修正自适应Chirplet分解法及其快速实现

为克服时频关系为线性的基函数的不足,该文提出一种新的信号分解算法——修正自适应Chirplet分解法,将Chirplet基函数推广到三次相位信号的形式,因此可以逼近信号中的非线性时变结构成分。同时提出了一种快速分解算法,该算法通过计算信号的三次相位函数,可得到其能量分布集中于信号的瞬时频率变化率曲线上的结论,此时通过谱峰检测可同时获得基函数的二、三次相位系数,时间中心以及幅度的估计:进而通过解调频技术获得其初始频率和时间宽度的估计。文中给出了实现该方法的具体步骤,并分别以仿真信号和蝙蝠回声定位信号为例验证了该算法的有效性。

一种自适应Chirplet分解的快速算法

针对信号自适应Chirplet分解未知参数多、实现起来比较困难的特点,提出了一种新的Chirplet分解快速算法.该算法利用计算信号的二次相位函数,得到其能量分布集中于信号的调频率曲线上的结论,此时通过谱峰检测可同时获得Chirplet调频率、时间中心和幅度的估计;然后通过解线性调频技术获得其初始频率和时间宽度的估计.文中给出了实现该方法的具体步骤,并分别以仿真信号和蝙蝠回声定位信号为例验证了该算法的有效性.

自适应Chirplet分解的ISAR成像方法

为了提高机动目标的逆合或孔径雷达(ISAR)成像质量,提出了一种新的ISAR成像算法,通过将每一距离单元的回波数据进行自适应Chirplet分解,并采用松弛(RELAX)技术来提高参数估计精度,得到了高质量的瞬态ISAR像.外场实测数据成像结果验证了本文方法的有效性.

基于自适应Chirplet分解的多普勒参数估计方法

提出一种基于自适应Chirplet分解联合估计多普勒中心和多普勒调频率的方法,直接从信号分解重构的角度进行参数估计,不进行回波方位谱与权函数的相关处理,对比度较小的均匀场景中仍然可以获得较好的多普勒参数估计,算法改善了聚焦性能。仿真实验和实测数据成像结果验证了方法的有效性。

基于自适应Chirplet分解的舰船目标ISAR成像

相对于飞机目标的ISAR成像,舰船目标的ISAR成像同样具有重要意义,但国内对舰船目标的成像研究刚刚开始。由于舰船运动的复杂性,使得舰船目标的成像条件要比飞机目标复杂得多,传统的针对飞机目标的成像方法已经不能满足要求。因此,该文提出了基于自适应Chirplet分解的舰船目标成像方法,得到了舰船不同时刻的瞬态ISAR像。

基于自适应Chirplet分解的非均匀转动目标ISAR相位聚焦

在ISAR成像中,由非均匀转动引起的相位误差与散射点的径向位置有关,传统的相位聚焦方法难以采用统一的相位校正函数来进行补偿。针对此问题,提出一种基于自适应Gaussian包络Chirplet分解(AGCD)快速算法的相位补偿方法。该方法在任意选取的距离单元上,利用Gaussian包络Chirplet分解得到两个较强散射点所对应的线性调频信号参数,并结合多特显点处理(PPP)模型,对由平动和非均匀转动造成的相位误差分别进行补偿。该方法计算量小,估计精度高,且没有孤立强散射点的要求。仿真实验结果表明了它的有效性。

一种自适应Chirplet分解方法及在故障诊断中应用

提出了一种自适应Chirplet信号分解过程中的参数优化估计方法,该方法首先利用最大投影分解原理结合分数阶傅立叶变换和拟牛顿方法进行参数估计,然后利用最大期望方法,进一步进行参数的优化。将提出的方法与传统的时频分析方法如短时傅立叶谱图,Wigner分布进行对比分析,仿真结果表明,提出的方法具有很高的参数估计精度、很高的时频图分辨率和抗噪能力。说明了本文提出的方法中引入EM算法的必要性。又将提出的方法应用到轴承的故障诊断中,实验结果表明,提出的自适应Chirplet分解方法是非常有效的。

一种改进的自适应Chirplet分解方法及其实现方法(英文)

