导读:本文包含了局部奇异值分解论文开题报告文献综述及选题提纲参考文献，主要关键词:电力电缆,局部放电,白噪声,奇异值分解
局部奇异值分解论文文献综述
谢敏,周凯,黄永禄,何珉,汪先进[1]（2019）在《一种基于短时奇异值分解的局部放电白噪声抑制方法》一文中研究指出白噪声是电缆局部放电(partial discharge,PD)检测时最为常见的噪声之一。针对局部放电白噪声的抑制问题,提出一种基于短时奇异值分解的局部放电去噪方法。该方法通过短时数据窗截取含噪局放信号片段,利用奇异值分解实现局放信号白噪声抑制。通过典型局放脉冲模型模拟实际局放信号,考虑不同信噪比、窗口长度对去噪结果的影响,验证了该方法的可行性。在振荡电压和工频电压下对实验室模拟的两种不同典型电缆缺陷进行了局部放电测试试验,并利用不同去噪方法对测试得到的局放信号进行去噪,验证了该方法的有效性和准确性。结果表明,该方法相比于传统小波去噪识别灵敏度更高,且去噪后波形相比于传统小波和奇异值分解去噪后波形相似度更高、误差更小。(本文来源于《中国电机工程学报》期刊2019年03期）
牛海清,吴炬卓,郭少锋[2]（2018）在《奇异值分解在电缆局部放电信号模式识别中的应用》一文中研究指出针对局部放电在线检测中的局部放电信号模式识别,在对局部放电信号进行去噪预处理的基础上,对去噪后的局部放电信号进行小波包分解,利用小波包系数构建小波包系数矩阵;然后,对小波包系数矩阵进行奇异值分解,定义奇异值能量百分比作为局部放电信号的特征向量,并利用M-ary算法将支持向量机二分类扩展到多分类,使用粒子群算法对支持向量机参数进行优化;最后,将特征向量作为输入,使用支持向量机对4种放电信号进行识别,并与BP神经网络的识别效果进行对比.结果表明:利用奇异值能量百分比构建的放电信号特征向量能够很好反映原始信号的特征;基于支持向量机能够有效对放电信号进行识别,平均识别率达到95%,随着分解尺度增大,4种放电信号的平均识别率增大,但增大的幅度减小;支持向量机和BP神经网络均能够很好识别4种放电信号,且支持向量机相比BP神经网络,具有更好的识别效果.(本文来源于《华南理工大学学报(自然科学版)》期刊2018年01期）
赵煦,刘晓航,孟永鹏,刘圣冠,柴琦[3]（2017）在《采用小波包树能量矩阵奇异值分解的局部放电模式识别》一文中研究指出为了从局部放电信号电磁波大量冗余的频率信息中提取有效的局部放电特征参量,提出了采用小波包和奇异值分解相结合的能量特征提取方法。该方法从大量小波包树节点的能量信息中提取了一组能量特征参量用于局部放电类型识别,首先对4种放电类型的电磁波信号进行小波包分解,计算每个小波包节点系数的能量,接着采用奇异值分解法从小波包树所有节点的能量信息中提取奇异值较大的一组参量,利用这组参量建立识别模型,最后使用支持向量机对4种变压器典型放电类型进行识别。结果表明,小波包树能量矩阵奇异值分解可以从包含有大量无效和冗余频率信息的电磁波信号中提取能量特征参量,从而进行局部放电识别。研究内容可为局部放电类型识别提供一种有效的特征提取方法。(本文来源于《西安交通大学学报》期刊2017年08期）
