基于非平稳系统辨识的心音包络自适应分割

为实现心音信号的有效分割,提出一种基于非平稳系统辨识的心音信号特征包络自适应分割方法。根据非平稳系统辨识原理,提取心音信号特征包络并对包络作平滑与展宽处理。基于重尺度小波降噪信噪比与特征包络均值参数,创建自适应阈值函数进行心音信号分割,同时利用包络与时域特征剔除因噪音及杂音引起的错误分割点。实验结果表明,该方法能够有效提取基础心音信号特征,分割精度达到89.21%,相比维奥拉积分包络分割法、改进型希尔伯特-黄变换包络双阈值分割法等对比方法分割精度更高、实时性更强。

利用慢特征分析法提取二维非平稳系统中的外强迫特征

慢特征分析法(Slow Feature Analysis,SFA)是一个从快变的信号中提取慢变特征的有效方法,它的提出丰富了人们对非平稳系统外强迫特征的重建手段。本文以Henon映射为基础,构造二维非平稳系统模型,尝试SFA方法在二维复杂非平稳系统中重建外强迫特征的能力。试验表明,SFA方法能够较好地从单时变参数Henon映射中提取出外强迫信号;通过结合小波变换技术,可以还原双时变参数Henon映射中的外强迫信号。另外,本文利用SFA方法重建了北京市气温的外强迫信号,分析其外强迫信号的尺度特征及其可能的物理机制。这些工作将为气候系统驱动力的研究提供新的思路。

非平稳随机系统动态贝叶斯结构学习关系网

针对基于图模型自主控制中环境感知问题,提出了连续变量非平稳系统变结构动态贝叶斯网络(DBN)的结构学习模型;讨论了平稳系统常结构DBN学习模型。以上述结论为基础,提出了模糊自适应尺度法用于非平稳系统变结构DBN结构学习,依据非平稳程度函数rb、调节系数m及区间长度Δt模糊推理出步长系数k和窗口系数b,依据具体框架得到变结构DBN,给出了连续变量非平稳系统变结构DBN学习的模型框架和具体算法。仿真结果表明:提出的结构学习框架是可行的。

一种新型的非平稳随机系统参数辨识算法

本文针对带输入端慢时变干扰非平稳动态系统，基于理论推导提出新型的两步最小二乘算法（ＴＳ－ＬＳ），并对算法性质进行了详细的理论分析。数值仿真结果表明该算法的有效性和算法的一些重要性质。

非平稳随机系统两步最小二乘算法研究

本文针对输入端具有慢时变干扰的非平稳动态系统，通过理论推导，提出一种新型的两步最小二乘算法（TS-LS），并说明TS-LS是增广矩阵方法的一个特例．仿真结果表明了增广矩阵方法的可行性．

基于共享参数模型的非平稳信号分析系统研制

研究了共享参数模型的软件体系结构,设计了非平稳信号分析系统的总体框架,实现了系统模块的统一构架和仪器界面,采用面向对象的编程技术以及VC开发工具,成功开发了面向机械故障特征提取的非平稳信号分析系统,为故障特征提取提供了一个有效的分析工具,并通过实际应用验证了该系统的实用性。

非平稳随机系统的建模与预测控制

本文研究均值方差等概率特征为时变的非稳态非高斯离散随机系统的建模与预测控制.状态空间模型可以用于对该类系统建模,但需要使用Kalman滤波进行参数估计.然而,状态空间模型的未知参数的个数将随着时间单调增加.为解决这一问题,本文提出广义时间序列(GTS)模型用于非稳态随机系统的建模.GTS实际上是一种可以预测时变概率分布的参数模型.而且,GTS不受高斯分布假设制约.基于GTS模型,提出了利用广义预测控制(GPC)算法进行预测控制.最后,将利用服从t-分布的仿真数据说明GTS建模和预测控制的可行性和有效性.

