单通道涡流无损检测信号盲源分离算法

针对脉冲涡流无损检测(pulsed eddy current testing, PECT)系统中获取单一检测信号存在的混叠问题,文章提出一种基于经验模态分解(empirical mode decomposition, EMD)和快速独立分量分析(fast independent component analysis, FastICA)的单通道盲源信号分离算法。该算法首先通过EMD对混合观测信号分解,然后利用奇异值分解(singular value decomposition, SVD)估计源信号数目,根据估计得到的源信号数目将观测信号和对应模态分量构成新的虚拟信号,最后利用FastICA算法分离得到源信号的估计。有限元仿真实验表明该算法能有效分离单通道混合检测信号,并且优于小波分解的单通道盲源分离算法。     

基于奇异值分解和均值聚类的单通道盲源分离算法研究

提出了一种基于奇异值分解(Singular Value Decomposition,SVD)的均值聚类单通道盲源分离算法.首先将单通道信号利用SVD分解,依据中值准则进行滤波去除噪声分量,然后在去除噪声分量对应的特征值基础上,根据剩余SVD特征值重构对应分量信号作为盲源分离观测信号.将重构分量信号进行短时傅立叶变换(Short Time Fourier Transform,STFT)进行稀疏化处理,利用散点图判别源信号数目,最后采用均值聚类方法估计混合矩阵,以估计混合矩阵求逆作为分离矩阵实现单通道信号的盲源分离.利用计算机仿真结果证明了算法的有效性.     

一种单通道的周期性信号盲分离算法

提出一种针对周期性源信号的单通道盲源分离方法,该方法首先利用希尔伯特变换将单通道的混合信号表示为复数形式后,并用交叉互验技术来估计谐波分量的阶数,然后通过人工蜂群算法优化用于估计基频的代价函数以获得源数、基频及其谐波长度,最后由一种自适应滤波算法来估算源信号的幅值,从而实现了盲源分离的目的.仿真实验结果表明了该方法思路的可行性,且可达到"全盲"的要求.     

基于EEMD和FastICA的单通道背景声舱音盲源分离

针对单通道信号盲源分离(blind source separation, BSS)模型的极端欠定问题,提出利用总体经验模态分解(ensemble empirical mode decomposition,EEMD)将单通道混合信号分解成多个瞬时频率本征模态函数(intrinsic mode function,IMF)分量的形式,构建新的观测矩阵,再通过快速独立分量分析(fast independent component analysis,FastICA)实现信号的盲源分离。仿真实验和实验室研究表明:该方法能够抑制宽频和瞬态干扰,有效地将淹没于噪声中的目标信号提取出来。实测数据分析表明该方法可以在飞机发动机噪声干扰下有效地提取背景声舱音信号,证明该方法在舱音信号处理中的有效性。     

确定盲分离中未知信号源个数的奇异值分解法

在信号源少于传感器观测到的混合信号时,未知信号源数目的估计一直是已有盲分离算法中一个未解决的问题,通过理论分析,提高并证明了在信号源盲分离问题中,可以通过计算混合信号数据矩阵的秩数来确定信号源的个数,存在观测噪声时,可以通过计算混合信号数据矩阵的奇异值分解进行估计未知信号源数目,给出了实际的计算方法,并通过计算实例证明了该方法的正确性和有效性,从而解决了盲分离中信号源个数的估计问题,为盲分离技术的应用进一步奠定了基础。     

基于变分模态分解算法的单通道无线电混合信号分离

针对复杂电磁环境下单通道无线电混合信号分离困难及分离精度不高的问题,提出2次使用变分模态分解(VMD)算法对单通道无线电混合信号进行分离的方法.首先利用VMD算法对单通道无线电混合信号进行粗分离,并将VMD算法与总体平均经验模态分解(EEMD)算法进行对比,得出前者分离出的信号在时域、频域及信噪比和相似系数等方面均比后者取得的对应结果效果好的结论.然后对VMD算法的参数利用改进的量子粒子群优化算法进行优化,确定所需分量个数和惩罚因子的值.最后对VMD算法分离后的信号使用参数优化后的VMD算法进行细分离.数值模拟和实验信号分析结果均表明,再次分离后所得到的信号精度较利用VMD算法对单通道无线电混合信号进行粗分离时更高,证明了所提算法对单通道无线电混合信号分离的有效性.     

