万畅[1]2007年在《齿轮箱轴承故障诊断的时频分析方法初步探讨》文中指出机械设备的诊断过程基本上可以分为三个步骤:第一是诊断信息的获取;第二是故障特征提取;第三是状态识别和故障诊断。诊断过程的关键是从动态信号中提取故障特征,信号处理是特征提取最常用的方法。工程中设备运行状态的振动信号存在着大量的非平稳动态信号,从工程中获得的动态信号,它们的平稳性是相对的、局部的,而非平稳性是绝对的、广泛的。时频分析是研究非平稳信号的有力工具。因此,本文探讨时频分析方法在齿轮箱滚动轴承外圈损伤故障诊断中应用,对几种主要的时频分析方法进行了对比研究,总结它们的优点及不足。本文针对基于振动信号分析的齿轮箱轴承外圈损伤故障诊断所存在的问题,探索一套基于时频分析方法的齿轮箱轴承故障诊断理论和方法,提出该类型故障的诊断依据和基于Hilbert-huang变换的新诊断方法。全文结构如下:第一章:介绍课题的来源,目的及意义。综述了设备状态监测和故障诊断现状。阐述了信号分析和时频分析的意义。回顾了非平稳信号的时频分析方法。最后简述了本文的研究内容。第二章:论述了滚动轴承失效形式、滚动轴承振动信号的特点、齿轮箱滚动轴承故障的冲击振动的产生和特点、齿轮箱振动冲击的基本形式;介绍了齿轮箱滚动轴承故障试验系统和参数,并对试验获取的齿轮箱滚动轴承外圈损伤故障振动信号作了幅域统计和傅立叶幅值谱分析,结果表明对特征提取存在明显局限性。第三章:介绍数学预备和时频分析的基本理论。第四章:对短时傅立叶变换(STFT)、小波变换、Winger-Ville分布作了理论上的阐述。通过几种主要的时频分析工具在齿轮箱轴承外圈损伤故障诊断中的应用,分析并归纳了这些时频分析方法的局限性,总结了时频分析的一般性问题。第五章:阐述了瞬时频率的理论,并总结了对瞬时频率的一般性认识。第六章:引入建立在瞬时频率理论基础上的Hilbert-Huang变换(HHT)。详细的论述了HHT的主要依据、基本概念、基本方法、分析步骤、和相关改进算法;阐述了HHT的创新性。改进算法的Hilbert-Huang变换在齿轮箱滚动轴承外圈损伤故障振动信号分析中的应用表明,Hilbert边际谱能有效的提取该类故障振动信号的故障特征。第七章:总结本文的工作和创新点。并指出了Hilbert-Huang变换需要完善和解决的问题。
刘文彬[2]2008年在《旋转机械非平稳信号特征分析仪开发》文中认为旋转机械是最为广泛的一类机械设备,一般为生产企业中的核心设备,如何确保其安全可靠运行,对企业和国民经济具有重大的现实意义。旋转机械故障特征提取是旋转机械故障诊断的核心之一,本文的研究结合云南省自然科学基金资助项目“旋转机械非平稳振动信号特征提取和分析技术研究(批准号.2004E0011Q)”展开,以旋转机械的非平稳振动信号特征提取技术为研究对象,在对旋转机械特征提取方法进行综述的基础上,介绍了旋转机械的典型故障及其振动特征以及非平稳信号处理技术;分析了当前测试仪器对于旋转机械升降速过程等非平稳振动信号分析的不足,将时频分析技术引入了旋转机械特征分析领域。研究中在对Wigner.Ville分布交叉项进行深入研究的基础上,结合基于Gabor变换的时变滤波技术,提出了“基于Gabor重构的Wigner-Ville分布交叉项消除”方法。该方法保留了Wigner-Ville分布具有最好时频分辨率的性质,且分析结果不受交叉项的干扰,将其应用于模拟信号及实测信号的分析均取得了理想的结果。