一种自适应调整参数的形态学滤波新方法

针对形态学滤波在处理含有大量噪声的机械振动信号中结构元素长度不能自适应调整的问题,提出了一种可自适应调整结构元素长度的形态学滤波新方法。结构元素长度的不同会导致对信号特征提取效果的不同。该方法通过以峭度值为指标,找寻出使峭度值最大的一系列结构元素长度。然后通过计算不同长度滤波后信号的冲击特征比值,找寻出使故障特征最突出、最明显的结构元素长度。以此长度为最优长度对信号进行滤波,能够较好地提取出滚动轴承的故障特征,找到故障特征频率。通过实验台信号验证了所述方法的有效性和优点。     

一种高时频聚集性的方法在非平稳信号分析中的应用

非平稳信号广泛存在于自然界及工程实践中,时频分析是处理非平稳信号的有力工具。时频聚集性是评价时频分析方法的重要指标,传统时频分析方法在时频聚集性上已经不能满足要求,同步压缩小波变换将小波系数在频率方向进行压缩,能够有效提高时频聚集性。本文将此方法分别用于不同信噪比下的单分量及多分量信号分析,并与传统方法对比。结果表明该方法具有较强的噪声鲁棒性,对于复杂多分量信号仍能保持高时频聚集性。最后用于变转速滚动轴承故障信号分析,进一步验证了此方法的实用性。     

一种改进的基于轮廓特征拐点的遮挡车辆分离方法

在传统的基于4类特征拐点的遮挡车辆分离方法的基础上进行改进,提出了一种基于8类特征拐点的分离方法．该方法以车辆常用的矩形模板为先验知识,首先对存在遮挡的连通区域提取边缘轮廓,并将轮廓上的特征拐点分为8类;然后在对相邻且同类的轮廓特征拐点进行合并的基础上,利用改进的车辆轮廓特征拐点的类型组合来实现遮挡车辆的识别和分离．仿真实验表明,本文所提出的新方法具有更好的鲁棒性和精确性,且方法简单,具有很高的实际应用价值．     

基于轮廓特征拐点的遮挡车辆分离方法研究

遮挡是智能交通系统中车辆检测、跟踪和识别时较难解决的问题之一.本文主要针对智能交通系统中车辆之间的遮挡,以车辆常用的矩形模板为先验知识,首先对存在车辆遮挡的连通区域提取边缘轮廓,然后获取轮廓上的4类特征拐点,最后采用本文提出的基于轮廓特征拐点的车辆分离算法,将相互遮挡的车辆分离开来,便于后续对车辆的跟踪、匹配等处理.实验结果表明,本文提出的算法具有有效性、可行性和良好的应用前景.