多视角手部肌肉疲劳动作智能识别方法仿真

干扰信号工频和谐波频率噪声会影响动作识别效果,为了提升手部肌肉的识别精度,提出基于肌电信号的多视角手部肌肉疲劳动作识别方法。利用肌电信号采集系统采集手部肌肉疲劳动作肌电信号,利用空域相关滤波算法优化肌电信号,消除干扰信号工频和谐波频率的生理噪声,提升动作识别精度。从时域和频域两个角度出发提取肌电信号特征,并输入支持向量机中,根据支持向量机的分类结果,实现多视角手部肌肉疲劳动作识别。实验结果表明,所提方法识别性能较好、识别精度较高,能够有效提升多视角下手部肌肉疲劳动作识别效果。

同步码字优化降噪的声纳图像多目标检测方法

针对海底侧扫声纳图像分辨率低、噪声污染严重导致水下目标检测不准确的问题,提出一种结合同步码字优化降噪的水下声纳图像目标检测方法。利用同步码字优化对声纳图像中的乘性噪声进行降噪处理,从而使图像中的水下目标物获得更好的视觉与检测效果,同时对声纳图像进行相应的数据集扩充。最后利用适合本文方法的YOLO系列中的YOLOv7对降噪后声纳图像中的目标物体进行检测,并在其特征网络中加入了卷积块注意模块,从而加强对目标的特征提取。仿真结果分析得出,同步码字优化降噪与YOLOv7相结合的目标检测方法,可使目标置信度达到79%,相较于降噪前的目标检测置信度提高16%,对于目标较小的物体,能更好地改善漏检与误检情况。

基于MCKD降噪的工业NMB轴承故障信号处理研究

为了进一步提高工业NMB轴承运行过程中隐藏在内部的故障,设计了一种基于最大相关峭度(MCKD)降噪的轴承滚珠故障信号处理方法,并开展实测测试信号分析。研究结果表明:轴承滚珠信号冲击特征获得显著增强的效果;根据平方包络谱确定滚珠故障特征频率与倍频,准确检测轴承的滚珠故障;设计的MCKD方法可以实现对轴承故障信号的诊断,尤其是针对于包含强噪声的信号,满足强噪声条件下的故障识别要求。该研究适用于其他的轴承的内圈外圈等部件的检测,具有很高的推广价值。

基于ICEEMDAN和IMWPE-LDA-BOA-SVM的齿轮箱损伤识别模型

针对齿轮箱振动信号中的背景噪声过大影响故障特征质量,进而降低故障识别准确率的问题,提出了一种基于改进自适应噪声完备集成经验模态分解(ICEEMDAN)、改进多尺度加权排列熵(IMWPE)、利用线性判别分析(LDA)、蝴蝶优化算法(BOA)优化支持向量机(SVM)的齿轮箱故障诊断方法(ICEEMDAN-IMWPE-LDA-BOA-SVM)。首先,采用ICEEMDAN对齿轮箱振动信号进行了分解,生成了一系列从低频到高频分布的本征模态函数分量;接着,基于相关系数筛选出包含主要故障信息的本征模态函数分量,进行了信号重构,降低了信号的噪声;随后,提出了改进多尺度加权排列熵的非线性动力学指标,并利用其提取了重构信号的故障特征,以构建反映齿轮箱故障特性的故障特征;然后,利用线性判别分析(LDA)对原始故障特征进行了压缩,以构建低维的故障特征向量;最后,采用蝴蝶优化算法(BOA)对支持向量机(SVM)的惩罚系数和核函数参数进行了优化,以构建参数最优的故障分类器,对齿轮箱的故障进行了识别;基于齿轮箱复合故障数据集对ICEEMDAN-IMWPE-BOA-SVM方法进行了实验和对比分析。研究结果表明:该方法能够较为准确地识别齿轮箱的不同故障类型,准确率达到了99.33%,诊断时间只需5.31 s,在多个方面都优于其他对比方法,在齿轮箱的故障诊断中更具有应用潜力。

