基于Shanks'信号模型技术的分数阶滤波器设计

本文采用脉冲响应不变法和Shanks'信号模型进行分数阶滤波器的设计。首先选择效果比较好的生成函数,利用采样脉冲的初始值求出其离散的脉冲响应函数,然后基于脉冲响应不变法使用Shanks信号模型方法将分数阶微积分运算转换到IIR型滤波器运算。最后通过对信号的Matlab仿真验证了本算法的有效性和实用性。

基于改进等效电路模型的直流微电网大信号稳定性分析

对高阶非线性直流微电网进行简化建模是大信号稳定性分析的有效方法。传统简化模型主要关注LC滤波器和线路阻抗等参数,难以分析换流器控制参数的影响,所建立的判据存在难以准确反映直流微电网稳定域的问题。因此,该文提出直流电压下垂控制换流器的具备完整状态变量集的改进等效电路模型,相比于传统简化模型,能更准确地刻画系统低频响应特性。基于混合势理论推导了直流微电网大信号稳定判据及其稳定域,并结合LaSalle不变集定理得到能量指标,以反映系统稳定性变化趋势。建立的稳定判据可指导控制参数优化,且能拓展到多端直流微电网的大信号稳定性分析。在多场景下仿真验证了所提改进等效电路模型和大信号稳定判据的有效性。

智能网联环境下信号交叉口车辆轨迹重构模型

车辆轨迹数据提供了大量的时空交通流信息,可用于各类交通研究.传统车辆轨迹模型多以人工驾驶环境为研究对象,普遍未考虑由常规车(RV)、网联人工驾驶车(CV)以及智能网联车(CAV)组成的混合交通流的影响.为解决该问题,构建智能网联环境下信号交叉口全样本车辆轨迹重构模型.首先,介绍并分析智能网联环境下城市道路交叉口处车辆组成及排队通过情况;然后,构建城市道路混合交通流轨迹数量估计模型,并针对前后车的排队情况提出虚拟车的概念,用于估计不同车辆的交通状态;最后,设计数值仿真实验分析交通流密度和网联车渗透率对模型的影响,并基于NGSIM数据进行实例验证.结果表明:轨迹重构模型的数量误差和位置误差均随着交通流密度和网联车渗透率的增大而减小,如交通流密度由20 veh/km增大至50 veh/km的过程中,模型数量误差和位置误差均呈现下降趋势,且最大误差分别不超过6.88%和8.02 m;与网联人工驾驶车渗透率相比,智能网联车的渗透率对模型结果影响更大.

振动信号模型和散度在诊断滚动轴承故障中的应用

在分析旋转机械滚动轴承振动信号特点的基础上,首先建立轴承振动信号理论模型,并对其进行实验验证,然后计算待诊断样本和各种典型状态下振动信号模型之间的散度值,通过散度值的大小对比可知轴承故障部位和故障程度变化,最后通过对试验台数据和风电场实验样机数据的分析验证了此方法的有效性和实用价值,该诊断方法采用具有一定稳定性的轴承各部位故障特征频率为特征参数,且不需要对原始振动信号进行处理,也不需要大量具有典型故障的信号样本作为基础支撑,这三个特点决定了此诊断方法在实时性和鲁棒性方面的优越性,因此非常适合用于旋转机械滚动轴承的在线监测和自动故障诊断。

配电网负荷预测中信号分解和预测模型组合的双层优化策略

负荷时间序列的波动性和非线性特征的加剧对负荷预测方法提出了更高的要求,而常规组合预测方法针对海量负荷数据存在应用局限性问题。为此,提出了配电网负荷预测中时序分解方法和预测模型组合的双层优化策略。首先针对某一负荷预测数据,在时序信号分解层配置权重,以负荷均方根误差最小寻优各分解方法的权重系数,进而获得各时序信号分解方法的最优组合;在此基础上,在预测模型层进行组合方案寻优,通过配置权重系数以获得各预测模型的最优组合,进一步提升负荷预测的精度。仿真结果表明,所提策略可根据预测对象的特征优化组合各信号分解方法和预测模型,降低了配电网负荷序列的非平稳性对预测精度的影响。

