基于小波变换与奇异值分解的飞鸟动态电磁散射特征提取

雷达探鸟是航空安全、环境生态等领域的热点问题。鸟类目标的雷达散射截面(RCS)较小,散射特征单一,给鸟类探测带来诸多挑战。为解决这些问题,本文提出一种基于小波变换与奇异值分解的飞鸟目标动态电磁散射特征提取方法。首先将飞鸟扑翼频率为2~20 Hz的动态RCS序列进行小波变换得到各分支小波系数,再对各分支小波系数进行重构,将小波系数组成的特征矩阵进行奇异值分解,用特征值对飞鸟动态电磁散射特征进行量化描述。为了验证该方法的有效性,本文在盘旋航迹和平飞航迹、水平极化和垂直极化下分别进行入射频率为0.5、1和3 GHz的数值实验对方法进行验证。结果表明特征值与飞鸟的扑翼频率呈现明显线性相关关系,能够有效反映飞鸟的运动特性,为鸟类目标的雷达探测与识别提供新的视角和思路。

基于奇异值分解的城轨网络关键站点识别及其演变研究

为识别城市轨道交通网络关键站点并研究其多年演化,构建基于截断奇异值分解(truncated singular value decomposition,TSVD)的关键站点识别方法,选取北京市2011—2019年早高峰时段的OD数据,通过关键特征向量分析网络客流演变并对城轨网络中关键站点进行识别,将其与复杂网络方法的识别结果进行对比。分析表明:TSVD法能很好地应用于考虑OD分布的网络关键站点识别,识别结果能更好代表网络客流的空间分布。从识别结果看,北京轨道交通关键站点空间布局呈现多中心发展趋势,如西北西二旗,西南丰台科技园等站点逐步形成网络客流中心并相互联系;东南土桥、东北俸伯等站点也初步呈现网络客流中心的特征。

分布式散射体相位估计奇异值分解法

常规的分布式散射体(DS)相位估计方法需要生成全组合干涉对以构建样本协方差矩阵(SCM),然后根据SCM的统计特性估计DS相位,这一过程不但计算耗时,而且占据大量存储空间。本文提出了一种基于奇异值分解技术的DS相位快速估计方法(SVDI)。该方法分析的对象是单主影像干涉对组成的干涉相位矩阵而非全组合干涉对组成的SCM,因而可以有效提高计算效率、节省存储空间。并且,理论上证明了在一定条件下SVDI的结果与常规的特征值分解方法(EVD)是一致的。模拟数据和真实SAR数据的结果表明,SVDI算法有更高的计算效率,并且其相位估计精度以及形变解算精度与常规算法是一致的。

基于QR迭代的量子奇异值分解

针对大型矩阵奇异值分解(singular value decomposition,SVD)时使用经典算法时间复杂度较高,以及已有的量子SVD算法要求待分解的矩阵必须具有非稀疏低秩的性质,并且在计算过程中构造任意大小酉矩阵对目前的量子计算机来说实现起来并不容易等问题,提出基于QR迭代的量子SVD。QR迭代使用的是Householder变换,通过量子矩阵乘法运算完成经典矩阵乘法运算过程。实验结果表明,该方法能够得到所求矩阵的奇异值及奇异矩阵,使大型矩阵的SVD具有可行性。

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。

基于奇异值分解的地震数据去噪分析与研究

奇异值分解(SVD)是去除地震数据噪音、提高信噪比的一种有效方法。本文对基于奇异值分解的地震数据去噪进行了分析与研究,主要阐述了SVD和SVD去噪的基本原理,然后进行了模型验证和实际应用,去噪结果可知SVD技术不但可以有效去除地震数据中的随机噪音,而且具有良好的保真性,从而为后续的油气勘探开发工作打下了坚实的基础。地下构造特征是解决水文地质、天然地震带检测、探测油气以及其他各种矿藏资源等工程问题的关键资料,而获取地下构造特征的主要技术之一就是地震勘探。而在实际地震勘探过程中,地震数据一般会受到很多噪音干扰,这些噪音的能量大小不一,在很大程度上降低了地震数据的品质,给后续的处理、解释、储层预测等工作带来了很大的影响.

基于SVD和MED的滚动轴承特征提取

针对滚动轴承振动信号易受噪声影响,难以提取故障特征信息的问题,提出一种奇异值分解(singular value decomposition,SVD)重构结合最小熵反卷积(minimum entropy deconvolution,MED)增强的滚动轴承故障特征提取方法。首先,对振动信号进行SVD分解,并计算奇异分量(singular component,SC)对应线性峭度(L-kurtosis)值;其次,根据线性峭度值结合设定阈值筛选SC,叠加得到重构信号;随后,对重构信号利用MED进行增强,凸出信号中周期冲击成分;最后,结合包络解调提取故障特征频率。仿真信号及实测信号分析结果表明,该方法可以降低噪声对振动信号的影响且凸显故障的特征信息,实现故障诊断。

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。