在对角域重采样信号特征提取技术进行深入研究的基础上,结合基于Gabor变换的时变滤波技术、时频分析技术以及第二代小波去噪技术,提出了“基于Wigner-Ville分布的角域信号故障特征提取”方法。由于角域信号带有相位信息,因此对角域信号进行时频分析,可以将故障精确定位。应用基于短时傅里叶变换的瀑布图分析转子油膜涡动及油膜振荡故障,不仅提取出了故障特征,而且可以清晰的观察到油膜振荡所特有的“惯性效应”。由于故障信号是非平稳信号,因此应用时频分析的方法分析各种转子故障比各种平稳信号的分析方法更容易提取出故障特征。在LabVIEW平台上开发出了专用的旋转机械振动信号特征分析仪,该仪器具有强大的非平稳信号分析功能,弥补了传统仪器在旋转机械非平稳信号分析上的不足。最后对开发成功的旋转机械振动信号特征分析仪进行了大量的仿真测试及试验验证。通过在实际测试中应用该分析仪进行数据采集及信号分析,获得了理想的结果,验证了所开发的虚拟仪器对旋转机械振动特征分析的有效性。
杨扬[3]2013年在《参数化时频分析理论、方法及其在工程信号分析中的应用》文中研究指明基于平稳性的假设，傅立叶变换建立了时域信号及其频域之间的桥梁。通过傅立叶变换，得到的频谱反映了信号的全局频率信息，但不能揭示频谱的时间局部特征。然而，自然界与工程应用中常见的非平稳信号具有频谱随时间变化的典型特征，故傅立叶变换不适合分析这类信号。近年来，针对非平稳信号，人们提出了大量的时频分析方法。它可同时描述信号时域和频域的特征，是分析非平稳信号的有力工具。根据参数是否与信号有关，时频方法可分为非参数化时频方法和参数化时频方法。其中，非参数化时频方法的时频分辨率与信号无关，不能准确反映复杂信号的时频特征；参数化时频方法则针对信号模型，构造匹配的核函数并选择合适的参数，从而获得与信号的时频特征有关的时频分辨率。因此，后者能更准确地刻画非平稳信号的时频特征。论文的研究内容主要涉及了参数化时频分析的理论、方法和应用三个方面：第一，论文研究了参数化时频分析的基本理论。首先，从一个典型的参数化时频方法出发，即线性调频小波变换，定义了频率旋转算子和频率平移算子，从而提出了它的工作原理新解。其次。根据该工作原理，将任意连续可积函数作为变换核，构造了更为通用的频率旋转算子和频率平移算子，从而提出了参数化时频分析的统一数学定义。继而，证明了它具有时移不变性、频移不变性及尺度变换等性质。第二，论文具体研究了三种参数化时频分析方法及其参数估计方法。首先，基于上述提出的参数化时频分析统一数学定义，分别将多项式、样条和傅立叶级数替换为变换核，提出了多项式调频小波变换、样条调频小波变换和泛谐波调频小波变换。仿真信号的分析结果表明，这三种参数化时频方法能够有效分析频率随时间变化较快的非平稳信号。其次，参数化时频分析的有效性取决于选择的变换核参数是否合适，故针对上述三种方法提出了变换核参数估计方法。仿真分析结果表明，在噪声条件下，通过对信号时频表示的脊线分别进行多项式拟合、样条拟合及离散傅立叶变换，能有效确定上述三种变换的变换核参数。第三，论文研究了如何采用参数化时频方法进行多分量信号的有效分析。首先，针对多分量信号的分量时频特征相差较大的情况，提出了与数字图像处理技术相结合的时频表示融合方法。分析结果表明，该方法可有效提高多分量信号时频表示的集中度和分辨率。其次，从上述提出的参数化时频分析统一数学定义出发，提出了基于频谱集中性指标优化的信号分解方法。分析结果表明，该方法可将多分量信号有效分解为单分量信号，进而获得集中度较高的原信号时频表示。最后，论文研究了参数化时频方法在旋转机械特征信号处理和导波信号处理两方面的应用。