不同模型对MMC-HVDC系统大信号稳定性分析准确性影响的对比研究

模块化多电平换流器高压直流输电(MMC-HVDC)系统运行中不可避免地遭受大信号扰动,可能导致不稳定现象的发生。基于混合势理论(MPT)对比分析了MMC-HVDC系统3种不同模型下的大信号稳定性。首先,建立了MMC-HVDC系统的全阶模型、降阶模型和等效恒功率负载(CPL)模型,并从理论层面对比分析了三者之间的差异性。利用MPT分别推导了基于3种模型的MMC-HVDC系统大信号稳定性判据,对比研究了3种不同模型对大信号稳定性分析结果的影响,并做出了系统在电网电压暂降大扰动下的稳定运行边界。最后,通过Matlab/Simulink时域仿真验证了理论分析的正确性。

基于模型熵处理的泥浆脉冲信号去噪方法研究

泥浆正脉冲传输技术在石油钻探中应用非常广泛,但泥浆正脉冲信号包含大量噪声,其中泵噪声为主要噪声来源,不仅时域上完全覆盖有用信号,而且频域上存在频谱混叠。在泵噪声特性的基础上,建立了一种泵噪声状态空间模型(线性时不变模型),引入最大相关熵准则去除泵噪声的野值,利用基于熵处理的标准卡尔曼滤波对泵噪声进行重构和滤波。此外,为实时处理信号的需求,采用随机共振原则滤除泵噪声后的剩余随机噪声。同时,模拟了稳态/非稳态泵噪声状态下几种不同信噪比的含噪泥浆正脉冲信号,分析评价方案的噪声抑制能力。结果表明,该方案能够抑制甚至去除原始信号中的稳态/非稳态泵噪声,可以将信号的信噪比提高约5~24 dB。

机舱环境5G信道传播模型及信号覆盖研究

针对机舱无线通信覆盖不全面、速度慢、不稳定等问题,该文基于射线跟踪方法构建了机舱环境第5代移动通信技术(5th generation mobile communication technology,5G)信道模型,并分析了信号覆盖能力及信道参数特性。首先,利用三角面元对真实的机舱环境进行三维几何重构,以降低射线跟踪方法获取信道参数的复杂度;然后,结合分簇算法构建5G信道传播模型,进而分析了机舱环境下5G信号覆盖和通信性能。仿真分析结果表明,簇功率偏移和簇时延偏移服从高斯分布,簇到达方位角和簇到达俯仰角偏移服从拉普拉斯分布,同时发现,机舱环境中的密集散射体是影响5G信号覆盖范围的关键因素。上述结论可用于机舱环境5G基站的无线通信信号覆盖预测和多径参数评估等领域。

