基于数据驱动自适应变分非线性chirp模态分解的瞬时频率识别

为降低初始频率和信号噪声对变分非线性chirp模态分解(variational nonlinear chirp mode decomposition,VNCMD)的影响,提出了一种基于数据驱动自适应变分非线性chirp模态分解(data-driven adaptive variational nonlinear chirp mode decomposition,DDAVNCMD)的方法。通过模态能量占比确定响应信号的模态个数,同时采用导数归一化算法初步估算模态分量的初始频率,并添加迭代时变滤波器来降低噪声的影响,在此基础上再对响应信号进行VNCMD。通过单分量和多分量解析信号及拉索结构试验对所提方法进行验证。研究结果表明,基于DDAVNCMD的瞬时频率识别方法具有较好的准确性和抗噪性。

基于变分模态分解和稀疏表示的局部放电信号去噪算法

鉴于局部放电信号受各种噪声的干扰,文章提出一种基于变分模态分解和稀疏分解的局部放电信号去噪算法。以稀疏表示算法为核心,基于局部放电信号的特性构建其过完备字典,再采用匹配追踪算法在过完备字典中搜索出原信号的最佳匹配原子集合重构信号;为解决过完备字典维度过高而导致的搜索次数太多的问题,引进变分模态分解算法和峭度值筛选进行预处理和预重构;优化后的方法可以限制稀疏分解算法的搜索范围和字典参数,以减小计算复杂度。仿真验证以及对工程环境中实测信号的去噪结果表明:该方法具有更好的降噪效果,即使在极低信噪比的情况下,依旧能提取出有效的局部放电信号。

经验模态分解和稀疏表示的SAR图像去噪方法

相干斑噪声严重影响了SAR图像的应用,为降低这个影响,本文提出了一种经验模态分解和稀疏表示相结合的去噪方法。该方法利用经验模态分解是由数据驱动这一特点,把含噪SAR图像自适应的分解为若干固有模态分量,根据这些固有模态分量的时频特性,判断噪声在固有模态分量的分布情况。由于噪声的分布相对于图像目标分布具有孤立性、随机性的特点,采用稀疏表示方法对含噪的固有模态分量进行分解,通过估计固有模态分量的噪声强度,重构各固有模态分量,将处理后的以及未处理的各固有模态分量进行经验模态分解的重构,以此达到去噪的目的。为验证该算法的有效性,进行了对比实验,通过客观评价标准证明了该方法在细节信息保持等方面优于其他方法,是一种针对SAR图像的有效去噪方法。

自适应最稀疏时频分析方法的分解能力研究

自适应最稀疏时频分析(adaptive and sparsest time-frequency analysis,ASTFA)方法将信号分解转化为最优化问题,在优化的过程中实现信号的自适应分解.为了研究ASTFA的分解能力,在定义分解能力评价指标(Evaluation Index of Decomposition Capacity,EIDC)的基础上,以双谐波分量合成信号模型来研究幅值比、频率比、初始相位差对ASTFA的影响.同时,将ASTFA方法与经验模态分解(Empirical Mode Decomposition,EMD)、局部特征尺度分解(Local Characteristic-scale Decomposition,LCD)进行对比分析.研究结果表明,ASTFA方法的分解能力基本不受幅值比的影响,可分解的极限频率比较大,不受初始相位差的影响,该方法的分解能力具有明显的优越性.

基于稀疏指标的优化变分模态分解方法

针对复合信号源信号数目未知,无法正确预设分解模态数K值而不能对信号进行有效变分模态(variational mode decomposition,VMD)的问题,提出了一种基于稀疏指标的优化VMD法。该方法基于VMD所构建变分模型中各个分量的稀疏先验知识,实现了VMD自适应寻优K值,其将最佳K值确定为稀疏指标由上升至下降的转折点;在计算VMD各个分量的稀疏度时,考虑到不同分量间的能量差异加入了能量权值因子,最后将稀疏指标确定为分解后各分量边际谱稀疏度的平均值。仿真信号与实际信号分解试验验证表明:相较于其他两种VMD的K值确定方法,该方法确定的K值结果更为准确,实现的优化VMD自适应性更强,较其他信号分解法如经验模态分解(empirical mode decomposition,EMD)有更好的分解效果,为源信号数目未知的复合信号VMD提供了新思路;此外,噪声的鲁棒性试验证明所提基于稀疏指标的优化VMD法还具有一定的抗噪能力,较稳健,可开发应用于实际工程。