在此之前，我们就基于参数化时频分析的瞬时频率估计方法，讨论了它的分析能力及适用性。然后，分别针对转子启停机过程的振动信号和水轮机降速过程的摆度信号，研究了基于参数化时频方法的瞬时转速估计以及基于信号分解方法的时频精细分析。实验结果证明，样条调频小波变换与信号分解方法可分别有效分析上述信号。另一方面，Lamb波具有典型的频散特征，即局部频率延迟随频率变化。为有效分析这类信号，提出了参数化时频分析统一数学定义在频域的对偶定义。在该对偶定义基础上，分别以多项式和傅立叶级数作为变换核，提出了多项式频延变换和傅立叶级数频延变换。继而，研究了基于这两种变换的Lamb波群速度估计方法。仿真与实验结果证明，频延变换可有效分析具有频散特征的Lamb波信号，并准确估计其群速度。
王奉涛[4]2003年在《非平稳信号故障特征提取与智能诊断方法的研究及应用》文中研究表明在工业生产过程中，人们希望能够对设备故障实现早期预报，防患于未然，保证设备安全、稳定、长周期、满负荷优质运行，避免旧的维修体制中存在的“过维修”或“欠维修”现象，充分发挥设备的效益。在此情况下，设备故障诊断学应运而生，并吸引大量的科研人员从事这方面的研究，促使该学科不断发展和完善。 随着设备向着高速度、高功率、高可靠性、大型化的方向发展，使得传统的故障诊断技术难以胜任复杂设备的故障诊断。本文正是基于此考虑，把局域波时频分析方法和人工智能-守法引入到故障诊断领域，以解决复杂设备的故障诊断问题。 首先，针对复杂设备系统的非线性和表面振动信号的非平稳性，引入了局域波分析方法。局域波分析方法的重大突破在于用基于信号局部特征的多个基本模式分量来描述信号，并赋予每个基本模式分量具有实际物理意义的瞬时频率。它有效地克服了用传统方法进行非平稳信号分析中产生无意义谐波分量的缺点。另外，通过局域波分析可把复杂的实测数据分解成有限个基本模式分量，从而简化信号分析过程，降低信号分析误差。 然后，从信息论的角度分析了人类智能活动的一般过程，总结了复杂设备系统故障诊断的特点，给出了智能故障诊断系统的一般框架。在此基础上，主要进行了以下的研究工作。 1．提出了基于Chebysbcv数值逼近的数据序列延拓算法，解决了局域波分解过程中的边界问题。该方法具有模型简单、所需的观测样本容量小、易于在线计算及预测精度较高的特点，实现快速而准确的局域波分解。 2．特征提取是当前机械故障诊断中的瓶颈问题，它直接关系到故障诊断的准确性和早期预报的可靠性。在局域波理论的基础上，引入了时频局部能量的概念，进而提出了一种基于时频局部能量的特征提取方法。时频局部能量更好地反映了信号频率特征的时变特点，为准确地分析和处理非平稳信号提供了有效的手段。同样基于局部能量的思想，提出了一种基于小波包分解的频带局部能量特征提取方法。 3．从人工神经网络故障诊断模型的特点出发，通过局域波法进行特征提取，利用粗糙集理论确定最优的决策系统，提出了粗糙集-局域波-神经网络智能故障诊断系统模型。该模型较好地解决了神经网络结构、训练样本的大小、大连理工大学博士学位论文摘要样本质量等对人工神经网络的精度及泛化能力有直接影响的问题，减少了训练所需的计算量和时间，提高了诊断精度。 4.在分析D一S证据理论和神经网络技术的优缺点及之间互补性的基础上，提出了一种基于D一S证据理论的多神经网络故障诊断方法。通过两者的结合，不仅解决了随着诊断参数的增多，神经网络结构逐渐庞大而造成的一系列问题，而且也为D一S证据理论中基本可信度分配的构造提供了有效的方法。