核Drell—Yan过程中的能量损失效应

核Drell-Yan过程中的能量损失效应是不同于束缚核子部分子分布函数核效应的另外一种核效应。用G．T．Garvey和T．C．Peng提出的处理能量损失的方法分别计算了入射质子束能量E_(beam)为120 GeV,50 GeV的(p W)/(p D)的Drell-Yan微分截面比,对核Drell-Yan过程中的能量损失值与入射夸克在A核中的平均路径长度〈L〉_A的关系进行了讨论,提出用低能量的质子束、对核子数A为不同值的多种核子进行实验来进一步研究能量损失效应的建议。     

核Drell-Yan过程中的能量损失效应

核Drell-Yan过程中的能量损失效应是不同于束缚核子部分子分布函数核效应的另外一种核效应.用G.T.Garvey和T.C.Peng提出的处理能量损失的方法分别计算了入射质子束能量Ebeam为120GeV,50GeV的(p+W)/(p+D)的Drell-Yan微分截面比,对核Drell-Yan过程中的能量损失值与入射夸克在A核中的平均路径长度A的关系进行了讨论,提出用低能量的质子束、对核子数A为不同值的多种核子进行实验来进一步研究能量损失效应的建议.     

IFD与KELM结合的滚动轴承故障诊断方法

针对滚动轴承振动信号非线性、非平稳的特点,提出基于迭代滤波分解(iterative filtering decomposition, IFD)提取各分量特征,结合核极限学习机(kernel extreme learning machine, KELM)的故障诊断方法.通过对原始信号进行IFD分解,得到一组本征模态函数(intrinsic mode functions, IMF).计算包含主要故障信息在内的IMF分量能量与排列熵组成的故障特征向量,将特征向量作为KELM输入识别轴承的故障类型.实验分析结果表明,以IFD作为预处理器的特征融合方法比经验模态分解(empirical mode decomposition, EMD)为预处理器的特征融合方法有更高的故障识别率,并且该方法在少量样本情况下仍能有效识别故障类型.     

遗传算法优化最小二乘支持向量机的故障诊断

提出一种基于遗传算法分层优化多类最小二乘支持向量机(least squares supportveotor machine,LS-SVM)的故障诊断模型。首先将故障信号经验模态分解(empirical mode decomposition,EMD)为平稳本征模态(intrinsic mode function,I MF)分量,再选择表征故障调制特征的I MF分量并提取瞬时幅值能量作为故障特征输入到遗传算法分层优化好的采用多项式核的多类LS-SVM中进行故障识别。EMD分解可自适应分离故障调制信号;瞬时幅值能量矢量的不同表征各类故障的可分性;遗传算法分层优化惩罚因子和多项式核参数可以使LS-SVM摆脱对故障类型与模式编号映射关系先验知识的依赖,提高LS-SVM的故障预测精度和自适应诊断能力,并可以推广应用于线性、径向基、Sigmoid等核条件下的LS-SVM优化。一个深沟球轴承故障诊断实例说明该模型的有效性。     

基于子带能量线性映射的噪声中端点检测算法

研究噪声环境下的语音端点检测问题。在低信噪比下 ,虽然噪声和语音的频谱分布不同 ,但是传统语音检测算法使用的时域能量没有描述能量在各频域子带的分布 ,对于语音和噪声没有很好的区分性。以前提出的基于时间 -频率的能量参数利用频域的限带能量加上时域能量来进行噪声中的语音检测。但是它们选择频带的依据是语音信号的高能量子带 ,而没有考虑噪声的子带能量分布。该文提出的语音检测方法同时考虑语音和噪声的频域能量分布 ,采用线性映射的方法将 Mel滤波器组的子带能量特征空间映射到噪声和语音最有区分性的一维子空间 ,得到新的特征参数 EL MBE进行语音检测。实验结果表明 ,在噪声环境下基于线性映射的能量参数比时域能量 ,基于时间 -频率的能量有更好语音检测性能。     

EEMD结合能量特征和小波降噪的轴承故障诊断

为解决在强背景噪声条件下滚动轴承故障诊断问题,开展基于能量特征和小波降噪的总体经验模态分解(EEMD)研究。首先以仿真信号为研究对象,对其进行总体经验模态分解,得到9个固有模态函数(IMF)和1个余项( Res),然后考虑各模态函数的能量特征,将分解后的9个IMF分量与原始信号的能量比作为判断标准,剔除附加5个低频分量,最终得到4个有效的IMF分量和1个余项,与仿真信号相符。在仿真信号分析的基础上,对含噪声信号的滚动轴承故障信号进行故障诊断试验研究,采集信号经小波降噪后,利用总体平均经验模态分解并结合能量特征,得到3个IMF分量和1个余项,然后对3个IMF分量进行包络谱分析,提取故障特征频率157.5 Hz,与滚动轴承故障内圈特征频率157.9 Hz相比,误差为0.25%,说明该方法能很好地提取含有噪声信号的轴承故障信息。该研究为强背景噪声下滚动轴承故障信息的提取提供了一种有效的方法。     