超分子水杨酸对兔耳痤疮模型p38MAPK/NF-κB信号通路的影响

目的:探究超分子水杨酸对兔耳痤疮模型p38MAPK/NF-κB信号通路的影响机制。方法:将30只实验兔随机分成正常对照组、2%超分子水杨酸(Salicylic acid,SA)组、30%SA组、夫西地酸组、模型对照组,每组6只,并予以相应外用药物干预,连续4周,并分别于用药2周后、用药4周后检测p38MAPK、NF-κB、IL-1β、IL-8蛋白的表达。结果:结果显示,随着用药时间的延长,各组的p38MAPK、NF-κB、IL-1β、IL-8均呈下降趋势。用药前,各组间p38MAPK、NF-κB、IL-1β、IL-8蛋白表达均差异无统计学意义(P>0.05)。用药2周后,2%SA组、30%SA组、夫西地酸组p38MAPK、NF-κB、IL-1β、IL-8低于模型对照组(P<0.001);三个用药组之间p38MAPK、NF-κB、IL-1β两两比较差异无统计学意义(P>0.05);2%SA组IL-8低于30%SA组、夫西地酸组(均P<0.05);30%SA组与夫西地酸组IL-8差异无统计学意义(P>0.05)。用药4周后,三个用药组p38MAPK、NF-κB、IL-1β、IL-8低于模型对照组(P<0.05);2%SA组、30%SA组p38MAPK、NF-κB、IL-8低于夫西地酸组(P<0.05),2%SA组IL-8低于30%SA组(P<0.05);2%SA组与30%SA组p38MAPK差异无统计学意义(P>0.05);2%SA组、30%SA组与夫西地酸组IL-1β均差异无统计学意义(均P>0.05);2%SA组IL-1β低于30%SA组,差异具有统计学意义(P<0.05)。结论:超分子水杨酸可通过抑制p38MAPK/NF-κB信号通路来发挥抗炎作用,且随着用药时间的延长疗效也在逐渐增加,并优于夫西地酸。

基于信号距离度模型和SVM的变压器绕组变形诊断方法研究

为了解决在使用频响法诊断绕组变形时依赖于人工经验判断误判率较高的问题,实现变压器绕组变形的精准诊断,提出了一种基于信号距离度模型和SVM的变压器绕组变形诊断方法。文中利用信号距离度模型,通过计算分频段互复距离度、互距离度、相关系数,将其作为特征量输入支持向量机进行故障分类。使用遗传算法(GA)对支持向量机进行参数优化。使用Pspice分别模拟了以5%为等级的57份样本和以3%为等级的90份样本,仿真发现,使用分频段互复距离度作为特征来进行绕组变形故障分类的准确率达到96.296 2%和97.222 2%,分类效果明显高于仅考虑幅值特性的互距离度和传统的相关系数。并通过实际变压器形变数据证明了其有效性,为变压器绕组故障诊断提供新思路。

旋转机械故障诊断中的振动信号模型综述

对旋转机械振动信号进行信号处理,能够有效提取特征进行故障诊断。振动信号模型来自旋转机械运动学和动力学机理,以数学形式表达,可以指导信号处理方法的设计。随着故障机理研究和信号处理方法研究的推进,研究人员对信号模型进行了发展,并基于这些信号模型设计了相应的信号处理方法。首先,介绍了一般化的信号模型,包括周期信号模型、循环平稳信号模型、自适应谐波模型、波形函数模型、任意阶谐波模型等,以及对应的信号处理方法;其次,分别介绍定工况和变工况条件下针对轴承和齿轮的典型振动信号模型及对应信号处理方法;最后,对振动信号模型的研究发展进行总结和展望,旨在回顾旋转机械故障诊断所涉及的信号模型,并说明其在信号处理算法设计和故障诊断特征提取中的价值和意义。

弱信号环境下边境安全情报感知模型研究

[目的/意义]在边境安全情报活动所面临弱信号环境中,构建边境安全情报感知模型,解决情报感知工具不足问题。[方法/过程]通过实际调研,分析边境安全情报体系在面对弱信号环境时所存在的感知范围狭窄、感知内容单一、深刻程度和智能化程度不足4方面困境。以系统论和情报感知理论为指导,构建面向弱信号的边境安全情报感知模型。[结果/结论]边境安全弱信号感知模型构建遵守从常态扫描与重点扫描相结合、从“还原事实”到“理解弱信号”、人机交互的原则,主要包括人才、资源、技术三个构成要素,全谱系扫描、信息采集与融合、情景分析、意义构建、刻画表达、持续监测6个步骤。

