希尔伯特-黄变换方法的改进

希尔伯特-黄变换(Hilbert-Huang Transform,简称HHT)方法是一种自适应性信号处理方法,在处理非线性、非稳态信号方面有很大优势。但HHT分解复杂信号时存在求解结果精确不高、计算时间长等不足。针对HHT的边端效应、越界问题、停止准则和虚假低频成分过滤等问题,文章提出了相应的改进方法。为有效抑制边端效应,人为定义两个极值点,然后连接相邻极值点形成直线后平行延拓。利用信号与包络线的极限差值多次拟合包络线,初步解决了越界问题。根据虚假成分与原始信号的相关系数远小于真实信号与原始信号的相关系数,成功过滤掉虚假成分。数值算例的结果表明了所提方法的有效性。

基于滤波机理改进的EMD及其在轴承故障诊断中的应用

深入阐述了经验模态分解(EMD)算法的过程,从滤波原理的角度论证了其全局低通滤波,挖掘出了同阶IMF迭代中的高通滤波特性,揭示了EMD的机理以及均值包络影响其分解效果的内在原因。为避免包络拟合带来的过冲或欠冲问题,提出了基于理性三次Hermite插值的EMD算法,并将该算法应用于轴承数据处理中。结果表明,所提算法提高了信号分解的有效性,从Hilbert边际谱线中准确提取了故障相关频率,具有较高的工程实用价值。

一种基于改进EMD的风机振动信号异常检测方法

针对基于Empirical Mode Decomposition(EMD)的风机振动信号异常检测中噪声污染、CSI拟合包络线导致的过冲问题,端点效应引发的端点飞翼现象三点问题,提出了一种改进的EMD算法.该算法首先引进小波方法对原始数据进行降噪处理,再用边界特征尺度匹配方法对原始信号两端进行端点延拓处理,降低端点效应,同时结合3次Hermite插值拟合法的良好柔性来拟合包络线,以获得均值曲线.实验表明,利用该改进的EMD方法得到矿井风机振动边际谱,能清晰地得出风机振动信号特性,消除了过冲的影响,对端点效应也有了明显改善,提高了风机异常检测的准确率.

深度学习中的预条件动量梯度算法

结合“比例积分微分”优化控制器(Proportional-Integral-Derivative Controller,PID)与拟牛顿方法,提出一种加速神经网络训练的一类预条件动量梯度算法。首先,采用拟牛顿条件产生预条件因子,然后,在迭代过程中与动量方法相结合,提高算法效率的同时,克服原始动量梯度算法的超调问题,并证明了算法在目标函数强凸时的全局收敛性。最后,通过数值实验验证了算法的有效性。