参数自适应时频分布成为当前非平稳信号分析与处理的研究热点。针对自适应Ch irp let分解所用基函数的时频关系为线性,对含有非线性时变分量的信号逼近效果不好的问题,提出了一种改进的自适应Ch irp let分解方法,并给出其快速实现算法。首先在Ch irp let时频原子的基础上添加了弯曲算子,构造了新的时频原子,得到了一种改进的自适应Ch irp let分解算法;然后,利用匹配追踪算法做为快速分解实现方法,并给出了具体实现步骤。经仿真信号和蝙蝠回声定位信号验证表明,本算法在收敛性和准确性等方面具有优势。

基于动态模态分解-自适应变步长油浸式电力变压器绕组瞬态温升快速计算方法

为了改善当前油浸式电力变压器绕组瞬态温升计算过慢的问题,该文结合动态模态分解法和自适应变步长法提出了一种动态模态分解(DMD)-自适应变步长(ATS)快速计算方法。首先,该方法引入了动态模态分解算法,利用动态系统中前若干时步提取得到的变化特征,近似拟合其后一段时间内的系统变化,并通过选取主模态降低计算时间。其次,为了提高DMD算法性能,进一步提出结合ATS方法,通过自适应调整计算步长,提高瞬态计算效率;为了验证算法的计算精度和效率,建立了八分区分匝绕组数值传热模型并在此基础上将该文所提算法与仿真软件Fluent的计算结果进行对比,结果表明,在计算精度方面,二者结果几乎一致,计算误差最大不超过0.3 K;对于计算效率,该文算法的总计算时间为5.99 s,仅为Fluent总计算时间的1/89,且算法时间步数仅为Fluent的4.7%。最后,为了验证DMD-ATS算法的工程实用性,基于产品级油浸式电力变压器绕组结构搭建温升实验平台,并将所提算法计算结果与实验结果进行对比,结果表明所提算法在各测量线饼的误差均处在可接受的范围内,最大误差仅为4.57 K,且包含预处理时间在内的计算时间仅为69.14 s,计算时步仅需17步,较当前主流的计算方法效率有明显提高。综合算法的精度和效率,充分说明所提算法具有一定工程价值。

自适应精简经验Ramanujan分解及其在复合故障诊断中的应用

Ramanujan傅里叶模态分解采用低频向高频扫描的方式获取分量信号,易出现过量分解和信息分散的现象,致使分解分量不具有单一完整的状态信息.为了解决上述问题,论文提出了一种自适应精简经验Ramanujan分解(Adaptive Concise Empirical Ramanujan Decomposition,ACERD)方法.在ACERD方法中,采用功率谱密度获取分割频带,旨在进行准确的频带划分.同时,利用Ramanujan傅里叶变换提取每个分割频带所对应的模式分量,提高周期分量的识别能力,并获得具有单一周期特征信息的模式分量.通过复合故障仿真信号和实测信号分析,结果表明:ACERD方法具有优异的频带分割和周期脉冲特征提取能力,适用于复合故障诊断.

面向无人机海上侦察任务的自适应粒度分解策略研究

无人机海上侦察作战任务自动规划的前提是任务分解,分解策略的通用性和分解粒度的合理性直接影响任务规划的速度和实际效果。对无人机海上侦察任务具有随机性强、复杂度高、动态性明显等特点,提出了一种基于军事领域知识库的无人机海上侦察任务自适应粒度分解策略,构建了无人机海上侦察领域知识图谱和自适应粒度任务分解模型,并以海上编队护航背景下的无人机侦察任务为例,实施了任务分解策略验证,结果表明分解策略较传统任务分解方法具有更佳的稳定性和适应性。

采用变分模态分解与领域自适应的表面肌电信号手势识别

针对传统机器学习在表面肌电信号手势识别领域的适应性和准确性不足,以及新用户因个体生理和行为差异在已有模型上表现不佳的问题,提出一种利用卷积神经网络模型并有效克服肌电数据分布差异的算法,用于提升手势识别的性能。首先对肌电信号进行变分模态分解,构建易于识别的表面肌电图像,并提出了一种卷积神经网络模型进行手势识别,提升用户相关的肌电信号手势识别准确率;同时利用迁移学习中的领域自适应和模型微调技术,提升用户无关的肌电信号手势识别准确率,并将所提算法在NinaPro DB1肌电数据集中进行了3分类、4分类、5分类和12分类共4组评估验证。结果表明:在4组评估验证中,用户相关的肌电信号手势识别平均准确率分别达到了99.28%、99.30%、98.39%和93.40%,用户无关的肌电信号手势识别平均准确率分别达到了94.05%、92.60%、88.38%和70.03%,表明本文提出的算法在表面肌电信号手势识别中具有良好的效果,为实现人机交互中的普适性的肌电设备开发提供了一种可行的方案。

