基于SVD-WPA的模拟电路故障特征提取方法

针对模拟电路中电路元件由于容差带来的故障诊断问题,提出了一种基于奇异值分解(SVD)结合小波包分析的模拟电路故障特征提取方法。首先对待测电路的输出信号进行奇异值分解重构,提高故障信号与无故障信号之间的区分度,然后利用小波包分析(WPA)对重构信号进行两层小波分解重构,得到故障特征。最后将故障特征采用网格搜索法改进的支持向量机中进行分类识别。仿真实验结果表明,奇异值分解结合小波包能量谱所提取的故障特征具有更好的区分度,验证了该方法的有效性和可行性。

多分辨SVD包理论及其在信号处理中的应用

在奇异值分解(singular value decomposition,SVD)中提出了一种矩阵递推构造和分解算法,利用SVD实现了一种类似于小波包的信号分解方式,称之为多分辨SVD包.推导了多分辨SVD包的分解和重构算法,并提出一种用二维数组来存储这种包的三维数据的方法,避免了对内存的浪费.实例结果表明,这种包对信号的微弱变化具有优良的检测能力,其检测结果无幅值和相位失真,并能精确定位微弱变化的位置,这种包也能有效提取复杂信号中的弱故障特征,在这两方面均明显优于小波包的处理结果.

基于SVD和小波包分解的自适应鲁棒水印算法

针对当前水印鲁棒性和透明性矛盾的问题,提出了一种基于奇异值变换(SVD)和小波包分解的自适应鲁棒水印算法,对二值水印图像进行Arnold置乱预处理,以增强水印信息的安全性。在水印嵌入过程中,将原始宿主图像分为8×8子图像块,并对每一子块进行小波包分解。根据人眼视觉特性和图像块自身的亮度以及纹理特征确定最佳量化步长,将水印信息通过量化调制的方法自适应地嵌入至相应高低频区域的奇异值中。实验结果表明,该算法在具有良好透明性的同时,对JPEG压缩、加噪、滤波、几何攻击等常见的攻击方式也有着较强的鲁棒性。

基于WP_SVD降噪的OLTC振动信号特征识别

为对变压器有载分接开关机械故障进行诊断,提出一种结合奇异值分解SVD(singular value decompo-sition)消噪与小波包WP(wavelet packet)消噪的信号特征提取方法。首先对信号进行小波包消噪,然后进行SVD二次消噪,将消噪信号进行经验模态分解EMD(empirical mode decomposition),对得出的各阶固有模态分量进行希尔伯特-黄变换HHT(Hilbert-Huang transform)。数值仿真表明基于WP_SVD降噪的信号特征提取比小波包或SVD单独降噪的信号特征提取方法有效,并成功地将该方法应用到分接开关实际振动信号分析中。

小波包重构系数矩阵与改进SVD的人脸识别

提出了一种采用小波包重构系数矩阵与改进SVD的人脸识别新算法。小波包变换是小波变换的推广,可视为普通小波函数的线性组合,具有灵活的时频分析能力。小波包重构系数矩阵与原始图像矩阵的尺寸相同,具有较高的精度。使用常规Colub-Reish算法的奇异值分解(SVD)所得到的奇异值(SV)按由大到小的顺序重新排列过,无法确定每个SV与输入矩阵列向量的对应关系。改进的SVD方法能够使得奇异值与每个频带的重构系数相对应,进而构造出人脸图像小波包重构系数矩阵的奇异值特征向量,并采用基于方差计算的相似度分类方法识别人脸。实验表明,该方法识别率高、稳定性强。

基于小波包-SVD和IPSO-BP的滚动轴承故障诊断

针对滚动轴承振动信号的非平稳性和非线性特点以及BP神经网络结构参数差等因素导致滚动轴承故障识别准确率低的问题,提出一种基于小波包结合奇异值分解(SVD)和改进粒子群算法(IPSO)优化BP神经网络的滚动轴承故障诊断方法。首先通过小波包对振动信号进行分解与重构,得到不同频段的信号之后利用SVD提出有效的故障特征向量,输入到BP神经网络中进行测试。考虑到BP神经网络结构参数差等因素,使用IPSO对BP神经网络进行优化,最后测试得出结果。对比实验模拟和现场数据验证表明,基于小波包-SVD和IPSO-BP的滚动轴承故障诊断准确度大大提高。

结合形态滤波与多分辨率SVD包的电能质量扰动检测

针对电能质量的扰动检测问题,以电流信号为研究对象,提出结合形态滤波与多分辨率奇异值分解(singular value decomposition,SVD)包的电能质量扰动检测算法。根据形态学滤波器计算特点,采用余弦结构元素,对滤除噪声后的信号构造矩阵进行多分辨率SVD包分解,通过分解后的高频分量特征检测扰动,结合自适应阈值判断是否发生扰动,利用仿真对其进行验证。仿真实验结果表明:该算法相较于普通形态学与SVD方法有更好的抗噪能力,且可实现对扰动信号的快速、准确定位。

