非稀疏欠定盲分离及其在语音分离中的应用

本文提出一种基于马尔科夫链蒙特卡洛方法(MCMC)的贝叶斯非稀疏盲源分离算法。用广义高斯分布(GGD)来拟合源信号的分布,通过MCMC抽样得到GGD参数和隐变量的估计,并由此得到源信号的最小均方误差估计(MMSE),解决了GGD参数估计容易陷入局部极值点、鲁棒性差的问题。根据语音信号的局部平稳性,提出基于非稀疏度评判准则的盲分离算法,用MCMC方法分离非稀疏区的语音信号,进一步提高了语音信号分离精度。仿真实验证明,本文方法改善了非稀疏信号和语音信号的分离效果,而且具有更好的鲁棒性。     

基于EEMD和单通道盲源分离的齿轮箱复合故障诊断研究

针对齿轮箱复合故障诊断中,多级传动相互干扰,微弱的轴承故障会被强烈的齿轮故障和噪声湮没而难以提取的问题,提出了基于EEMD和单通道盲源分离的齿轮箱复合故障诊断方法。首先利用单个加速度传感器采集齿轮箱振动信号,对采集的信号进行EEMD分解,根据峭度准则和相关系数重构IMF分量;然后应用盲源分离方法对重构的IMF分量进行求解,对分离的信号进行包络解调分析,确定出齿轮故障通道,轴承故障通道和噪声通道;最后对齿轮故障通道进行傅里叶变换,轴承故障通道进行基于谱峭度的共振解调分析,提取出信号的特征频率,完成齿轮箱的复合故障诊断。通过实验验证了该方法的有效性和可行性。     

基于小波域谱相减算法的语音增强研究

谱相减算法是目前常用的语音增强算法，它常在处理宽带噪声中使用，具有运算量小、效果明显等特点，但该算法是基于短时傅立叶变换（STFT）基础上的，是一种单分辨率的信号分析方法。与STFT本质不同的小波变换是一种变分辨率的时频联合分析方法，当分析低频信号时，其时间窗口很大，而当分析高频时，其时间窗口减小，这恰恰符合实际中对非平稳信号进行分析的自然规律。基于小波域的谱相减算法，是将带噪语音信号进行Mallat多尺度分解，然后分别对各尺度下的信号进行谱相减运算，再逐一进行小波重构，得到去噪后的语音信号。仿真结果表明。该方法不但有效地提高了语音信号的信噪比，而且也在很大程度上改善了语音的失真程度，不失为一种有效的语音增强算法。     

基于VMD-FastICA的齿轮箱故障诊断

针对齿轮箱故障信号微弱且易受周围噪声影响的问题,提出了一种基于变分模态分解(VMD)的独立分量(ICA)算法。该方法首先将采集的信号进行MCKD降噪,将降噪后的信号利用VMD算法分解为多个不同的本征模态分量(IMF),然后依据快速谱峭度图和相关系数选取有效的IMF分量进行重构信号,对于重构信号利用FastICA再次进行降噪处理,根据FastICA降噪后得到的故障特征分量,可以有效地识别故障。结果表明:该方法可以更清晰、准确地提取出故障特征频率和找出故障发生的位置。     

基于Gabor变换和EMD的轴承故障诊断

基于振动信号处理的轴承故障诊断方法应用非常广泛。由于在实际采集的振动信号中往往混合着干扰信号,因此提出了一种基于Gabor变换的盲源分离和基于经验模态分解(EMD)的Hilbert包络谱分析相结合的故障诊断方法。首先采用基于Gabor变换的盲源分离方法对振动信号进行盲源分离,然后利用EMD方法进行分解获得本征模式函数(IMF)分量,再通过局部细化Hilbert包络谱方法分析判断轴承故障的特征。研究结果表明,通过对轴承振动信号进行盲源分离和EMD分解,可以使信号的故障特征更加明显,从而提高故障诊断的准确性。     

IFA在知识可增殖神经网络中的应用

独立分量分析(ICA)将混合信号看作是相互独立的源信号的线性组合,近年来引起了神经计算和信号处理领域专家的重视.本文提出一种新的基于独立特征分析的知识可增殖人工神经网络模型,从而进一步完善了ICA的功能、增强了嵌入的独立学习人工神经网络功能的完备性.并且针对知识可增殖人工神经网络的要求提出相应的扩展EM算法,增加了运算速度.     

基于盲源分离的设备状态监测与故障诊断

介绍了盲源分离(blind source separation,BSS)的相关理论和基本算法,阐述了盲源分离在设备状态监测与故障诊断的研究现状,重点讨论了它在源信号分离、特征提取、状态识别、源数目估计等方面的应用,指出将盲源分离应用于设备状态监测与故障诊断中需要深入研究的问题。     

基于Kalman滤波和变时间窗测频的转速测量FPGA实现

利用信号与噪声状态模型的Kalman滤波,对频率进行无偏估计,适合对机车运行速度的精确测量.利用变时间窗采集脉冲信号的方法克服了常规算法中刷新时间和测量精度不稳定的缺点,同时也保证了对不同频率的测量精度.通过基于FPGA平台的算法设计与仿真,表明了上述方法对机车转速测量的实时有效性和准确性.     

