基于Hartley调制函数的线性连续系统参数模型辨识

借助于Hartley变换及Hartley调制函数微分性质,建立了参数模型直接估计的最小二乘算法.通过数字仿真分别辨识了一个二阶系统和四阶系统,研究了频率指数m和调制函数阶次n对辨识精度的影响.辨识结果表明:该方法简单实用,对噪声具有较强的抑制能力.     

悬臂梁式压电能量收集装置的实验研究和有限元分析

对单双晶压电悬臂梁进行激振实验,确定了4种压电悬臂梁的一阶固有频率,得出每种结构在不同频率下随着负载电阻增加的电压和功率响应曲线,实验表明激振频率与压电悬臂梁固有频率相当时,其输出电压达到最大,输出功率也达到最大。然后釆用COMSOL软件对压电悬臂梁结构模型进行了仿真分析,结果表明其输出电压,功率等有限元分析结果与实验结果吻合。针对船舶上柴油机工作时产生的振动能量耗散,提出1种多悬臂梁式的压电能量收集装置,利用COMSOL对结构进行频域分析,结果表明该结构能在船舶柴油机多个主振动频率上都达到较好、稳定的输出功率。     

连续线性系统模型参数直接辨识中噪声模型处理方法

针对线性连续系统,利用hermite调制函数,通过对连续模型的数字调制积分得到直接以连续模型参数表示的离散等价辨识模型,在此基础上引入一种噪声模型,来替代表示输入和输出端的噪声.当系统含有有色噪声,用普通最小二乘法辨识无法得到较准确的辨识参数时,采用引入噪声模型的方法得到的辨识参数估计值仍有较高的精度.仿真算例表明了该方法具有一定的优越性.     

移动无线信道多径衰落的仿真

移动无线信道传输特性的仿真对移动通信的研究具有重要意义,其中多径衰落仿真又是其中的重点和难点.针对多普勒频移和无线信道的随机性,讨论了无线信道的小尺度模型.运用数字信号处理方法,在频域给出了多普勒滤波仿真信道多径衰落的方法、频率选择性信道的仿真模型和仿真曲线.该方法较好地模拟了信号载波频率和通信终端移动速度的影响.     

尺度核支持向量机及在动态系统辨识中的应用

为了提高非线性动态系统辨识质量,提出了新的支持向量机尺度核函数构造方法.首先直接构造紧支撑尺度函数,然后根据小波多分辨分析理论,由紧支撑尺度函数生成具有多分辨率特性的尺度核函数.证明了这种核函数是满足Mercer定理的支持向量机核函数.动态系统辨识的仿真结果表明,尺度核函数支持向量机的建模和逼近能力优于基于三阶样条核函数或RBF核函数的支持向量机.     

随机状态模型参数辨识的多步算法

基于解耦辨识和多步计算思想,本文提出了一种状态空间模型参数辨识的多步算法.计算法包括二步加权最小二乘法、一步输出信息序列的修正和一步自适应 Kalman滤波过程,具有全局收敛且对待辨识参数初始估值设置不敏感等特点.仿真结果表明,在受控系统承受测量噪声和过程噪声的情况下,该算法对线性状态空间模型的参数辨识是十分有效的.     

主动磁轴承的神经网络辨识研究

简述了主动磁轴承的工作原理及数学模型,在传统系统辨识的基础上提出了基于BP神经网络的非线性辨识方案.通过闭环控制使转子稳定悬浮,并在控制器的输出信号中加入随机噪声,以使系统被充分激励.按照10 kHz的采样频率对磁轴承的I/O数据进行采样,以用于磁轴承特性的辨识.对某单自由度磁轴承的仿真表明,神经网络模型能够以很高的精度逼近磁轴承的输入输出数据,且对不同的输入信号有较好的泛化能力,验证了所提方案的有效性.     

一类分数阶非线性微分方程组的显式算法

讨论了一类分数阶微分方程组的一种数值算法,根据Caputo导数的性质,将分数阶微分方程组转化为Volterra积分方程组,再利用求解普通积分方程的Adams技巧,建立了分数阶微分方程组的一种显式数值算法,证明了该算法的收敛性与稳定性,并给出了数值仿真实例,证实了算法的有效性.     

数字高斯白噪声的频域和时域特性分析

分析了数字高斯白噪声在频域的频谱特性和在时间域的统计特性,提出在数字处理速度一定时,随着输出噪声频域带宽的增加,输出噪声的时间统计特性不再符合高斯分布.通过增加滤波器阶数可以提高噪声的时间统计特性,但是将增加输出噪声的带内波动.通过计算机仿真验证了上述的理论分析,并给出了频域和时域特性都满足相应要求的带宽范围实验值.     

