基于极值域均值模式分解的语音增强方法

增强低信噪比(signal to noise ratio, SNR)下的语音质量是语音识别需要解决的问题。在众多增强方法中,经验模态分解(empirical mode decomposition, EMD)是目前应用最为广泛的一种方法。针对EMD在对语音进行增强时存在端点效应的问题,研究了极值域均值模式分解(extremum field mean mode decomposition, EMMD)方法。该方法改变了EMD只利用信号的极值点信息的单一做法,充分考虑输入信号所有信息,计算信号极值点间所有数据的均值,可以有效解决EMD中的端点效应问题。因此,提出了基于EMMD的语音增强方法,实验结果表明EMMD方法的引入,消除局部数据中隐含的支流分量,避免了EMD方法的端点效应问题,明显提高了带噪语音的SNR,改善了语音的质量。     

一种基于混合系统滤波器的NCS系统故障诊断方法

针对一类具有随机传输时滞的网络化控制系统,在考虑时滞无界的情况下(最坏网络传输),提出了一种基于故障检测滤波器的故障诊断方法。首先,为了处理系统的内采样特性,根据混合系统理论设计了一种基于观测器的混合系统故障检测滤波器(FDF);利用多目标优化技术,将故障检测滤波器的设计问题转化为一类优化问题,并借助线性矩阵不等式方法给出了该优化问题的时滞独立解。最后通过仿真验证了该方法的有效性。     

基于CRPF的残差似然比检验故障诊断算法

分析了非线性系统故障诊断领域中常用方法的优缺点,针对外界随机扰动对于滤波精度的不利影响以及故障诊断的连续实现问题,通过代价评估的粒子滤波、交互式多模型和序贯概率比检验三者的有机结合,提出了一种基于代价评估粒子滤波的残差似然比检验故障诊断算法。采用代价评估粒子滤波替代交互式多模型中的次优滤波器,同时简化交互式多模型输入交互和输出交互环节。将滤波过程中得到的残差信息引入序贯概率比检验框架中,构建了一种新的在线残差似然比检验方法。实现了对于非线性系统状态有效估计以及对于系统模式连续、可靠的辨识。计算机仿真实验验证了算法的有效性。     

基于平均包络线匹配算法的EMD端点效应分析及在股价趋势分解中的应用

经验模式分解(EMD)能够有效获得非平稳非线性信号的时频特征,但传统的EMD分解算法存在严重的端点效应. 在深入研究和分析EMD算法的基础上,提出了一种基于波形匹配的端点效应处理方案,通过计算波形匹配度, 在平均包络线内部寻找与其端部变化趋势最为接近的子波,并用这段子波代替平均包络线的边缘部分, 使处理后的平均包络线极大地接近真实包络线,并把这种端点效应处理方案的EMD分解算法应用到实际的股票市场价格趋势分解中.实验结果表明,与经典的EMD边界延拓算法相比,本文提出的算法能更有效地抑制EMD分解时的边界效应, 分解得到的固有模式函数更能体现模拟信号真实的频率、幅值信息.应用实验表明:与现有方法相比,该方法更能提高预测精度.     

基于模式/区域分解的无人机集群电磁特性快速分析

无人机(unmanned aerial vehicle, UAV)集群在军事和民用领域的应用越来越广泛, 针对UAV集群目标电磁散射特性的获取和分析对生成对抗策略及反UAV有着重要的研究价值。目前, UAV集群动态测量数据获取难度较大、成本高; 而对于仿真数据, 传统计算电磁方法建模精度和效率较低, 有效的特性数据不足。因此, 提出了一种基于模式/区域分解的UAV集群目标电磁仿真方法, 该方法在矩量法的基础上, 引入特征模分解和区域分解技术, 前者极大地降低了计算未知量, 后者有效地解决了建模精度问题, 为UAV集群目标特性数据的生成提供了创新技术支撑。     

基于改进型经验模分解的陀螺漂移趋势提取

非线性,非平稳的时间序列经过经验模分解,可以得到一组内模函数和一个基本的趋势项。本文针对陀螺弱非线性、非平稳漂移时间序列的趋势项提取这一问题,引入了改进的经验模分解方法。该方法通过二拍自适应滤波对原经验模分解中局部均值的估计方法进行了改进,并利用自适应边界估值来抑制其边缘效应。给出了应用该方法的具体步骤,并对一组陀螺漂移序列进行了实际处理。实验结果表明,该方法有效提取了陀螺的漂移趋势项。     