同时，针对相互冲突证据体的融合问题，给出了更为合理的融合推理公式。诊断实例表明，该方法具有较高的诊断准确性和可靠性。 最后，以中国一汽变速箱厂生产的G79004变速箱为背景，融合传统故障诊断方法和本文提出的几种新方法，开发研制了“汽车变速箱性能检测系统”。该系统是集测试、实时监测显示、报警、信号分析、诊断于一体的综合监测系统。本文介绍了测试系统的设计方案，详细论述了基于软件复用的设计思想和设计过程，’并就C/s模式系统设计的特点进行了分析，确定相应的解决方案。 工程应用表明，利用而不是忽略复杂设备系统的非线性和表面振动信号中 的非平稳性特征，来建立相应的智能故障诊断系统，可以获得更有物理意义的 诊断结果，实现准确的故障诊断。
王黎黎[5]2009年在《基于希尔伯特—黄变换的时频分析算法研究》文中进行了进一步梳理时频分析方法作为分析时变非平稳信号的有力工具,成为现代信号处理研究的一个热点,而基于希尔伯特-黄变换(HHT)的时频分析是一种新型的分析方法。该算法打破了传统时频分析算法的局限性,结合EMD分解和Hilbert谱技术可以将复杂信号分解为有限个本征模函数(IMF),从而赋予了瞬时频率合理的物理意义,在通信、雷达、地震、语音识别等方面具有广泛的应用价值。本论文主要研究这种新算法的原理,对算法中存在的问题进行改进和优化,验证HHT算法作为一种新的时频分析方法在实际应用中的价值。具体针对端点效应,在已有方法的基础上做了改进,提出新的延拓方法——端点对称极值延拓法,通过比较,验证了新端点效应处理方法的进步;并且在反复试探的基础上对终止条件做了相应修改,使算法在整体上得到很大优化;另外在仿真实验中发现采样频率的选取对HHT谱会产生影响,对这种现象进行分析,引进整周期采样概念,并将这种现象称为整周期采样对HHT算法的影响;最后分析希尔伯特-黄算法的局限性,给出该算法能够有效性分解的前提条件,通过大量的仿真实验,验证该算法在满足前提条件下能够准确、有效地测出复杂信号的瞬时频率,可以应用到工程领域中。
马世伟[6]2000年在《非平稳信号的参数自适应时频表示及其应用的研究》文中研究表明时频分析理论和技术是信号处理中的一个研究热点，它对自然界和工程实践中经常遇到的时变非平稳信号提供了有效的分析和处理手段。本文在研究了典型的时频表示方法，以及时频分析中基函数的时频结构特征的基础上，提出了时频分析中基函数的参数化描述的概念和实现方法，以及参数自适应信号分解方法和参数自适应时频分布(PAD)。设计了高效数值算法，分别从时域和频域实现了具有四个参数的频率切变高斯基和时间切变高斯基信号分解，并就它们的特性以及在去噪和瞬时频率估计等方面的应用进行了探索和研究。 本文第一章介绍了非平稳信号与时频分析的基本概念和主要数学工具，概述了国内外研究和应用现状，阐明了本文研究的目的和特殊意义。 第二章介绍了短时傅立叶变换(STFT)、Gabor扩展和小波变换等线性时频表示方法，以及Wigner-Ville分布(WVD)和Cohen类等二次型时频表示方法，研究了它们之间的关系和各自的优缺点。STFT简单易实现，但其窗效应使得时频分辨率较低。WVD有较高的分辨率，但对于多分量信号，交叉项干扰严重。研究了加性白噪声环境下有用信号时频表示的估计问题，理论分析和仿真实验表明：有噪信号的STFT和小波变换都可以无偏地估计原信号的相应时频表示；其WVD以及伪WVD都不能用来估计原信号的WVD；其平滑的伪WVD可以对原信2000年上海大学博士学位论文号的WvD做有偏估计，估计偏差和方差都与窗函数有关，实际应用中需要在时间或频率平滑窗的长度与估计偏差和方差之间作一些折衷。 