基于多重分形的齿轮故障特征提取方法

为提取齿轮的故障特征,提出利用多重分形谱参数来表征齿轮振动信号特征的方法.运用多重分形理论对实测的齿轮振动信号进行分析,计算了振动信号的多重分形谱参数,并对齿轮振动信号多重分形谱参数的变化规律进行了研究.结果表明:齿轮工作状态不同,振动信号的多重分形谱参数△a、△f及fmax发生明显变化.当齿轮出现断齿故障时,△a、△f和fmax均显著增大.多重分形谱参数可定量刻画振动信号的特征,成功识别齿轮断齿故障.     

基于多重分形降趋算法与改进的K均值聚类滚动轴承故障诊断

针对滚动轴承振动信号非线性、非平稳的特点,提出采用多重分形降趋算法计算多重分形谱参数作为特征参数,对比分析了多重分形降趋波动分析法及多重分形降趋移动平均法提取轴承故障特征的优劣性.并提出改进的K均值聚类分析对多重分形降趋算法提取的特征参数进行分类,从而实现轴承故障诊断的目的.运用滚动轴承公开数据对方法进行验证,提取时域特征与多重分形谱参数进行对比分析,并对两种多重分形降趋算法的效果进行对比分析,验证了多重分形降趋波动分析法与改进K均值聚类相结合对轴承故障诊断的有效性,为轴承故障诊断方法提供了一种新的尝试.      

跳频通信的半盲提取抗干扰方法

针对跳频通信系统抗干扰问题,利用跳频信号和干扰信号的统计独立性,提出一种跳频信号的半盲提取抗干扰方法。该方法采用参考独立分量分析算法(independent component analysis with reference,ICA-R),利用协作通信双方已知的跳频图案的先验信息,约束算法收敛方向,提取出跳频信号。仿真结果表明,所提方法能够有效提取出跳频信号,提高通信系统的抗干扰能力。该算法合并了信号分离和提取过程,避免FastICA抗干扰方法所需的信号识别和提取的后续处理,降低了系统的复杂度。     

基于VMD-Hilbert倒谱和多重分形特征的电力电缆局放识别

为了实时监测电力电缆局部放电故障的发生以及较好地处理微弱局放信号,本文提出了一种基于VMD-Hilbert倒谱和多重分形特征提取的方法.首先采用VMD分解信号,再经Hilbert变换得到Hilbert谱;然后分别利用Hilbert边迹谱和分形理论提取其倒谱和多重分形维数两种特征,并将其组合成特征向量;最后利用SVM实现故障识别.将本方法与现有方法进行比较,结果证明,本方法的识别率更高,肯定了该方法的可行性.     

基于EMD与分形理论的闪电电场信号识别研究

基于经验模态分解(EMD)和分形理论对闪电电场信号的不同放电类型进行了识别研究.对闪电信号进行EMD分解后,用相关系数选取其优势分量并计算出相应的盒分形维数,将这些优势分量的盒维数、闪电信号的多重分形谱参数以及优势分量盒维数与多重分形谱参数的融合分别作为闪电信号的有效特征值,采用支持向量机对云、地闪不同放电类型的闪电信号进行识别研究.结果表明,单一分形特征与多重分形谱参数的融合特征,能够更精确地表征闪电信号的鉴别性特征,会获得更高的识别率,研究成果对闪电类型的识别有一定的参考价值.     

基于多重分形谱的道路交通事故分析

简述了多重分形理论和多重分形谱的算法;基于多重分形理论,用配分函数法对山东省2008-2009年每月的交通事故时间序列进行了多重分形谱研究,得到该时间序列的多重分形谱.结果表明,该时间序列具有多重分形分布特征,该方法为交通事故研究提供了一种新的理论方法.     

多重分形去趋势波动分析的振动信号故障诊断

针对基于配分函数的多重分形分析不利于局部标度特性突显的问题,把多重分形去趋势波动分析(MF-DFA)方法引入到振动诊断领域,提出对振动信号进行多重分形谱参数(|B|,α0,Δα和Δf)故障特征分析,并将α0用于故障诊断.首先分析了振动信号的多重分形特性;然后提取振动信号的4种多重分形谱参数特征,并进行了比较;最后用支持向量机算法实现振动故障诊断.研究表明:去除趋势后,振动信号的波动呈现显著多重分形特征,正常状态振动信号的α0明显大于故障状态,而振动信号的|B|,Δα和Δf特征变化规律则不明显;α0作为故障特征量,能有效地区分正常状态与故障状态,有效实现了振动故障诊断.     

DVB-T系统中OFDM信号子载波调制方式的识别

为了解决多径信道下DVB-T系统中OFDM信号子载波调制方式识别性能差的问题,文中提出了一种新的子载波调制方式识别方法.该方法首先采用子载波的归一化功率对空子载波信号进行识别,然后利用循环谱截面相关系数识别出导频子载波信号,最后通过混合高阶矩对调制子载波信号进行识别,从而完成了OFDM信号子载波调制方式的识别.仿真结果表明,在多径信道下,该方法不但具有良好的识别性能,而且具有较低的计算复杂度.     