基于混合域的双功能音频水印算法

本文提出一种基于混合域的双功能水印算法,能同时实现对数字音频的版权保护与内容认证。该算法根据水印的大小将原数字音频分段,对每一段进行多级DWT变换,并选取低频分量嵌入鲁棒水印,高频分量嵌入脆弱水印,检测时两种水印独立盲提取。仿真实验表明,此算法中的鲁棒水印信号在常见的音频信号处理中具有强鲁棒性,可用于音频版权保护;而脆弱水印信号不仅对常见的信号处理操作敏感,而且能对篡改区域进行较准确的定位。     

基于EMD模态相关和形态学降噪的齿轮故障诊断研究

为了从齿轮振动信号中提取出包含有故障信息的特征频率,针对现有EMD(Empirical Mode Decomposition)降噪算法中的IMF重构问题,提出了基于EMD模态相关和形态学降噪的齿轮故障诊断方法。首先采用EMD将目标信号分解为若干个IMF分量之和,利用模态相关分选准则选取噪声主导分量和信号主导分量的分界点,并利用各个IMF分量的自相关函数来验证该准则的正确性;然后将选到的噪声主导分量进行形态学滤波,利用峭度准则优化形态学结构元素尺度,自适应的寻求最优解;最后将滤波后的噪声分量与剩余分量进行重构,得到滤波重构信号,通过频谱分析识别齿轮故障特征频率。仿真数据和齿轮裂纹故障实验测试数据的分析表明,该方法滤波效果理想,能更有效地提取出齿轮故障特征。     

基于谱相减改进算法的语音增强研究

根据传统的谱相减增强型算法 ,提出了抑制噪声的谱减改进算法 ,暨根据带噪语音帧频谱功率与噪声帧频谱功率比值 ,动态调整α、β谱减系数 ,使之谱减效果在较大提高信噪比的同时 ,又能将残留的音乐噪声和语音失真保持在人耳听觉的容忍范围之内 ,保证原始语音信号质量达到一定的可懂度和清晰度。借助MATLAB语言进行试验仿真 ,仿真结果与原算法相比较 ,证明语音增强效果十分显著     

基于仿真试验和BOA-VMD的轴箱轴承故障特征提取算法研究

针对城轨列车运行过程中轴箱轴承故障难以发现的问题，提出一种利用蝴蝶优化算法(Butterfly Optimization Algorithm,BOA)对变分模态分解(Variational Mode Decomposition,VMD）参数进行优化的轴承故障特征提取方法。首先构建基于轴承-车辆刚柔耦合的轴承故障动力学模型，提取轮轨激扰和轴承故障情况下的轴箱振动信号；然后利用蝴蝶优化算法对轴箱振动信号的VMD模态分量数和二次惩罚系数进行寻优，确定最佳参数组合；最后利用已确定的最佳参数对轴承振动信号进行VMD分解，得到不同本征模态分量(Intrinsic Mode Function,IMF)，并对最佳模态分量信号进行包络分析，识别到轴承故障时的特征频率。试验分析表明，基于优化参数的VMD分析方法能够有效提取轴承故障特征频率，通过经验模态分解(Empirical Mode Decomposition,EMD)分析方法对比，可以发现文章提出的分析方法效果更加有效。     

基于比值的小波域数字音频盲水印算法

针对一些水印算法存在的不足提出一种基于离散小波变换的适于版权保护的数字音频盲水印算法。算法对能量的概念作了新的定义,对其设计原理和过程作了理论分析和实验验证。算法实现时先分帧音频并对各帧作n级离散小波变换,然后计算n级小波系数近似分量前后两部分的能量比值,并放大;再将放大后的比值修改为奇数或者偶数以嵌入水印,最后按与嵌入时相同的比例缩小第n级小波系数近似分量的前半部分并作小波逆变换,得到水印音频。算法根据n级小波系数近似分量前后两部分能量放大后比值的奇偶性提取水印,实现水印的盲检测,提取水印不需原始音频。采用混沌加密水印信号,缩放因子也是密钥,算法安全性得到双重保护。仿真结果证明了算法的鲁棒性和不可感知性。     

