信息复杂度的差异性,采用二元树复小波变换(combined dual-tree complex wavelet transform,DT-CWT)和奇异值分解(singular value decomposition,SVD)相结合的信号处理方法,提取了UHF PD信号的特征信息。采用Birge-Massart阈值策略对DT-CWT分解后的复小波系数模值序列进行压缩,并构造复合矩阵,分析复合矩阵的奇异熵和复小波分解层数的关系,提出一种求解复小波最优分解层数的算法;利用最优分解层数下的压缩后的各高频系数模值序列构造Hankel矩阵,提取各Hankel矩阵的最大奇异值和奇异熵作为PD辨识的特征参量。结果表明:该特征可以有效识别4种典型绝缘缺陷,且识别率都到达了92%及以上。

基于S变换局部奇异值分解的过电压特征提取

针对实测过电压信号波形不规则、不易识别问题,根据矩阵奇异值的特点,提出了一种采用S变换和局部奇异值分解的过电压特征提取方法。首先通过S变换得到过电压发生时零序电压的时频模值矩阵,然后对矩阵进行划分,计算各个子矩阵的最大奇异值,利用最大奇异值在不同频带以及整个时频空间的分布差异来构造过电压特征量。对变电站实测的感应雷过电压等五种过电压信号的计算表明,所提取的特征量维数低,对过电压信号随机扰动具有相对稳定性,能提取出过电压的本质特征。

基于形态奇异值分解和经验模态分解的滚动轴承故障特征提取方法

针对随机噪声和局部强干扰影响经验模态分解(Empirical mode decomposition,EMD)质量的问题,提出一种形态奇异值分解滤波消噪方法,并将其与EMD相结合形成一种新的故障特征提取方法。该方法首先对原始振动信号进行相空间重构和奇异值分解(Singular value decomposition,SVD),根据奇异值分布曲线确定降噪阶次进行SVD降噪,再形态滤波,最后把消噪后的信号进行EMD分解,利用本征模模态分量(Intrinsic mode function,IMF)提取故障特征信息。对仿真信号和实际轴承故障数据的应用分析表明,该方法能有效地提取轴承故障特征,诊断轴承故障,还可以减少EMD的分解层数和边界效应,提高EMD分解的时效性和精确度。

基于小波—奇异值分解差分谱的弱故障特征提取方法

对于一些复杂信号中的弱故障特征信息,以往的两种小波—奇异值分解(Singular value decompositiom,SVD)组合模式的特征提取效果不佳,从小波的频率窗特性出发分析了出现这种问题的原因,进而对复杂信号的奇异值分布规律进行研究,据此提出一种新的小波-SVD差分谱组合模式。对原始信号做小波分解得到一系列细节信号后,不再将这些信号简单地排列成矩阵,而是利用每个细节信号构造特定结构的Hankel矩阵,再通过SVD对每个矩阵做正交化分解,并利用奇异值差分谱来选择特征奇异值进行SVD重构,由此实现对弱故障特征信息的提取。对一个轴承振动信号的处理结果证实该方法对复杂信号中的弱故障特征信息具有优良的提取效果,其获得的故障特征波形非常清晰,克服了以往小波-SVD组合模式对弱故障特征提取效果不佳的缺陷。

基于奇异值分解和局域均值分解的滚动轴承故障特征提取方法

针对随机噪声干扰滚动轴承故障特征信号提取这一问题,提出一种基于奇异值分解(Singular value decomposition,SVD)滤波降噪与局域均值分解(Local mean decomposition,LMD)相结合的故障特征提取方法。该方法首先对原始振动信号在相空间重构Hankel矩阵并利用SVD方法进行降噪处理,再对降噪后的信号进行LMD分解,将多分量的调制信号分解成一系列生产函数(Product function,PF)之和,最后结合共振解调技术对PF分量进行包络谱分析提取故障特征频率。通过数值仿真和实际轴承故障数据的分析对比,表明该方法提高了LMD的分解能力,可有效辨别出滚动轴承实测信号的典型故障,提高滚动轴承故障的诊断效果。

基于倒谱预白化和奇异值分解的滚动轴承故障特征提取方法

为了有效提取轴承的故障特征,避免轴承损伤引起的冲击成分受到离散频率分量和强背景噪声的干扰,该文提出了一种新的基于倒谱编辑(cepstrum editing procedure,cep)信号预白化和奇异值分解(singular value decomposition,SVD)的轴承故障特征提取方法。通过CEP预白化处理增强了轴承故障的冲击特性,去除复杂振动信号中的周期性频率成分,产生了只包含背景噪声和碰撞损伤引起的非平稳冲击成分的白化信号。构造预白化信号的Hankel矩阵,进行奇异值分解,通过差分谱理论选择表征故障冲击成分的奇异值进行矩阵重构恢复信号,去除强背景噪声的干扰,实现对故障特征的提取。试验结果表明,该方法较为理想地提取了轴承滚动体和内圈的故障特征,并且在提取效果和运算效率方面要优于基于小波-SVD差分谱故障特征提取方法。

