小波变换在两相流速度测量中的应用

介绍一种利用空间滤波和小波变换处理两相流信号的基本方法,首先研究电容传感器的空间滤波效应,并找出固体速度和带宽之间的关系,然后利用小波变换的滤波特性,确定传感器的带宽,进而求出固体速度·最后给出对实际测量信号的处理结果·     

基于小波变换处理两相流信号的方法

为了准确测量气固两相流的固体速度,介绍一种利用小波变换处理两相流信号的基本方法·利用小波变换的小波函数带通特性,分别对上游和下游采集到的传感器信号进行小波变换,然后研究上游和下游传感器信号经过变换后的信号尺度相关性·实验表明:因为这种方法可以有效地抑制随机噪声,所以使用某一种尺度上的相关系数比传统方法求出的延迟时间更准确,提高了气固两相流的固体速度测量精度·最后给出对实际测量信号的处理结果·     

基于小波变换和ICA的房颤信号分离

提出了一种基于小波变换和独立成分分析(ICA)的心房颤动(房颤)信号分离方法.首先通过小波变换将2个导联的Holter心电信号分解成一组信号,然后取其中几个尺度的单支重构信号进行ICA,分离出房颤信号.2个导联Holter系统无法满足ICA对信号通路数的要求,小波分解及单支重构解决了这一问题.ICA技术充分利用2个导联的信息,消除了单导联房颤信号分离方法易受伪迹和异位心搏等因素影响的缺点.实验证明了本方法的可行性和有效性,并且与常用的单导联分离方法的效果进行了对比.     

基于独立分量分析的混合声音信号分离

论文简要介绍了有关独立分量分析（ICA）的基本理论和算法;探讨了独立分量分析在混合声音信号分离中的应用。针对ICA输出结果排序的不定性以及在长时间记录声音信号的过程,ICA混合模型系数存在时变性等问题,提出了一种结合小波变换和独立分量分析的解决方法;试验结果表明,该方法能有效地提高运算效率并获得较好的分离效果。     

基于VMD-ICA-CWT的内燃机噪声源识别方法

提出了基于变分模态分解(VMD)、独立分量分析(ICA)和连续小波变换(CWT)相结合的内燃机噪声源识别算法.首先,对内燃机进行铅覆盖,只裸露待测的第6缸部分,测量裸露部分缸盖位置处的单一通道噪声信号;然后采用变分模态分解算法将其分解为各变分模态分量,并用FastICA算法提取各独立成分,解决了对单一通道噪声信号进行盲分离的欠定问题,同时克服了传统的经验模态分解处理噪声信号时出现的模态混叠缺陷;最后利用连续小波时频分析和相干分析,对分离结果进行进一步识别.研究结果表明:该算法能有效地分离识别出内燃机的燃烧噪声和气阀机构敲击噪声.     

ICA特征提取技术在背景噪声建模与分析中的应用

应用infomax学习规则对船舶辐射噪声信号进行独立成分分析(ICA)特征提取,并证明了ICA变换能增强信号的非高斯性.在此基础上,根据稀疏编码的特性,利用阈值化的方法将船舶辐射噪声信号有效去噪.通过对含有海洋环境噪声的船舶辐射噪声信号的去噪实验,证明了本方法的有效性,并且去噪结果明显优于传统的几种去噪方法.     

气固两相流速度及质量流量的静电测量法研究

介绍了一种气固两相流速度及质量流量的静电测量方法,实现了静电法在气固两相流速度及质量流量测量中的应用．通过特殊设计的静电传感器系统,利用气固两相流中固相微粒的荷电信号直接测量两相流的速度和质量流量．速度测量采用互相关分析的方法得到静电信号相移时间,计算出固相速度;通过实验确定静电传感器上静电信号电压有效值与已知两相流质量流量的关系,建立了系统电压一质量流量曲线．实验结果表明,静电测量方法可准确跟踪并测量气固两相流的固相速度,实现两相流的在线无损检测．     

基于独立成分分析的强背景噪声去噪方法

由于许多传统的去噪方法在强背景噪声情况下提取声音信号的能力变弱甚至失效，提出应用独立成分分析(ICA)方法对声音信号进行特征提取，并证明了这种ICA变换能增强语音和音乐信号的超高斯性．在此基础上，应用ICA基函数作为滤波器，通过阈值化的去噪方法对含有强高斯背景噪声的声音信号进行去噪仿真实验．结果表明，本方法明显优于传统的均值滤波和小波去噪方法，为强背景噪声下弱信号的检测提供了新的途径．     

基于EEMD-ICA-CWT的装载机室内噪声盲源分离和识别

为了分离装载机的噪声源,采用集合经验模态分解(EEMD)、独立分量分析(ICA)和连续小波变换(CWT)技术相结合的方法,对装载机司机位置处噪声信号进行了盲源分离和声源识别研究.针对单一通道噪声信号进行盲源分离,将其分解成一系列独立分量.在削弱了传统经验模态分解(EMD)算法处理噪声信号时产生的模态混叠现象的同时,克服了独立分量分析方法要求传感器数目必须大于等于分离出分量数目的限制;借助连续小波变换良好的时频定位特性,对ICA分离结果进行时频分析.结合时频分析结果和各噪声源信号的频谱结构,确定了各独立分量与装载机不同噪声源的对应关系.结果表明,这些独立分量分别对应着装载机的燃烧噪声、冷却风扇辐射噪声及排气噪声等噪声源.     

