基于自适应傅里叶分解的船舶轴频电磁场信号提取

船舶轴频电磁场是水面船舶及水下航行器非常关键的特征,然而由于静态电磁场的存在,大大降低了轴频电磁场的信噪比。为实现低信噪比情况下微弱轴频电磁场信号的有效检测,文中提出一种基于自适应傅里叶分解的信号提取方法,可以将复杂非平稳信号自低频到高频自适应地分解为一系列具有瞬时频率的单分量之和的形式。通过分别处理仿真和实测数据,结果表明,该算法能够克服短时傅里叶变换、小波变换及经验模态分解等方法的缺点,可快速有效地提取到轴频电磁场信号,进而为后续船舶及水下航行器的定位追踪提供参考。

利用自适应傅里叶分解的非平稳无线信道的时频表示

针对非平稳Clarke无线信道模型的时域冲激响应的性能分析需求,利用自适应傅里叶分解,引入了一种非平稳无线信道的时频表示方法和信道函数的重构表示,并给出了信道的单分量表示式、时间频率分布以及能量谱密度。在高速移动、快速时变环境下进行仿真,结果表明,本文提出的非平稳无线信道的表示方法能克服STFT、小波变换等相关方法的缺点,提高了无线信道时频表示的准确性,降低了信道的重构误差。

基于改进自适应经验傅里叶分解的滚动轴承故障诊断方法

自适应经验傅里叶分解(AEFD)是最近提出的非平稳信号分解方法,为了解决AEFD的分割边界集设置问题,提出了基于频谱包络检测的改进自适应经验傅里叶分解(EAEFD)方法,该方法以快速傅里叶变换为基础,以包络熵值最小选择最优的分解模态数目,采用极大值包络技术对傅里叶频谱分割,得到一个合理的分割边界,最后采用逆快速傅里叶变换对每个区间信号进行重构。EAEFD能够自适应地将一个复杂信号分解为若干个瞬时频率具有物理意义的单分量信号之和,通过仿真信号和滚动轴承信号分析,将EAEFD方法与经验小波变换(EWT),经验模态分解(EMD),局部特征尺度分解(LCD)和AEFD等方法进行了对比,结果表明EAEFD方法不仅仅能够有效地诊断出故障特征,而且诊断的精度更高。

面向本科生的傅里叶变换拓展教学方法

在本科生电子信息类教学中,傅里叶变换占有非常重要的地位,在学习了连续和离散傅里叶变换后,作为教学的延伸,引入窗口傅里叶变换作为拓展教学内容,并启发式地引导学生对自适应傅里叶分解进行探究。主要介绍从傅里叶变换到窗口傅里叶变换(STFT)和自适应傅里叶分解(AFD)的信号分析拓展教学方法,以强化学生的理论基础,增强学生的应用能力,让学生了解更多的学术前沿研究成果,启发学生的创新性思维。

基于自适应经验傅里叶分解的机械故障诊断方法

为了克服傅里叶变换、经验模态分解与傅里叶分解方法在分析非平稳信号方面的不足,提出一种适合非线性和非平稳信号分析的新方法——自适应经验傅里叶分解(Adaptive empirical Fourier decomposition,AEFD)。AEFD方法以快速傅里叶变换为基础,通过对变换系数进行分组重构,能够将一个非平稳信号自适应地分解为若干个瞬时频率具有物理意义的傅里叶本征模态函数(Fourier intrinsic mode function,FIMF)之和。研究了AEFD的分解正交性和精确性,通过仿真信号分析,将其与经验模态分解,变分模态分解和傅里叶分解方法等进行了详细对比,结果表明了AEFD的优越性。最后,为了提高故障诊断的精度和验证AEFD的有效性,将AEFD应用到转子碰摩和滚动轴承局部故障诊断中。试验数据分析结果表明,与经验模态分解等方法相比,AEFD不仅能够有效地诊断故障,而且诊断精度更高。

基于AFD算法的滚动轴承故障诊断方法

基于自适应傅里叶分解(AFD)算法,将滚动轴承的振动信号分解为一系列单一分量信号并计算它们的峭度;将峭度由大到小顺序排列,自适应寻找峭度趋于稳定的拐点,对拐点前的单一分量信号求和并取包络作共振解调;根据解调得到的频谱判断滚动轴承是否发生故障及发生故障的部位。以N205EM型滚动轴承为例进行试验验证,结果表明:在不预先确定滤波频带,不出现无物理意义的"负频"情形下,能够准确有效地提取出比传统共振解调方法有更好频谱特征的滚动轴承故障信息,从而有效地诊断出滚动轴承的故障。

基于Takenaka-Malmquist自适应时频分布的特征指标——来自上证和深证的数据

股票价格指数度量并反映了股票市场总体价格水平及其变动趋势,包含了丰富的市场信息,受到投资者和政策制定者的普遍关注.利用一定的数学方法对其进行分析和研究,挖掘股指的潜在价值,对加快资本市场治理,提升金融效率,促进国民经济的平稳快速发展具有十分重要的意义.本文利用基于Takenaka-Malmquist自适应傅里叶分解(简称自适应傅里叶分解或AFD)的时频分布,有效提取了股票价格指数的时频特征,分析股票市场的变动趋势.为满足自适应傅里叶分解的要求,首先利用H-P滤波算法对时间序列进行预处理,去除时间序列的趋势项,然后利用AFD算法处理周期项数据,在此基础上得到股票价格指数的时频分布,并进一步分析股指变动趋势.基于自适应傅里叶分解的算法可以有效提取股指在时频两域的信息,避免了单一域分析的缺陷,且比现有的小波分解方法具有更高的分辨率和准确度.为检验指标的有效性,本文利用上海证券交易所的上证综合指数(代码000001)和深圳证券交易所深证成份指数(代码399001)实证检验了指标的有效性,结果表明基于自适应傅里叶分解的时频分布提出的股市技术分析指标可以用于中短期股票市场的变动特征分析.