自适应最优化窄带分解方法及其应用

提出了自适应最优化窄带分解(Adaptive Optimization Narrow-Band Decomposition,AONBD)方法。该方法将信号分解转化为对滤波器参数的优化问题,以得到信号的最优化解为优化目标,在优化过程中将信号自适应的分解成多个内禀窄带分量(Intrinsic Narrow-Band Components,INBC)。AONBD分为两步,首先通过优化得到最优的滤波器,然后使用该滤波器对信号进行滤波以得到信号的最优化解。阐述了AONBD的基本原理及分解步骤。采用仿真信号将AONBD方法与自适应最优化时频分析(Adaptive Sparsest Time-Frequency Analysis,ASTFA)方法及经验模态分解(Empirical Mode Decomposition,EMD)方法进行对比。结果表明,AONBD在抑制端点效应和模态混淆、抗噪声性能、提高分量的正交性和准确性等方面具有一定的优越性。对转子振动信号的分析结果表明,AONBD能有效应用于机械故障诊断。

ACROA优化的自适应最稀疏窄带分解方法

提出了基于人工化学反应优化算法(artificial chemical reaction optimization algorithm,ACROA)的自适应最稀疏窄带分解(adaptive sparsest narrow-band decomposition,ASNBD)方法,将信号分解转化为对滤波器参数的优化问题,使用ACROA进行优化,以得到信号的最稀疏解为优化目标,在优化过程中将信号自适应地分解成若干个具有物理意义的局部窄带信号。对数值仿真和齿轮故障数据进行分析,结果表明该方法在抑制模态混淆、抗噪声性能、提高分量的正交性和准确性等方面要优于ASTFA方法、基于遗传算法(genetic algorithm,GA)的ASNBD方法及总体平均经验模态分解(ensemble empirical mode decomposition,EEMD)方法,并能有效识别出齿轮的典型故障。

基于小波分解的自适应滤波算法在抑制局部放电窄带周期干扰中的应用

在局部放电在线监测中,由于窄带周期干扰的频率范围很宽,自适应滤波器的参数设置比较困难,有时甚至会导致算法不稳定。为此,文中提出了一种基于小波分解的自适应滤波算法,以用于抑制窄带周期干扰:利用小波的分频特性先将信号分解到不同的频段上,然后对各频段的信号施以自适应滤波,由于信号被分解到不同的频段,各频段内的窄带干扰频率相差有限,所以,可以根据各频段信号的特性采用最佳的滤波参数,以达到较好的滤波性能。计算机仿真分析和现场数据处理表明,该算法比普通自适应滤波算法有更好的抗干扰性能和稳定性。

基于经验模态分解和自适应噪声对消算法的窄带干扰抑制

在局部放电在线检测中,自适应噪声对消算法是当前抑制窄带干扰的有效方法。由于窄带干扰频率范围很宽,滤波参数不易设置,同时实测时的窄带干扰在时频域都表现强烈,局部放电信号会完全淹没于干扰之中,使得一般改进噪声对消算法不能取得较好效果。为此,笔者提出一种改进经验模态分解的噪声对消算法,首先在频域中降低干扰幅值,接着利用经验模态分解的分频特性将宽频带的窄带干扰分解到不同频带,各频带内的窄带干扰频率相差有限,然后进行自适应噪声对消,以达到较好的滤波性能。仿真和实际数据验证了该算法的有效性。

基于经验模态分解的自适应滤波算法在局部放电窄带干扰抑制中的应用

自适应滤波算法是当前抑制窄带干扰的有效方法。对于单频率的窄带干扰,设置自适应滤波器的参数比较容易,但是对于局放监测中多个频率且频率范围很宽的窄带干扰,设置自适应滤波的参数就会变得很困难。根据经验模态分解EMD(Emp iricalMode Decomposition)的分频特性,将EMD引入自适应滤波算法,提出了一种基于EMD的自适应滤波算法。局放信号中多个频率的窄带干扰经EMD分解之后,会分解到不同的模态函数中,从而将多频率的窄带干扰转化成了多个单频率的窄带干扰,在此基础之上对固有模态函数进行自适应滤波,可以较容易地解决自适应滤波器参数设置的问题,并能获得比普通自适应滤波更好的效果。仿真及实际数据的处理验证了该算法的有效性。

互补集合自适应最稀疏窄带分解及其应用

自适应最稀疏窄带分解(Adaptive Sparsest Narrow-band Decomposition,ASNBD)是在包含内禀模态函数(Intrinsic Mode Functions,IMF)的过完备字典库中搜索信号的最稀疏解,将信号分解转化为优化问题,但在强噪声干扰时计算精度仍有待提高。因此在结合了互补集合经验模态分解(Complementary Ensemble Empirical Mode Decomposition,CEEMD)算法,得到了新的互补集合自适应最稀疏窄带分解(Complementary Ensemble Adaptive Sparsest Narrow-band Decomposition,CE-ASNBD)方法。此方法是加入成对符号相反的白噪声到目标信号,从而减小重构误差,在对滤波器参数的优化过程中实现信号的自适应分解。对仿真和实验数据的分析结果表明,该方法在抑制模态混淆、端点效应、性能、提高分量的正交性和准确性等方面要优于CEEMD和ASNBD方法,并能有效应用于滚动轴承故障诊断。