快速自适应二维经验模态分解在SAR目标识别中的应用研究

针对合成孔径雷达(SAR)图像目标识别问题,提出基于快速自适应二维经验模态分解(FABEMD)的方法。FABEMD可实现对SAR图像的快速分解,获得描述目标低频至高频信息的多层次固态模函数(BIMF)。基于结构相似性指标剔除多层次BIMF中的噪声成分,保留高鉴别力部分。分类阶段采用联合稀疏表示对保留的BIMF进行表征分类。基于MSTAR数据集对所提方法进行测试,结果验证了其性能优势。

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。

基于GA的自适应最稀疏时频分析方法及应用

为解决自适应最稀疏时频分析(ASTFA)方法中初始相位函数的选择问题,采用遗传算法(GA)对ASTFA的初始相位函数进行优化,提出了GA-ASTFA方法。进一步研究了GA-ASTFA方法抑制模态混淆的能力,分析结果表明,GA-ASTFA能较好地抑制模态混淆,分解得到的分量信号精度高,且可抑制分解中的伪分量。最后将GA-ASTFA方法用于转子碰摩故障诊断,实验分析结果表明,GA-ASTFA方法能有效提取转子碰摩故障特征信息。

基于初值优化的自适应最稀疏时频分析方法

自适应最稀疏时频分析(adaptive and sparsest time-frequency analysis,ASTFA)是一种新的时频分析方法,该方法需要事先确定较为准确的初始值,缺乏自适应性.针对ASTFA存在的问题,提出了基于初值优化的ASTFA方法.该方法使用残余量的能量作为优化目标函数,使用不同的初始值对信号进行分解,当残余量的能量最小时,则认为该初始值为最优初始值.因此,该方法能够自适应地寻找最优的初始值,增加了ASTFA方法的自适应性.采用仿真信号将该方法与原ASTFA方法进行对比,结果表明该方法能自适应地得到更准确的分解结果.对仿真信号和滚动轴承故障数据进行分析,结果表明ASTFA在抑制端点效应和模态混淆、抗噪声性能、提高分量的准确性等方面要优于经验模态分解(empirical mode decomposition,EMD),并能有效应用于滚动轴承故障诊断.

基于自适应联合字典学习的脑部多模态图像融合方法

针对目前全局训练字典对于脑部医学图像的自适应性不强,以及使用稀疏表示系数的L1范数取极大的融合方式易造成图像的灰度不连续效应进而导致图像融合效果欠佳的问题,提出一种基于自适应联合字典学习的脑部多模态图像融合方法。该方法首先使用改进的K奇异值分解(K-SVD)算法自适应地从已配准的源图像中学习得到子字典并组合成自适应联合字典,在自适应联合字典的作用下由系数重用正交匹配追踪(CoefROMP)算法计算得到稀疏表示系数;然后将稀疏表示系数的"多范数"作为源图像块的活跃度测量,并提出"自适应加权平均"与"选择最大"相结合的无偏规则,根据稀疏表示系数的"多范数"的相似度选择融合规则,当"多范数"的相似度大于阈值时,使用"自适应加权平均"的规则,反之则使用"选择最大"的规则融合稀疏表示系数;最后根据融合系数与自适应联合字典重构融合图像。实验结果表明,与其他三种基于多尺度变换的方法和五种基于稀疏表示的方法相比,所提方法的融合图像能够保留更多的图像细节信息,对比度和清晰度较好,病灶边缘清晰,客观参数标准差、空间频率、互信息、基于梯度指标、基于通用图像质量指标和平均结构相似指标在三组实验条件下的均值分别为:71.078 3、21.970 8、3.679 0、0.660 3、0.735 2和0.733 9。该方法可以应用于临床诊断和辅助治疗。

