基于实测数据的牵引供电系统并联谐波谐振概率识别方法

当前,我国高速铁路电力机车广泛采用脉冲宽度调制的四象限变流器,在其性能改善的同时也带来了频带更宽的高次谐波问题,更易激发牵引供电系统谐波谐振。谐波谐振可能会引起过电压/过电流,严重时引发设备爆炸、保护误动等安全事故。因此,准确识别系统潜在的谐振频率具有重要意义。目前常用的频率扫描分析、谐振模态分析等方法依赖于系统拓扑和模型的精确性,而基于实测数据的传统识别方法的准确性受系统参数波动和背景谐波影响较大。为此,提出了一种基于实测数据的牵引供电系统并联谐振概率识别方法,以电压、电流波形的余弦相似度作为谐振预判条件以减少无效计算,并综合基波/谐波功率因数、系统谐波阻抗幅值等多层次谐振特征进行概率分析,克服了系统参数波动和背景谐波影响。仿真研究、实测数据分析与已有研究方法对比,表明所提方法在负荷波动性强、背景谐波较大时仍然适用,且识别的准确性更高,验证了该方法的有效性和可靠性。

基于MNC-FastICA算法的稳健自适应波束形成

针对导向向量失配的稳健自适应算法主要是基于导向向量不确定集约束,但是其约束参数往往难以确定,提出了基于修正的非圆复值快速不动点算法(MNC-FastICA)的波束形成方法,通过盲分离得到的分离矩阵来构造波束权向量,并对由此产生的信源幅相模糊进行校正。该方法不必预先估计信号来波方向,避免了传统方法中来波方向估计不准引起的期望信号的导向向量失配;对于阵列通道幅相误差导致的导向向量失配,该方法对其不敏感,不必对阵列进行校正。仿真实验与最差性能最佳化(WCPO)等经典方法作了性能对比,结果验证了该算法的有效性和稳健性。

基于去噪复数FastICA和稀疏重构的相干信号欠定DOA估计

针对现有的存在相干信号的DOA估计方法大多数不能用于欠定的情况,即入射信号数超过传感器数的问题,提出了一种复数快速独立成分分析算法(即复数FastICA算法)和稀疏重构算法结合的DOA估计方法。当均匀圆阵传感器数目为M时,该算法最多可以估计M(M-1)入射信号的到达角。针对低信噪比情况下,复数FastICA分离效果差的问题,提出了2种圆信号与非圆信号情况下通用的去噪复数FastICA算法。仿真结果与实测数据结果表明,该算法可以进行欠定情况相干与非相干信号共存的DOA估计,与目前的几种算法相比,所提的DOA估计方法算法具有良好的性能。

一种新的复波恢复方法——FastICA

在进行数字全息重构过程中,常用的方法如衍射和滤波方法都会受到零级项和共轭项的影响,造成对复波的振幅和相位信息的损失,无法有效地恢复复波。提出一种基于快速独立分量分析(Fast Independent Component Analysis,FastICA)的方法来进行复波恢复,通过CCD获取同一物体的3幅干涉全息图来构成观测信号,然后用FastICA从被观测信号中分离出只包含复波振幅和相位的信息,从而有效抑制了零级项。实验结果表明,这种方法可以较好地恢复原复波的振幅和相位,在频谱混叠的情况下,能有效恢复原来复波信号。

支管流致噪声干扰下的复值域EFastICA管道泄漏声定位技术研究

供水管网存在大量分支接头,流体在分支接头的分流作用下产生支管流致噪声,并通过管道与泄漏声信号进行耦合。针对支管流致噪声存在下的供水管道泄漏定位问题。提出一种基于高效快速独立主成分分析(efficient fast independent component analysis,EFastICA)技术的复值域高效快速独立主成分分析(complex efficient fast independent component analysis,C-EFastICA)技术,该算法将时域瞬时线性EFastICA技术的代价函数、约束函数、迭代规则等有效地扩展到复数域,实现对含支管流致噪声的泄漏声信号分解处理。与其他主成分分析(independent component analysis,ICA)类算法固定选择非线性函数不同的是,C-EFastICA根据声信号的广义高斯性特征,自适应地选择非线性函数建立代价函数和迭代学习规则,使得算法对混合信号的分离程度更高。试验结果表明,泄漏信号和支管流致噪声均是超高斯信号,经C-EFastICA分解得到的源泄漏信号对漏点的定位相对误差低于12%,低于传统同类的C-FastICA技术。

基于双树复小波变换的单通道盲源分离算法

单通道盲源分离(SCBSS)技术是在未知任何先验信息的条件下,仅由一路接收信号估计出多路源信号的信号处理方法,目前的SCBSS算法仍没办法完全精确地分离出所有源信号.为了提高部分源信号的分离精度,提出一种基于双树复小波变换(DTCWT)的单通道盲源分离算法.算法先用DTCWT对混合信号进行分解,再由PCA从分解信号中筛选出数目比源信号数目少一个的信号分量,这些分量与混合信号一起构成虚拟的多通道信号,最后用Fast-ICA估计出各个源信号.上述方法极大程度地减少了传统小波分解中的频率混叠问题.实验证明,和基于传统小波分解的单通道盲源分离算法相比,上述算法的分离性能得到了明显的改善.

基于阻尼修正FICA的图像分离算法

独立分量分析算法是一种常用的盲源信号(包括图像信号、音频信号等)分离方法,它的主要任务在于分析混合矩阵及对应的分离矩阵的结构。文章提出了一种阻尼修正的独立分量分析方法,它可以根据迭代过程中梯度函数的收敛情况来动态设置和调整阻尼系数的值,从而保证梯度函数始终能收敛于某一稳定值,并且最终可提取出一组特定的独立分量,同时还具有修正的独立分量分析方法所具有的计算速度快的优点。通过两组混合图像的分离实验,证明该方法具有一定的实用意义。

结合快速独立成分分析算法和卷积神经网络的胎儿心电信号提取与分析方法

胎儿心电信号为胎儿异常情况的早期诊断和干预提供了重要的临床信息,本文提出一种胎儿心电信号提取与分析的新方法。首先,将改进的快速独立成分分析(FastICA)法和奇异值分解(SVD)算法结合,来提取高质量胎儿心电信号并解决波形缺失问题。其次,运用一种新的卷积神经网络(CNN)模型识别胎儿心电信号QRS复合波,并有效解决波形重叠问题。最终,实现胎儿心电信号的高质量提取与胎儿QRS复合波的智能识别。以复杂生理信号研究资源网2013年心脏病学计算挑战赛(PhysioNet2013)数据库资料对本文所提方法进行验证,结果表明该提取算法平均灵敏度与阳性预测值为98.21%和99.52%;QRS复合波识别算法平均灵敏度与阳性预测值为94.14%和95.80%,相较于其他研究成果均有较好的提升。综上,本文提出的算法与模型具有一定的实践意义,今后或可为临床医学决策提供理论依据。