非平稳灰色动态系统预测的一个新方法

提出了非平稳灰色系统建模的一个新方法──二阶段灰色预测校正法，给出了该方法在沂南县农业经济系统建模预测中的应用．计算实例以及与灰色系统中的其它方法比较表明，该方法是非平稳灰色系统预测的一种有效方法．

高耸柔性建筑结构非平稳非线性动力方程统计线性化分析的等效参数计算

采用统计线性化分析方法，研究了高耸柔性建筑结构在非平稳地震激励下考虑几何非线性效应时等效参数的计算方法，推导了等效参数阵以等效参数向量的有限单元计算表达式，解决了统计线性化分析方法应用于大型复杂结构非线性随机响应分析的关键问题，并采用迭代的计算方法对洛阳电视塔结构的非零均值非平稳时变系统的响应进行了计算。

利用慢特征分析法提取层次结构系统中的外强迫

在大量真实的动力系统中,外部驱动力总是随时间发生变化,正是这种变化导致了非平稳行为的产生.因此,从此类系统的观测数据中提取和分析外强迫(也称驱动力)信号引起了人们越来越多的关注.慢特征分析法(slow feature analysis,SFA)是从非平稳时间序列中提取外强迫信息的一种有效算法.在其基础上利用变参数的Logistic映射产生的非平稳时间序列,通过数值试验进一步讨论了该方法的应用前景,并发展了一些相应的分析技术.试验结果表明,对于模型中包含两个时变驱动力参数的系统,经过一次SFA处理之后,可以进一步利用子波分析技术检索出外强迫信号中的两个参数;对于模型中有两个叠加驱动力层次的三层动力系统,可先通过一次SFA处理,提取出次慢层外强迫信号,对该信号进行二次SFA处理,可提取出最慢层外强迫信号.

基于慢特征分析对连续系统的外强迫提取

外强迫随时间的变化对于非平稳系统的影响十分重要,如何从该系统中重构或提取外强迫信息则成为研究其中动力学特征的关键所在。本文基于慢特征分析方法(Slow Feature Analysis,SFA)以连续系统(改变的Lorenz系统)为参考模型,分别讨论在周期型强迫、减弱的周期型强迫、指数衰减型强迫、伴随指数衰减的周期型强迫等条件下,SFA方法对模型中不同强迫信号的提取能力。结果显示,SFA方法能够提取作用于连续系统中的外强迫信息,其提取效果与外强迫的强度、噪声以及嵌入维数m有关:对于越弱的外强迫或者存在越强的噪声干扰,提取效果越差,提取信号中将出现虚假的高频波动;嵌入维数m的增大能在一定程度上提高外强迫信号的提取效果。试验还表明,作用在单一变量上的外强迫会将其驱动信息嵌入于系统中,因此,可以通过SFA分析方法从其他变量中提取其外强迫信号。

稀疏多小波时变系统辨识及脑电信号时频分析

通过时变参数建模算法对非平稳时变系统的辨识问题进行了研究,并将其应用于脑电(EEG)信号时频特征提取分析。首先,将时变系统参数用具有良好局部逼近能力的多小波基函数进行展开,时变系统建模问题简化为时不变回归模型估计。其次,进一步结合正则化正交最小二乘(ROLS)算法,既降低模型复杂度,又避免模型过拟合问题,从而实现了时变参数的快速准确估计。仿真实例结果表明,与传统递归最小二乘(RLS)算法、经典正交最小二乘(OLS)算法结果相比,所提稀疏多小波建模算法能够更加准确跟踪时变参数的变化。最后,该算法用于运动想象任务下采集的真实EEG信号的时频特征分析,能够有效地得到α节律下高时频分辨率的事件相关去同步(ERD)及事件相关同步(ERS)分析结果,验证了本文算法的应用性。

一个包含外强迫因子的非平稳时间序列的预测方法

气候系统所具有的非平稳性质已经得到越来越多的气象学家的认同.事实上,产生非平稳行为的根本原因在于作用在系统上的外部强迫是随时间而变化的.鉴于此,本文提出了一个新的非线性和非平稳时间序列的预测方法.与以往的某些方法最大的不同在于:在建模过程中,外强迫因子直接参与了预测方程的构建.还利用时变控制参数条件下,Logistic映射和Lorenz方程产生的非平稳时间序列,对上述方法进行了预测试验.初步的试验结果表明,外强迫因子在预测中扮演着与状态变量同等重要的角色,它们的参与可以有效地改善预测精度.