第三章提出了参数化基函数的描述方法，即通过对单窗函数施加时移、频移、尺度、时间切变、频率切变和旋转等算子，可以得到具有各种不同时频特性的基函数模型，以匹配现实中存在的复杂非平稳信号。利用参数化基函数，我们可以在一个统一的框架下定义更为一般的多参数信号线性变换，以及多参数时频分布函数。 第四章提出了基于信号分解的参数自适应时频表示方法。它将信号分解到完备基函数集上，能够随着被分析信号的局部时频特征自适应地调节基函数的参数，从而避免了窗效应，可以较大地提高时频分辨率。分解所得参数包含了信号局部时频结构的信息，可以用于进一步的信号处理。相应的队D满足实值性、时移不变性、频移不变性和能量守恒关系，且对于多分量信号没有交叉项干扰，从而可以给出信号时频分布的清晰图像。实验结果表明该方法对于典型的非平稳信号，如线性调频信号以及宽带和窄带信号，都可以给出同时具有较高时间分辨率和频率分辨率的时频分析，其分析效果优于STFT谱图、尺度图、wvD等方法，并进一步发展了已有的自适应时频表示方法。 在本文第五章和第六章中，分别构造了频率切变高斯基函数和时间切变高斯基函数集合，它们分别由对不同时频位置的尺度高斯函数乘线性调频因子和与线性调频因子的卷积而产生。设计了一个高效的数值算法，采用类似于多尺度分析的模拟变焦距过程，将四维参数(尺度一频率切变一时移一频移，或尺度-时间切变一频移一时移)的估计间题降低为各一维参数的估计，从 非平稳信号的参数自适应时频表示及其应用的研究而可以分别在时域和频域快速实现基于这两类基函数的参数自适应信号分解，以及相应的正值队D。实验结果表明所提算法有较快的收敛速度，且有较强的抗白噪声干扰能力，因而有利于低信噪比下信号的检测、分析和综合。这些方法有望对于信号中的线性调频成分和频率散射成分进行分析。 第七章研究了参数自适应时频表示的几个典型应用。实验结果表明:它对地震信号、鸟声和语音信号等典型的非平稳信号均能够给出准确的时变频谱;可以通过对分解所得参数的取舍进行去噪和滤波，去噪效果和小波变换去噪的效果相当，但该方法比小波变换去噪方法要简单;队D可以用于峰值检测的瞬时频率估计，对于像线性调频一类的信号能给出较好的估计结果，在较低信噪比的情况下，估计误差小于WVD、STFT、相位差分法和极大似然估计法，和平滑的伪WVD接近。 需要进一步解决的问题和研究方向主要有更为高效的自适应分解参数估计数值算法，非对称基函数和其他参数模型，以及参数自适应时频表示的实际应用的研究。
赵卫峰[7]2016年在《基于时频分析的特征提取与模式分类方法研究》文中研究指明非平稳非线性信号日益成为学者研究的热点,构成了现代信号处理学科的重要内容。对于传统的处理信号的方法,用于处理非平稳非线性信号显得欠缺,因为它们只是在时域,或者在频域处理信号,是不能够有效的提取到非平稳信号的非线性特征,时频分析方法正是为解决这个问题而出现。论文首先介绍了目前的一些信号处理的方法,通过分析得知每个信号处理方法都有它的针对性以及局限性,针对非平稳信号的特征提取、特征选择与模式分类问题,研究利用小波包分解方法提取时频域特征,采用核主成分分析(KPCA)方法进行降维提取特征;利用支持向量机(SVM)进行智能分类,解决基于时频分析的非平稳信号智能特征提取与模式分类。研究主要的工作是以下几个内容:(1)针对非平稳信号的非线性特征问题,采用小波包分解方法提取能量特征。