噪声环境下听觉特征融合的语种识别

针对单一信号特征CFCC与GFCC在低信噪比下识别率不高的问题,提出一种噪声环境下听觉特征融合的语种识别方法。在特征提取前端对含噪语音信号进行端点检测,然后结合谱减法与维纳滤波器对信号进行噪声滤除;再根据人耳听觉频率集中范围采用带通滤波器滤除高频以及低频中噪声,进一步减小噪声对信号特征提取的影响;提取GFCC融入CFCC构成融合特征,再采用主成分分析对融合特征进行降维处理;最后将处理后的融合特征通过频域注意力Fcanet网络模型进行分类识别。实验对比不同特征在不同信噪比下的性能实验表明,融合特征较单一特征语种识别率有显著提升,特别在0 dB信噪比下较单一特征GFCC和CFCC识别准确率分别提升了9.75%和11.08%,具有较强的鲁棒性。

基于SSCF和TSET的滚动轴承冲击故障诊断方法

在对滚动轴承进行故障诊断时,因为噪声等因素的干扰,会导致轴承的冲击故障特征识别困难,针对这一问题,提出了一种基于相似分段协同滤波(SSCF)和时间重排同步特征提取(TSET)的滚动轴承故障诊断方法。首先,利用SSCF对待分析信号划分相似片段,并将其排列成二维阵列,分别用Savitzky-Golay滤波器和多项式拟合算法在X、Y两个方向上进行了滤波处理,再进行了信号的重构,实现了对信号降噪处理的目的;然后,基于同步压缩变换的理论框架,利用TSET进行了群延时估计和时间方向上的时频能量重排,从而获得了清晰集中的冲击特征时频表达;最后,通过计算时频脊线之间的时间间隔确定了故障特征频率,从而实现了对滚动轴承进行故障诊断的目的;同时,对数值仿真信号以及试验台轴承故障数据进行了分析和验证。实验结果表明:经SSCF降噪处理后的相关系数最大,为0.8255,比小波阈值降噪高了0.2504,极大地突出了冲击故障特征;TSET算法的Renyi熵值最低,为11.2861,比SST低了4.3862,获得了能量更加集中的时频表达。研究结果表明:在强噪声环境下对滚动轴承进行故障诊断时,采用基于SSCF和TSET的方法仍具有较高的有效性。

基于小波包变换的滚动轴承故障诊断方法的研究

目前基于小波分析的滚动轴承故障诊断方法的研究已经很多 ,但是这些方法对于强噪声背景下的故障信号特征提取效果并不理想。为此 ,提出了适用于强噪声背景的自相关及互相关小波包消噪滚动轴承故障诊断方法。该方法首次将相关分析和小波包分解结合 :对被测信号进行自相关或互相关处理 ,之后进行小波包阈值消噪处理 ,对消噪最大能量系数进行自相关或互相关处理 ,最后对能量序列进行FFT计算。仿真结果表明 ,该方法极大地增强了对滚动轴承故障诊断的能力 ,在强噪声背景下有效地提取出滚动轴承的故障频率。

气液管道泄漏检测及信号处理技术

多相流管道泄漏检测对保障管道安全运行至关重要,目前我国多相流管道泄漏检测的研究还处于起步阶段,在这方面的研究较少,尚无成熟技术。介绍了目前多相流管道泄漏检测方法的现状,分析了声波法用于泄漏检测的可行性。对近几年泄漏信号检测及故障识别技术进行总结,分别就降噪算法、特征提取方法、矩阵降维算法及工况识别算法进行了详细介绍和对比,介绍各种方法的原理以及目前的研究进展,结合多相流管道泄漏信号的特点对当前的泄漏检测技术在多相流管道泄漏检测中的应用作了总结与展望。

奇异值分解技术在声音信息分离中的应用

针对工程实际中循环非平稳信号信噪比低,因此造成分析和特征提取难的问题,采用奇异值分解技术,对用声传感器采集的声音信号进行分解和重构,提取有用信息,消除噪声,从而提高了声音信号的信噪比,保证了故障的确诊.利用短时傅里叶变换,从时频域提取特征,进一步说明了该方法的有效性.

