基于apFFT的罗兰-C信号相位编码识别

针对现有罗兰-C接收机普遍采用锁相环硬件电路跟踪相位的情况,提出了利用全相位谱分析(apFFT)的罗兰-C信号相位编码软件识别方法,分析了罗兰-C载波信号初相位的apFFT识别原理,基于apFFT方法用Matlab对罗兰-C接收信号在噪声和载波干扰等情况下的初相位识别进行了仿真.结果表明,apFFT方法既能像FFT一样分析出干扰频率成分,又能识别出各频率成分的初相位,尤其信干比在-20 dB情况下仍可准确地识别出罗兰-C载波信号初相位,为增强型罗兰接收机的设计提供了一种新的相位编码识别方法.     

数控机床运行激励实验模态分析

针对影响加工效率和加工表面质量的数控机床结构动态特性问题,提出一种新的实验模态分析方法.该方法以数控机床自身运动产生的振动为激励源,通过控制运动部件以特定方式空运行,激励起结构的有效振动响应,并结合基于响应信号的模态参数识别方法获得结构的动态特性参数.针对参数识别中的伪模态问题,综合运用识别结果预处理方法和模态稳定性原理,有效去除了识别结果中的伪模态,最终得到影响机床加工的3阶低频模态频率和阻尼比.所得结果与传统实验模态分析结果有较好的一致性.该方法可用于大型重型难激励数控机床的结构动态特性研究.     

用分层抽样和复Morlet小波识别短样本模态参数

针对大型结构短样本模态参数识别,提出基于分层抽样的最优复Morlet小波短样本模态参数识别方法.先对结构响应信号进行分层抽样,用随机减量法提取每一层的自由衰减信号;再根据样本标准差确定每一层的层权,用最优复Morlet小波识别每一层的模态参数;最后用层权对模态参数进行加权得到最终的模态参数.工程应用结果表明,所提方法具有较高的识别精度,良好的低频密集模态解耦和高频虚假模态抑制能力.     

时域模态参数识别法的改进及实验研究

本文讨论利用振动系统的随机响应和自由响应信号识别系统模态参数问题。文中提出了将系统的固有频率与阻尼比同振型先后予以识别的方法。提出了一种在实数域内识别模态参数中幅值与相位的新方法,并得到一个简化算式。模拟计算和现场试验表明,本法是行之有效的。最后对有关模型定阶及虚假模态的剔除等问题进行了探讨。     

基于HVD和RDT的工作模态识别

应用希尔伯特振动分解(HVD)和随机减量技术(RDT)建立了环境激励下结构工作模态参数的识别方法。基于环境激励下结构的单点振动响应信号作为分析信号,应用希尔伯特振动分解将分析信号分解为若干个包含结构模态信息的信号,再利用随机减量技术提取自由衰减信号,应用最小二乘复指数法获得各阶模态频率和阻尼比。应用该方法对5自由度剪切模型以及12层混凝土框架地震台模型的顶点地震响应作为分析信号进行了结构工作模态参数的识别,并将识别结果与其他方法识别结果进行对比。结果表明该方法识别模态频率是可靠的;对平稳结构响应信号模态阻尼比的识别有好的精度,而对非平稳响应信号有较满意的精度。     

基于经验模态分解的齿轮箱故障特征提取

利用小波去噪阈值法对齿轮箱故障振动信号进行去噪,将经验模态分解(EMD)和快速傅里叶变换(FFT)相结合对齿轮箱故障进行特征提取,此方法适合于对非线性非稳态信号进行自适应的分析.利用小波阈值去噪方法对原始信号进行预处理,将去噪后的信号进行经验模态分解,得到一定数量的本征模态函数(IMF)分量,选取特定的IMF进行FFT,得到相应的功率谱,从而达到提取齿轮箱故障特征频率的目的.对齿轮箱故障信号进行分析,结果表明该方法能够有效地识别出齿轮箱故障特征频率.     