牛朋,龚祝平[4]（2016）在《基于相空间重构和奇异值分解的混沌时间序列局部降噪》一文中研究指出针对混沌时间序列的局部降噪问题,提出了一种相空间重构和奇异值分解(SVD)相结舍的方法,即对重构相空间中第一个相点及其邻近点组成的矩阵进行局部SVD,并以提取主要信息后的矩阵更新原矩阵,再逐次向后完成全部相点的迭代。对Lorenz系统和实测日产品合格率混沌时间序列进行仿真,并从两个方面对降噪效果进行评价,结果验证了该方法的有效性,并且局部SVD的降噪优势明显优于全局;但是一次局部SVD降噪在实测数据的极值点处会失效,这正是局部降噪的细腻性,可能会挖掘出实际生产运营中隐含的问题,随后通过不断减小邻域半径进行多次迭代局部SVD最终减小了孤立点对降噪效果的影响。(本文来源于《系统工程》期刊2016年09期）
崔伟成,李伟,孟凡磊,刘林密[5]（2016）在《奇异值分解降噪结合局部特征尺度分解的轴承故障诊断》一文中研究指出局部特征尺度分解(Local characteristic-scale decomposition,LCD)是一种崭新的自适应时频分析方法,在旋转机械故障诊断领域得到了初步的应用。在研究噪声对LCD影响的基础上,提出了一种奇异值分解(Singular value decomposition,SVD)降噪与LCD相结合的轴承故障诊断方法。首先对信号进行相空间重构,然后运用SVD降噪,对降噪信号进行LCD,将得到的内禀尺度分量进行包络谱分析提取故障特征。通过数据仿真与轴承内圈故障数据分析,验证了该方法的有效性。(本文来源于《机械传动》期刊2016年05期）
龚木红,高永毅,李赞,袁继广[6]（2016）在《局部奇异值分解降噪的研究》一文中研究指出利用测试信号构造连续截断矩阵进行奇异值分解(SVD)是消除随机噪声干扰的有效方法,针对时域信号较长在分解中无法自适应确定分离阶数的问题,提出一种分段串联奇异值分解降噪方法。该方法先将信号连续截断成分段信号,然后分别进行奇异值分解的降噪,再通过拼接得到降噪后的信号。仿真及实验结果表明,该方法有效。利用该方法处理混凝土泵车的振动噪声测试信号,可有效提高其信噪比,最大程度地优化信号去噪的效果,提高分析的可靠性。(本文来源于《机械工程师》期刊2016年05期）
刘国枢[7]（2016）在《基于局部全局相似度的奇异值分解的协同过滤算法研究》一文中研究指出现在的互联网以及正在逐步建立的物联网,已经使得人们处于信息的海洋之中,对于现在的人们而言,“信息匮乏”的时代一去不复返,协同过滤帮助人们处理信息过载。为更好的发掘出物品的长尾效应,引入协同过滤推荐系统,充分研究用户的个人兴趣,定位于某位特定用户,为用户提供更为个性化的需求,从而将长尾商品准确地推荐给需要它的用户,帮助用户发现那些他们很感兴趣而自己很难发现的物品。协同过滤算法在具体的实际应用场景中,由于用户在最开始,一般只会评价或者购买很少一部分的物品,这就会导致在收集用户的个人偏好的过程中,形成的初始的评分矩阵(用户-物品)非常的稀疏,由此引出协同过滤推荐的数据稀疏问题和“冷启动”问题。在这样的情况下面临的挑战,就是要求协同过滤推荐系统用相对较少的有效的评分来获得准确的预测。对于协同过滤推荐系统中,普遍存在的数据的稀疏问题和“冷启动”问题,为了达到“用相对较少的有效的评分来获得准确的预测”的目标,本文提出了一种新的研究协同过滤推荐的方法——基于局部全局相似度的奇异值分解的协同过滤算法。新的算法主要分为叁个部分:(1)评分矩阵(用户-物品)的相似度度量,通过基于局部相似度和基于全局相似度的新的协同过滤架构,来对初始的评分矩阵(用户-物品)进行预处理,获得一个新的评分矩阵,作为下一步算法的输入。(2)评分矩阵(用户-物品)的SVD处理,利用数学上矩阵分解模型奇异值分解理论对评分矩(用户-物品)进行分解,用其预测的结果获得活跃用户的邻居,从而产生较好的预测。(3)采用SVD处理获取最终需要提供给用户的预测值,给出最终的计算推荐。公共数据集试验结果显示,该算法在一定程度上缓解稀疏问题和冷启动问题,并丰富了用户行为的预测结果,提高了推荐精准度。(本文来源于《郑州大学》期刊2016-05-01）