基于支持向量机的多类数字调制方式自动识别算法

为了解决软件无线电系统中多种调制方式之间切换的问题,提出了一种基于支持向量机的多类数字调制方式识别算法.该算法通过提取有效的特征向量以区分不同的调制方式,并基于支持向量机和判决树分类思想,将特征向量映射到高维空间中加以分类,解决了样本在低维空间中的非线性不可分问题,避免了判决门限的确定,与传统的神经网络方法相比,具有更好的泛化推广能力.仿真结果表明,在具有加性带限高斯噪声的环境下,信噪比大于等于10dB时,识别正确率大于90%.

基于小波变换和邻域特征的多聚焦图像融合算法

提出了一种基于小波变换和邻域特征的多聚焦图像融合算法。该算法首先采用小波变换对源图像进行多尺度分解,得到低频和高频子图像;然后对低频子图像采用基于邻域归一化梯度的方法得到低频融合系数,对高频子图像采用基于邻域方差的方法得到高频融合系数;最后进行小波重构得到融合图像。采用均方根误差、信息熵以及峰值信噪比等评价标准,将该算法与传统融合方法的融合效果进行了比较。实验结果表明,该算法所得融合图像的效果和质量均有明显提高。

自适应冗余第2代小波设计及齿轮箱故障特征提取

针对强噪声背景下齿轮箱故障特征的提取问题,设计了一种提取该类信号时域特征的自适应冗余第2代小波.采用基于数据的优化算法设计每层小波分解的初始预测器和更新器,然后通过对初始预测器和更新器进行插值补零运算,来获得冗余预测器和更新器.第2代小波不需要剖分运算,利用冗余预测器和更新器直接对每层逼近信号进行预测和更新运算,能较好地保留信号的时域特征.采用第2代小波较理想地提取出了齿轮箱发生摩擦故障时的时域调制波形和周期性冲击脉冲,并对得到的细节和逼近信号进一步进行包络解调,从而分离出了故障调制源频率.结果表明,自适应冗余第2代小波对噪声背景下齿轮箱故障特征的提取效果优于其他小波.

局部线性嵌入算法及其在信号处理中的应用

局部线性嵌入算法将高维信息通过变换降到低维数的特征空间中,从而压缩数据突出信号主要特征。该算法很好地弥补了线性降维不能发现数据集非线性结构的不足。本文详细介绍了局部线性嵌入算法的基本原理和运算步骤,并将该方法应用于混有高斯白噪声的ECG信号降噪和混有弱冲击正弦信号的特征提取中。处理结果表明,局部线性嵌入算法不仅可以处理线性信号,还能较好地处理非线性信号,具有较好地工程推广价值。

空间选择性降噪法提取血流超声多普勒信号

医学超声多普勒系统的高通滤波器在消除血管壁搏动带来的回波干扰时,也滤除了低速血流信息。为提取完整的血流超声多普勒信号,提出一种基于空间选择性降噪的方法。根据血管壁超声多普勒信号在小波尺度空间上的相关性,采用空间选择性降噪技术对管壁信号进行初步估计;然后用小波阈值滤波法消除管壁信号中残留的血流信号;最后从混合信号中减去管壁信号得到血流信号。对计算机仿真超声多普勒信号和人体颈总动脉超声多普勒信号应用本方法,实验结果表明:空间选择性降噪法能在较大的管壁／血流功率比范围内提取完整的血流信号,其平均相对误差比高通滤波器的结果降低了约45％。该方法有望成为超声多普勒系统中滤除管壁信号的一种有效方法。