HHT法识别结构模态频率和阻尼比的改进

在应用EMD方法分解信号时,可能造成固有模态函数中不同的振动模态混合,从而淹没能量较小的振动模态而导致无法识别其模态参数。为了提高结构模态参数识别的精度和比较精确地识别低频模态及能量较小模态的参数,文章对结构响应信号进行带通滤波后再应用EMD方法进行分解,最后得到结构的各阶模态频率和阻尼比;仿真结果表明,该方法可以有效提高结构模态频率和阻尼比的识别精度。     

模态参数识别的LMD-BPF方法及其应用（英文）

鉴于准确识别结构模态参数存在的问题,提出了一种局部均值分解(LMD)-带通滤波(BPF)的模态参数识别方法。首先,将LMD方法用于位移仿真信号和压气机导向叶片测频信号的分解,分解得到的PF分量存在模态混叠现象;然后,使用LMD-BPF方法对位移仿真信号和导向叶片测频信号进行分解,成功实现了对各模态频率的准确分离;最后,使用LMD-BPF模态参数识别方法对位移仿真信号和导向叶片测频信号进行模态参数识别。识别的位移仿真信号4个模态频率和阻尼比与相应的理论值之间的最大误差分别为0.205%和2.387%,识别导向叶片的3种模态频率与测试模态频率之间的最大差别小于1.0%,识别的导向叶片的3种模态阻尼比与半功率带宽法识别的阻尼比,最大差别小于0.65%。模态参数识别的仿真分析和实验研究验证了该方法的有效性。     

基于Morlet小波变换的振动特性参数识别

传统的振动系统特性参数识别方法对于非线性、非平稳信号的处理能力差,尤其对于阻尼比的识别精度较低.将Morlet小波变换和随机减量技术相结合识别振动系统的特性参数,首先利用随机减量技术提取振动的自由衰减响应信号,进而由Morlet小波变换对信号进行连续的小波变换处理得到小波能量谱,结合参数识别的基本理论及对时间-幅值坐标面曲线的半对数拟合结果得到振动系统的频率及阻尼比,数值仿真结果表明,提出的方法能有效识别系统的固有频率和阻尼比.将该方法应用于罐车模型流固耦合冲击试验研究,较好地识别出充液工况下振动系统的固有频率和阻尼比.     

基于模态扩展的变速器箱体振动识别及辐射噪声优化

提出一种基于模态扩展技术的变速器箱体振动识别方法.以某变速器为例,应用有限元方法计算出变速器箱体的模态频率和特征向量,通过试验测得箱体在运行工况下部分点的振动加速度,将振动加速度映射到有限元模型上,得到各阶模态的参与因子,依据模态参与因子与特征向量识别箱体有限元模型中所有节点的振动加速度.研究表明,识别出的加速度值与实测值的最大平均残差为9.7%,基于模态扩展技术的箱体振动识别方法有效.最后根据识别的加速度计算变速器箱体辐射声功率,确定了3个辐射声功率较大的区域并进行优化,优化后的变速器箱体辐射声功率最大下降1.8dB.     

A Precise Algorithm for Non-Integer Harmonics Analysis Based on FFT and Neural Network

By means of an artificial neural network (ANN) model, higher measurement accuracy of integer harmonics can be obtained. Combining the windowed fast Fourier transform (FFT) algorithm with the improved ANN model, we present a new precise algorhhm for non-integer harmonics analysis. According to the result obtained from the Hanningwindowed FFT algorithm, we choose the initial values of orders of harmonics for the neural network. Through such processing, the time of iterations is shortened and the convergence rate of neural network is raised thereby. The simulation results showthat close non integer harmonics can be separated from a signal with higher accuracy and better real-time by using the algorithm presented in the paper.     

基于改进BP算法的电力系统谐波分析

在选取BP神经网络对谐波进行分析时,考虑到BP网络存在的缺点和不足,对BP网络进行改进。通过把FFT和改进的BP网络结合起来,实现对谐波的实时分析。该方法先对采样信号进行FFT运算实现预处理,得到谐波个数和谐波次数;然后根据谐波的个数来确定神经元的个数,通过谐波次数设定神经网络参数迭代的初始值;最后对改进的神经网络进行训练,可以实现谐波的精确分析。所提出的BP改进算法有效地提高了谐波分析的精度,实时性也得到了改善。     

基于遗传小波神经网络模型的脱机签名鉴定

根据脱机中文签名的特点,提出了一种用基于遗传算法的小波神经网络进行脱机中文签名鉴定的方法.基于遗传算法的小波神经网络模型结合了遗传算法的全局搜索能力和小波神经网络快速高精度的特点,克服了梯度下降法易陷入局部极小和引起振荡效应等缺点.该模型用遗传算法对小波神经网络的各参数进行前期优化训练,再用梯度下降法对参数进行二次优化.实验结果表明,将此模型用于脱机签名鉴定系统,与单独采用BP网络或小波神经网络相比,性能有明显的提高.     