非线性非平稳波浪极短期预测的复合优化模型

海浪的时间序列一般具有非线性和非平稳性,针对直接对其进行预测精度较差,本文利用复合模型对波浪进行了预测。利用长短期记忆神经网络模型的非线性学习能力和经验模态分解的非平稳数据处理能力,采用镜像对称和长短期记忆算法联合消除经验模态分解端点效应,建立了一种用于不规则波极短期预测的复合经验模态分解-长短期记忆模型。研究表明:通过比较分析水槽试验获得的一般不规则波、线性聚焦波和非线性畸形波的预测效果,结果揭示出经验模态分解端点效应对模型预测精度具有负面影响,本文基于自适应镜像延拓的复合经验模态分解-长短期记忆模型可以更好地预测极短期非线性、非平稳波浪时序的变化趋势。

基于EMD和ANFIS的自适应噪声消除研究

对于混入色噪声的混合信号,如果可以通过测量得到产生色噪声的白噪声,对白噪声进行非线性训练即可逼近色噪声,达到非线性滤波的目的。自适应模糊推理系统(adaptive neuro-fuzzy unference system,ANFIS)可以实现上述非线性逼近。文中在上述算法的基础上,提出一种EMD(empirical mode decomposition)-ANFIS的自适应色噪声消除方法,首先对混合信号进行EMD分解,得到各个内禀模态函数分量(intrinsic mode function,IMF),然后对分解得到的内禀模态分量进行ANFIS模糊消噪,最后对消噪后的各个分量信号进行叠加。由于所得内禀模态函数为近似平稳信号,且图形越来越趋于平缓,减小了ANFIS方法的逼近难度。在混合信号信噪比为2.8407dB时,经过EMD-ANFIS消噪后的估计误差比只经过ANFIS消噪后的估计误差减少11.74dB,证明EMD-ANFIS方法的有效性。

基于VMD的瓦斯信号自适应压缩感知算法

将压缩感知算法和变分模态分解相结合,应用于煤矿瓦斯数据的处理。考虑到现有的压缩感知算法在对瓦斯处理的过程中存在着重构精度低,重构过程复杂和需要较多的样本观测值等问题,因此提出一种基于VMD和自适应观测矩阵的压缩感知算法,有效解决了以较少的样本观测值数据实现信号高精度重构的问题,同时自适应地选择观测矩阵,避免了对稀疏信号的同类化投影选择。首先将瓦斯信号经过VMD进行分离,得到一系列瓦斯信号的本征模态函数分量,通过设定阈值保留有效信息,使得信号更加稀疏化;其次通过自适应地观测矩阵对稀疏信号进行投影变换,从而降低观测矩阵和稀疏字典的不相关性。实验以煤矿瓦斯数据为研究对象,将瓦斯数据经过VMD分解进行稀疏化处理和使用构造的自适应观测矩阵进行投影选择,MATLAB仿真实验证明,文中的算法有更高的信噪比和更好的重构质量。

基于深度SSDAE网络的刀具磨损状态识别

针对刀具磨损状态识别过程中采集数据量大、干扰信号复杂且需人为选择特征参数的问题,为提高刀具磨损状态识别模型的鲁棒性与泛化性,提出了一种数据驱动下深度堆叠稀疏降噪自编码(stacking sparse denoising auto-encoder,简称SSDAE)网络的刀具磨损状态识别方法,实现隐藏在数据中深层次的数据特征自动挖掘。首先,将原始振动信号分解为一系列固有模态分量(intrinsic mode function,简称IMF),并采用皮尔逊相关系数法选取了最优固有模态来组合一个新的信号;其次,采用SSDAE网络自适应提取特征后对刀具磨损阶段进行了状态识别,识别精度达到98%;最后,对网络模型进行实验验证,并与最常用的刀具磨损状态识别方法进行了对比。实验结果表明,所提出的方法能够很好地处理非平稳振动信号,对不同刀具磨损阶段状态的识别效果良好,并具有较好的泛化性能和可靠性。