基于字典学习形态分量分析的轴承故障诊断

在基于固定字典的形态分量分析(Morphological Component Analysis,MCA)方法基础上,提出了字典学习形态分量分析的滚动轴承故障诊断方法。分别以轴承内圈、外圈故障信号为训练样本,应用K-SVD(K-Singular Value Decomposition)字典学习算法对训练样本学习字典,寻求最优的字典空间;将学习到的字典取代MCA中的固定字典,根据信号所包含各成分的形态差异性,利用MCA对滚动轴承故障信号中的内、外圈故障特征和噪声成分进行分离;对包络后的故障特征分量做频谱分析诊断轴承的故障及部位。应用实例结果表明:该方法能在强噪声环境下有效地提取滚动轴承内、外圈的故障特征,性能优于固定字典的MCA方法,为MCA方法在选取字典时提供了新思路。     

ICA算法及最大熵方法在闸瓦钎丢失故障自动识别中的应用

针对TFDs图像识别问题,提出了一种基于独立分量分析(Independent component Analysis,ICA)算法和最大熵模型的解决方案,该方案首先对图像进行预处理,然后利用独立分量分析(ICA)进行特征提取,最后采用最大熵模型进行闸瓦钎故障的分类识别。     

基于改进VMD的高速动车组轴箱轴承故障识别方法

针对高速动车组运行工况复杂、轴箱轴承故障率较高、背底噪声强和故障识别难度大的情况，提出基于改进变分模态分解（VMD）的动车组轴箱轴承故障识别方法。首先，运用能量差法和合成谱峭度法计算最优的变分模态分解关键参数；其次，基于相关系数、谱峭度及奇异值构建的评价参数，选取用于重构故障信号的本征模态分量；最后，对重构后的信号进行傅里叶变换，实现在强背底噪声情况下的故障特征频率识别，并通过模拟数据和真实动车组轴箱轴承试验数据对提出的方法进行验证。结果表明：提出的方法能够有效地在强背底噪声情况下重构带有预设的40或200 Hz故障特征频率的信号，重构后的信号最大程度保留了轴承的故障信息；故障特征频率识别效果好，能够为保障高速动车组的安全运行提供技术支撑。     

基于小波阈值和约束独立分量分析的齿轮故障诊断研究

为在强噪声下准确利用振动信号进行齿轮故障诊断,提出了基于小波阈值和约束独立成分分析(CICA)相结合的算法。该算法首先对输入信号进行小波阈值降噪预处理,提高了输入信号的信噪比,然后基于齿轮特征频率建立参考信号,将降噪后的信号作为CICA的输入信号,利用CICA算法有效分离出齿轮故障信号,识别了故障特征。为了验证该算法的有效性,进行了仿真和实验测试信号分析,结果表明,该算法可以有效提取齿轮故障信号,实现齿轮的故障诊断。     

基于形态学滤波和HHT的基音检测方法

提出一种基于形态学滤波和Hilbert-Huang变换HHT(Hilbert-Huang Transform)的基音检测方法,该方法先对带噪语音信号进行形态学滤波,滤除噪声,突出基音,滤波后的信号进行Hilbert-Huang变换得到信号的Hilbert谱,由Hilbert谱计算瞬时能量及其导数,通过瞬时能量的突变定位声门开闭的时刻来精确地跟踪基音的变化。与传统的基音检测方法向比较,该方法真实地描述了语音信号非平稳、非线性的特性,对语音信号的分析是一种自适应的过程,实验结果表明,该方法有较强的抗噪性,在低信噪比环境下仍能够精确地提取出语音信号的基音。     

基于融合注意力机制的多智能体磁浮谐波预测算法

为减小高速磁浮系统谐波对牵引供电网产生的影响，解决谐波治理存在的时滞性问题，通常需要对谐波电流进行预测。对此，采用融合深度学习算法的组合模型相比于传统算法的表现更加出色。文章提出一种新的融合注意力机制的多智能体磁浮谐波预测算法，该算法通过麻雀搜索算法（SSA）优化变分模态分解（VMD）的相关参数，并利用该优化参数将原始电流信号分解为多个不同中心频率的谐波分量，将各个分量分别输入融合注意力机制的长短时记忆网络（LSTM）中进行时序预测，形成多个独立预测智能体，再对各个智能体预测结果进行重构，从而实现对高速磁浮谐波电流预测。在此基础上引入误差修正机制，进一步提高模型的预测精度。对上海高速磁浮牵引系统进行理论分析与仿真，采集网侧电流数据，并用所提出的算法模型对此数据进行试验和分析。结果表明，与其他模型相比，所提的预测模型在磁浮谐波电流预测方面具有较好的性能，并可使时滞性得到进一步改善。     

基于衰减因子模型的地铁施工期通信系统设计

针对地铁地下区域机电施工时常无公网信号覆盖这一问题,提出了一种基于衰减因子模型的通信系统设计方案。该方案使用了基于衰减因子模型的传播损耗算法与信号场强算法。分析了地铁站内手机信号场强的理论值,而后搭建通信系统进行测试。理论计算结果与实测结果一致,均可证明在机电施工阶段,该通信系统能保证地铁站内及隧道内的手机用户进行正常的语音通信。