基于D-S证据理论的雷达故障诊断方法

新型雷达装备故障具有明显的复杂性和相关性,难以准确确定故障部位。在分析雷达故障特点和专家诊断系统不足的基础上,把信息融合技术引入故障诊断,提出了一种基于D-S证据推理的诊断方法,构建了故障诊断模型,介绍了D-S证据推理的故障诊断算法和诊断过程,并用实例进行了验证。结果证明,该方法较好地解决了故障诊断中的不确定性问题,弥补了当前诊断系统中存在的缺陷。     

导引头的EMD-KF组合滤波方法

在拦截大机动来袭目标时,拦截弹视线角速度呈无规律的非线性变化,导引头对自身测量信息滤波存在一定困难。针对这一背景本文提出一种基于经验模态分解(empirical mode decomposition, EMD)和卡尔曼滤波(Kalman filtering, KF)相结合的导引头滤波降噪方法,发挥经验模态分解处理非平稳信号的自适应特性,并通过卡尔曼估计削弱经验模态分解方法中“边界效应”的影响。仿真表明,该方法对于具有强非线性特性的视线角速度信号有较好的自适应滤波效果。     

混杂系统粒子滤波混合状态估计及故障诊断算法

混杂系统同时包含连续动态特性和离散动态特性,并且两种动态相互作用,使其故障诊断变得更加困难。针对此问题,提出了一种混合系统粒子滤波混合状态估计及故障诊断算法,提高了现有方法的适用范围和诊断效率。针对混杂系统受控迁移、自治迁移和随机迁移等特点,首先利用随机混杂自动机对系统离散状态(包括故障)和连续状态进行统一建模,重点对现有基于扩展卡尔曼粒子滤波的连续估计算法进行改进,支持利用在线监测数据来估计混杂系统各类迁移产生的各种离散和连续状态,最后根据离散状态估计结果快速实现故障诊断。通过对典型非线性混杂系统的故障诊断,证明了该方法的有效性。     

两种基于RAIM的多模卫星故障诊断与重构方法

基于接收机自主完善性监测(receiver autonomous integrity monitoring, RAIM)算法,研究了两种针对全球定位系统/全球导航卫星系统(global position system/global navigation satellite system, GPS/GLONASS)多模卫星的故障检测与诊断方法,并提出了一种在无法进行最小二乘解算情况下的故障快速重构方法,即用前面时刻解算的正确结果来快速预测当前时刻的导航定位信息。应用多模卫星接收机真实数据的验证结果表明,两种方法均能正确诊断出故障卫星,且能对故障进行有效重构。同时,在对两种方法的优缺点进行对比分析的基础上,指出具体应用何种方法要根据实际应用环境而定。     

消除EMD端点效应的PSO-SVM方法研究

经验模态分解(empirical mode decomposition, 简称EMD)的端点效应使得EMD分解结果产生严重失真, 为了减小分解过程中产生的端点效应, 将支持向量机(SVM)这一智能算法引入EMD, 提出采用SVM模型解决分解中产生的端点效应问题. 通过支持向量机对其原始数据两端进行延拓, 以获得一个或者多个极大值和极小值. 为了使端点处的延拓变得更加合理, 引入粒子群(PSO)智能算法对支持向量机算法参数进行优化, 使其两个端点处的数据延拓得更加准确, 从而使得三次样条曲线在端点处不会发生大的摆动, 实现EMD分解的固有模态函数(IMF)更加准确可靠. 通过对仿真信号的研究表明, 基于PSO-SVM 方法的延拓方法能够很好地抑制了分解的端点效应.     