采用IncNet神经网络进行动态建模的仿真研究

由于IncNet神经网络的算法为串行学习算法,可利用实测的新数据不断对模型进行更新,因此,可以实现过程的动态建模.IncNet神经网络采用"统计新颖性"准则,有效地减少了用户预先定义的参数,而删除算法则可以使网络结构更加紧凑.以燃烧炉对象为例,采用IncNet神经网络进行过程动态建模,所建立的模型精度高,泛化能力强.在建模过程中,初始参数的设置对IncNet神经网络模型的结构和建模精度有着不同的影响,应当合理选择.     

采用人群搜索算法的径向基函数神经网络参数整定方法

针对径向基函数(RBF)神经网络的逼近结构中,对权值、基宽和中心向量的初始值等参数的选取不当,导致系统的鲁棒性变差、收敛精度降低,甚至不再收敛的问题,提出一种基于人群搜索算法的RBF神经网络的参数整定方法.以基于遗传算法和基于粒子群算法的RBF神经网络参数整定方法为对比条件,采用MATLAB软件进行实验与分析.结果表明:应用人群搜索算法去优化RBF神经网络的初始参数,能有效地提升RBF神经网络的逼近精度,验证了该算法的可行性.     

基于改进粒子群优化算法的灰色神经网络模型

根据灰色神经网络的参数随机选择类似于粒子群算法中的粒子初始空间位置,采用改进粒子群算法代替梯度修正法,对网络参数进行了处理,并通过寻找粒子群算法中的最优个体,建立了基于改进粒子群算法的灰色神经网络,提高了预测模型的稳健性和精度.通过解决短期订货量问题,与反向传播(BP)神经网络、灰色神经网络、没有改进的粒子群灰色神经网络算法和基于遗传算法的灰色神经网络等方法进行了比较.分析结果表明,基于改进粒子群算法的灰色神经网络计算更为方便,并具有更好的逼近能力和预测精度.为优化网络模型参数提供了一种新方法,并拓展了预测模型的研究思路.     

基于增强拓扑神经演化强化学习的水面无人艇局部路径规划

针对水面无人艇(unmanned surface vessel, USV)在复杂环境下的局部路径规划问题,对USV路径规划问题进行了数学建模,提出了基于增强拓扑神经演化(neuroevolution of augmenting topologies, NEAT)算法的局部路径规划方法;设计了神经网络初始结构和演化参数,对初始神经网络结构进行演化实现避障及到达指定目标的路径规划任务;通过设计适应度函数,实现路径点数目的优化。仿真结果表明:利用NEAT算法演化神经网络的方法能够使USV在复杂的环境中准确避开障碍物并到达目标点,且在路径点数目和鲁棒性方面优于传统的模糊逻辑算法与人工势场算法。     

基于BP神经网络的电机转子故障诊断的研究

介绍了一种基于 BP算法的神经网络在电机转子常见故障诊断中的应用。首先利用测振传感器获得转子的振动信息 ,然后用 FFT分析 ,将振动信号的频谱分析作为神经网络的训练样本。通过选择足够的故障样本来训练神经网络 ,将代表故障的信息输入训练好的神经网络后 ,由输出结果就可以判断发生的故障种类。     

基于遗传算法的模糊RBF神经网络设计及应用

提出了一种基于遗传算法的模糊RBF神经网络学习算法.采用遗传算法对模糊RBF神经网络需要调整的参数进行优化,再将遗传算法优化的各参数结果作为模糊RBF神经网络各个参数的初始值,并结合梯度下降法对网络的各参数进行动态调整.在对非线性函数逼近的仿真中,仿真结果验证了优化后的模糊RBF神经网络具有更高的精度及强鲁棒性.     

基于蚁群算法和神经网络的位移反分析

运用蚁群算法和人工神经网络构造了位移反分析的蚁群人工神经网络模型，并基于正交试验获得的训练样本对网络进行学习，以此训练好的神经网络模型来描述岩体力学参数和位移之间的关系。该方法以神经网络为基础，用蚁群算法来学习神经网络的权系数。利用反演结果，建立快速拉格朗日快速计算法（FLAC）模型，对地表沉陷进行预测。结果表明：用蚁群算法训练神经网络，可兼有神经网络广泛映射能力和蚁群算法快速全局收敛的性能。