Novel Adaptive Beamforming Algorithm Based on Wavelet Packet Transform

An analysis of the received signal of array antennas shows that the received signal has multi-resolution characteristics, and hence the wavelet packet theory can be used to detect the signal. By emplying wavelet packet theory to adaptive beamforming, a wavelet packet transform-based adaptive beamforming algorithm (WP-ABF) is proposed . This WP-ABF algorithm uses wavelet packet transform as the preprocessing, and the wavelet packet transformed signal uses least mean square algorithm to implement the ~adaptive beamforming. White noise can be wiped off under wavelet packet transform according to the different characteristics of signal and white under the wavelet packet transform. Theoretical analysis and simulations demonstrate that the proposed WP-ABF algorithm converges faster than the conventional adaptive beamforming algorithm and the wavelet transform-based beamforming algorithm. Simulation results also reveal that the convergence of the algorithm relates closely to the wavelet base and series; that is, the algorithm convergence gets better with the increasing of series, and for the same series of wavelet base the convergence gets better with the increasing of regularity.

基于小波包与SVD变换的费控卡表交互故障测试装置设计

为了解决电力用户非接触式费控卡表交互故障难以诊断的问题,设计了一种费控卡表交互故障测试装置。该装置在智能电表和购电卡交互状态下,监视并存储射频交互信号,并从中提取射频信号时频域特征值及通信报文信息进行分析,同时为降低射频交互信号噪声,提高时频域特征提取精度及报文解析准确度,采用小波包与SVD结合的方法对采样信号进行降噪处理。测试结果表明,该装置可准确地诊断费控卡表交互故障,切实提升了现场操作人员的故障处理效率。

基于改进延伸奇异值分解包的滚动轴承故障诊断

针对延伸奇异值分解包算法中依靠经验设定参数的问题,提出了一种可自适应设定参数的改进延伸奇异值分解包算法。该方法利用信号的关键函数对其频谱趋势进行估计,以此实现原算法中2个重要参数——分解精度和分解层数的自适应设定。引入了时域负熵指标,在实现信号自适应分解的同时,可对分解分量进行降噪处理,提高分量的信噪比,为之后的特征提取和故障诊断奠定基础。仿真信号和实验结果均表明该方法能有效地提取振动信号中的故障特征,实现滚动轴承的故障诊断。

基于奇异值分解和小波包分析的液压泵振动信号特征提取方法

针对液压泵故障特征提取问题,提出了一种基于奇异值分解和小波包变换的液压泵振动信号特征提取方法。通过奇异值分解将噪声非均匀分布的液压泵振动信号正交分解为噪声分布相对均匀的分量,对各分量进行小波包阈值去噪,重构去噪后分量,对去噪后信号进行小波包分解,提取各频带能量特征。以齿轮泵为例,将该方法对齿轮泵的气穴故障、齿轮磨损和侧板磨损3种常见故障和正常状态的振动信号进行特征提取分析,结果表明,该方法可有效提取齿轮泵故障特征。

延伸奇异值分解包及其在高速列车轮对轴承故障诊断中的应用

结合多分辨奇异值分解包的分解结构和对滚动轴承故障信号的Hankel矩阵的奇异值分布特性研究,提出了延伸奇异值分解包。该算法的核心包括矩阵递推构造和矩阵重构。以分量信号能量为指标,提出了有效分量信号的筛选准则,并基于该准则,进一步提出了延伸奇异值分解包的快速算法。仿真结果表明,延伸奇异值分解包对信号中共振频带分量信号具有很好的分解能力,方法具有强鲁棒性,同时极大地改善了奇异值分解包中出现的模态混叠。应用高速列车轮对轴承试验数据对该方法进行试验验证,结果表明,该方法能有效分离高速列车轮对轴承复合故障信号的不同共振频带信号,对筛选的有效分量信号进行包络分析,可有效提取不同类型的故障特征频率及其谐波,对共振频带的聚集性和故障的表征力相比奇异值分解包均有显著提高。

基于提升小波变换和奇异值分解的灰度图像水印算法

结合提升小波和奇异值分解的特点,提出了一种新的基于提升小波变换和奇异值分解的灰度图像水印算法。该算法先对载体图像进行分块,并对每块进行二级提升小波变换,然后对中高频部分继续进行提升小波变换,对选取的频带四重使用奇异值分解和再次分块的方法构造矩阵,将SVD后提取的奇异值重新分配和组合,最后将灰度水印图像有效地嵌入到多次组合后的矩阵中。这不仅能增加嵌入的信息量,提高水印的安全性,而且实现了水印的透明性和鲁棒性之间的最佳平衡。仿真实验表明,该算法不仅具有较好的透明性,而且对常见攻击如:JPEG压缩、叠加噪声、滤波以及各种几何攻击等具有很强的鲁棒性。