基于趋势估计的微多普勒分离与特征提取算法

微动目标特征提取与辨识一直是弹道目标识别的研究热点与难点。针对复杂运动目标微多普勒(micro-Doppler, m-D)曲线交叠耦合导致的微动辨识难点, 提出一种基于曲线趋势估计的分离算法。该算法首先通过骨架提取获得稳定精细的二值化曲线数据, 再基于曲线光滑性和插值法对曲线趋势进行精确估计并分离, 最后利用变分模态分解(variational mode decomposition, VMD)及经验模态分解(empirical mode decomposition, EMD)算法分解每条m-D曲线并计算相应的微动特性。仿真实验表明, 所提算法能够在信噪比大于-15 dB条件下稳定分离m-D曲线, 进而提取目标的微动特性。     

基于提升小波和递归增量聚类的实时故障诊断方法

针对复杂时变工业过程实时故障诊断问题,提出了一种基于提升小波( lifting wavelet, LW) 与递归增量聚类（recursive incremental clustering, RICLUSTER）相结合的实时故障诊断方法（lifting wavelet recursive incremental clustering, LW-RICLUSTER）。该方法首先通过LW变换对数据实时去噪,再通过RICLUSTER实时监控。由于采用LW与RICLUSTER相结合的方法,节省存储空间和运算时间的同时提高了诊断精度。实验结果表明,LW RICLUSTER集合方法能有效实现时变过程监控, 在诊断精度、速度和适应性方面,优于传统单一型CLUSTER方法。     

基于证据理论的信息融合故障诊断方法

从证据理论的基本概念和证据的融合推理方法出发,建立了多故障特征信息融合诊断框架,并提出一种符合故障诊断特点的基本可信度分配构造方法。该方法把诊断对象看作一个信息系统,运行过程中不断产生各种信息,并将信息加工成故障特征,通过特定的诊断决策规则,得出诊断结论。给出了一个多故障信息进行故障诊断的实例,结果表明该方法能够有效的提高诊断可信度,减小诊断的不确定性。     

基于支持向量机的信息融合诊断方法

提出了一种采用小波变换进行特征提取、支持向量机进行模式分类的多传感器信息融合诊断方法。该方法首先对多传感器的信息进行加权初级融合,接着利用小波变换的时频局部特性和多尺度、多分辨特性对传感器测量信号进行特征提取,最后利用支持向量机进行分类实现信息的特征级融合和分类。将其应用于某转子实验台的故障诊断中,取得了令人满意的结果。     

基于神经网络的故障模糊诊断研究

文章用模糊算子代替标准的传递函数，利用征兆、规则、故障间的逻辑关系进行故障诊断，构造了四层模糊结构，给出了诊断的知识流程、机理分析和诊断步骤，并推导出一种能加快网络收敛速度的故障诊断及改进算法．在对某J8-wp13发动机滑油典型故障样本和非故障样本的仿真中，诊断结果良好．     

基于EMD能量占比的海面漂浮小目标特征检测

针对传统的时频分析方法对海杂波分析有限的问题,提出一种基于经验模态分解(empirical mode decomposition,EMD)能量占比的海面漂浮小目标特征检测方法.首先,采用EMD将接收回波分为独立不同尺度的若干个固有模态(intrinsic mode function,IMF)分量,实现对接收回波的频率从...     

基于MEEMD-PE与CS-WNN模型的网络时延预测

针对网络控制系统诱导时延具有的随机性、非平稳性、非线性等特点，提出了一种基于改进的集总平均经验模态分解（modified ensemble empirical mode decomposition，MEEMD）-排列熵和布谷鸟搜索（cuckoo search，CS）优化的小波神经网络（wavelet neural network，WNN）时延预测算法。首先通过MEEMD对网络诱导时延序列进行处理，分别计算各模态的排列熵值，对复杂度相近的模态进行重组后得到新的子序列，从而达到降低建模复杂度和减少计算量的目的；然后利用CS算法优化的WNN预测新的子序列；最后叠加各子序列预测结果以获得时延序列的最终预测值。仿真表明，该算法具有较好的预测精度，能反映时延序列的总体趋势，可有效地降低异常值影响等优点。     

基于Hilbert-Huang变换理论的非线性系统分析

介绍了Hilbert-Huang变换(HHT)这一全新的处理非线性、非平稳信号数据的方法,将其用于分析典型的非线性系统-Duffing方程,通过对使用三阶Runge-Kutta法求解而得到的Duffing方程数值解分解后,得到了4个固有模态函数分量和1个残余量,给出了相应的能量-频率-时间分布图-Hilbert谱,并将其边际谱与Fourier谱作了比较。结果表明,此方法具有更好的局部特性分辨以及瞬时频率分解效果,经HHT变换得到的主要固有模态函数分量具有明确的物理意义,体现在Hilbert谱上的系统固有频率存在明显的波内调制机制,分析结果充分保留了系统的非线性特征。