LMD滤噪算法及在旋转机械转子故障诊断中的应用

利用噪声统计特性及局部均值分解算法(local mean decomposition,LMD)在信号分解过程中的自适应性,提出了一种新的基于LMD的自适应滤噪算法。该算法完全由数据驱动,可对信号自适应降噪,并将降噪后的信号分解为若干个瞬时频率具有物理意义的PF(Product function)分量。重构的信号可有效提高功率谱故障诊断的性能。通过对2种非平稳信号的仿真实验及在实际运行状态下采集的旋转机械转子振动信号降噪的应用,结果表明提出的算法降噪性能优于中值降噪、均值降噪、小波降噪、EMD软阀值降噪等典型滤噪算法。该算法也可在频域有效地用于旋转机械转子故障的诊断。

基于LMS自适应的改进端点检测算法

语音识别技术早已不再局限于实验室中,但部分关键技术仍需进一步优化与改进,以适应社会和用户不断增加的需求。从语音识别的技术理论入手,着重研究端点检测技术,拟在此基础上针对现有算法进行改进,提升其在低信噪比环境下的识别准确率。提出了一种在对语音进行LMS自适应降噪后,采用倒谱距离熵比的新型端点检测算法,并在MATLAB平台上进行相应测试。结果表明该算法相比于传统方法,检测正确率确有提升。

基于改进的反向匹配的拉曼光谱识别方法研究

针对传统的反向匹配方法中存在的强弱峰权重差异和噪声峰的干扰问题,提出了改进式反向匹配方法,通过引入权重衰减函数来优化强峰和弱峰之间的权重占比关系,使得谱图中各特征峰的权重分布在合理的范围内,避免了强峰权重掩盖弱峰的情况;通过概率分布函数动态滤噪的方法,实现了噪声峰的自适应过滤,从而提升了反向匹配方法的识别性能。实验以大量的常规拉曼和表面增强拉曼的谱图为验证样本,基于大型常规拉曼与表面增强拉曼数据库进行拉曼谱图识别验证。实验表明该方法在大量数据测试下综合准确率达到91.52%,相比于命中质量指数方法(51.08%)和传统的反向匹配方法(16.57%)有大幅度的提升。