两级自适应调频模式分解-同步提取变换的故障诊断方法

同步提取变换(Synchroextracting Transform,SET)处理强干扰信号分量时缺乏自适应性而易发生频率模糊,导致难以精确提取快速波动的瞬时频率。针对此问题,结合自适应调频模式分解(Adaptive Chirp Mode Decomposition,ACMD)的自适应先验信息和贪婪算法的优势,将ACMD引入到SET中,构造一种两级ACMD-SET故障诊断方法。在提出的方法中,将基于基尼指数(Gini Index,GI)最大化准则的分量选择重组算法和第一级ACMD结合,提取出强干扰下的多模态故障脉冲信号的模式。然后,利用SET对第二级ACMD分离出的时变频率故障特征进行高精度的时频表示。将此方法应用到仿真调频-调幅信号中,得到高分辨率的故障特征,方法的有效性得到验证。最后,将所提方法应用于航空发动机高速滚动轴承的振动信号分析中,结果表明,所提方法能有效地提取高速滚动轴承振动信号的时变故障特征频率,其结果明显优于SET方法。

张量分解和自适应图全变分的高光谱图像去噪

高光谱图像在采集过程中受到观测条件、成像仪材料属性、传输条件等客观因素的影响,不可避免地会引入各种噪声。这严重降低了高光谱图像的质量以及限制了后续处理的精度。因此,高光谱图像去噪是一个极其重要的预处理步骤。针对高光谱图像去噪问题,提出了低秩张量分解和自适应图全变分的高光谱图像去噪算法。首先,利用低秩张量分解来描述高光谱图像的全局空间和光谱相关性,并使用自适应权重图全变分来刻画高光谱图像空间维度上的分段平滑特性和保留高光谱图像的边缘信息;此外,采用l1-范数、Frobenius-范数分别刻画包括条纹噪声、脉冲噪声、死线噪声在内的稀疏噪声和高斯噪声。由此高光谱图像去噪问题归结为一个包含低秩张量分解和自适应图全变分的约束优化问题。利用增广拉格朗日乘子法对该优化问题进行交替求解。实验结果表明,所提出的高光谱图像去噪算法与现有的算法相比,能够充分刻画高光谱图像数据的内在结构特性,具有更好的去噪性能。

基于自适应变分模态分解的齿轮箱故障诊断

针对航空齿轮箱故障诊断中采集到的振动信号包含复杂噪声干扰和冗余成分的问题,提出了基于自适应变分模态分解的齿轮箱故障诊断方法。利用综合评价指标完成变分模态分解(VMD)中分解层数K值的自适应选取,通过设置相关系数和能量熵的阈值,筛选同时大于阈值的分量作为包含主要能量且与原信号更加相似的分量进行重构,实现信号的降噪和特征增强。利用结合精细复合多尺度散布熵(RCMDE)对降噪后的信号进行特征提取,充分提取反映振动信号不同时间尺度复杂程度的非线性特征组成特征向量。使用粒子群算法(PSO)优化的核极限学习机(KELM)对所提取的特征进行识别。通过实验验证,该模型10次测试的平均准确率可达95.04%。与其他特征提取和模式识别方法进行对比,所提方法具有更高的诊断准确率,为航空齿轮箱的故障诊断提供了新的方法。