首先介绍了小波以及小波包的基本理论,小波分解只是针对低频再次分解,对高频不再分解,故而有的时候会损失重要的高频信息。而小波包分解克服了小波分解,不能再次进行高频分解的缺点,能够对信号的高频部分再次进行分解,使得能够获得高频有用的信号,最后研究了基于小波包分析方法的特征能量的提取。(2)采用核主成分分析方法解决非平稳信号中主要特征选择的问题。先分别介绍了PCA和KPCA的降维特征选择方法;并对两者降维提取特征方法进行对比,在定义性能评价指标前提下,将主成分分析和的核主成分分析方法应用于非平稳信号的特征降维中,通过仿真实验结果表明,在相同准确度下,核主成分分析的特征个数比主成分分析的少;取与主成分特征个数相同时,准确度比主成分分析高,说明在降维提取特征方面核主成分分析有更好的效果。(3)采用支持向量机解决非平稳信号智能特征提取与模式分类问题。首先介绍了支持向量机的理论,核参数的参数分析,通过实验仿真,验证了研究内容的可行性,最后给出了评价分类器性能的参数:灵敏度、特异度、准确度。(4)将方法应用到非平稳非线性的癫痫脑电信号,对脑电信号去除噪声,采用小波包分解,提取小波包分解系数的能量特征,用核主成分分析完成降维提取特征,最后由支持向量机对选择后的能量特征进行分类。实验结果表明,采用基于时频分析的小波包分解,提取非平稳癫痫信号的能量特征,核主元分析选择特征,支持向量机智能识别,得到了很好的分类准确率。
潘文玲[8]2007年在《宽带非平稳干扰信号的时频分析及抑制技术研究》文中认为针对宽带非平稳信号,时频分析是一种获得信号特征的有效手段。它将时域和频域结合起来描述观察信号的时频联合特征,构成信号的时频图。时频分析的主要任务是描述信号的频谱含量是怎样随时间变化的。时频分析的最终目的是建立一种分布,以便能在时间和频率上同时表示信号的能量或者强度,对信号进行分析、处理、提取信号中所包含的特征信息。时频表示分为线性时频表示和非线性时频表示。典型的线性时频表示(也叫核函数分解法, atomin decomposition)有短时傅立叶变换(Short Time Fourier Transform, STFT)和分数阶傅立叶变换(Fractional Fourier Transform, FrFT),它们采用基于被分析信号和具有时频局部特征的基本分析或综合函数之间的内积或扩展方法而实现。非线性时频表示或二次型时频表示描述了信号的时变功率谱,典型的是WVD变换(Wigner Ville Distribution),Cohen类等。本文将对这些时频变换进行讨论,分析各自适用的场合。对各种时频方法的分析是基于信号模型的。本文将以线性调频信号作为主要模型,分析目前常见的各种时频方法对线性调频信号的特征提取能力。同时针对非线性调频信号,本文研究了一种基于优化窗的短时傅立叶变换的分析方法,它能提高短时傅立叶变换的时频分辨率,从而具有较好的信号特征提取能力。在通信系统中,常常面对干扰和抗干扰的问题。传统的扩频抗干扰方式在面对窄带干扰时效果良好。但是扩频系统的抗干扰能力取决于扩频增益,在频谱资源日益紧张的今天,不可能无限制提高扩频增益。因此,扩频系统在面对宽带非平稳干扰时,抑制效果十分有限。如果在接收端采用时频分析模块,提取干扰信号参数,对干扰进行滤波,可以大大提升系统的抗干扰能力。本文以线性调频干扰为模型,通过理论分析和仿真,验证了时频分析方法抑制宽带非平稳干扰的有效性。另外,本文还研究了基于Turbo码原理的联合迭代解调译码算法。在接收端的解调器和译码器之间交换软信息,联合迭代进行解调和译码过程,可以提高系统对抗噪声的能力。仿真结果验证了在直接序列扩频系统中采用联合迭代解调译码算法,可以进一步提高系统的误码率性能。最后,通过比较几种最常见的时频分析方法,在综合考虑误码率性能和计算复杂性下,提出了适合直接序列扩频系统的干扰抑制方案。