基于小波基函数的语音增强研究

小波分析理论是一种新兴的信号处理理论，在时间上和频率上都有很好的局部性，小波变换可同时进行时域和频域分析，具有多分辨特性，特别适合于处理非平稳信号。小波基是由小波函数经过平移和伸缩得到，具有简单、灵活、随意的特性和多分辨分析的功能。通过计算机仿真小波基函数对语音去噪的实现，并分析了不同阀值函数在语音处理中的效果，仿真结果表明，这些方法的运用能有效改善语音的失真程度，具有一定的实践指导意义。     

THE PARALLEL RECURSIVE AP ADAPTIVE ALGORITHM BASED ON VOLTERRA SERIES

Aiming at the nonlinear system identification problem, a parallel recursive affine projection （AP） adaptive algorithm for the nonlinear system based on Volterra series is presented in this paper. The algorithm identifies in parallel the Volterra kernel of each order, recursively estimate the inverse of the autocorrelation matrix for the Volterra input of each order, and remarkably improve the convergence speed of the identification process compared with the NLMS and conventional AP adaptive algorithm based on Volterra ,series. Simulation results indicate that the proposed method in this paper is efficient.     

转向架构架载荷谱频域校准与建立方法

分析了时域内准静态载荷-应力传递关系, 以载荷间互谱密度的参数作为载荷耦合作用的表征量, 基于多轴频域疲劳基本理论推导了频域内等效应力的表达式; 得到了与多轴加载等效的分立载荷系的表达式; 为保证载荷谱计算损伤可以覆盖线路实测损伤, 以应力信号自功率谱密度的0阶谱矩作为表征损伤的参量, 约束载荷对测点损伤的贡献占比, 根据损伤一致性原则, 采用NSGA-Ⅱ多目标优化算法进行载荷校准; 对国内某型地铁转向架构架进行线路测试, 获得了载荷和应力数据, 并进行了数据分析。研究结果表明: 载荷系中构架横向载荷的线路实测方差最大, 为5.08, 电机横向载荷方差最小, 为0.02;频域内考虑载荷耦合效应的损伤校准精度为1.08×10-5, 而采用时域分立谱的损伤校准精度为2.91×10-3, 频域法比时域法的校准精度提高了99.63%;频域内考虑耦合作用的载荷校准系数的综合调整倍数为31.81, 相比时域内采用分立谱校准系数的调整倍数下降了41.71%, 频域法的系数调整最大倍数为6.99, 时域法为15.68, 前者比后者降低了55.42%。可见: 频域内考虑载荷耦合作用的校准方法在误差精度上要优于时域内采用分立谱的校准方法; 频域法的系数调整比例的分散度低于时域法, 校准载荷更接近实测载荷, 校准结果可信度高; 由于校准过程中考虑了载荷间的关联性, 研究得到的载荷系可同时应用于试验台多轴加载以及仿真独立加载, 实现了2种加载方式的统一, 为构架载荷谱的建立方式提出了新思路。      

基于辨识理论的船舶时域运动快速计算

根据时域运动方程快速计算的需求, 采用4种基于辨识理论并适用于时延函数快速计算的方法, 建立替代卷积分项的状态空间模型, 同时满足时延函数性质与拟合质量; 以海洋石油286船为研究对象, 分别采用频域和时域辨识方法进行时延函数拟合结果的对比。计算结果表明: 当置信度为0.99时, 频域回归法和频域迭代法拟合结果与期望值整体趋势一致, 在频率为0.92~1.05rad·s-1时达到峰值, 然后逐渐衰减, 最后趋于0;在频率为0.05~0.50rad·s-1时, 频域回归法的拟合结果与期望值偏差约为20%, 准确度明显低于频域迭代法; 当置信度为0.99时, 脉冲响应曲线拟合法和实现理论法拟合结果与时延函数期望值趋势一致, 都是由初始峰值逐渐衰减到约3.5s达到最小值, 然后逐渐增大, 在约15s趋于0;在7~11s时, 脉冲响应曲线拟合法拟合精度低于实现理论法; 在考虑垂荡对纵摇方向影响时, 实现理论法在横荡、垂荡、纵摇方向拟合的状态空间模型阶数分别为4、3、3阶, 是4种方法中最小的; 在不考虑垂荡对纵摇方向影响时, 频域迭代法在横荡、垂荡、纵摇方向拟合的状态空间模型阶数分为3、2、2, 是4种方法中最小的; 采用脉冲响应曲线拟合法在考虑垂荡对纵摇方向影响去拟合状态空间模型时, 拟合纵摇所需的状态空间模型阶数是不考虑时的2倍, 而实现理论法阶数相同。      

基于首次穿越破坏的TMD体系频域可靠性分析

为了研究可靠度的频域特性及TMD(tuned mass damper)体系减震特性,基于首次穿越破坏准则,推导了结构在随机激励下关于谱矩截止频率的概率分布计算公式,采用向前差分方法求解关于频域的概率密度,利用概率分布计算公式分析了TMD结构体系可靠度的频域概率信息.结果表明:可靠度的频域概率密度为负值,且随着频带变宽频域可靠度趋近于直接按照首次穿越破坏准则的计算值;结构无控时前两阶频率处的可靠度下降比例为59.23%和35.45%, TMD结构体系的相应比例为34.54%和55.92%,从频域可靠度的角度表明了TMD结构体系主要控制一阶振型,并体现了减震的可靠性.      

