基于小波变换的非平稳随机信号处理

小波分析由于其在信号信息分析与处理中独特的效果而成为国际研究热点 ,至今方兴未艾。将小波变换用于非平稳随机信号分析与处理 ,目前刚刚开始。本文研究了Lemarie Meyer小波函数及其在非平稳随机信号处理中的应用 ,取得了良好效果。

非平稳随机信号的参数模型分析方法

非平稳随机信号的分析与处理是近年来新兴的重要领域。分别从自适应AR谱分析法、可化为平稳随机情况处理的非平稳随机信号的分析方法、时变参数模型法以及基于非参数模型分析的参数模型法等几个方面综述了非平稳随机信号参数模型分析方法的发展现状,评述了这一前沿领域的最新进展。最后指出了这一领域需进一步研究的有关问题。

EMD在非平稳随机信号消除趋势项中的研究与应用

通过研究EMD法的实现过程,在平稳随机信号中加入趋势项,仿真成均值具有趋向性的非平稳随机信号,并用最小二乘法、小波法和EMD法分别进行消除趋势项处理,通过比较消趋后信号和原始信号的均值、方差和相关系数等参考量,提出具有自适应性的EMD法在剔除非平稳随机信号趋势项中的可行性和实用性。

非平稳随机信号的时频分析方法研究

Hilbert-Huang变换(HHT),利用时间序列上下包络的平均值确定"瞬时平衡位置",进而提取固有模态函数。通过实际测试比较STFT、WVD、DGS、HHT等方法。采用HHT算法实现时频信号模态的分解和提取,从DGS时频能量分布图形上可看到对交叉项的抑制,该优点WVD方法不具备。而采用DGS不用像STFT那样受窗函数选择的矛盾困扰,对信号的时频分辨高于STFT。

基于蒙特卡罗方法的非平稳随机信号分析的探索

在对蒙特卡罗方法和随机信号参数模型概念学习的基础上,对非平稳随机信号的时变参数模型的构建进行了探索。通过圆周率计算的实例,说明构建时变参数模型的关键技术在于产生稳定的概率密度函数。

基于MCMC方法的非平稳随机信号分析的探索

在对MCMC方法和随机信号参数模型概念学习的基础上,对非平稳随机信号的时变参数模型的构建进行了探索。通过实例,说明构建时变参数模型的关键技术在于产生稳定的概率密度函数。

自动变速操纵系统稳态工况下非平稳随机信号的故障诊断技术研究

提出了基于信号冗余关系的自动变速操纵系统(ASCS)稳态行驶工况非平稳随机信号多重故障检测和诊断策略。通过分析ASCS非平稳信号特性以及信号之间的冗余关系,提出故障检测和诊断策略设计原则:不可信原则、多故障兼容原则和概率原则,作为故障检测和诊断策略设计的指导思想。同时根据故障诊断结果的准确性和有效性特点将故障诊断结果划分为一级、二级、三级3种类型。通过分析ASCS稳态工况的先验知识,提出非平稳随机信号故障检测和诊断策略,实现发动机转速、变速箱输入轴转速、车速和车辆挡位信号之间单或多重故障诊断的功能。向实车数据中注入不同类型故障来检测故障诊断策略的完整性和正确性,试验结果证实了该方法的有效性和实用性。

激光陀螺漂移的非平稳随机信号建模

利用实测的激光陀螺漂移数据,采用时间序列分析和系统辨识方法对陀螺漂移进行深入的分析.研究内容包括陀螺漂移数据的采集、数据的统计分析与预处理、平稳性检验及相关函数分析、模型形式的选取及模型参数的估计、模型的适用性检验等问题.通过以上的分析和研究,最终建立了激光陀螺漂移的数学模型,为激光陀螺漂移的补偿及为惯性组合导航研究奠定了基础.

