基于EEMD和自相关函数特性的自适应降噪方法

在机械设备早期故障中,反映故障特征的冲击信号非常微弱,容易被噪声淹没,使得故障诊断有一定难度。集合经验模式分解方法将含噪信号分解为多个固有模式分量,其中包括噪声分量和有用信号分量。根据两者自相关函数特性的不同,提出了利用能量集中比找到噪声分量分界点的自适应降噪方法,并利用改进的软阈值方法拾取噪声分量中的高频有用信号。对不同频率的含噪信号进行降噪处理,结果表明,该方法对中低频信号的降噪具有很好的效果。故障轴承振动信号的降噪效果表明该方法的实用性。

G-KSVD字典及其在滚动轴承故障信号稀疏表示中的应用

针对传统学习字典中缺少原子相干性分析的问题和最优原子选择问题,提出了一种基于有效奇异分量的G-K奇异值分解(G-KSVD)字典学习方法。基于信号相干性提出自相关函数脉冲能量比(ACFPER),并以此为指标对奇异分量进行筛选,实现信号的降噪,利用包含故障信息较多的分量对字典原子进行更新和系数求解,从而达到增强信号中冲击成分的目的,并通过减少反馈层来降低时间成本。利用仿真信号和实际轴承信号对所提方法进行有效性及重复性的验证,结果表明,G-KSVD算法在有效区间内具有良好的去噪效果和较低的时间成本。

文本文件的语音识别中汉语音节的特征分析

汉语语音识别中连续大词汇量的语音识别率较差。若能把连续大词汇量的语音进行实时自动切分为单个音节,便可提高系统的识别率。如何做到对语音识别中音节的自动切分,首先需找出汉语语音音节的特征。本文综合了当前对汉语音节特征的研究成果,通过深入地比较分析,系统地给出了汉语语音音节的功率谱特征和时域特征,为汉语语音音节的自动切分提供算法依据,对提高连续大词汇量语音的识别率有重要意义。

基于自相关与能量算子增强的滚动轴承微弱故障特征提取

针对滚动轴承(rolling element bearings,REBs)早期故障振动信号冲击成分微弱,受噪声影响故障特征难以提取,提出了基于自相关和Teager能量算子增强的滚动轴承微弱故障特征提取法。利用自相关计算和经验模态分解(empirical mode decomposition,EMD),分别实现轴承振动信号整个频带随机噪声和低频噪声的抑制,突出故障冲击周期。同时,提出基于内禀模态函数(intrinsic mode function,IMF)能量比加权的互相关系数-峭度指标用于筛选最优IMF进行信号重构,强化重构信号中的故障信息。对重构信号作用Teager能量算子(Teager energy operator,TEO),得到故障冲击特征增强的瞬时能量序列,通过功率谱分析提取轴承故障特征频率。内圈故障仿真信号和滚动体故障实测信号分析表明,该方法能够有效抑制轴承振动信号噪声,对早期故障的微弱特征有显著增强作用。

一种低信噪比下语音端点检测的改进算法

端点检测在语音信号的处理与识别过程中占据着极为重要的位置。为了解决其在低信噪比环境下检测准确率低的难题,提出一种改进的语音端点检测方法。该方法首先使用Boll的改进谱减法对带噪语音降噪,然后求出降噪后每帧语音的对数能量与自相关函数余弦角值之比,最后把对数能量-自相关夹角余弦比值用作双门限算法的参数,用于语音段起止点位置的判断。经仿真实验验证,与其他传统端点检测算法相比,该算法在低信噪比环境中具有更高的端点检测准确率,对语音信号的后续处理也提供了较大帮助。

用输入数据符号加权减小 MSK 信号的带外功率

由于最小频移键控（ＭＳＫ）信号具有较为理想的功率谱特性，近年来已得到广泛关注。但在某些场合它的带外能量泄漏不能满足实际需要。在此情况下可以对输入数据符号进行加权处理，从而得到一类ＭＳＫ信号，这类ＭＳＫ信号仍为等幅波、相位仍保持连续。本文给出了这类信号功率谱的计算公式以及加权函数和功率谱的关系，并给出实例。

基于传统能零比和自相关函数主副峰结合的端点检测法

端点检测是语音信号处理中的一个非常重要的步骤,其准确度直接影响语音信号处理的速度和效果。传统的端点检测方法可以在高信噪比环境下准确地检测语音端点,但在低信噪比情况下,传统的端点检测特征参数不能充分描述语音信号的特征,导致端点检测效果的下降。为此,本文提出了一种对语音进行改进的多窗谱减法降噪和中值滤波减少低信噪比环境下无话段的起伏后,在结合对数能量、过零率和自相关函数主副峰比值的端点检测方法,实验表明,该方法比传统的端点检测方法具有更好的精度和鲁棒性,在低信噪比环境下取得了良好的端点检测效果。