基于差分Poincaré映射的间歇混沌信号判别方法

针对混沌振子微弱信号检测中间歇混沌信号难以判别的问题,利用混沌系统的参数敏感特性,提出一种差分Poincaré映射判别方法,实现强噪声干扰下输出间歇混沌信号的判别．该方法选取周期激励幅值具有微小差异的两个混沌振子的Poincaré映射进行差值运算,利用周期状态下输出信号收敛,而混沌状态下输出信号分离的特点,降低了噪声对周期区域的影响,使可检测输入信号的信噪比达到了-87dB．实验表明,在时域或Poincaré映射已经无法进行分辨的情况下,该方法仍然实现了检测系统输出间歇混沌信号的有效判别．     

变微分模态分解罚参量选择方法与时变系统识别

针对变微分模态分解（variational mode decomposition，VMD）罚参量会对分解结果产生影响的问题，提出一种基于数据驱动的VMD罚参量选择方法.该方法首先通过傅里叶变换的主频峰值确定罚参量；然后调整层数参量，获得有限个固有模式分量，通过对比不同层数参量时所得固有模式分量的固有频率与阻尼比变化，剔除伪分量；最后对真实固有模式分量进行希尔伯特变换，用于识别时变系统的瞬时频率. 为证明所提方法对时变系统识别的有效性和准确性，分别对具有时变刚度的结构系统和柴油发动机的时变做功过程进行研究，将所提方法结果与经验模态分解方法结果进行比较. 比较结果表明，当罚参数取值是信号最大幅值的1.5～16.0倍时VMD分解结果最优，所提方法可以更准确地识别瞬时频率，在工程应用中的能够更有效地对系统瞬时频率进行识别.      

基于复Morlet小波变换的车体模态参数识别

详细推导了基于复Morlet小波变换的车体模态参数识别过程.对国内某高速动车组纯车体进行多点激励正弦扫频,利用随机减量法对车体振动响应信号进行随机减量处理,获取自由振动信号,首次运用小波理论对高速动车进行模态参数识别.同时也运用最小二乘法识别各阶振型.识别结果与商用软件Test.Lab对比,频率误差小于2％,说明小波分析适合用于高速车体这样复杂系统的参数识别.     

基于改进SBELM的耦合故障诊断方法

为了对主减速器的耦合故障进行识别,通过对振动信号经过集成经验模态分解(ensemble empirical mode decomposition, EEMD)所获得的高频分量采用自适应阈值降噪和对低频分量采用区间阈值降噪,有效去除了信号噪声,创建了配对多标签分类策略(paired multi-label classification,PMLC).基于PMLC和稀疏贝叶斯极限学习机(sparse Bayesian extreme learning machine, SBELM)用单故障样本构造概率分类器集,再采用网格搜索方法生成最优决策阈值,将分类器集的概率输出转换为耦合故障模式,提出了基于自适应区间阈值降噪和SBELM的耦合故障诊断方法,并用主减速器的实际样本集验证了该方法的性能.研究结果表明:该方法的诊断精确度达到96.1%,比基于PNN(probability neural networks)和SVM(support vector machine)的诊断方法提高了5%;该方法的训练时间和执行时间为131.4和61.3 ms,比基于SVM的诊断方法减少了70%.      

基于轨迹谱聚类的终端区盛行交通流识别方法

为了改善终端空域扇区和进离场航线对实际空中交通的流量及空间分布的适用性,研究了从大量航空器飞行轨迹中识别主要交通流的方法.在分析飞行轨迹空间特征的基础上,建立了基于3D网格的轨迹间相似性模型.利用谱聚类算法对终端区飞行轨迹样本进行聚类划分,提出了一种基于轨迹聚类核密度估计的盛行交通流和异常轨迹的识别方法,用于从空管雷达记录的飞行轨迹中识别出盛行交通流的实验.实验研究结果表明:该方法将1 476条轨迹划分为5个聚类,识别出5个盛行交通流,且识别结果未受到异常轨迹的影响.      

基于奇异值分解的混沌时间序列Volterra预测

提出一种用于混沌时间序列预测的奇异值分解Volterra滤波器.在Volterra滤波系数计算过程中,采用奇异值分解的方法得到线性方程组的最小二乘解.4种混沌序列的预测实验表明:该滤波器对混沌流的预测性能远优于NLMS自适应Volterra滤波器,前者的一步预测相对误差比后者小3~4个数量级.