单通道旋转机械复合故障信号分离及诊断

针对单通道条件下旋转机械复合故障信号分离和故障类别诊断难以有效实现的问题,采用总体经验模态分解(ensemble empirical mode decomposition,EEMD)方法构建虚拟多通道和线性局部切空间排列(linear local tangent space alignment,LLTSA)维数约减方法解决单通道盲源分离的欠定问题,并通过完备字典训练和稀疏分解提取故障信号稀疏特征,最后利用支持向量机对该诊断方法进行分类评估,并将其运用在滚动轴承故障诊断实验中,实现了单通道旋转机械复合故障信号的有效分离和故障类型的正确诊断。     

盲信号分离中基于四阶累积量的源信号个数估计

研究了盲信号分离中源信号个数小于观测信号个数情况下源信号个数的估计方法.分别就带噪声和不带噪声两种情形进行了研究.对不带噪声的情形,给出源信号个数的以概率1正确的估计.对带噪声情形,通过构造适当的四阶累积量矩阵,将源信号个数的估计问题转化成为四阶累积量矩阵有效秩的估计问题,利用矩阵的SVD分解方法给出了源信号个数的估计.最后,利用计算机仿真将本文提出的估计方法与已有的估计方法进行了比较,并对实验结果进行了分析.     

利用航空发动机信号特征的振动源盲分离算法

针对航空发动机机匣观测信号为多个振动源的混合信号的问题,提出了一种基于航空发动机振动信号特征的盲分离算法,能够从混合的观测信号中确定振动源的个数以及提取发动机内部各个振动源的振动信息。算法的核心是基于航空发动机等旋转机械转轴故障振动信号的频谱特点,其故障信号的振动谱一般包含基频、谐波成分和次谐波成分,如不对中、碰磨、裂纹等。算法用到的主要工具是连续小波变换和时间同步平稳法,主要步骤为:首先通过连续小波变换将航空发动机不同观测通道上的观测信号分解,根据谱峰值分析确定主要振动源及对应的基频;然后通过时间同步平稳法,分别从每个观测通道上提取各个振动源的谐波和次谐波成分,从每个观测通道上提取出了源信号;对于同一源信号,从每个观测通道上都能提取出一个基本映像,最后通过对比每个映像信号的二范数,确定每个源信号的最优估计。通过数值模拟信号和实测航空发动机加速度振动信号对算法进行了验证,结果表明,在对发动机转速有一定先验知识的情况下,所提算法能够估计出发动机内部的主要振动源的个数,并能提取源信号的主要成分。结合旋转机械振动频谱特点等先验知识,说明了所提算法的正确性和实用性。     

基于小波变换的单通道盲分离中源信号数目估计算法

推导了常用数字调制信号的小波变换幅度函数表达式,并给出了统一的近似表达式。在此基础上给出了单通道接收混合信号模型中小波变换幅度函数的近似表达式。通过充分利用与混合信号中奇异点有关的码元周期信息,给出一种基于小波变换的单通道接收条件下源信号数目估计算法,实现了在无先验知识的情况下对源信号数目的估计,并通过仿真验证了算法的可行性和有效性。     

小波分解单通道盲分离干扰抑制方法

在单通道通信系统抗干扰问题中,由于先验信息不足,不能采用常规的盲分离方法抑制干扰?针对此问题,提出一种小波分解结合独立分量分析(independent component analysis,ICA)的单通道盲分离抗干扰方法?该方法利用小波分解,将单路混合信号分解为一系列的小波分量,通过计算各层小波分量的能量,选择最优小波分量作为ICA的输入信号,采用ICA方法实现信号的分离和重构?该方法选择最优小波分量进行盲分离,有效减少分离算法的计算量,同时降低噪声对系统性能的影响?仿真结果表明,所提方法可以有效地分离混合信号,提高单通道通信系统的抗干扰能力和系统处理速度?     

EMD在汽车变速齿轮箱振动故障分析的应用

采用经验模态分解和能量特征值对振动加速度传感器获取的汽车齿轮箱振动信号进行特性分析.利用经验模态分解获得振动信号的本征模态函数,并对本征模态函数进行系数-能量计算,提取系统的特征信息,对汽车齿轮箱的故障进行诊断,从而实现在线监测汽车齿轮变速箱运转工作状态,及时发现齿轮箱的早期故障,提高汽车运行的安全性.仿真研究结果表明经验模态分解方法在故障信息诊断方面是可行的和有效的,并能够提高故障检测的可靠性.     