基于谱相关和神经网络的信号调制识别

由于通信信号的体制及调制及调制方式的复杂多样,通信信号调制类型的识别显得尤为重要和迫切.基于调制信号的谱相关特征,提取了5个特征参数,给出了各个参数随信噪比变化的曲线图.分类器采用RBF神经网络,并从提高网络识别性能出发,构建了大容量和高质量的网络训练样本,能够扩大识别范围,提高识别精度.基于谱相关特征参数和RBF神经网络结合的算法能动态识另q信号的调制方式,仿真结果表明:该算法在低信噪比下能取得较高的正确识别概率.     

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。     

卫星测控信号盲识别算法

针对卫星测控通信信息侦察中测控信号识别的问题,提出一种基于小波分析的测控信号副载波识别算法。算法首先基于小波多分辨率分析去噪原理,对混合信号进行去噪处理。然后,采用零点分区法确定副载波个数。最后设计了阈值自适应判别算法来确定各个副载波的频率分界点。仿真结果表明,该测控信号副载波识别算法精度达到95％,抗噪声干扰能力强。     

基于小波分析的卫星测控信号盲识别算法

针对卫星测控通信信息侦察中测控信号识别的问题，提出一种基于小波分析的测控信号副载波识别算法。算法首先基于小波多分辨率分析去噪原理，对混合信号进行去噪处理，然后，采用零点分区法确定副载波个数，最后设计了闽值自适应判别算法来确定各个副载波的频率分界点。仿真结果表明：该测控信号副载波识别算法精度达到95％，抗噪声干扰能力强。     

基于自然梯度算法的盲信源分离研究

盲信源分离试图从给定的一组混合观察数据中恢复未知的独立信源。文中介绍盲信源分离的一种非常重要的算法——自然梯度算法。对通信信号和自然语音信号采用不同的活动函数进行了盲信源分离的计算机模拟实验，结果显示该算法能够分别有效地分离这两类随机混合的信号。     

基于时频分析和神经网络的水声通信信号识别技术

 水声通信信号识别具有重要的现实意义。传统的识别器是每种调制模式分别设计的检测器,因而运算量随调制模式数量的增加而增加。随着通信技术手段日益更新,调制模式不断翻新,传统识别器已经不能满足快速检测和识别信号的要求,设计统一的特征提取方法以减少检测器的数量非常迫切。从侦收信号的时频分布中提取特征向量,利用人工神经网络对特征向量进行分类,基于此提出了一种新的识别方法。对本文提出的识别器,在使用前增加新的调制模式的样本并重新训练神经网络,使用过程中能实现更多调制模式的识别而不增加运算量。对特征向量的提取方法进行了详细描述,并通过计算机仿真实验,得出了低信噪比时的正确识别概率。     

数字通信信号自动识别算法

在低信噪比条件下，对6种数字通信信号的自动识别进行了研究，根据数字通信信号高阶矩和高阶累积量的特性提取了1组特征参数，采用分层结构的BP神经网络进行识别。仿真结果表明：当样本数据足够多，信噪比为4dB时，正确识别率接达98％。     

高阶矩的衰落信道中OFDM信号检测算法

正交频分复用是一种具有很强抗多径干扰、码间干扰和窄带干扰以及很高频谱利用率的高效数据传输技术,已经得到广泛的应用;OFDM信号的自动识别和调制参数的估计是非协作通信和认知无线电中的关键问题。以基于高阶累计量的正交频分复用(OFDM)信号检测算法为研究对象,针对衰落信道将影响信号高阶统计特性的问题,提出一种适用于衰落信道环境中的基于高阶矩的OFDM信号检测算法,用以区别多载波信号(OFDM)与单载波信号(MFSK,MQAM);并通过数学推导和仿真数据验证了所提算法的可行性和衰落信号适应能力。     

求多重分形谱的一种实用算法

给出了一类图象所对应的多重分形谱的一种实用算法，该算法可用于一类实验数据的处理．     

基于EMD和SVD特征提取的通信辐射源个体识别方法

为改善通信辐射源指纹特征提取算法抗噪声及干扰能力差导致的对通信辐射源个体分类识别率低和稳定性差的问题,提出了一种基于经验模态分解和奇异值分解特征提取的方法.通过对信号进行经验模态分解,来克服噪声对指纹特征提取的影响,经希尔伯特-黄变换和奇异值分解实现对通信辐射源信号的指纹特征提取,结合支持向量机算法完成对通信辐射源的个体识别,从而提高了分类识别的正确率,经过对4类辐射源信号的实验验证表明识别效果具有明显提升.     

舰艇激光通讯跟踪平台的研究

给出了舰艇激光通讯跟踪平台的总体设计框架、原理和光信号的定位、跟踪算法及技术指标．该算法简单实用．采用开环闭环相结合的方法及模拟一离散控制系统，实现舰艇激光通讯光信号的搜索、对准、跟踪（简称APT）。