温亮亮[1]2004年在《基于独立分量分析的信息极大快速算法对车辆声频混合信号的分离研究》文中研究表明本文从分析现行交通量检测的现状出发，提出了一种利用车辆声音信号进行交通量检测的新方法。首先简要介绍了窄带和宽带阵列信号处理的模型，接着论述了盲信号分离的基本理论。然后利用一种基于独立分量分析的信息极大快速算法对麦克风阵列采集的多辆车行驶过程中所产生的混合声音信号进行离线处理仿真实验，可以比较成功地实现车辆的盲信号分离，最后对多辆车的实际采集信号用该算法也基本实现了分离，从而对道路交通量和车型识别给出较为准确的估计。实验证明利用独立分量分析算法对多辆车盲信号进行分离是实际可行的。
谢朋朋[2]2005年在《车辆声频信号盲分离及遗传算法研究》文中研究指明本文主要是对车辆的声频噪声信号进行分离研究。在实际交通环境中,信号的传输途径复杂,具有多径效应,所以很难用精确、简单的数学模型来描述。采用盲信号分离方法,本质上可以大大减少传输模型误差和阵列误差对分离结果的影响,有利于提高精度。论文总结了国内外盲信号分离方面近期的研究成果和进展,并着重讨论了几种比较常用的盲分离学习算法。针对多数盲分离算法在多峰值情况下易陷入局部最优,难以保证全局收敛而导致分离误差的缺陷,文章将遗传算法与传统盲信号分离算法相结合,把全局收敛性能较好的遗传算法引入信号分离算法的寻优过程。运用基于遗传算法的盲信号分离算法对麦克风阵列采集的卡车、小车、农用车、面包车等车辆声频信号做分离处理,实验结果证明,该方法能从多车混合信号中有效分离出单个车辆信号。利用车辆行驶过程中所产生的声频噪声信号进行交通量检测是一种新方法,有较大应用前景。
李强[3]2008年在《机械设备早期故障预示中的微弱信号检测技术研究》文中指出早期故障具有两方面含义,一是指处于早期阶段的故障、微弱故障或潜在故障;二是从物理意义上讲,某一故障是另一故障的早期阶段。故障发现得越早,越有助于设备的安全可靠运行。但是,设备早期故障的特征信号很微弱,往往被强噪声所淹没,信噪比很低,极大地影响了设备运行状态信息的准确获取。论文以机械设备为对象,研究了早期故障预示中的微弱信号检测与实用诊断技术。针对传统的绝热近似小参数随机共振难以满足工程实际大参数条件下的微弱信号检测问题,本文提出了变步长随机共振数值算法。在深入分析近似熵用于度量信号复杂性性质的基础上,本文提出了基于近似熵测度的自适应随机共振方法,解决了限制随机共振在工程实际中推广使用的参数调节问题。金属车削过程的振动信号分析和滚动轴承故障诊断的成功应用表明上述方法的有效性。基于混沌振子的微弱信号检测是通过“观察”待测信号加入后振子是否发生相变来实现的,但是这种“观察”缺少一个衡量标准,具有一定的主观性。尤其当噪声很强时,这种“目测”振子状态的办法就会失效。本文突破近似熵仅用于描述一维信号复杂度的局限性,提出了适合度量混沌振子二维相图的二维近似熵概念。在此基础上,本文提出了基于混沌振子和二维近似熵的微弱信号检测方法,并将其应用于旋转机械的状态监测和滚动轴承的故障诊断,取得了很好的效果。工程信号中无效分量的干扰会使得微弱信号检测显得异常困难。独立分量分析可以从实测信号中分离出各个独立的源信号,是一种有效的微弱信号检测方法。针对混合信号时间延迟(或相位差)和噪声干扰对独立分量分析结果的影响问题,本文提出一种故障源信号的频域盲分离方法。涡流传感器失效检测和转子早期碰磨故障的成功诊断表明该方法广阔的应用前景。支持向量数据描述是一种新的单值分类方法,能够只利用一类学习样本(或正常状态样本)建立分类器,其应用有望解决制约设备早期故障预示向智能化方向发展的故障数据缺乏问题。本文提出一种基于经验模式分解和支持向量数据描述的设备早期故障混合智能预示方法,并将其应用于滚动轴承和齿轮箱故障的智能诊断,取得了很好的效果。作为本课题关键技术的载体,本文总结了作者在开发基于LabVIEW的远程监测诊断系统过程中运用的一些实用技术,提出了基于频域积分的振动参量转换修正算法,为设备动态信息的完整性和准确性提供了技术上的支持和保障。