融合自适应滑动集合经验模态分解的机器学习月径流预测方法

为提高月径流预测精度,解决传统分解集成径流预测方法提前引入“未来信息”在实际工程中无法实现的问题,提出了一种基于自适应滑动集合经验模态分解(ASEEMD)、秃鹰搜索(BES)算法和极限学习机(ELM)耦合的月径流预测模型(ASEEMD-BES-ELM)。并以玛纳斯河1957~2014年的月径流序列为例,首先,利用ASEEMD对原始月径流序列自适应分解,得到若干子序列;其次,将各子序列分别输入到结合BES算法和网格搜索优化后的ELM模型中预测;最后,累加各子序列预测结果,得到最终月径流预测值。与ELM^(*)、BES-LEM^(*)、BES-ELM、EEMD-BES-ELM(传统“捆绑分解”)模型对比结果表明,ASEEMD-BES-ELM模型的纳什效率系数为0.971、平均绝对误差为5.173m^(3)/s、均方根误差为8.282m^(3)/s、平均绝对百分比误差为16.033%,在符合实际应用中预测精度最高。结果可为干旱区月径流预测研究提供参考。

基于正余弦分解的两分段自适应非局部均值滤波方法

为解决包裹相位图中存留的散斑噪声问题,文中提出了一种基于正余弦分解的两分段自适应非局部均值滤波方法。该方法通过两次改进衰减参数的大小和相似性度量的方式实现了算法的自适应化。利用该方法对包裹相位图的正余弦分量去噪,去噪后利用反正切运算获取干净的包裹相位,对该相位进行解包裹运算。实验和仿真结果表明,所提方法既有效去除了包裹相位图中的噪声,也保留了相位图中的边缘信息。相比于分别使用SCA(Sine Cosine Algorithm)方法和BM3D(Block-Matching and 3D filtering)方法,通过所提方法去噪后的图像等效视数(Equivalent Number of Looks,ENL)最大,散斑抑制指数(Speckle Suppression Index,SSI)最小,且均方误差提升了约两倍,说明所提方法有效去除了包裹相位中的噪声,提高了相位解包裹的精度。

一种添加部分自适应噪声的集成经验模态分解方法

为了解决集成经验模态分解(EEMD)及其改进形式中普遍存在的噪声量和计算量需求大的问题,统计分析了白噪声内涵模态函数(IMF)的极值点和能量变化规律,总结出白噪声IMF极值点数随长度和阶数变化的经验公式。发现白噪声的高阶IMF不能有效调整信号的极值点分布,提出添加部分自适应噪声的集成经验模态分解(EEMDPAN)。相比于自适应噪声完全集成经验模态分解(CEEMDAN),EEMDPAN有2点改进:不使用全部独立的自适应噪声,而使用成对相加为0的互补自适应噪声;不添加全部阶的自适应噪声,而是在中间的某一阶停止,而后使用经典EMD方法。对2个人工信号进行分解,实验证明,EEMDPAN很好地继承了EEMD抑制模态混叠的能力,相比于CEEMDAN,计算量降低至1/3,并且分解结果的低阶成分信号附加噪声更小,高阶成分信号可信度更高。

基于自适应变分模态分解的组合模型风电功率预测

风电机组出力的高波动与随机性,影响电力系统安全稳定运行与风电预测精度,针对此提出结合风电功率波动特性研究的风电功率预测方法。首先从时间与机组规模尺度分析风电功率波动特性,并指导选取合适的风电数据用于风电功率预测;然后建立基于最小二乘支持向量机的风电机组短期功率预测模型,采用自适应变分模态分解实现风电数据分频,并采用改进粒子群优化最小二乘支持向量机模型中影响回归预测的模型参数。实验结果表明,预测模型自适应性较强,通过预测误差评价指标,可证明预测方法的有效性。

基于自适应时序分解筛选的大坝变形预测模型

高精度的大坝变形分析和预测是掌握大坝工作性态、诊断大坝异常的重要手段。针对现有模型信息特征挖掘不充分、泛化能力弱、难以实现精准预测等问题,采用灰狼算法优化自适应噪声完备经验模态分解解决多维参数标定问题,使用阈值评价指标保留变形时序数据的有效信息特征;引入交叉验证的递归特征选择法通过多个学习器综合筛选出最优因子集,移除冗余特征、提取有效信息并增强模型可解释性;考虑时序数据特性优化双向长短期记忆神经网络时间窗步数,结合大坝变形数据降噪、最优特征因子输入等多种方法,构建大坝变形预测模型。以实际工程为例,结合多种预测模型进行对比分析,结果表明该模型具备挖掘非线性信息能力,预测性能得到改善,可为大坝安全监测提供参考。