改进自适应噪声对消算法的窄带干扰抑制

在局部放电在线检测中,自适应噪声对消算法是当前抑制窄带干扰的有效方法。由于窄带干扰频率范围很宽,滤波参数不易设置,同时实测时的窄带干扰在时频域都表现强烈,局部放电信号会完全淹没于干扰之中,使得一般改进噪声对消算法不能取得较好效果。为此,提出一种改进经验模态分解的噪声对消算法,首先在频域中降低干扰幅值,接着利用经验模态分解的分频特性将宽频带的窄带干扰分解到不同频带,各频带内的窄带干扰频率相差有限,然后进行自适应噪声对消,以达到较好的滤波性能。仿真和实际数据验证了该算法的有效性。

基于自适应陷波滤波的列车卫星定位窄带干扰防护

复杂电磁环境下基于卫星导航的列车定位所面临的安全威胁是新型智能铁路系统亟需关注的重要问题。针对卫星定位中常见的窄带干扰信号,提出一种基于自适应陷波滤波的干扰防护方法。该方法利用奇异值分解进行干扰特征提取,运用离线干扰样本集进行回归分析,建立干扰特征值与陷波滤波器极点结构因子之间的关系模型,由此在动态定位过程中自适应调整陷波滤波器参数并用于干扰作用的主动抑制。基于连续波、调幅、窄带高斯白噪声三类典型窄带干扰信号场景的测试结果表明,本文提出的方法能够根据干扰特征动态调整陷波滤波器参数;与未实施干扰防护处理及固定参数陷波滤波防护方案相比,在不同干扰强度水平下能够实现更优的卫星捕获能力,定位误差及其标准差相对无干扰防护情况分别降低25.15%和24.12%;在干扰强度较高情况下,干扰抑制效果及定位可用性保障能力更为显著。该方法对于卫星定位用于新型智能铁路系统主动抵御外部干扰入侵具有明确意义。

基于经验模态分解的局部放电信号窄带周期干扰的抑制

现场局部放电在线检测过程中,常伴随有窄带周期性干扰,对局部放电信号的检测带来很大的困难。采用经验模态分解与变步长自适应滤波相结合的方法进行干扰抑制。通过计算机仿真和实际数据的处理,验证了该方法的有效性。

基于自适应控制算法的NB-IoT网络性能优化研究

随着物联网技术的快速发展,窄带物联网(Narrow Band Internet of Things,NB-IoT)技术因其低功耗、广覆盖、大容量等特性,成为物联网的重要连接方式。针对NB-IoT网络性能优化问题,提出基于自适应控制算法的优化方案,提高其可靠性、容量及能效。通过仿真实验,验证该方案的有效性和性能优势。此外,基于该算法,采用终端感知、网络通信、数据处理以及应用表现4层系统设计架构,设计基于自适应控制算法的NB-IoT物联网系统,满足不断增长的物联网应用需求。

S.L.Peng自适应分解算法的研究与探讨

介绍S.L.Peng的基于瞬时频率和局部窄带信号的自适应分解方法,对两类局部窄带信号分解方法进行分析与研究。这种算法选取局部窄带信号作为基信号,通过构造奇异线性算子,从其零空间中提取局部窄带信号,从而实现信号的自适应分解,并通过与MP算法的比较,给出这两种算法的内在联系。

基于AVMD-自适应小波包法的电缆局部放电去噪研究

为准确提取检测到的局部放电信号,针对高压电力电缆的噪声抑制问题,提出了自适应变分模态分解(AVMD)结合自适应小波包分解的方法提取纯净的局放信号。首先运用AVMD将周期性窄带干扰、白噪声和局放信号分解在不同的基本模态分量中,将周期性窄带干扰滤出,得到仅含有白噪声的局放信号。再运用自适应小波包分解,将信号分解在高中低频的分量中,根据阈值法将不含局放信号的分量滤出,得到较为纯净的局放信号,并将所提方法分别与其中单独一种算法进行去噪比较分析。仿真结果表明,所提方法抑制噪声效果更明显,与仿真信号的相似度最高。

基于ASNBD-CMFE特征信息提取的短时交通流预测

针对短时交通流数据的非线性和随机性特点,为提高其预测精度,提出了一种基于自适应最稀疏窄带分解(Adaptive Sparsest Narrow-band Decomposition,ASNBD)和复合多尺度模糊熵(Composite Multiscale Fuzzy Entropy,CMFE)的短时交通流数据特征信息提取方法.首先利用ASNBD将短时交通流数据分解成若干个内禀窄带分量,分别求出每个分量的CMFE.根据CMFE反映的不同分量的非线性程度选取有效分量,从而提取数据的非线性特征.然后根据非线性分析的结果分别对每个分量建立支持向量机网络模型,针对每个分量的自身特点选择不同的模型训练参数,以提高单个模型预测精度.最后将各个预测值进行累加并得出预测结果.实验结果表明,该方法能有效应用于短时交通流数据特征信息的提取,进而提高预测精度.