基于近似熵的直流牵引电机健康监测方法

针对直流牵引电动机健康状态估计缺乏有效的快速算法问题,提出了一种基于近似熵的直流牵引电动机健康状态实时分析方法.并对传统的近似熵计算方法用矩阵运算进行算法优化,提升了运算速度.针对直流电动机的电磁特性,融合待检测电动机的电流、电压、转速信号信息计算出电动机系统近似熵值,并依此判断电动机健康状态.最后,用直流电动机实验平台的数据验证了该方法的有效性.     

基于近似熵的直流牵引电动机健康监测方法

针对直流牵引电动机健康状态估计缺乏有效的快速算法问题,提出了一种基于近似熵的直流牵引电动机健康状态实时分析方法.并对传统的近似熵计算方法用矩阵运算进行算法优化,提升了运算速度.针对直流电动机的电磁特性,融合待检测电动机的电流、电压、转速信号信息计算出电动机系统近似熵值,并依此判断电动机健康状态.最后,用直流电动机实验平台的数据验证了该方法的有效性.     

小波包近似熵特征的机动车声识别方法

为了提高复杂背景噪声环境下的车型识别准确性,该文基于近似熵理论,对机动车行驶中辐射的声信号进行了研究。近似熵具有抗干扰能力强的特点,可用于提取动态背景噪声下机动车声信号的车型特征信息。首先,对声信号进行3层小波包分解;然后,利用近似熵量化第3层上各子频带信号的不规则性,描述各频带之间不同的变化趋势并作为目标车辆的声特征。为了提高分类有效性,将分解后的8个子频带信号的近似熵邻比值作为信号的特征向量,并基于支持向量机分类器实现了车型识别。分别在正常和有风两种气候条件下进行了实验,基于小波包近似熵的车型特征均获得了较为理想的分类精度。实验结果显示,小波包近似熵特征能有效地应用于机动车的声识别且对气候的影响具有一定的鲁棒性。     

人体HRV信号的检测及其复杂性分析

设计开发了一种便携式心电监测仪器,用于监测人的肢体心电(ECG)信号.根据获得的心电数据,采用小波变换技术进行心电R峰的准确定位,进而得到HRV序列.对HRV信号进行复杂性分析的结果表明:处于健康状态下HRV信号的复杂度(C(N))要高于处于病理状态下HRV信号的复杂度,且近似熵和复杂度的分析结果一致;处于健康状态下HRV信号的近似熵要高于处于病理状态HRV信号的近似熵.     

一种肩颈部肌电信号识别的智能轮椅控制方法

为了实现利用肌电信号识别的智能轮椅系统控制,提出一种基于空域相关滤波的小波熵和近似熵特征提取与分类方法.通过分布在人体肩颈部的电极采集动作并产生多通道表面肌电信号,采用阈值比较与移动平均的数据分段方法确定活动段的起点和终点,在小波变换尺度间相关滤波的基础上提取活动段数据的小波熵和近似熵特征,设计具有二叉树结构的孪生支持向量机多类分类器,以完成5种动作模式的识别,并在预设的实验轨迹上对智能轮椅进行测试.结果表明,所提出的方法在人体头部左、右转以及双肩上提和左、右肩上提等动作模式下对肌电信号的识别率均达到88.75%.     

动态近似熵快速算法在心率变异研究中的应用

提出了一种动态近似熵的快速算法,只要较短数据就能表现信号的非线性特征,并大大缩短了计算时间.对心率变异性分析中静卧-行走实验采集的R-R间期信号进行了动态近似熵分析,描述了心率调节作用的动态变化,反映了受试者生理状态的改变与心率变异的无序性.     

基于近似熵的认知能力对事件相关电位的影响研究

选择青年组、血管性痴呆(VD))组以及与VD同一年龄段的正常老年组作为被试人群,其中VD组又依据简易智能量表的测试结果细分为轻度和重度VD组.采用视觉通道诱发的oddball实验模式,并对事件相关电位(ERP)信号进行近似熵分析.通过对不同被试组的近似熵对比发现,重度VD患者近似熵在整个实验过程中基本保持稳定,没有显著变化,而其余被试组随着刺激任务的开始,近似熵下降,随着任务的结束,近似熵升高.其次,轻度VD组的近似熵值明显高于老年组和青年组,尤其是在任务反应阶段其差异程度更为显著.ERP的近似熵分析较为清晰地展现出具有不同程度认知能力的被试者在执行认知任务过程中脑活动的变化,有效地反映了其大脑认知加工的过程和能力的大小.因此,近似熵为VD的早期诊断及程度分级提供了一个有效的途径.     

相关近似熵及在传感网数据故障检测中的应用

针对模糊近似熵方法在生成时间序列数据特征过程中出现的依赖参数较多和计算复杂度较高的问题,提出了相关近似熵方法,并应用在传感网数据故障检测中.相关近似熵方法采用相关信息熵来计算向量空间中多维数据之间的相关度,通过计算向量空间在其维数由M维增加到M+1维时多维数据之间保持相关性的概率来判定一个时间序列的复杂程度.相对于模糊近似熵,相关近似熵方法将依赖参数从4个减少到了2个,并减小了计算复杂度.实验结果表明:相关近似熵生成的特征在大多数情况下显著优于模糊近似熵生成的特征,并且相关近似熵方法大幅度地缩短了传感器数据特征的生成时间.     

基于Hilbert谱熵的柴油机故障诊断方法研究

从信号的特征提取出发,采用局域波时频谱分析和信息熵结合的方法--Hilbert谱熵(HSE),进行柴油机振动信号的特征提取和状态识别.首先,对信号进行局域波分解;然后,根据得到的内蕴模式分量计算Hilbert谱;最后,建立基于时频分布的Hilbert谱熵,并以此作为故障识别的特征参数.以柴油机缸套与活塞间磨损的状态识别为例,根据对时域、频域和时频域的信息熵比较分析,证明了Hilbert谱熵对柴油机的状态进行评价的有效性.此方法为柴油机预知维修提供了一个有效的手段.     

基于LMD近似熵与HMM的转子故障诊断方法

提出一种基于局部均值模式分解(local mean decomposition,简称LMD)的近似熵和隐Markov模型(hiddenMarkov model,简称HMM)的转子系统故障识别新方法.利用LMD良好的局域化特性和近似熵来量化故障特征,再与HMM结合进行故障类型识别.用LMD方法将转子信号分解成若干个瞬时频率具有物理意义的乘积函数(product function)PF分量之和,选取转子信号的前3个PF分量的近似熵值作为信号的特征向量,将构造出的特征向量输入到HMM分类器中进行故障类型识别.仿真表明,该方法能有效地提取故障特征,结合HMM的动态统计特性可智能识别转子故障类型.