符凯[9]2015年在《基于HHT的非平稳信号特征提取方法及应用研究》文中指出非平稳信号的分析和处理作为现代信号处理学科的重要内容,一直是理论科学和工程实践研究的热点。以短时傅里叶变换和小波分析为代表的相关处理方法虽然不同程度的对非平稳信号的时变性给出了恰当的描述,但它们都是以傅里叶变换为最终的理论依据,使用它们分析非平稳信号容易产生虚假信号和假频等现象。为了避免这个问题,对非平稳信号最直接的分析和处理方法是使用具有局域性质的基本量,如瞬时频率。Hilbert-Huang变换(HHT)则是以瞬时频率作为基础的一种全新的非平稳信号分析方法,它可以有效的分析并提取信号在整个时域内的局部化特征,已经广泛应用在生物医学、机械故障诊断学、海洋工程等众多领域。本文在对现有的主要时频分析方法及其各自的针对性和局限性做出深入分析的基础上,重点研究基于HHT的非平稳信号时频分析以及特征提取方法,所做的工作如下:①研究了HHT算法的基本理论,包括瞬时频率、本征模态函数、经验模态分解(EMD)算法以及Hilbert谱分析等。其中对于EMD算法,详细介绍了该算法的分解原理及分解步骤,并给出了算法的完备性和正交性分析。深入分析了HHT目前存在的主要问题,包括模态混叠问题和端点效应问题,并详细给出了目前针对这两个问题的相应改进措施。②在对Hilbert时频图分析的基础上,提出了一种基于直方图统计特征的非平稳信号特征提取方法。首先从基于HHT的信号时频域表达出发,分析了模态混叠和端点效应问题对时频表达的影响,通过仿真实验将HHT与传统时频分析方法进行了比较研究,最后给出了基于时频图像的直方图统计特征提取方法。③在对Hilbert边际谱分析的基础上,给出了一种联合谱能量和谱熵的非平稳信号特征提取方法。首先介绍了信号的边际谱表示,然后通过实验仿真分析了边际谱与传统傅里叶幅值谱在信号表达上的区别,最后介绍了基于边际谱的信号特征提取方法,分别给出了谱能量和谱熵两种特征量,并作了详细分析。④将两种特征提取方法应用于癫痫脑电信号检测中。分别对脑电信号进行时频图分析和边际谱分析,提取了脑电信号具有显著意义的特征向量,最后结合支持向量机技术对相应特征进行分类验证,实验结果表明两种特征提取方法在脑电信号的分类中均能取得有效的分类准确率。
申艳妮[10]2018年在《非平稳信号的频谱感知方法研究》文中提出随着时代的进步,无线通信成了人们生活中不可或缺的一项技术,频谱资源是实现无线通信业务的必需品,故而整个社会对频谱资源的需求量持续增加。但现实中可用的频谱资源不仅是有限的,还是无法再生的。事实上,已分配的频谱资源在实际中的利用率很低,因此,若要推动无线通信的发展,则需要提升频谱资源的利用率。认知无线电技术是一种提高无线频谱资源利用率的有效方式。频谱感知技术是认知无线电成功的前提与关键。传统的能量感知算法、匹配滤波器感知算法已广为人知,但这些方法都是针对平稳信号提出的。平稳信号的功率谱与时间无关,可非平稳信号的功率谱是时变的,因此,传统的频谱感知方法不适用于跳频信号、线性调频信号等非平稳信号。本文以时频分析为基础,研究非平稳信号的频谱感知方法。论文的主要研究内容如下:1、针对非平稳信号的窄带频谱感知问题,本文研究了基于短时傅里叶变换(Short Time Fourier Transform,STFT)的能量感知算法。