基于CEEMD的露天深孔爆破振动信号降噪光滑模型

由于爆破区域地形地质条件的复杂、监测仪器的误差、振动传播介质的反射以及磁场的干扰等原因,采集的原始爆破振动信号常常会掺杂大量的噪声,针对此问题提出了基于互补集合经验模态分解(CEEMD)的信号降噪光滑模型。此模型将爆破振动信号进行CEEMD,基于分解所得到的IMF分量建立低通滤波算法。根据滤波算法的相似度与光滑度,构造目标函数并计算最优解,其对应的滤波算法模型即为爆破振动信号的最优降噪光滑模型。通过构造仿真信号验证了降噪光滑模型算法的可行性,并将模型应用了实际露天深孔爆破振动信号的研究。采用信噪比和均方根误差两种指标对比经验模态分解(EMD)方法、小波阈值法、CEEMD-小波阈值法与滤波算法模型BP3的降噪效果,验证了降噪光滑模型在对露天矿山爆破振动信号降噪方面的有效性,并通过频谱分析进一步验证了降噪光滑模型较CEEMD-小波阈值法的优越性。结果表明:基于CEEMD的露天深孔爆破振动信号降噪光滑模型具有良好的降噪能力,能够在保留原始爆破振动信号真实特征信息的前提下对信号进行降噪,且降噪效果优于EMD方法、小波阈值法和CEEMD-小波阈值法。

一种基于小信号模型分析的水电机组参与电网一次调频方法

由于水电机组自身复杂的动态特性,导致高比例水电在参与电网调频过程中易产生超低频振荡,不利于电网安全稳定运行。为此,提出一种基于小信号建模分析的水电机组参与电网调频方法。首先,为体现更贴近实际工作状态的动态特性,基于小信号分析对水电机组参与电网调频进行模型构建;然后,考虑到小信号模型会反映系统诸如超低频振荡等危害的发生特征,进而突出系统的非线性,进行分数阶PID(FOPID)控制器设计调速系统;在此基础上,利用遗传算法以频率偏差最小为目标进行控制器参数优化,以进一步改善控制效果。仿真分析表明,所建水电机组小信号模型能够准确反映水轮机的动态特性,同时性能优越的FOPID控制器能有效地抑制超低频振荡。

基于动态主题模型的需求弱信号识别——以比亚迪新能源汽车为例

[研究目的]竞争的加剧和创新的要求使得产品研发愈加复杂,企业急需在一个动态变化的市场中摸索前行。因此,如何有效识别需求弱信号成为亟待解决和最具挑战性的难题。[研究方法]从顾客端出发,引入并融合新颖度、出现率、支持率以及点击率等评价指标,借鉴Kim等开发的信号组合图作为信号分类体系,提出一种基于动态主题模型的需求弱信号识别方法。以“汽车之家”网站上比亚迪新能源汽车顾客评论为数据源进行实证分析,从需求弱信号识别数量和识别质量两个维度与关键词分析方法进行对比。[研究结论]结果表明,该研究提出的方法具有有效性和可行性,能够准确地识别出需求弱信号,具有更高的灵敏度。

基于扩散模型的心电信号去噪方法

传统和深度学习的去噪技术在处理心电(Electrocardiogram,ECG)信号特定类型的噪声和数据泛化的验证方面存在不足。为此,提出一种基于扩散模型的生成式ECG去噪模型,该模型利用模拟数据学习干净ECG分布的得分函数,基于欧拉法求解常微分方程(ODE)生成和分离出ECG和噪声。该模型在模拟数据上进行了训练,并在独立的真实数据集上进行了验证。研究结果表明,与其他相关方法比较,该模型在去除多样性噪声以及保持ECG中不同振幅特征波形的一致性方面具有显著优势。

