齿轮振动信号的压缩感知采集与故障诊断

传统的采样策略会产生大量的数据,为了减少齿轮振动监测中的数据量,在压缩感知的基础上,建立了齿轮振动信号采集和重构模型。首先通过高斯随机矩阵对振动信号进行压缩测量、传输和存储压缩后的信号可以节省成本。信号重构归结为一个最优化问题,应用正交匹配追踪求解信号重构问题。进而得到重构信号的Hilbert解调谱,从Hilbert解调谱中提取特征频率,以特征频率能否识别来评价信号重构的效果。仿真实验和齿轮实验证明了模型的有效性。     

纯量谱分解的Gevers-Wouters算法收敛性分析

滑动平均(MA)模型参数估计问题等价于一个谱分解问题,用Kalman滤波方法基于MA模型到状态空间模型的变换,证明了纯量可逆的MA模型参数估计的Gevers-Wouters算法的一致性和指数收敛性,且证明了收敛速度由MA多项式的零点决定。当MA多项式的零点不接近单位圆周时,Gevers-Wouters算法可高精度快速给出MA参数估值,是一种快速、简单、有效的谱分解算法,为状态估计、信号处理、时间序列分析、系统辨识提供了一种重要的工具。     

旋转磁场井间随钻测距导向系统中微弱频变信号的检测方法

针对旋转磁场信号的微弱且频变的特点,提出并实现一种基于离散傅里叶变换(DFT)双谱峰的频率重构方法。在信号幅度谱主瓣内搜索两个谱峰的频率,以此重构信号频率的初值,运用牛顿迭代算法求解信号的真实频率,恢复信号幅度。通过计算机仿真和室外模拟对算法进行测试。结果表明:仿真结果优于基于DFT的单谱峰方法,模拟试验结果符合磁场信号随距离变化的规律,验证了所提方法的有效性和准确性;该方法能够准确锁定变化的磁场频率,滤除其他频率的杂波和噪声,精确提取出微弱的磁场幅度。     

相位谱重构信号的迭代算法中初始值对重构结果的影响

讨论了在相位谱重构信号的迭代算法中,幅度谱初值的不同设置对重构信号的收敛速度产生的不同影响。     

基于压缩循环谱的mW复合序列参数估计

针对m W(m-Walsh)复合序列扩频信号的参数估计问题,根据循环谱理论推导了m W复合序列扩频信号的循环谱表达式,并结合Walsh序列的频谱特征分析了m W复合序列扩频信号的循环谱特征,提出了基于循环谱的参数估计算法.针对m W复合序列循环谱的获取所需采样率较高的问题,引入压缩循环谱技术,通过信号的压缩采样值来重构循环谱.实验结果表明,利用压缩采样理论能有效地重构出信号循环谱,并实现对Walsh序列序号、m序列码片速率和载频等参数的有效估计.     

多径衰落信号的多重分形谱

利用多重分形模型对多径衰落信号的分形特征进行了分析和讨论。通过分析,指出多径信号的多重分形谱特征是描述移动通信信道的重要参数,并引入了一种利用相空间重构的思想来提取信号多重分形特征的算法。结合分数布朗运动模型,对多径信号的重构进行了研究,对实测数据的分析结果表明,分形模型与传统的统计模型相比能更精确地描述多径衰落信号。     

基于受污信号幅度谱和部分时域值的稳健性重构算法

利用幅度谱与部分时域采样值来重构信号是极为重要的。然而，信号总会受到噪声的污染，本文介绍了一种由迭代序列外推的稳健性重构算法，并给出若干实例。结果表明，这个算法是很在效的的。     

随机AR(1)MA(1)模型的参数矩估计及其相容性

利用矩估计法,给出了双重时序模型AR（1）－MA（1）的参数矩估计。在第二重模型MA（1）噪声方差已知的条件下,通过对协方差函数渐近性质的研究,证明了该矩估计的相容性。讨论了第二重模型满足对数MA时的参数的矩估计及其相容性、自相关函数及谱密度。     

滑动平均模型参数估计的Gevers-Wouters算法的指数收敛性

可逆的向量滑动平均(MA)模型参数估计问题本质上是一个矩阵谱分解问题。基于向量MA模型和状态空间模型之间的变换,用Kalman滤波方法证明了矩阵谱分解的Gevers-Wouters算法的一致性和指数收敛性,且证明了收敛速度由MA多项式矩阵的行列式的零点决定。当这些零点不接近单位圆周时,Gevers-Wouters算法可高精度、快速地给出MA参数估计,因而提供一种快速有效的谱分解工具。     