NSCT变换和小波包变换相结合的图像隐藏方法

为了更好地解决NSCT域图像隐藏不可见性和鲁棒性之间的矛盾,提出了一种基于NSCT变换和小波包变换相结合的可见光图像隐藏方法,利用NSCT变换将载体图像分解为低频子带和一组高频子带,对低频子带进行二级小波包分解,通过奇异值变换将秘密图像重要位平面信息隐藏在小波包分解低频子带中,次要信息自适应隐藏在NSCT高频子带中。实验表明,在同等嵌入容量下,算法峰值信噪比大于50dB,对几何攻击和滤波等干扰处理后,秘密图像的归一化系数仍接近于1。

基于奇异值分解和灰靶决策的车刀磨损状态判别

针对随机噪声干扰车刀磨损振动信号时域特征提取,车刀磨损判别精度不高的问题,提出一种通过小波包变换和相关系数法提取车刀振动信号的磨损时域特征,采用奇异值分解对磨损时域特征进行去噪处理,去噪处理后获取磨损时域特征。选取与车刀磨损最相关的磨损特征作为参考特征序列,计算参考特征序列与其余磨损特征序列之间的相似关联度,对相似关联度归一化处理得到各磨损时域特征的权值,使用灰靶决策计算各磨损时域特征的综合测度,确定车刀磨损状态。实验结果表明:该方法可以有效地滤除随机噪声干扰。

基于小波包字典优化的旋转机械振动信号压缩感知重构方法

采用工业无线传感器网络的机械状态监测系统需要进行复杂的数据压缩和高精度的重构,而传感器网络节点资源受限,针对这一问题提出基于小波包字典优化的旋转机械振动信号压缩感知重构方法。该方法结合小波包多分辨率分析及K-SVD字典训练方法,提出了小波包字典优化方法代替传统的正交基字典稀疏表示方法,提高稀疏度。根据旋转机械振动信号自身特征,提出用块稀疏贝叶斯学习最大期望值算法,代替传统仅依赖于稀疏假设的算法实现信号重构。实际轴承振动信号仿真结果表明,该方法相对于传统的压缩感知方法重构性能明显提高。

基于小波包能量谱和BP神经网络的转子系统扭矩激励识别

建立转子系统的扭矩激励与其电机电流耦合仿真模型,研究不同性质(阶跃、线性、暂态、正弦)扭矩激励下电机电流频谱特性,运用奇异值分解法剔除电流信号的工频成分,将除去工频成分后的不同性质扭矩激励下电机电流信号进行三层小波包分解生成能量谱特征向量,并设计优良性能的BP神经网络,将得到的电流信号的特征向量以及需要识别的扭矩激励类型输入BP神经网络训练,经试验数据验证表明:利用小波包能量谱和神经网络对转子系统电机电流分析可以实现转子系统扭矩激励的识别。

基于四重奇异值分解的小波包数字图像水印算法

结合奇异值分解和小波包分解的特点,提出了一种基于四重奇异值分解的小波包数字图像水印算法.该算法先对载体图像进行分块,然后对每块二级小波包分解后的频带四重使用奇异值分解和再次分块的方法构造矩阵,将SVD后提取的奇异值重新分配和组合,最后将灰度水印图像有效地嵌入到多次组合后的矩阵中.这不仅能增加嵌入的信息量,而且极大地提高了水印的安全性,实现了水印的透明性和鲁棒性之间的最佳平衡.

基于奇异值分解和小波包分解的故障检测

根据真空泵在故障和正常模式下工作时,其振动信号在频域的能量分布的差异性,设计基于奇异值分解(SVD)和小波包分解(WPD)的真空泵故障检测方法。首先用SVD对采集到的信号进行去噪,再使用小波包对去噪后的信号进行分解,对分解得到的各层系数进行重构并提取需要的各频域段的能量。将提取的能量向量作为支持向量机(SVM)的输入样本,对SVM进行训练。最后使用实验数据对SVM的可靠性进行验证。实验结果表明,采用SVD和WPD结合的方法能较好地识别出真空泵的故障。

基于信源估计和频域反卷积的滚动轴承故障特征分离与辨识

针对轴承故障的振动特征由于受到强振源的抑制作用而增加了故障分离与辨识难度的问题,建立了基于信源估计和频域反卷积的故障诊断方法。利用小波包分解将信号分离成多个子带信号,并和奇异值分解相结合,解决欠定条件下的信号源数估计问题;根据估计的源数,选取相应维数的观测信号,通过短时傅里叶变换、复数域独立分量分析、相关排序、短时傅里叶逆变换,完成频域反卷积的分析过程,实现故障特征的分离与提取。仿真信号和实验数据均验证了该方法在故障特征分离与微弱特征辨识中的有效性。