基于ITD和敏感SVD的故障诊断方法研究

如何在含有噪声的振动信号中提取故障特征,是轴承故障诊断的关键问题,为此本文提出一种基于本征时间尺度分解(Intrinsic Time-scale Decomposition,ITD)和敏感奇异值分解(Sensitive Singular Value Decomposition,SSVD)的故障诊断方法.首先对时域振动信号进行ITD预处理,并根据峭度准则选取包含故障信息的敏感旋转(Proper Rotation,PR)分量用于振动信号重构,以凸显振动信号局部特征;然后对此时频信号进行敏感SVD分析,通过敏感因子及定位因子选择敏感SVD分量重构信号,以滤除噪声干扰,提取微弱故障信息;最后利用Teager-Kaiser能量算子(Teager-Kaiser Energy Operator,TKEO)计算故障信息的瞬时能量,并对其进行频谱分析,获取故障特征频率,用于识别故障类型.将此方法应用于轴承故障诊断,实验证明了所提方法的有效性.     

高能碰撞轻子对产生的核Drell-Yan过程中的能量损失

核物质中的能量损失效应是不同于束缚核子部分子分布函数核效应的另外一种核效应,而核Drell-Yan过程是研究这种能量损失效应的最佳途径.用G.T.Garvey和T.C.Peng提出的处理能量损失的方法,采用EKS和HKM两套不同的束缚核子的部分子分布函数,分别计算了核Drell-Yan过程中的微分截面比,所得结果一方面验证了p-A碰撞中能量损失的存在,另一方面也说明了用来确定束缚核子部分子分布函数的参数中不应包括核Drell-Yan过程中的实验数据.     

地运动信号的时频分析

对实测地运动信号,分别应用短时傅里叶变换(STFT)、Wigner-Ville分布(WVD)、小波变换(WT)和Hilbert-Huang变换(HHT)进行了分析,讨论了地运动信号的时频分布.结果表明,地运动信号有多个中心频率,信号能量在0～30 Hz以内,优势频率在12～15 Hz.4种时频分析方法都能反映地运动信号的时频特征,STFT和WVD只能粗略反映信号能量的分布情况,可以给出能量峰值对应的具体时间和频率,但其分辨率单一.WT和HHT可以给出信号能量比较详细的分布情况,WT具有多分辨率特点,但给出的能量分布在一定的带宽内,不能给出某一频率的能量分布.HHT具有自适应性,给出的是某些特征分量的能量分布,也不能给出某一频率的能量分布.     

关节水平的“共驱动”研究

本文以主动肌和拮抗肌的协同作用机理为依据,从表面肌电(EMG)信号的频率参数和肌肉平均传导速度两个方面,对近年来提出的正常人体神经肌肉系统控制的新理论——“共驱动”概念,在关节水平上进行了探讨和研究,实验结果表明:膝关节的主动肌和拮抗肌在持续恒力收缩下,其表面EMG信号功率谱的归一化中值频率随着时间的增加而同时下降;两路EMG信号的归一化中值频率之间的互相关系数随着收缩力的减小而减小,肘关节的肱二头肌不论是作为主动肌还是拮抗肌,在持续恒力收缩下,由表面EMG信号估计得到的肌肉的平均传导速度均随着收缩时间的增加而下降;肱二头肌作为拮抗肌时,平均传导速度明显高于其作为主动肌时的平均传导速度。     

高能碰撞轻子对产生的核Drell-Yan过程中的能量损失

核物质中的能量损失效应是不同于束缚核子部分子分布函数核效应的另外一种核效应，而核Drell—Yan过程是研究这种能量损失效应的最佳途径。用G．T．Garvey和T．C．Peng提出的处理能量损失的方法，采用EKS和HKM两套不同的束缚核子的部分子分布函数，分别计算了核Drell—Yan过程中的微分截面比，所得结果一方面验证了P—A碰撞中能量损失的存在，另一方面也说明了用来确定束缚核子部分子分布函数的参数中不应包括核Drell—Yan过程中的实验数据。     

微机控制功能性电刺激实验系统

以IBM PC/XT 计算机为基础的神经肌肉功能性电刺激实验系统,根据功物实验原理,输入适当参数,产生两路刺激信号的控制电压,记录相应肌肉的收缩力及其电活动一肌电图(EMG),自动控制实验过程.研究具有多种发放率和募集控制方式的肌力调节、电刺激下肌肉的EMG/力模型、神经肌肉系统的频率响应等.     

舰船噪声能量分布及零交叉密度在听觉上的反映

采用功率谱计算和小波分解的方法，分析了不同类型舰船辐射噪声在能量分布及噪声信号在不同尺度上的零交叉密度，找到了二者与人耳进行听音识别感觉之间的联系，为人的听音经验转化为数字特征提供了客观依据。     

认知无线电频谱感知技术研究

对基于发射机检测的频谱感知方法进行了分析,比较了能量检测和基于循环平稳信号检测两种方法,并对这两种检测方法进行了公式推导,给出了实现过程;对能量检测进行了误检测概率分析,得出信道噪声的不确定性将严重影响检测有效性的结论;通过对信号正确检测概率的仿真,验证了基于循环平稳信号的检测门限不是基于噪声能量,而是基于信号的统计分布特性.     