基于EMD改进算法的欠定混合盲分离

为改善拟合效果,针对经验模态分解(empirical mode decomposition,EMD)算法存在的端点效应,提出一种改进的EMD算法——端点极值延拓方法.利用改进的EMD算法对观测信号进行分解,将分解分量连同之前的观测信号构成新的观测信号,从而将欠定情况转化为超定情况,最后利用独立成分分析(independent component analysis,ICA)算法得到源信号的估计.通过仿真实验对比,证明了本文算法的有效性.     

基于改进的集合经验模态分解的爆破振动信号趋势项消除方法

针对实测爆破振动信号中存在的趋势项干扰问题,基于改进的集合经验模态分解,提出一种趋势项消除方法,并进行了模拟信号的仿真计算和爆破振动信号的实例分析.信号仿真计算结果显示:对于持续振动信号,该方法的趋势项提取结果与已有的基于经验模态分解或集合经验模态分解的趋势项消除方法较为接近;但当测试信号呈间歇振动时,该方法对趋势项的提取更为充分,体现了其对分段爆破振动信号中趋势项消除的优越性和适用性.同时,爆破振动速度信号的实例分析验证了该方法在实际应用过程中的可靠性.      

基于EMD闪光视觉诱发电位的单次提取方法

探讨了基于EMD方法的单通道闪光视觉诱发电位(FVEP)信号的单次提取方法.应用EMD方法的自适应多分辨率特性,首先把单通道闪光视觉诱发电位信号进行EMD分解,然后根据FVEP的频率特征,选择对应的IMF分量进行重构,得到有效去噪后的FVEP信号,可实现FVEP信号的单次提取.与目前临床最常用的叠加平均方法比较,说明利用EMD方法单次提取的FVEP信号能够准确反映FVEP的典型特征信息,满足了临床应用要求.     

基于EEMD和ICA的语音去噪方法

语音去噪技术是语音识别系统走向实用化的一个关键性难题.针对语音信号为非平稳信号的特点,提出了一种基于EEMD和ICA相结合的语音去噪方法,首先利用集合经验模态分解(EEMD)算法将含噪语音信号分解为若干个独立的固有模态函数(IMF),消除了经验模态分解(EMD)算法处理语音信号时产生的模态混迭现象;然后将固有模态函数通过改进的独立分量分析(ICA)算法分离出若干个有效的语音信号分量;最后对其进行语音重构,从而达到消除噪声干扰的目的.实验结果表明,该方法在输入信噪比为-10dB的汽车噪声条件下,可以将语音信号的信噪比提高到2.741 2 dB.     

基于经验模态分解的生命信号提取算法

穿墙生命探测雷达系统中,传统的基于快速傅里叶变换(FFT)的生命信号提取算法不能有效处理非平稳信号,且易受呼吸谐波干扰.为此,文中提出了一种从时域上提取生命信号的新方法.首先应用经验模态分解(EMD)将雷达接收信号分解成有限个固有模态函数(IMF),再用反映生命信号结构特征的IMF分量从时域上分别重构呼吸与心跳信号.仿真结果表明,所提出的新方法能避免呼吸信号谐波对心跳信号的干扰,因而能更加精确地提取心跳信号.     

经验模态分解的一种改进算法

针对信号采样频率过低对经验模态分解造成的虚假模态等问题,提出了一种改进的算法,即在进行分解前,对原始信号进行重构,其实质是通过内插的方式来增加采样点数,从而达到增加采样频率的目的.对模拟信号的处理结果表明,该算法消除了分解过程中包络曲线的异常波动,从而抑制了分解结果中多余模态的出现,使得对模态的物理解释更加清晰.在机械信号处理中,应用该算法成功地提取出机械信号中具有明确物理意义的故障模态,从而增加了机械故障诊断的能力.     

基于改进经验模态分解的三维重建

针对传统经验模态分解(Empirical mode decomposition,EMD)在边缘易出现分解错误的问题,本文提出一种改进的经验模态分解方法.分别对条纹进行镜像延拓和Gerchberg外插迭代来实现边沿的拓展,有效抑制条纹边沿引起的模态分解错误,提高分解准确度.将改进的EMD分解方式应用于变形结构光条纹图的分析,能有效消除条纹中的背景分布,得到更好的三维面形重建效果.