基于奇异值分解的磁记忆信号特征提取方法

针对金属磁记忆信号容易受到环境噪声影响,使得缺陷信号可检测性降低的情况,首先,利用传统的奇异值分解方法对场桥主梁磁记忆信号进行分解和重构,发现尽管可以取得较为理想的降噪效果,但如何自适应确定重构时的奇异值个数仍存在困难;然后,将磁记忆信号按照二进递推方法构造矩阵,重复进行奇异值分解可以获得具有不同分辨率的近似信号和细节信号,从而形成多分辨奇异值分解,其中细节信号对应磁记忆中的噪声成分,近似信号为去除噪声之后的有效磁记忆信号,从而实现了磁记忆信号的降噪。将该方法用于某场桥主梁磁记忆信号的处理,有效地提高了重构信号的信噪比,准确地判断出了该主梁的应力集中区域,为评估其应力状态和早期故障诊断奠定了基础。

基于小波包变换和奇异值分解的柴油机振动信号特征提取研究

为通过振动信号识别柴油机的工作状态,提出利用小波包变换和奇异值分解提取振动信号特征的新方法。给出了小波包变换算法及奇异值分解算法,依据矩阵奇异值特征向量,定义了振动信号特征参数,并探讨了特征参数与柴油机运行状态之间的内在联系。结果表明:特征参数能够敏感地反映柴油机工作性能的变化。随着柴油机工作性能的恶化,振动强度的增加,特征参数变大。特征参数可作为柴油机状态监测和故障诊断的特征量。

基于奇异值分解和小波包分析的液压泵振动信号特征提取方法

针对液压泵故障特征提取问题,提出了一种基于奇异值分解和小波包变换的液压泵振动信号特征提取方法。通过奇异值分解将噪声非均匀分布的液压泵振动信号正交分解为噪声分布相对均匀的分量,对各分量进行小波包阈值去噪,重构去噪后分量,对去噪后信号进行小波包分解,提取各频带能量特征。以齿轮泵为例,将该方法对齿轮泵的气穴故障、齿轮磨损和侧板磨损3种常见故障和正常状态的振动信号进行特征提取分析,结果表明,该方法可有效提取齿轮泵故障特征。

采用时频矩阵奇异值分解的配电开关振动信号特征量提取方法

配电开关振动信号具有非线性非平稳特性,蕴含有机械状态信息。提出一种采用时频矩阵奇异值分解的配电开关振动信号特征量提取方法,对振动信号做希尔伯特-黄变换以进行带通滤波,构造其时频矩阵,对该矩阵进行奇异值分解,可将振动信号的特征信息分解到不同的时频子空间,以得到的时频矩阵奇异值作为振动信号的特征量,用于表征配电开关的机械状态。对配电开关在正常及卸掉A相触头绝缘拉杆、机械结构卡涩、底座螺丝松动等3种典型故障情况下实测振动信号的时频矩阵奇异值做模糊c均值聚类,结果表明该特征量能够准确、有效地表征配电开关的机械状态。

基于奇异值分解的风电场杂波微动特征提取

风电场作为一种特殊的大型建筑物,会影响航管监视雷达对飞机目标的准确探测。同时,由于风电场通常分布在某一大面积区域,风轮机之间具有多径传输特性,进而会影响航管监视雷达对飞机目标的定位和测速。因而,分析风电场杂波的微动特征有助于检测和识别风电场杂波信号,提高雷达探测目标的准确性。基于航管监视雷达风电场回波信号模型,利用奇异值分解技术分析了风电场回波信号的微动特征,并构造相应的特征量实现其微动特征的提取。同时,在飞机目标存在背景下,提取了风电场回波的微动特征,并将其与飞机目标的多普勒特征进行对比分析,仿真结果证明了所提方法的有效性。

基于奇异值分解拓展应用的故障特征提取技术

以奇异值分解理论为理论基础,通过对奇异值分解矩阵的架构分析,提出了滑移矩阵序列的架构方法。以该方法为指导,引入差异谱、主奇异和、最大特征值重构和最优化滤波器设计等方法,成功实现了滚动轴承故障特征提取。试验数据分析结果表明,提出的基于滑移矩阵序列奇异值分解的故障特征提取技术对于滚动轴承微弱冲击故障特征具有优越的识别和提取能力,对实现滚动轴承强噪声背景下的故障诊断具有重要意义。