肖进胜,高威,彭红,唐路敏,易本顺[8]（2016）在《基于局部自相似性和奇异值分解的超采样图像细节增强》一文中研究指出基于局部自相似性的图像超分辨率算法中存在面块或线条现象,导致图像纹理不自然,细节信息丢失严重,针对这个问题,文中提出了一种基于局部自相似性和奇异值阈值化的细节增强图像超分辨率算法.在通过轮廓模板插值得到初始超分辨率图像的基础上,利用奇异值分解及阈值化去噪提高局部自相似性提取高频信息的准确性,解决伪高频噪声成分造成的面块或线条痕迹.该细节增强超分辨率算法主要分为4个部分,即初始插值、块匹配搜索、奇异值阈值、细节合成.首先选取Pascal的轮廓模板插值算法得到初始超分辨率图像,该算法在保持插值图像整体轮廓和细节等方面都有着很好的效果优势.块匹配搜索部分,文中算法由初始超分辨率图像和原始低分辨率图像分别提供参考块和学习块,在单一尺度上进行匹配,更多地利用了原始图像的信息,复杂度也更低,即利用原始低分辨率图像的局部自相似性提供先验知识,进行块匹配学习,找到初始超分辨率图像块在原始低分辨率图像块中的最佳匹配块,提取出最佳匹配块的高频信息;然后利用奇异值分解将高频信息矩阵分解到两个正交子空间中,并选取合适的阈值对奇异值矩阵进行软阈值化处理,剔除高频成分中能量较小的伪高频噪声成分,得到更为准确的高频细节信息.最后为得到最终超分辨率图像,有效地实现超分辨率图像的细节增强,利用有效奇异值对应的奇异值矢量重构高频图像块矩阵,并在初始超分辨率图像上进行细节合成.合成过程中,选择中心对称的高斯函数对图像块进行加窗处理,以抑制分块重迭带来的重迭区影响.实验结果数据表明,文中算法不但能明显解决由于伪高频成分导致的面块或线条现象,重建出的图像纹理细节更真实丰富,纹理结构和边缘特征的清晰度和对比度较高,得到的高分辨率图像视觉效果也更好.而且文中算法具有较强的拓展性,可以对多种超采样算法进行细节增强,增强后的图像清晰度和边缘锐度明显得到提高,细节纹理信息更加丰富,客观指标也得到较大幅度的提高.(本文来源于《计算机学报》期刊2016年07期）
阮羚,李成华,宿磊,谢齐家,吴玉佳[9]（2015）在《基于奇异值分解的局部放电模式识别方法》一文中研究指出提出了一种基于奇异值分解的变压器局部放电模式识别方法。通过搭建人工缺陷实验环境并采集样本数据,计算每个样本的统计特征参数,构成实验数据的样本矩阵。对样本矩阵进行奇异值分解,判断保留矩阵的特征是否明显,确定最佳保留矩阵的阶数,从而得到降维后的类型特征空间描述矩阵和类中心描述向量组。对现场采集的样本数据进行计算得到待分类的样本向量,并用类型特征空间描述矩阵进行线性变换,然后计算变换后的向量与类中心向量组中每个向量的距离,从而得到分类的判断结果。该算法简单而且高效,能够实现局部放电检测中各种放电信号的有效区分,局部放电模式识别召回率约为91.3%。(本文来源于《电工技术学报》期刊2015年18期）