赵艳菊[4]2008年在《强噪声背景下机械设备微弱信号的提取与检测技术研究》文中研究表明在实际的机械设备故障诊断中,由于现场环境比较恶劣,所测得的振动信号除包含有用的特征信息外还存在大量的噪声干扰。尤其是机械设备的早期故障,特征信号比较微弱,往往被强噪声所淹没,极大地影响了设备状态信息的准确获取。因此,论文以机械设备为对象,研究了强噪声背景下微弱信号的提取和检测技术。设备工况的变化以及其自身的非线性使机械设备的动态信号表现出非平稳性。经验模式分解方法是一种处理非线性非平稳信号的有效工具,但是对于强噪声背景下的微弱信号,噪声干扰会加重经验模式分解的边界效应,影响分解的质量和效果。为此,本文提出一种基于级联双稳随机共振降噪的经验模式分解方法,利用随机共振在微弱信号检测方面的优势,实现对微弱非平稳信号的提取。仿真实验以及滚动轴承的故障诊断实例验证了该方法的有效性。奇异值分解是一种非线性滤波方法,广泛应用于信号的消噪和检测工作中。但是传统的奇异值分解通常是在时域中进行,由于奇异值对噪声比较敏感,因此奇异值分解只适用于弱噪声的情况。针对这个问题,论文提出了基于频域的奇异值分解方法,通过傅立叶变换将时域信号转换到频域进行处理,增强了奇异值分解的抗噪能力。此外,针对单层奇异值分解降噪效果的有限性,论文又提出了级联奇异值分解方法。对于强噪声背景下的微弱信号,通过级联的形式,实现噪声的逐级滤除。仿真实验表明该方法可以有效提高信噪比,实现微弱信号的检测。论文还分析了大信号干扰下的微弱信号识别问题。从剔除大信号干扰、分离微弱信号的角度,提出了基于独立分量分析的信噪分离方法,并通过一个转轴的偏心故障实例表明该方法具有良好的工程应用前景。此外,从减少频率泄露、增强微弱信号的角度,将多窗谱分析成功用于早期油膜涡动的故障诊断中。为了满足不同厂矿企业的要求,同时作为本课题关键技术的载体,论文设计开发了一款功能完善、价格低廉的便携式数采分析仪,该仪器采用双CPU的硬件构架并以Linux操作系统为平台进行软件设计,可以实现高速多任务的实时采集。此外,仪器还配有多种通信接口,方便与上位机进行测点信息的下载和采集数据的上传。
金岩[5]2007年在《基于小波变换与独立分量分析的内燃机振声特性研究》文中研究指明随着人们对车辆NVH(Noise Vibration and Harness)性能要求的不断提高，内燃机的振动噪声问题也逐渐成为国内内燃机学科研究的热点问题和重要方向。以有限元、边界元以及多体动力学为代表的数值计算方法逐渐成为预测和解决内燃机结构噪声辐射问题主要手段。另一方面，如何准确、快捷的识别内燃机的主要噪声源是内燃机噪声控制的重要前提。内燃机振动的多激励性和各种激励的时变性使其外在表现出的振动噪声现象非常复杂。传统的数学工具在描述内燃机的振动噪声特性上都有一定的局限性。近些年来，数字信号处理技术的迅速发展为内燃机振动噪声信号分析提供了更加丰富的手段。本文在国内外研究现状的基础上，研究了利用声强测试技术、小波变换技术和独立分量分析等现代信号分析方法在内燃机振声信号分析以及主要噪声源识别上应用的问题，主要内容如下：1研究了内燃机振动噪声现象的主要产生机理，揭示了内燃机噪声辐射的主要激励源，以及振动在内燃机结构内部的传递路径。激励的时变性和传递路径的时变性决定了其振动噪声信号的非平稳性特征。回顾了内燃机主要噪声源的识别方法。2回顾了声强测试技术双传声器法的基本原理和主要误差来源。在Fourier变换的基础上，利用声强测试技术对WD415柴油机和ZH1130柴油机以及某125摩托车噪声源频率的特性进行了分析，识别出主要噪声源。为噪声控制工程提供了可靠依据。3介绍了小波变换技术的原理，建立了内燃机噪声信号的小波变换分析模型。