基于矢量振动信号的AR功率谱分析及应用

以矢谱分析为基础,提出了一种针对双通道振动信号的分析方法———矢功率谱分析.从矢谱基础理论出发,证实了转子同一截面上互相垂直的任意两个通道在各频率响应下的能量总和为一定值这一结论,并以此为前提给出矢功率谱分析的表示方法,然后利用参数模型功率谱估计中的AR模型实现了双通道数据集成的AR功率谱估计;因计算过程较为繁琐,提出简化算法,对两个信号的处理可以同步进行,最后用C++Builder5.0编程实现了这一分析方法,并用实际数据验证了其实用性.

基于AR功率谱和STFT的混合调制信号参数估计算法

针对一种新型FSK/PSK混合调制信号的参数估计问题,提出了一种基于AR功率谱与短时傅里叶变换的参数估计算法。该算法能够将信号拆分为独立的Costas信号,进而估计出信号的调制参数。算法无须对信号进行平方预处理,不会降低信号的原有信噪比。仿真结果显示算法运算量小,参数估计精度高,接近克拉美-罗下限。

基于AR功率谱分析的砌块成型机振动特征研究

引入AR功率谱研究液压马达驱动机械偏心和差动液压缸两种激振模式砌块成型机的振动特征,探讨砌块成型机工作参数优化的新方法。实验中,采集系统振动加速度信号,建立基于时间序列的AR功率模型,并比较分析不同工作参数下的AR功率谱特征。结果表明:液压马达驱动机械偏心激振模式对压力参数较流量参数敏感;而差动液压缸激振模式对压力和流量参数的敏感程度都高于机械偏心激振模式,由此获得了不同激振模式下的最佳工作参数组。

基于功率谱AR模型估计的序列图像复原算法研究

在分析信号复原过程的基础上,提出基于功率谱 AR 模型估计的序列图像复原算法.对分段信号的功率谱进行估计,在保持图像整体信息良好的前提下,得到幅值谱的补偿滤波器,从而实现序列图像复原。利用所建模型对风洞试验图像进行实验研究,复原图像信噪比得到提高,复原以后的图像误差得到很大程度的减小,恢复效果明显。研究表明,采用功率谱 AR 模型估计的复原方法,可以有效地应用于气动光学效应序列图像复原。

基于双树复小波包和AR谱的滚动轴承复合故障诊断方法

针对滚动轴承复合故障信号中故障特征难以分离的问题,提出了基于双树复小波包和自回归(autoregressive,AR)谱的故障诊断方法.首先,利用双树复小波包变换将复杂的、非平稳的复合故障振动信号分解为若干个不同频带的分量;然后,对包含故障特征的分量进行希尔伯特包络;最后,对包络信号求其AR功率谱,由此实现对复合故障特征信息的分离和故障识别.实验结果表明:该方法可有效地分离轴承复合故障的特征频率,验证了该方法的可行性和有效性.

功率谱在调速阀故障诊断中的性能分析

利用小波包分别提取调速阀振动时的正常信号和故障信号的AR功率谱的特征值,之后利用提取的特征值作为LSSVM的输入,对调速阀的故障进行诊断,取得了良好效果,并与原始信号的效果进行了对比,并阐明了原因。

水平管泡状流压力信号的功率谱特性比较

为比较Welch功率谱、AR功率谱和EV功率谱对气液二相水平管泡状流压力信号的功率谱分析效果,对泡状流压力波动信号进行了分析。将提取的泡状流压力波动信号经小波去噪后,分别进行Welch功率谱、AR功率谱和EV功率谱估计,并分析比较所得3种功率谱密度图。分析表明:Welch、AR和EV功率谱均能正确反映泡状流压力波动信号的功率谱特性,但有性能差别;由幅值、方差和分辨率3个方面的分析总结出对气液二相水平管泡状流压力信号AR功率谱具有最好的功率谱估计效果。

一种基于谱分析的音乐节奏识别算法

为了能够获得音乐节奏信息,在信号能量分析,确定信号能量的起伏之后,采用信号整倍数抽值的方法减少有待分析的数据量,对抽值后的信号数据进行AR模型功率谱估计,从而在频率域寻找出音乐信号的能量起伏周期,确定乐音信号的节奏.

基于高阶谱的战场声目标特征提取

由于高阶谱对于高斯噪声不敏感的特性,在战场噪声环境中,提取被动声目标的双谱、双谱切片和相位耦合特征,通过建立声目标的高斯混合模型(GMM),进行声目标信号的识别。将基于此模型的识别结果与功率谱方法比较。仿真结果证明:基于高阶谱特征提取方法优于AR功率谱特征,该方法在抑制背景干扰中具有优越性。

大型直线振动筛裂纹信号的功率谱分析

以振动筛的下横梁作为损伤结构识别的研究目标,利用计算机软件MatLab对裂纹信号进行了分析。试验证明,用AR模型对裂纹信号进行功率谱估计,可准确提取裂纹的信号特征,以实现对裂纹损伤的自动识别。

基于小波包法与CSSD的P300特征提取方法

针对P300电位信号微弱、抗干扰能力差、识别率低等问题,提出一种小波包变换(wavelet packet transform,WPT)与共空域子空间分解法(spatial subspace decomposition,CSSD)相结合的特征提取方法,即WPCSSD法.首先,对脑电信号进行叠加平均以提高信号的信噪比;其次,使用小波包法对脑电信号进行滤波,并依据P300电位的有效时频信息重构脑电信号;然后,求取其AR模型功率谱,并基于CSSD法构造空间滤波器,获得能体现P300电位时-频-空特征的特征向量;最后,以支持向量机为分类器进行分类.实验结果表明:本方法具有较强的抗干扰能力和自适应能力,在国际BCI竞赛数据集上获得了95.22%的分类正确率,证明了本方法的正确性和有效性.