唐炬,董玉林,樊雷,李莉苹[10]（2015）在《基于Hankel矩阵的复小波–奇异值分解法提取局部放电特征信息》一文中研究指出气体绝缘组合电器(gas insulated switchgear,GIS)在产生局部放电(partial discharge,PD)时,会向外辐射特高频(ultra-high frequency,UHF)电磁信号,有效提取UHF PD信号的特征信息可实现GIS的在线监测与故障诊断。针对UHF PD信号经过复小波变换后,层间奇异信息分布和层内奇异信息复杂度的差异性,采用二元树复小波变换(combined dual-tree complex wavelet transform,DT-CWT)和奇异值分解(singular value decomposition,SVD)相结合的信号处理方法,提取了UHF PD信号的特征信息。采用Birge-Massart阈值策略对DT-CWT分解后的复小波系数模值序列进行压缩,并构造复合矩阵,分析复合矩阵的奇异熵和复小波分解层数的关系,提出一种求解复小波最优分解层数的算法;利用最优分解层数下的压缩后的各高频系数模值序列构造Hankel矩阵,提取各Hankel矩阵的最大奇异值和奇异熵作为PD辨识的特征参量。结果表明:该特征可以有效识别4种典型绝缘缺陷,且识别率都到达了92%及以上。(本文来源于《中国电机工程学报》期刊2015年07期）
局部奇异值分解论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
针对局部放电在线检测中的局部放电信号模式识别,在对局部放电信号进行去噪预处理的基础上,对去噪后的局部放电信号进行小波包分解,利用小波包系数构建小波包系数矩阵;然后,对小波包系数矩阵进行奇异值分解,定义奇异值能量百分比作为局部放电信号的特征向量,并利用M-ary算法将支持向量机二分类扩展到多分类,使用粒子群算法对支持向量机参数进行优化;最后,将特征向量作为输入,使用支持向量机对4种放电信号进行识别,并与BP神经网络的识别效果进行对比.结果表明:利用奇异值能量百分比构建的放电信号特征向量能够很好反映原始信号的特征;基于支持向量机能够有效对放电信号进行识别,平均识别率达到95%,随着分解尺度增大,4种放电信号的平均识别率增大,但增大的幅度减小;支持向量机和BP神经网络均能够很好识别4种放电信号,且支持向量机相比BP神经网络,具有更好的识别效果.
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
局部奇异值分解论文参考文献
[1].谢敏,周凯,黄永禄,何珉,汪先进.一种基于短时奇异值分解的局部放电白噪声抑制方法[J].中国电机工程学报.2019
[2].牛海清,吴炬卓,郭少锋.奇异值分解在电缆局部放电信号模式识别中的应用[J].华南理工大学学报(自然科学版).2018
[3].赵煦,刘晓航,孟永鹏,刘圣冠,柴琦.采用小波包树能量矩阵奇异值分解的局部放电模式识别[J].西安交通大学学报.2017
[4].牛朋,龚祝平.基于相空间重构和奇异值分解的混沌时间序列局部降噪[J].系统工程.2016
[5].崔伟成,李伟,孟凡磊,刘林密.奇异值分解降噪结合局部特征尺度分解的轴承故障诊断[J].机械传动.2016
[6].龚木红,高永毅,李赞,袁继广.局部奇异值分解降噪的研究[J].机械工程师.2016
[7].刘国枢.基于局部全局相似度的奇异值分解的协同过滤算法研究[D].郑州大学.2016
[8].肖进胜,高威,彭红,唐路敏,易本顺.基于局部自相似性和奇异值分解的超采样图像细节增强[J].计算机学报.2016
[9].阮羚,李成华,宿磊,谢齐家,吴玉佳.基于奇异值分解的局部放电模式识别方法[J].电工技术学报.2015
[10].唐炬,董玉林,樊雷,李莉苹.基于Hankel矩阵的复小波–奇异值分解法提取局部放电特征信息[J].中国电机工程学报.2015