频域奇异值分解(SVD)地震波场去噪

无规则干扰噪声的频谱分带较宽,不存在相干性;但在同一地区地震信号的主频带区间大致相同,尤其是叠后数据,也就是说各地震道有效频带的频谱存在较好的相干性。本文基于这个特点,通过傅里叶变换,在频率域进行SVD变换,并设计滤波因子,提取目标信号的奇异值进行重构频域信号,然后再进行反傅里叶变换,实现地震波场分离与去噪。与传统的带通滤波相比,该方法能彻底压制主频带干扰噪声,保护高、低频有效信号。实际地震数据处理表明,在不破坏原始地质信息的前提下,能较好地提高地震信号的信噪比。

一种基于奇异值分解的特征抽取方法

特征抽取是模式识别的基本问题之一,Fisher线性鉴别分析是特征抽取中最为经典和广泛使用的方法之一。该文分析了Fisher线性鉴别分析在求解过程中可能存在的问题:鉴别矢量的分量可能是复数;特征值对扰动的敏感性;鉴别矢量之间未必具有正交性。由此提出了均衡散布矩阵的概念,并利用均衡散布矩阵构造了一种新的线性鉴别准则。利用奇异值分解定理,将求取鉴别矢量转化为对矩阵求奇异向量。用该方法进行求解可以有效地避免前述的问题。试验结果表明,该鉴别准则具有良好的鉴别能力。

改进的奇异值分解法估计图像点扩散函数

为了提高图像复原算法的性能,提出了一种改进的奇异值分解法估计图像的点扩散函数。从图像的退化离散模型出发,对图像进行逐层分块奇异值分解,并自动选取奇异值重组阶数以减少噪声对估计的影响。利用理想图像奇异值向量平均能谱指数模型,估计点扩散函数奇异值向量的频谱,再反傅里叶变换得到其时域结果。实验结果表明,该方法能在不同信噪比情况下估计成像系统的点扩散函数,估计结果比原有估计方法有所提高,有望为图像复原算法的预处理提供一种有效的手段。

基于奇异值分解和变分模态分解的轴承故障特征提取

为了有效提取轴承故障,提出了基于变分模态分解和奇异值分解降噪的故障特征提取方法。通过对故障信号进行变分模态分解,获得其本征模态函数。基于峭度指标,选择包含故障信息的本征模态函数进行信号重构。利用奇异值分解降噪技术对重构信号进行处理,提高信噪比。最后对降噪信号进行包络解调提取故障特征频率。与常见的故障特征提取方法相比,该方法能有效辨别滚动轴承的典型故障,突出故障特征,提高滚动轴承的故障诊断效果。

分形奇异(特征)值分解方法与地球物理和地球化学异常重建

地球物理和地球化学异常是找矿的重要依据 .地球物理和地球化学异常取决于地层、构造在成矿时间上的多样性与空间上排列、叠置的复杂性 .地层、构造因素是构造、岩浆、沉积与成矿地球化学等多种动力学过程的综合反映 .这些岩石和构造的因素以及动力过程相互渗透和影响决定了最终地质、地球物理与地球化学场 .本文提出的在GIS环境下实现的分形奇异值分解 (MSVD)异常重建方法 ,不仅可以提取地球物理和地球化学等异常 ,而且能够进一步刻画其中的线性和环状构造、细微的局部纹理结构特征 .该方法首先对地球物理和地球化学等网格数据进行二维矩阵的奇异值分解 ,之后用左特征向量矩阵与右特征向量矩阵的直积构造一个正交完备基 .地球物理和地球化学二维数据可以投影到该正交基上 ,其投影系数是矩阵的奇异值 .在该正交完备空间的某些子空间上对地球物理和地球化学等数据进行滤波 .为了选择子空间 ,本文定义了上述正交完备基中的能谱密度、能谱半径 (或尺度 )与能量测度 .在此基础上与空间域及频率域类比 ,探讨了能量测度与能谱密度呈现分形 (fractal和bifractal)规律 .利用分形关系的间断点 ,设计分形奇异值重建算子 ,实现对地球物理和地球化学异常的分解 .

综合改进奇异谱分解和奇异值分解的齿轮故障特征提取方法

针对齿轮故障特征微弱,在强背景噪声下难以有效提取的问题,提出了一种改进奇异谱分解(ISSD)结合奇异值分解(SVD)的齿轮故障特征提取方法。针对奇异谱分解(SSD)算法中模态参数需凭经验选取的缺陷,基于散布熵优化算法对SSD算法进行了改进,在得到既定的一组奇异谱分量的基础上,根据峭度值最大准则筛选出了最佳奇异谱分量并进行了SVD处理,采用奇异值能量标准谱自适应地确定了信号重构阶数以还原信号和提高降噪效果。最后对信号进行包络解调以提取齿轮故障特征,将所提方法运用到仿真信号和齿轮实测信号中,并同传统包络谱、SSD包络谱以及经验模态分解结合SVD(EMD-SVD)方法进行了对比分析,结果表明,所提方法的降噪和特征提取效果更佳,能够更加有效地实现齿轮故障的判别。