基于最大相关波形延拓改进的EEMD方法

针对经验模态分解(empirical mode decomposition,EMD)中出现的端点效应和模态混叠现象问题,提出了利用最大相关波形延拓改进聚合经验模态分解(ensemble empirical mode decomposition,EEMD)方法.利用最大相关波形法对原始信号的两端进行延拓,实现延拓数据在原信号边界处的平滑过渡,减小端点处包络线的拟合误差.针对EEMD中参数无法自动获取的问题,采用自适应EEMD对新信号进行分解,提高信号的分解精度.通过仿真分析和转子不平衡故障诊断实例研究表明,改进的EEMD方法不仅能够明显减少虚假模态分量、有效抑制模态混叠现象,而且较好地改善了端点效应引起的分解失真问题.同时与基于极值点对称延拓改进方法及基于镜像延拓改进方法相比,所提方法具有较高的分解精度.     

考虑量化的OFDM压缩感知信道估计算法

针对存在量化影响下的正交频分复用系统信道估问题,首先提出利用全相位FFT的ΣΔ量化噪声整形方法,基于信道稀疏性和压缩感知降低噪声大小;然后针对在量化噪声影响下的OFDM系统提出压缩感知信道算法.仿真结果表明,该算法具有良好的估计性能,同时可进一步降低系统噪声大小.     

基于ELKB日志管理系统的应用

针对现阶段云平台应用日志运维效率低的问题,研究一种基于ELKB架构的日志管理方案。该方案可实现对日志数据的高效采集和统一存储,并提供日志查询和可视化分析的功能。详细阐述日志的采集和存储方案,提出优化采集器Filebeat基础参数的方法,日志存储过程部署Elasticsearch集群模式,并总结Elasticsearch集群节点的性能提高方法,以此为基础搭建日志可视化管理系统。实验结果表明：参数优化后的Filebeat进行日志采集时,内存占用率与默认配置相比降低47%;Elasticsearch集群模式在进行关键字查询时的数据吞吐率高于单机服务器250req/s,且集群节点的段合并优化有效降低了日志的索引内存占用率,内存优化百分比介于11.9%和22.1%之间。可见日志管理系统部署方式灵活,有效提高了日志采集和检索效率,为云平台日志管理提供了可行的方案。