利用Complex Morlet小波对WD415和ZH1130柴油机噪声信号的时频特性和空间分布规律进行了研究。并根据声信号的尺度—能量谱和小波系数的欧氏空间距离识别了ZH1130柴油机的主要噪声源。建立了瞬时声强小波变换的数学模型，并应用于柴油机噪声特性的研究。4介绍了独立分量分析方法的原理以及其在工程上的应用。建立了内燃机声振信号的并行独立分量分析模型。利用FastICA算法对ZH1130柴油机的声振信号进行了分析研究，将振动噪声信号分解成几个独立分量。利用小波分析，相关分析等手段对各独立分量进行了确定。5在独立分量分析的基础上，利用内燃机振动噪声信号的燃烧分量和ARMA模型建立了内燃机气缸压力重构模型，对ZH1130柴油机的气缸压力进行了成功的重构。
佚名[6]2004年在《通信》文中认为TN911 2004060775实际A ANc系统误差通道建模的分析/张瑞华,(2!欧阳缮(2]周德新,(21刘庆华(浙江万里学院)11电子学报一2 004,32(l)·一55一58以滤波一X LMS(FLMS)算法为代表的多种AANC算法用到了误差通道
佚名[7]2000年在《通信》文中认为TNgl 00020898新世纪国际通信信息技术的变革/钱宗压(邮电部科技司)11电信科学,一1999,15(9)一1一3新世纪国际通信信息技术将发生巨大变革,其发展的主要趋势是宽带化、综合化、分布化、分组化、大众化和个人化,未来的通信信息网络结构将由干
齐峰岩[8]2007年在《低速率波形内插语音编码关键技术的研究》文中研究指明在现代通信系统中,语音是最基本、最重要的通信方式,通常是经过压缩以比特流的形式传输的,由于考虑到传输成本、效率、占用的物理信道、存储空间等因素,人们希望在保证好的语音质量的前提下,尽可能地压低语音编码的传输速率。这个语音信息压缩过程被称为语音编码。低速率语音编码已被广泛地应用在无线移动通信,VoIP(Voice over Internet Protocol)、语音信箱、保密通信和卫星通信中。随着下一代无线网络和Internet网络的发展,语音编码更多的应用和服务将会被提供。这使得近些年来人们对高质量的低速率语音编码有着持续增长的兴趣。因此,研究如何在低速率下获得具有通信质量的重建语音是语音编码中一个十分重要的课题。在高质量低速率的语音编码中,波形内插(Waveform Interpolation,WI)语音编码技术是极具潜力的编码方案之一。近些年许多学者对其进行了广泛的研究,本文在此基础上针对低速率WI语音编码模型和参数量化等关键技术进行了深入的研究,提出了一系列改进算法,并最终提出一种2kb/s低复杂度改进型波形内插(Low-complex Improved Waveform Interpolation,LIWI)语音编码方法。本文的主要贡献体现为如下几方面:一、为了减少WI模型的计算复杂度,提出了基于快速傅立叶变换、叁次B样条插值和周期延拓技术的特征波形(Characteristic Waveform,CW)表示和对齐的快速算法,与原方法相比,计算量下降到原方法的1/5,同时也使得CW在插值和量化时更合理;二、为了严格保证SEW与REW的能量和为1,提出了一种特征波形的二次功率归一化算法,仅需要SEW能量就可以算出二者的能量比,并可应用到后续的REW的分类量化和CW合成中;叁、为了对慢渐变波形(Slowly Evolving Waveform,SEW)幅度、快渐变波形(Rapidly Evolving Waveform,REW)幅度和特征波形功率进行有效量化,本文首先采用临界频带理论、分析合成技术、感觉加权技术以及预测式矢量量化技术,提出了一种基于基音周期分类的SEW分析合成预测式多码书量化方法;其次,本文根据基音和量化后SEW的功率信息对REW幅度进行分类,提出了一种基于离散余弦变换的REW矩阵多码书量化方法。