非平稳随机信号分析处理方法研究

本文介绍了非平稳随机信号短时傅立叶变换、Gabor变换及小波分析等几种分析处理方法,给出了具体的分析方法及各自的适用范围。

基于最大谱的非平稳随机振动数据分析处理方法研究

目的解决非平稳随机振动环境实测数据无法采用功率谱密度分析方法的问题。方法基于最小均方误差准则,归纳总结FFT和数字滤波两种最大谱分析方法。通过对比两种方法在不同分辨率带宽时计算的优缺点,并分析其误差。对优选出来的最大谱分析方法进行举例验证。结果理论分析和仿真结果均表明基于比例分辨率带宽的FFT最大谱分析方法的误差最小。将FFT最大谱分析方法应用于某型炸弹9个架次自由飞振动数据的处理和环境条件确定中,结果合理有效。结论可用比例分辨率带宽的FFT法分析非平稳随机振动环境实测数据,为基于最大谱制定型号振动环境试验条件提供指导。

非平稳随机循环工况离合器接合优化及跟踪控制

为更好地解决系统参数摄动和外负荷扰动等不确定性因素下离合器接合轨迹可变性及其跟踪偏差带来的接合过程问题,提出了离合器接合轨迹的优化及跟踪控制方法.以装载机V型工况重载后退换挡中离合器接合过程为研究对象,建立冲击度和滑磨功相结合的二次型性能指标泛函,在干扰矩阵有参数化表达的非平稳随机项下,通过构造Hamiltonian函数并依据Pontryagin极大值原理和解析Riccati微分方程,得到时变最优控制律和权重系数调整下的可变扭矩最优轨迹;为提高非线性特性执行机构参数摄动下最优轨迹的跟踪精度,将接合过程品质优化问题转化为轨迹跟踪的单一目标问题,采用指数趋近律滑模控制方法设计的控制器实现了跟踪误差在0.3%以内的精准跟踪,用Lyapunov理论对其进行了稳定性分析.数值仿真结果表明,该控制方法降低了离合器接合冲击度及滑磨功,有助于提高离合器接合过程品质,对解决同类问题具有理论性工程参考价值.

基于小波变换的非平稳信号趋势项剔除方法

分析了空间飞行器遥测信号处理传统趋势项剔除方法的优势和不足,提出了基于小波变换的非平稳信号趋势项剔除方法.这种方法通过滤波器组将信号分解与重构,实现趋向性信号与零均值平稳随机信号的分离.仿真实验表明,该方法简单、高效,适用于非平稳随机信号的处理,是一种实用的趋势项剔除方法.

非平稳随机激励下悬架系统动态频域分布研究

车辆在变速行驶状态下所受路面激励是非平稳随机过程;针对此状态下悬架系统动力学响应在时域和频域分布问题,基于车速参数通过线性时变系统法建立车辆所受路面激励模型。提出"动态频域"概念,建立1/4悬架系统模型。利用精细积分法研究车速变化导致的车身振动响应峰值频带变化特性,揭示非平稳随机激励下系统响应动态频域分布规律。研究可为非平稳随机振动变频域控制与应用提供理论参考,并为提高车辆在复杂行驶工况下的运行品质提供一种新的思路。

一种改进的分段平稳随机过程的参数估计方法

将非平稳随机信号划分为分段平稳随机信号进行处理,为非平稳随机信号的研究提供的一种新的分析方法。为最优地将非平稳随机信号划分为分段平稳随机信号,Djuric等人用 Bayes方法,通过递推多维条件分布概率来估计最优划分参数值,但计算相当复杂。本文在研究 AR模型本身的一些特性的基础上,通过直接递推多维联合分布概率来估计最优划分参数,大大地减少了计算量。

分段平稳随机过程的参数估计方法

P.M.Djuric等人(1992)用贝叶斯法对非平稳随机信号化为分段平稳随机信号的问题作了研究,导出了一个关于分段数、各段自回归(AR)模型阶数和各段之间分界点的优化方程,但未给出具体的解法.由于此方程非常繁琐,故本文对其解法进行了研究,推导出其中一些递归关系,使求解问题变得简化,大大减少了计算量,同时对非平稳随机信号的分段问题作了进一步讨论。