该方法以STFT计算非平稳信号在某个时频区域内的平均能量,然后根据相应的门限值对非平稳信号在该时间区域内的频带占用情况进行检测。本文根据理论推导结果和仿真实验数据获得算法的判决门限。仿真结果表明:该方法在低信噪比(Signal-to-Noise Ratio,SNR)环境下都也具有较好的检测性能;另外,该方法不仅适用于非平稳信号,还适用于平稳信号。2、为了提高基于STFT的能量感知法在低信噪比情况下的感知性能,本文研究了基于Wigner-Ville分布(WVD)的匹配滤波器感知算法。该方法根据非平稳信号Wigner-Ville分布的Moyal性质,将信号的时频分布与信号的时域表示联系起来,然后以匹配滤波器感知法为基础,对某个时间区域内的频带占用情况进行检测。仿真结果表明:在低信噪比情况下,该方法的感知性能优于传统的匹配滤波器感知法。3、针对非平稳信号的宽带频谱感知问题,本文将STFT与多陪集采样技术结合起来,提出了基于STFT-MUSIC的宽带频谱感知算法和基于STFT-ESPRIT的宽带频谱感知算法。由于宽带信号的奈奎斯特(Nyquist)采样率过高,若使用奈奎斯特采样率对宽带信号进行采样,硬件功耗大,当信号带宽高达GHz时,甚至无法找到满足奈奎斯特采样要求的高速率模数转换器(Analog to Digital Converter,ADC),因此本文利用多陪集采样技术来降低宽带信号的采样率。然后,根据多陪集采样输出的STFT值与非平稳信号占用的频带之间的关系,将频谱感知问题转化为参数估计问题,再利用多重信号分类(Multiple Signal Classification,MUSIC)算法以及基于旋转不变技术的参数估计(Estimation of Signal parameters by Rotational Invariance Techniques,ESPRIT)算法对活跃信道集(信号占用的频带的集合)进行估计。实验结果表明,即使在低信噪比情况下,这两种方法也只需要少量样本数据就可获得较理想的检测性能,且这两种方法不仅适用于非平稳信号,还适用于平稳信号与非平稳信号均存在的混合信号。
参考文献：
[1]. 齿轮箱轴承故障诊断的时频分析方法初步探讨[D]. 万畅. 兰州理工大学. 2007
[2]. 旋转机械非平稳信号特征分析仪开发[D]. 刘文彬. 昆明理工大学. 2008
[3]. 参数化时频分析理论、方法及其在工程信号分析中的应用[D]. 杨扬. 上海交通大学. 2013
[4]. 非平稳信号故障特征提取与智能诊断方法的研究及应用[D]. 王奉涛. 大连理工大学. 2003
[5]. 基于希尔伯特—黄变换的时频分析算法研究[D]. 王黎黎. 西安电子科技大学. 2009
[6]. 非平稳信号的参数自适应时频表示及其应用的研究[D]. 马世伟. 上海大学. 2000
[7]. 基于时频分析的特征提取与模式分类方法研究[D]. 赵卫峰. 重庆大学. 2016
[8]. 宽带非平稳干扰信号的时频分析及抑制技术研究[D]. 潘文玲. 电子科技大学. 2007
[9]. 基于HHT的非平稳信号特征提取方法及应用研究[D]. 符凯. 重庆大学. 2015
[10]. 非平稳信号的频谱感知方法研究[D]. 申艳妮. 电子科技大学. 2018
标签：电信技术论文; 故障诊断论文; 时频分析论文; 特征提取论文; 旋转变换论文; 特征频率论文; 信号频率论文; 特征分解论文;