自适应最优核时频分布在地震储层预测中的应用

提高时频分辨率是频谱成像技术研究的重点。自适应最优核时频分布采用随信号特征自适应变化的核函数,在模糊域对远离原点的互分量进行抑制,并尽可能的保留集中在原点附近的自分量。通过理论模型验证,该方法较好地抑制了交叉项干扰,同时较连续小波变换和平滑伪Wigner-Ville分布等方法具有更高时频分辨率。最后在营尔凹陷长沙岭地区的实例应用中,利用自适应最优核时频分布对该区目标储层进行了频谱成像处理,并结合沉积相特征对长沙岭地区进行有利区带预测。结果表明:该方法适用于实际地震信号的时频分析,对储层刻画优于传统方法,且对研究区储层预测具有有效性。

基于自适应最优核时频分布的鸟类识别

针对鸟鸣声信号的非稳态特性,提出了一种基于自适应最优核时频分布(Adaptive optimal kernel,AOK)的鸟类识别方法。首先对采集的鸟鸣声信号进行预处理,通过AOK时频分析方法得到时频谱图,分析不同鸟类声音信号在不同时间和不同频率下的能量分布。然后,将时频谱图转化成灰度图像,求取灰度共生矩阵,提取基于灰度共生矩阵不同角度的图像特征参数作为鸟类识别的特征值。最后选取已知鸟种的图像纹理特征训练生成训练模板,将待识别的鸟种的图像纹理特征参数生成测试模板,利用动态规整(Dynamic time warping,DTW)算法进行模板的匹配,将匹配值进行大小比较,找到最小匹配值对应的模板,从而实现鸟类的识别。通过对40种常见鸟类的实验表明,总体识别率达到96%。

基于自适应最优核时频分布理论的ISAR成像方法

由于运动的复杂性,传统的成像方法已无法满足机动目标成像的要求。在分析机动目标复杂运动引起目标回波多普勒相位非线性变化的基础上,提出了一种基于自适应最优核时频分布(AOK TFR)理论的ISAR成像方法。通过计算回波数据不同距离单元的AOK TFR,得到不同时刻目标的瞬态ISAR像,且不受交叉项的影响;通过估计距离单元的瞬时多普勒频率并依此对成像时间段进行选择。仿真数据结果验证了该方法的有效性。

爆破地震波时频域分析方法及应用

为了研究各时频域分析方法对爆破振动信号时频特征提取的有效性,设计了仿真试验并对不同时频域分析方法进行了对比分析,验证了自适应最优核分布在最大程度抑制交叉项的同时具有较高的时频分辨能力和分辨精度,是适合爆破振动信号时频分析的最佳方法。应用此方法对实测的单段和多段爆破振动信号进行时频分析,结果表明:多段爆破振动信号出现多个能量峰值,并且峰值能量增大、持续时间延长是振动信号叠加的结果。此方法可从信号能量大小和持续时间的角度对爆破振动信号时频特性进行详细解读,为爆破地震效应的深入研究提供实用的分析技术。

基于AOK-TFR的轨道电路故障诊断方法

为弥补现有补偿电容检测方法在检测及时性和检测成本等方面的不足,基于传输线理论,提出了机车信号感应电压幅值包络(IVECS)仿真模型;在此基础上,分析了补偿电容故障对IVECS的影响规律,建立并验证了基于频率的IVECS等效回归模型;利用补偿电容故障位置前后IVECS的频率变化,提出了基于自适应最优核时-频分布的补偿电容故障诊断方法.该方法基于机车信号的实际数据,采用B样条离散二进小波对数据进行滤波降噪处理,并利用自适应最优核时-频分布提取处理结果的时-频信息,再通过检测时-频信息中频率的变化实现对故障电容的定位.经过对随机抽取的100段实际数据的测试,准确率约为92.58%,表明该方法能准确检测轨道电路发生故障的补偿电容位置.

电信号的时频分析新方法

针对电力系统中电信号检测的现状,提出了一种高分辨率的电信号时频分析新方法.该方法首先基于自适应最优核时频分布理论得到电信号的时频分布,然后进行时频平面脊信息的提取,从而得到电信号各频率分量频率随时间变化的特征.针对时变间谐波、暂态震荡电压、变压器故障电流等电信号进行仿真分析,仿真结果表明:该方法表现出很高的时频聚集性,且不受交叉项的影响,清晰地刻画出各频率分量的时变性特征.

基于时频平面脊信息提取的间谐波分析新方法

针对电力系统间谐波分析的局限性,提出一种基于时频平面脊信息提取的间谐波分析新方法.该方法首先基于自适应最优核时频分布理论得到间谐波信号的时频分布,然后进行时频平面脊信息的提取,从而得到各间谐波分量频率随时间变化的特征.同仅采用时频分布刻画间谐波信号时频分布特性相比,该法具有更高的时频分辨率及更强的信息可读性.仿真及实测数据分析结果表明:该方法表现出很高的时频聚集性,且不受交叉项的影响,清晰地刻画出各间谐波分量的时变性特征,对各频率分量相隔较近的信号仍然有效.

基于鸟鸣声及深度学习的鸟类识别方法研究

针对基于鸟鸣声的鸟类识别问题,提出一种基于自适应最优核时频分布(adaptive optimal kernal,AOK)与卷积神经网络(convolutional neural network,CNN)的鸟类识别方法。首先对采集的鸟鸣声信号进行预处理,获取对应鸟类的音节后对样本进行数据增强处理,然后通过AOK时频分析方法,得到鸟鸣声音信号的自适应频谱图,分析鸟鸣声信号不同时间和不同频率下的能量分布,通过时频谱图对卷积网络模型进行训练,并进行实时预测。对20种常见鸟类的实验表明,在少量初始样本的情况下,总体识别率也可达到95.5%,并且通过对同一科目和不同科目下的鸟类鸣声分析发现,采用时频图结合卷积神经网络的方法对鸟类鸣声进行识别,提取的特征参数代表性更强,识别准确较好,具有较好泛化性。

EEMD联合AOK-TFR提取车辆微多普勒特征

利用连续波雷达探测运动车辆时,非线性、非平稳的多分量回波信号不易解析提取,基于此,提出了联合总体经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)和自适应最优核时频分布(Adaptive Optimal Kernel Time-Frequency Distribution,AOK-TFR)的方法提取运动车辆的微多普勒(micro-Doppler)特征。建立了车体振动和车轮转动对雷达回波信号产生的复合调制效应数学模型,并对多分量回波信号进行了EEMD,通过联合AOKTFR解析回波信号的固有模态分量,得到了较清晰的微多普勒时频像,较好地克服了地杂波带来的EMD模态混叠。仿真分析表明该方法提取到的微多普勒特征参数与仿真参数吻合,证明了该方法的有效性。