基于加权ANSMD和参数优化RLD的风电机组液压型变桨轴承损伤检测

围绕风电机组液压型变桨轴承损伤检测这一工程难题,分别提出了加权自适应非线性稀疏模态分解(ANSMD)方法和参数优化Lucy-Richardson反褶积(LRD)方法,并将二者相互融合,用于实现液压型变桨轴承局部损伤检测。首先,通过ANSMD方法将原始振动信号分解为一系列稀疏分量,计算各分量的香农熵值及权重系数,并通过稀疏分量加权叠加获得信噪比更好的重构信号。其次,通过自相关能量比优化策略对LRD方法的形态控制参数进行搜寻,并利用参数优化LRD方法进一步处理重构信号,实现连续性周期脉冲强化放大。最终,通过反褶积信号的包络解调分析提取变桨轴承的损伤特征频率成分。液压型变桨轴承测试信号验证结果表明,所提方法可有效检测变桨轴承局部损伤,为解决风电机组运维问题提供新的思路。

ANSMD方法及其在齿轮故障诊断中的应用

针对传统信号分析方法难以有效处理具有非平稳、非线性特性信号的问题,提出了一种自适应非线性稀疏模态分解方法(adaptive nonlinear sparse mode decomposition,ANSMD)。该方法通过将奇异局部线性算子约束到信号分解中,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局部窄带分量,以局部窄带分量作为基函数进行迭代,从而逼近原始信号来完成信号的分解,进而得到具有完整时频分布的分量信号。通过仿真信号和齿轮裂纹故障信号进行试验验证,结果表明,相对于经验模态分解、局部特征尺度分解以及变分模态分解方法,ANSMD方法在抑制模态混叠、鲁棒性等方面具有明显的优势,并可以有效的诊断齿轮故障。

NSMD和LMSST相结合的变转速滚动轴承故障诊断方法

为了能够准确反映变转速工况下滚动轴承的时变故障特征,本文提出了一种基于非线性稀疏模态分解(NSMD)和局部最大值同步压缩变换(LMSST)的故障诊断方法。首先利用NSMD对含噪振动信号进行分解,基于各分量的频谱最大相关性进行有用分量的选择;然后对其进行LMSST分析,从时频平面中提取时变故障特征,从而实现变转速下轴承故障诊断。

桥梁动态监测数据特性识别方法研究

论文综述了GNSS监测桥梁结构动态变形所获取的坐标时间序列的数据特点。已有的经验模态分解及其衍生算法,在处理非线性非平稳信号时还存在着模态混叠、去噪效果不佳等不足,要从中识别桥梁结构的主要频率及其变化须完善和发展现有的时频分析方法。为此,论文以非线性非平稳信号为研究对象,探讨了非线性非平稳信号的经验模态分解、自适应随机共振和变分模态分解等理论,对这些方法在桥梁GNSS监测数据中的动态特性识别应用进行了初步探索,取得了以下主要结论。

CEEMDAN-HURST算法在新冠疫情预测中的应用

针对COVID-19新增病例是一个非线性非平稳的时间序列,提出基于CEEMDAN-HURST算法的COVID-19组合预测模型。利用自适应噪声完全集合经验模态分解算法将新增病例时间序列分解为频率不同的子序列;利用HURST指数分析各个子序列的随机性并将子序列整合为高频、中频和低频三种子序列,通过最小二乘支持向量机对这三种子序列分别进行预测;叠加各重构子序列的预测结果,得到COVID-19新增病例的最终预测值。结果表明,基于CEEMDAN-HURST算法的COVID-19新增病例组合预测模型提高了非线性时间序列预测过程中的效率以及预测精度。与CEEMDAN-PE组合模型相比,平均绝对误差、均方根误差分别降低了11.13%和29.67%,表明CEEMDAN-HURST算法可有效解决非线性时间序列预测模型普遍存在的预测效率低和预测精度低的问题;赫斯特(HURST)指数度量了时间序列的偏移程度,引入HURST指数进行合并重构整合,可减少时间序列预测所需要的子序列数目。