基于SVD-VMD和SVM滚动轴承故障诊断方法

针对故障滚动轴承振动信号中含有干扰信号,难以准确提取出故障信息,提出了一种基于奇异值分解(SVD)、变分模态分解(VMD)、和支持向量机(SVM)的滚动轴承故障诊断方法。首先利用奇异值分解对信号进行处理,根据奇异值峰度差分谱来确定分解后重构矩阵的有效阶数,然后根据该有效阶数重构信号,对重构后的信号进行VMD分解,根据上述有效阶数确定分解的本征模态函数(IMF)分量的个数,从分解后的IMF分量中提取故障特征参数,将其作为支持向量机的输入参数进行故障诊断。最后采用合肥工业大学轴承试验机进行验证,并与直接进VMD分解及基于带通滤波器信号去噪的故障诊断方法进行对比,结果表明该方法能有效识别滚动轴承的故障类型,可用于滚动轴承故障诊断。

奇异值分解结合频率切片小波变换的轴承故障提取方法

针对频率切片小波变换在强背景噪声条件下故障特征识别能力不足的缺点,提出了奇异值分解和频率切片小波变换相结合的故障特征提取方法。首先利用原始信号构造Hankel矩阵,根据奇异值差分谱单边极大值原则确定阶次并进行降噪处理;继而利用频率切片小波对降噪信号进行分析,得到全频带时频图后,对能量集中的时频区域进行细化分析;通过频率切片小波逆变换得到相应的重构信号;最终可以从重构信号的波形图中提取出轴承故障特征频率信息。仿真信号和实测信号分析表明,该方法能够实现滚动轴承运行状态的准确判别,对实际工程应用具有重要意义。

利用近距离目标红外图像的机动检测问题研究

机动检测问题是目标跟踪 (尤其是对近距离目标跟踪 )过程中的一类关键性问题 .传统的机动检测方法一般将目标看做点目标来处理 ,而在能得到目标红外图像的情况下 ,依据红外图像跟踪可以得到更快、更准确的机动检测性能 ,本文提出了一种针对近距离目标红外图像的依据类散度的小波包变换、初始聚类后叠代逼近以及能量最强直线段提取的图像处理方法 ,该方法在较低信噪比情况下依然能够保持较好的目标中心的跟踪精度 。

小波变换在语音信号处理上的应用

利用小波的多分辨率分析,以及其良好的空间域和频率域局部化特点,针对语音信号特征,选取适当的小波算法进行去噪和增强语音,压缩编码,提取语音信号特征等处理。通过Matlab仿真分析,得到增强后的信号图和压缩后的压缩比参数、能量保留参数、零系数比例系数,提取的信号特征。结果表明,基于小波变换的语音信号处理表现出良好的特性。

基于流形学习与隐马尔可夫模型的刀具磨损状况识别

为了提高金属铣削过程中的刀具磨损状态识别的自动化程度与精度,提出了基于局部切空间排列(LTSA)方法与隐Markov模型(HMM)来识别刀具的不同磨损状态的方法。该方法首先利用小波分析技术对铣削过程中的切削进给方向力信号进行处理,构造了高维特征空间。然后使用基于流形学习方法实现了高维特征空间的维数约简。最终利用约简后的低维特征向量训练HMM,从而实现刀具磨损状态的识别。实验结果说明该方法能够有效地识别铣削过程的刀具磨损状态。与未经特征维数约简的识别方法相比,新方法能够提高刀具磨损状态的识别效率与准确率。

加速旋转螺旋桨脉动噪声干扰特性及抑制方法研究

提取船舶螺旋桨的加速度特征,是声纳导引头和智能声引信探测与分类港口水域机动目标的可行途径。首先分析了匀加速旋转螺旋桨的空泡体积脉动辐射噪声、脉动力辐射噪声和连续谱噪声的水声信号特征,给出被动声纳接收信号模型。进而基于该信号模型,分析了在一定条件下提取螺旋桨加速特征时存在的干扰问题,从而提出了基于分数阶Fourier域滤波的干扰抑制算法及相应的螺旋桨加速度提取算法,并给出了算法的实现步骤。最后,通过对水洞试验数据的分析,验证了算法的合理性。