基于VMD-ICA-CWT的内燃机噪声源识别方法

提出了基于变分模态分解(VMD)、独立分量分析(ICA)和连续小波变换(CWT)相结合的内燃机噪声源识别算法.首先,对内燃机进行铅覆盖,只裸露待测的第6缸部分,测量裸露部分缸盖位置处的单一通道噪声信号;然后采用变分模态分解算法将其分解为各变分模态分量,并用FastICA算法提取各独立成分,解决了对单一通道噪声信号进行盲分离的欠定问题,同时克服了传统的经验模态分解处理噪声信号时出现的模态混叠缺陷;最后利用连续小波时频分析和相干分析,对分离结果进行进一步识别.研究结果表明:该算法能有效地分离识别出内燃机的燃烧噪声和气阀机构敲击噪声.     

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。     

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?     

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.     

传统独立分量分析和变分贝叶斯独立分量分析的比较

通过试验比较了传统的独立分量分析(ICA)和变分贝叶斯独立分量分析(VbICA)在源信号分离中的能力,试验研究表明,无噪声环境下的盲源分离,两种方法都能得到很好的分离性能.然而,噪声环境下的源信号分离,变分贝叶斯独立分量明显优于传统独立分量分析,特别是随着噪声的增强,变分贝叶斯独立分量的优势就越明显.另外,变分贝叶斯独立分量可以估计源信号的数目,而传统独立分量分析往往事先假设源信号的个数已知,否则无法进行源信号分离.     

基于小波分析的盲源分离

提出一种新盲源（BSS）分离算法是在独立分量分析（ICA）算法中引入离散小波变换技术分解出有用信号．ICA是一种线性非高斯统计方法,不仅能够使研究对象相互独立或尽可能独立,而且能突出源信号的本质结构．笔者采用的新盲源算法能够将时-频ICA相结合,实现了较好的盲源分离．     

独立分量分析在内燃机噪声信号分离中的应用

采用独立分量分析的方法进行了内燃机噪声信号分离的研究．建立了基于FastICA算法的常规内燃机噪声独立分量分析模型,为了减少所需传声器个数,在此基础上应用了时序独立分量分析模型．以某四缸柴油机为研究对象,测量了不同工况下的噪声信号,计算了这些噪声信号的统计峰度,确认其为非高斯信号,满足独立分量分析的基本要求．对测得的柴油机噪声信号进行了时序独立分量分析,将其分解为一系列不同的独立分量．采用小波变换的方法对它们进行分析,得到了各独立分量的时频分布,研究结果表明,这些独立分量对应着不同的内燃机噪声源信号．     

基于EMD和ISA方法的轨道车辆动态应变信号去工频干扰研究

针对轨道车辆动态应变信号实际通道数量小于源通道,无法直接应用独立分量分析(ICA)方法降噪的问题,提出一种基于经验模态分解(EMD)和独立子空间分析(ISA)的去除工频干扰的方法.首先对信号进行EMD分解得到本征模态(IMF),再对结果进行ICA分析,得到独立分量,然后对独立分量进行层次聚类将原信号分解到不同的子空间中,从而达到分离噪声的目的.实验结果表明该方法降噪效果优于传统滤波算法,处理后的信号损伤值高于带阻滤波值处理结果,使寿命评估结果偏向于安全,证实了将其应用于去除轨道车辆动态应变信号中工频干扰的可行性.     

独立分量分析联合小波变换的多分量信号调制识别研究

对复杂电磁环境下多分量信号进行调制识别,可通过准确估计接收信号的瞬时频率来分析其脉内细微特征。本文联合独立分量分析和小波变换技术,对多分量辐射源信号进行了盲源分离和调制识别的研究。在无先验信息条件下,采用Fast ICA对混叠信号分离,将时频混叠信号分解成一系列独立分量。对分离后的单分量信号分别做小波变换处理,由小波系数的局部模极大值提取其小波脊线。针对不同调制类型雷达信号,用最小二乘法对时频小波脊线进行直线拟合,获取特征参数,通过计算特征值判决出信号的调制类型。通过仿真实验表明,该方法可以分离混叠信号并有效提取信号小波脊和瞬时频率,进而识别出信号的调制类型,并在低信噪比情况下仍有较高的识别概率。     

基于变分模态分解与独立分量分析的轴承故障特征提取方法

针对滚动轴承早期故障振动信号能量小且易受背景噪声干扰,从而导致故障特征提取困难等问题,提出基于变分模态分解(VMD)与独立分量分析(ICA)相结合的故障特征提取方法;该方法首先将原始故障信号进行VMD,得到若干正交的本征模态分量(IMF),然后依据峭度准则对分解后的信号进行分组重构,作为ICA的输入矩阵,最后采用Fast ICA算法实现故障信号与噪声信号的分离,从而提取机械故障特征信息;将轴承故障数据作为研究对象进行故障特征提取,并与集成经验模态分解-独立分量分析(EEMD-ICA)方法对特征信号的提取效果进行对比。结果表明,基于VMD与ICA的轴承故障特征提取方法提高了分解效率,解决了信号易受噪声干扰的问题,实现了轴承故障的精确诊断。