混合谱梯度方法及其在医学图像弹性配准中的应用

 大规模优化问题一直是理论研究领域的研究重点,求解无约束最优化问题的混合谱梯度方法将多元谱梯度方法和谱梯度方法有效地 结合在一起,综合了二者的优势,引入非单调线搜索后,形成了全局收敛的混合谱梯度算法,并用于医学图像弹性配准B样条参数 模型的求解。医学图像弹性配准是医学图像处理研究的热点和难点,其中的参数模型往往转化为无约束优化问题的求解,当参数数 目较大时传统的方法求解费时,而混合谱梯度算法较多地利用梯度信息,避免了梯度计算的浪费,与层次B样条结合可以极大地提 高参数配准的优化速度和精度,算法中的非单调线搜索还有助于避免局部最优。     

低速率声码器激励参数的DCT_M模型

在低速率声码器中,对激励信号的描述直接影响重建语音的质量。为了改善音质,引入了DCT-M模型对激励谱幅度参数进行描述,通过二维离散余弦变换将变长的谱幅度矢量转为固定长度,再对其进行多级矢量量化。测试表明,该方法能够保留全带激励谱幅度矢量的形状,降低模型误差,从而提高了全带激励谱幅度的描述精度。将其应用在正弦激励线性预测(SELP)声码器中进行测试,结果表明,它能够改善重建语音的自然度,主观测试结果达65%。     

基于谱特征参数的图像稀疏降噪

提出一种基于谱特征参数的图像稀疏降噪算法。其采用稀疏重构理论为图像降噪框架,并将图论中的谱特征参数作为一约束条件,以有效克服传统稀疏重构中稀疏解不稳定的问题。该降噪算法将噪声图像块作为基础元素进行关系图构建,进而得到邻接矩阵。然后,求解该邻接矩阵对应的拉普拉斯矩阵,并对其进行特征分解,得到对应的特征向量,即谱特征参数。最后,将图像块矩阵与一定数目该高频谱特征参数所组成矩阵的乘积作为稀疏模型的正则项形成提出的算法模型。实验结果表明,与基于K-SVD的稀疏表示降噪算法相比,在相同参数的情况下提出的算法在多种类型噪声下对多幅图像的降噪效果都有着显著的提高。     

低速率声码器激励参数的DCT_-M模型

在低速率声码器中,对激励信号的描述直接影响重建语音的质量。为了改善音质,该文引入了DCT-M模型对激励谱幅度参数进行描述,通过二维离散余弦变换将变长的谱幅度矢量转为固定长度,再对其进行多级矢量量化。测试表明,该方法能够保留全带激励谱幅度矢量的形状,降低模型误差,从而提高了全带激励谱幅度的描述精度。将其应用在正弦激励线性预测(SELP)声码器中进行测试,结果表明其能够改善重建语音的自然度,主观测试结果达65%。     

由已知幅度谱及部分采样点恢复信号与采样频率的关系

恢复信号所需的已知采样点数占信号总长度的比例Ｐ与采样频率有关，在一定条件 下，提高采样频率，可使Ｐ远小于三分之一。已知的采样点可不限于从信号的第一点开 始，也不限于是一段连续的采样点。本文的研究结果扩大了信号重构方法的应用范围。 试验例子的计算机计算结果与理论分析相符。     

谐波级数表示与周期时变参数模型间关系

非线性动态系统的建模一直是控制领域的重要问题之一.针对这一问题,特别是包含滞后环节的非线性系统建模问题,提出了一种引入自适应延迟的动态BP(back propagation)学习算法.该算法在传统多层感知机神经网络结构基础上,在网络的第1隐层和输出层分别引入可调节的自适应延迟参数,通过误差梯度对其进行修正,实现了对延迟参数的辨识.仿真结果表明,所提出的方法能够有效实现对非线性滞后系统的辨识,并能够对系统的延迟时间进行准确估计.     

MA模型参数估计的两段最小二乘法及其在自校正跟踪滤波器中的应用

提出了滑动平均（MA）模型参数估计的两段最小二乘法。首先用递推最小二乘法对MA模型拟合一个高阶自回归（AR）模型,然后再用最小二乘法一个不相容的超定性方程组得到MA模型参数估值。一个应用于自校正跟踪滤波器的仿真例子说明了其有效性。     

一种改进的变步长自适应匹配追踪算法

压缩感知是利用信号的稀疏性和可压缩性进行信号处理的新理论.针对压缩感知中信号稀疏度未知的问题,提出了一种改进的变步长自适应匹配追踪(MVss AMP)算法.该算法通过计算余量与测量矩阵的相关性,自适应地选择候选集原子,并且通过可变步长更新支撑集,实现信号的精确重建.该算法通过设置一个参数来控制步长变化.仿真结果表明:该算法在误差范围内实现了信号精确重建,并且重建性能优于其他同类算法.     

基于听觉模型的自相关谱语音信号的重构

研究如何从听觉模型的自相关谱中恢复出原始的声音信号.从短时自相关函数中得到原始信号的傅立叶变换的幅度值,然后利用迭代算法仅从傅立叶变换的幅度值中恢复语音信号.