重力应激下非平稳心率变异性的时变自回归谱分析方法

为分析重力应激下非平稳心率变异性（ＨＲＶ）信号，建立了时变自回归模型（ＡＲ）谱估计方法，藉此可得到各项谱指标随时间变化的曲线，以动态地观察、研究不同重力应激作用下心脏自主神经调节的过程。曾利用该方法处理８名被试者有氧锻炼前、后坐位下体负压高频谱成分（ＨＦｎ）逐步降低，以及低、高频谱成分比值（ＬＦ／ＨＦ）逐步升高直至稳定水平的过程；前者反映心迷走撤除，后者反应心交感激活的动态过程。还可以观察到有氧锻炼６个月后ＨＦｎ、ＬＦｎ变化速率加快，ＬＦ／ＨＦ的升高幅度增大的现象。故时变ＡＲ模型谱估计有助于了解重力应激下心自主神经调节的动态过程。

爆破震动信号的时频分析

针对具体的爆破震动信号,基于短时Fourier变换(STFT)、连续小波变换(CWT)、离散小波变换(DWT)和Hilbert-Huang变换(HHT)进行时频分析比较研究。结果表明:STFT使用的窗函数固定,分辨率单一,其分析结果只能大致反映信号能量随时间的变化;小波变换(WT)以小波基为变换基础,具有多分辨率特点,其分析结果较详细地反映了质点震动强度随时间的衰减起伏变化,但小波谱的能量在频率范围内分布较宽;HHT自适应性强、高效,Hilbert能量谱能清晰地表明能量随时频的具体分布,并且大部分能量都集中在有限的能量谱线上。分析认为HHT是一种全新而更优越的分析与处理爆破震动信号的时频方法。

岩石超声波信号的小波时频分析

岩石超声波信号是一种非平稳信号。由于传统的短时Fourier变换(STFT)使用的窗函数固定,分辨率单一,其分析结果只能大致反映信号能量随时间的变化。小波变换(WT)以小波基为变换基础,具有多分辨率特点,其分析结果较详细地反映了质点震动强度随时间的衰减起伏变化。分析认为小波变换是一种更优越的处理岩石声学信号的时频方法。

灰关联分析在脑神经信号分类中的应用研究

脑神经信号属于非平稳随机信号,是一类难以进行分类识别的信号。为改进这类信号的分类效果,提出了将灰关联理论应用于脑神经信号的分类。首先介绍了灰关联理论和方法,在此基础上,建立了脑神经信号灰色模型(Grey Model)——GM(1,1)模型,估计出每一个模型参数a和b,将其中模型参数b作为特征值用于灰关联分析,得到第1次分类结果,然后在认真分析第1次分类结果的基础上,进一步给出二次分类方法。通过二次分类,实现了对脑神经信号的有效分类识别,其分类正确率高达88%。结果表明,将灰关联技术用于非平稳随机信号的分类与识别是可行而有效的,有很好的应用前景。

基于复杂度方法的地震波信号频谱特性分析

研究非平稳加速度时间历程,有时并不需要知道随机变量的全部统计信息,而只需求得随机变量的某些既重要又有代表性的信息。基于兰帕尔-齐夫复杂度理论的符号基概念,由随机信号经粗粒化处理后得到符号序列,然后计算每个符号基的权系数,再将符号基线性叠加得到符号空间。将随机信号的采样数据分为n段再构建一个n行数据矩阵,计算此n行矩阵的符号空间。将该符号空间的系数矩阵进行奇异值分解,所得的奇异值即为频率,数据矩阵对应行的标准差即为相应频率的幅值。算例结果表明,该方法能够获得随机信号的代表性频率信息。对非平稳随机信号不需引入人为假定,可直接对数据进行计算。