基于模型偏差学习的交通信号自适应优化方法

城市交通信号配时优化是保证交通系统整体运行效率的前提条件。传统基于模型的信号控制方法往往基于历史统计数据,并且底层交通流模型不可避免地存在模型偏差,影响控制方案的科学性及其实际应用效果。考虑模型与数据融合驱动,提出一种基于模型偏差学习的交通信号控制自适应优化方法,以最小化路网行程时间为目标,建立信号控制最优化模型。首先,针对交通流预测模型的模型偏差,引入偏差函数表示预测模型与实际交通流状态间的误差;其次,建立基于径向基函数(RBF)神经网络的偏差函数,结合实际交通流数据对模型偏差进行学习,提高偏差函数的拟合效果;在此基础上,提出考虑模型偏差信息的自适应优化方法,以提高信号控制方法的控制性能。以小型测试路网与实际路网为例进行算例分析,基于SUMO仿真对本文提出的模型偏差学习方法进行验证,考虑不同交通流量条件,与固定配时、模型预测控制进行比较,分析其控制性能指标。结果表明,模型与数据融合驱动的信号控制自适应优化方法能有效提高预测模型的准确性,降低路网行程时间,与基于模型的控制和模型预测控制方法相比路网累积行程时间平均减少了38.3%和25.6%,提升了路网的实际运行效果。最后在宣城实际路网的仿真验证了方法的有效性。

基于二分搜索的宽带多普勒模型信号捕获方法

针对深空通信等超高动态低信噪比通信场景中,传统信号捕获方法存在着动态范围不足、精确度不够以及使用窄带多普勒模型导致对接收信号近似精确度不高的问题,提出一种基于二分搜索的接收端采样率调整方法。使用宽带多普勒模型对接收信号进行建模,并使用扫频余弦类信号进行多普勒频偏估计和定时估计,处理多普勒伸缩后的信号与本地信号采样率不匹配的问题。对所提方法进行同步性能仿真,仿真结果表明,所提方法采用正反扫频线性调频(UD-LFM)信号,能在信噪比为-49dB、最大多普勒频偏为2MHz的条件下,多普勒频偏估计误差小于400 Hz,定时估计误差不超过60 ns。相比不使用本文所提方法进行直接捕获,本文所提方法具有更高的捕获精确度以及更低的信噪比门限。

模型误差影响下基于CNN+BiLSTM神经网络的非圆信号目标直接跟踪算法

针对运动观测阵列状态误差与接收频率抖动同时影响下的非圆信号无源跟踪问题,提出了一种基于卷积神经网络(Convolutional Neural Network,CNN)+双向长短时记忆网络(Bi-directional Long Short-Term Memory,BiL⁃STM)的直接跟踪算法.该算法首先利用多运动观测阵列信号各频带间的相关性与辐射源信号的非圆特性,建立模型误差影响下的扩展多站观测矢量;接着利用多个观测时隙内扩展多站观测矢量的信号子空间构造空时特征输入序列;然后设计基于CNN与BiLSTM混合神经网络的直接跟踪模型,通过训练实现对非圆目标的轨迹矢量直接估计.本文算法是从原始数据信号子空间中估计轨迹矢量的直接跟踪模式,相比传统“观测参数估计+滤波轨迹跟踪”的两步估计模式,具有更高的估计精度.由于本文算法在神经网络训练过程中学习到模型误差的信息,因此能够实现对多种误差的校正.仿真结果表明,本文算法较传统两步跟踪算法与现有直接跟踪算法均具有更高的轨迹估计精度,能够明显提升模型误差影响下多站协同跟踪的鲁棒性.

基于改进Stacking模型的铁路信号设备故障率预测

针对单一机器学习模型在预测设备故障率的应用场景中存在误差大、精度低的问题,提出一种基于改进Stacking融合模型对铁路信号设备进行故障率预测的方法。采用XGBoost、LightGBM、CatBoost和逻辑回归方法构建基本Stacking模型,在此基础上引入Prophet时间序列预测模型,将Prophet模型提取的时序特征与基本Stacking模型逐级融合,构建改进后的Stacking-Prophet预测模型。最后以某单位信号设备数据为例,验证预测模型有效性。实验结果表明,相较单一预测模型,Stacking-Prophet预测模型均方根误差(RMSE)平均降低了94.14%,预测精度有较大的提升,对设备运维有一定的参考价值。