ICA变化检测的新方法

基于ICA变化检测方法的原理,利用小波变换实现图像块分割的优化,发挥小波变换的正交性和很好的方向性特征,提出了一种基于独立成分分析的变化检测方法.利用这种方法与ICA方法测得的图像扭曲度、平均梯度、图像质量因数方面相比都要好,实验结果证明了文中算法的可行性和优势.     

两相流固体速度测量的改进方法

提出一种气、固两相流的流速测量新方法．首先通过对两个传感器之间的流动噪声输送过程进行分析，建立两个传感器信号之间的数学模型．以此为基础提出流速测量的改进方法．实验结果表明：此方法在两相流流速测量中具有较高的精度和较快的软件运行速度，为两相流流速的在线测量提供了一种有效的手段．     

小波分解单通道盲分离干扰抑制方法

在单通道通信系统抗干扰问题中,由于先验信息不足,不能采用常规的盲分离方法抑制干扰?针对此问题,提出一种小波分解结合独立分量分析(independent component analysis,ICA)的单通道盲分离抗干扰方法?该方法利用小波分解,将单路混合信号分解为一系列的小波分量,通过计算各层小波分量的能量,选择最优小波分量作为ICA的输入信号,采用ICA方法实现信号的分离和重构?该方法选择最优小波分量进行盲分离,有效减少分离算法的计算量,同时降低噪声对系统性能的影响?仿真结果表明,所提方法可以有效地分离混合信号,提高单通道通信系统的抗干扰能力和系统处理速度?     

层析成像技术在过程检测中的应用──电容式两相流层析成像系统

介绍一种采用电容式传感器的两相流层析成像新方法。该法利用安装在两相流管道 周围的多个电容极板对流体扫描测量，并将所测得的数据输入计算机进行成像，得到 管道某截面上的两相分布图像。一台采用８个电极的系统模型已在最近组装完毕，并进 行了对静态分布模型的成像实验。对实验结果进行了分析并讨论了上述系统改进的可能 性。     

胸阻抗信号中的呼吸波的去除

胸阻抗 (TEB)的测量无论是对心血管功能的研究还是对临床诊断都有很重要的意义。然而 TEB信号总是被淹没在很强的呼吸干扰信号中。传统的信号处理方法 ,如数字滤波器 ,信号平均 ,自适应处理等对去除呼吸成分都有一定的局限。对于单通道测量系统 ,论文使用了小波去噪的方法。对于多通道系统 ,使用了独立分量分析的方法 ,分析的结果显示 ,对于单通道系统 ,基于离散小波变换的方法是一种快速的、有效的、容易实现的方法。对于多通道系统 ,基于独立分量分析的方法可以不失真地将阻抗波提取出来。基于独立分量分析的方法基本上解决了去除 TEB中的呼吸干扰的问题。     

独立分量分析在内燃机噪声信号分离中的应用

采用独立分量分析的方法进行了内燃机噪声信号分离的研究．建立了基于FastICA算法的常规内燃机噪声独立分量分析模型,为了减少所需传声器个数,在此基础上应用了时序独立分量分析模型．以某四缸柴油机为研究对象,测量了不同工况下的噪声信号,计算了这些噪声信号的统计峰度,确认其为非高斯信号,满足独立分量分析的基本要求．对测得的柴油机噪声信号进行了时序独立分量分析,将其分解为一系列不同的独立分量．采用小波变换的方法对它们进行分析,得到了各独立分量的时频分布,研究结果表明,这些独立分量对应着不同的内燃机噪声源信号．     

涡流检测信号的独立分量分析预处理

提出将一种求解盲源分离问题的独立分量分析(Independent Component Analysis,ICA)算法应用于自然裂纹涡流检测(Eddy Current Testing,ECT)信号的预处理中。利用一种基于负熵极大的FastICA算法,分别对实验产生的疲劳裂纹和应力腐蚀裂纹ECT信号进行了处理,实现了ECT信号中缺陷分量与探头提离信号、部分噪声信号的有效分离。为了验证算法的有效性,同时采用小波分析算法对相同ECT信号进行了去噪处理。结果表明ICA算法在ECT信号处理中具有独特优势。     

基于子波分析的气液两相流中相的识别

两相流的辨识技术较为困难。用热膜测速仪测量得到气液两相流信号，提出用子波分析的方法从气液两相湍流瞬时脉动速度信号中识别气泡结构的条件采样方法。利用子波能谱分析的能量最大准则，得到了一种用子波分析自动识别气液两相流中气液两相的新方法，该方法避免了人为确定阂值对经验的依赖性。     

一种基于ICA的机械缺陷超声信号提取方法

针对强噪声背景下缺陷超声回波信号检测的问题,利用了基于独立分量分析的方法进行缺陷信号的提取。该方法首先对观测信号进行JADE分解,得出多导独立分量,再根据赫斯特指数,分离缺陷信号和噪声信号。通过对仿真和实测缺陷超声信号的去噪实验研究,结果表明,与小波去噪方法相比,ICA去噪方法能够得到很好的信噪比,有利于强噪声背景下缺陷的去噪处理及微弱信号的提取。