基于计算听觉场景分析的改进清音分离方法

基于计算听觉场景分析(CASA)的单通道语音分离方法在浊音分离领域已发展得较为成熟,然而由于清音信号具有较小的能量且不包含周期性基音特征,因此清音分离具有较大的困难。根据噪声信号分布的不确定性和不稳定性,提出了基于CASA和谱减的改进清音分离方法。改进方法在剔除了浊音块后,通过基于距离加权的残余噪声估计算法得到每个清音单元中所包含的噪声能量,对每个清音单元进行谱减算法并标记,进一步剔除残余噪声单元,提取出清音信号。实验结果证明:与传统清音分离方法相比,改进方法对时变性残余噪声能量的估计结果更加精确,更能提高清音分离的有效性。     

一种利用线性预测残差的语音去噪方法

提出了一种利用线性预测残差去除语音中加性白噪声的方法 .含噪语音经过线性预测分析后 ,所得的线性预测残差可分为与语音相关的语音残差部分和与噪声相关的噪声残差部分 .当噪声为白噪声时 ,噪声残差能量与噪声能量的比值大于语音残差能量与语音能量的比值 ,并且随着含噪语音信噪比的增大 ,两者数值上的差距越来越大 .因此 ,从含噪语音中按一定比例 λ(0 <λ<1 )减去预测残差 ,即可抑制噪声残差能量 .这实际上抑制了含噪语音中的噪声能量 ,提高了其信噪比 ,从而达到在一定程度上去噪的目的 .同时 ,这样处理造成的语音能量损失是有限的 .特别是 ,上述方法中对语音成分的操作仅仅在预测残差内进行 ,对语音的共振峰影响很小 ,因而能够较好地保留语音信号的频谱结构 ,使语音品质不致降低 .实验结果表明 ,该方法简便而有效     

一种新的对数能量谱熵语音端点检测方法

将一种新的对数能量(LE)特征和谱熵(SE)特征相结合,提出一种新的对数能量谱熵(LESE)特征,采用模糊C均值聚类算法和贝叶斯信息准则算法进行LESE特征门限估计,并使用双门限法进行语音端点检测.在TIMIT连续语音库上的实验结果表明,相比于能量谱熵(EE)法和对数能量(LE)法,在噪声环境下LESE法具有更好的检测性能,表现出更好的稳健性.当信噪比为-5 dB时,LESE法的检测错误率仅为18.02%,在信噪比为0～10 dB时,其检测错误率要明显低于EE法和LE法.     

基于CEEMDAN-WPT联合去噪的灾后求救信号能量分布特征研究

在隧道、矿山等复杂环境的地下工程灾后救援中,求救敲击信号微弱且经常淹没在噪声环境中,如何有效拾取求救敲击信号是灾后救援的关键问题。该文以现场敲击数据为基础,选取钢架、钢管、铁锤等不同类型的敲击信号进行对比研究。首先采用自适应噪声完备集合经验模态分解的改进算法(CEEMDAN)对信号进行分解,运用功率谱密度、相关系数和方差贡献率分析方法选择包含有效信息的IMF分量,再利用小波包阈值去噪(WPT)对信号进行分层滤波,最终得到信号的工作特征信息;其次利用小波包分析模块分别求得每个节点重构信号的小波包频带能量,研究不同类型敲击信号在频带内的能量分布特性,并比较其频带能量的分布差异。结果表明,钢架、钢管、铁锤等敲击信号的能量分布大致相同,多集中于0～250 Hz;通过能量频带细化分析发现,在能量波峰处,钢架敲击地面占比最少,铁锤敲击地面占比最多,该文方法可为灾后求救信号的有效识别提供基础,且为救援设备的传感器参数选择提供依据。     

基于小波包变换的一种降噪算法

白噪声的方差和幅值随着小波变换尺度的增加会逐渐减小 ,而信号的方差和幅值与小波变换的尺度变化无关。因此 ,文章提出一种以小波包能量为基础 ,以降低原始信号与降噪后信号之间的均方误差 (MSE)为目标的基于小波包的降噪算法 ,并与传统的 Donoho的硬阈值降噪算法作了比较。仿真结果表明 ,该算法可以有效去除白噪声干扰 ,并且明显优于传统的 Donoho的硬阈值降噪算法。     

基于经验模态分解和核主成分分析的SAR图像相干斑抑制

结合经验模态分解(EMD)与核主成分分析(KPCA)方法,针对SAR图像提出一种改进的相干斑抑制算法。首先将SAR图像进行对数变换和均值调整后进行经验模态分解;然后利用KPCA进一步去除各层本征模态函数(IMF)中的噪声,具体方法是根据斑点噪声的统计特性和零均值高斯白噪声IMF的能量分布模型,近似计算各层IMF中噪声能量所占比例,据此选择合适数量的主成分重构IMF;最后对经过KPCA处理的IMF进行累加重构得到去噪SAR图像。实验结果表明,与另外两种EMD图像去噪算法相比,本文提出的方法在相干斑抑制效果和图像细节信息保持能力两方面都有较好的提高。