这种SEW和REW幅度的多码书量化方法在牺牲了一些储存空间的条件下,有效解决了低比特率WI编码中比特分配不足的问题;再者,本文以语音能量的平稳过渡性为依据,提出了CW功率的分类量化方法,有效地改善了过渡段和起始段的功率量化精度。实验结果表明,这些量化方法明显地提高了重建语音的感性质量;四、根据SEW和REW的能量比对合成语音进行分类,提出了一种CW的动态加权合成方法,即SEW成分正比于能量比,REW成分反比于能量比。该方法在很大程度上解决了WI模型不太适合描述清音的问题,提高了合成语音的自然度;五、提出了基于Sigmoid函数的改进型基音内插方法,修正了原公式在某些特殊基音插值中出现的“病态”的插值结果;六、提出一种基于支持向量机的含噪语音的清/浊/静音的分类方法,这种方法可以在各种信噪比等级下将语音信号有效地分为清音、浊音和静音叁类信号,并在此基础上开发出具有鲁棒性的语音激活检测算法;七、开发出一套低复杂度高质量的2kb/s的WI语音编码算法,并对其语音质量、算法时间复杂度和空间复杂度等参数做了评测。其中,诊断押韵测试(Diagnostic Rhyme Test,DRT)表明,重建语音的可懂度为优;平均意见分(Mean Opinion Score,MOS)测试及主观A/B测试表明2kb/s LIWI编码器的语音质量接近美国联邦标准FS1016的4.8kb/s码激励线性预测(Code Excited Linear Prediction, CELP)编码器,好于2.4kb/s混合激励线性预测(Mixed Excitation Linear Prediction, MELP)声码器;编解码算法的计算复杂度约为91.254MOPS,所需的存储容量大约为78K个浮点存储单元。
杨红, 刘夏平, 崔海霞, 彭军, 孙卓[9]2015年在《大跨径桥梁实时动态挠度信号的分离》文中指出由于经验模式分解(empirical mode decomposition,简称EMD)将非线性非平稳信号分解成为一系列线性、平稳的本征模函数(intrinsic mode function,简称IMF)信号,针对单通道大跨径桥梁挠度信号分离问题,结合盲源分离和经验模式分解各自优点,提出基于经验模式分解的盲源分离方法。利用奇异值分解(singular value decomposition,简称SVD)估计信号源数目,根据源信号数目将单通道挠度信号和其本征模函数重组为多通道输入信号,应用独立分量分析(independent component analysis,简称ICA)理论中的快速独立分量分析(fast independent component analysis,简称FastICA)算法对输入信号进行分解,实现桥梁挠度信号各分量的分离。仿真研究表明,该方法能较好地解决ICA模型源数估计和单通道挠度信号盲源分离难题。
参考文献：
[1]. 基于独立分量分析的信息极大快速算法对车辆声频混合信号的分离研究[D]. 温亮亮. 长安大学. 2004
[2]. 车辆声频信号盲分离及遗传算法研究[D]. 谢朋朋. 长安大学. 2005
[3]. 机械设备早期故障预示中的微弱信号检测技术研究[D]. 李强. 天津大学. 2008
[4]. 强噪声背景下机械设备微弱信号的提取与检测技术研究[D]. 赵艳菊. 天津大学. 2008
[5]. 基于小波变换与独立分量分析的内燃机振声特性研究[D]. 金岩. 浙江大学. 2007
[6]. 通信[J]. 佚名. 中国无线电电子学文摘. 2004
[7]. 通信[J]. 佚名. 中国无线电电子学文摘. 2000
[8]. 低速率波形内插语音编码关键技术的研究[D]. 齐峰岩. 北京工业大学. 2007
[9]. 大跨径桥梁实时动态挠度信号的分离[J]. 杨红, 刘夏平, 崔海霞, 彭军, 孙卓. 振动.测试与诊断. 2015