基于Hilbert和CA-VMD的风电机组叶轮不平衡故障电信号特征提取方法

针对风电机组叶轮系统故障的非线性、非稳定性和耦合性使早期微弱故障特征频率处于强背景噪声下难以提取的问题,并考虑到传统故障信号采集方法存在的局限性,从电信号入手,提出了一种基于希尔伯特变换和变分模态分解相关性分析(CA-VMD)的风电机组叶轮系统不平衡故障的电信号特征提取方法。首先,针对传统频域分析方法直接对故障电信号进行分析而无法提取故障特征频率的问题,引入Hilbert变换解调出故障调制信号;然后,针对强背景噪声下早期微弱故障特征难提取的问题,引入变分模态分解将故障调制信号分解,并通过相关性分析剔除噪声分量;最后,重构故障调制信号并提取故障特征频率,提高了原始故障信号的信噪比。通过仿真分析,证明了所提方法的有效性。

基于贝塞尔曲线拟合的心电信号模式分类方法

提出了一种以心电信号形态特征为基础,基于信号分段特征提取,结合三阶贝塞尔函数和自组织神经网络的心电信号分类方法。首先分析了心电信号的形态特点,讨论了心电信号的分段方法,重点研究了结合贝塞尔函数的心电信号特征提取方法。最后,应用自组织神经网络对心电信号特征机型分类验证,结合使用MIT-BIH心电信号数据库的112605条数据进行实验。使用贝塞尔函数可以达到很好的特征提取效果,结合自组织神经网络可以达到较好的分类效果。实验结果表明,特征提取方法能够提高特征的有效性以及分类器的准确率。

非监督特征学习方法在脑电身份识别中的应用

设计并实现了采用非监督特征学习方法对模拟阅读事件相关电位实验中多名受试者脑电信号的特征提取，并对提取的特征向量进行了模式分类。实验中共采集5名受试者脑电信号，每名受试者的特征样本集由其接受模拟阅读靶视觉刺激后100～400ms在通道PO3、O1、Oz、O2、PO4、P4、P8、CP6的脑电信号样本组成，各受试者样本集均含400个试次样本。非监督特征学习过程由含6个神经节的BP神经网络完成，后选用支持向量机作为分类器。对比了1试次，2试次、5试次、10试次样本叠加等几种不同情况下采用非监督特征学习方法提取特征的分类正确率。实验结果表明：采用多神经节人工神经网络对5名使用者5试次叠加信号样本提取的特征向量的分类正确率高于90％，显著优于对各单通道时域特征向量的分类正确率，该方法可为以脑电信号为特征的身份识别系统提供一种可行的特征提取方式。