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。     

冲击干扰下高压不对称脉冲特征频率提取算法

电气化铁路中的不平衡电流,尤其是电网冲击干扰电流,已经成为轨道电路系统主要的干扰源,如何减少冲击干扰的影响成为越来越紧迫的课题。FFT是在轨道电路信号特征参数提取中普遍使用的解调算法,只是FFT有其自身的局限性,不能对非平稳信号进行分析,而小波分析方法是一种时频分析方法,可以将高频信号和低频信号分离,在处理非平稳瞬时信号时有明显的优势。本文以高压不对称脉冲轨道电路为例,提出一种基于小波分析提取高压不对称脉冲信号特征频率的算法。通过计算机仿真,此算法不仅具有一定的抗干扰能力,而且具有较高的精度。     

小波变换在故障处理中的应用

小波变换具有良好的时频局部特性,特别适合非平稳和奇异信号的检测.讨论了小波变换在故障处理中的主要应用,并对小波变换的故障检测方法进行仿真.结果表明该方法具有较好的有效性.     

基于小波分析理论的轨道不平顺分析

研究目的:利用非平稳信号处理方法——小波分析方法分析局部轨道不平顺特殊波型、轨道不平顺病害的识别以及轨道不平顺功率谱分析等,以深化对轨道不平顺特性的认识.研究结果:利用小波分析方法可以较好地辨识轨道随机性不平顺中隐含的有规律的波形,如正弦、三角形波等;利用小波分析方法可以较好地对轨道局部发生的高频病害进行检测;通过小波分解,可以识别不同波长范围内突出的不平顺(特征不平顺),为进而提取这些不平顺做深入研究提供了便利.由此可见,利用小波分析理论从时频角度分析轨道不平顺,是一条保障铁路安全运营的新技术途径.     

隧道爆破振动信号EEMD分解后小波包降噪法研究

对比了常用4种降噪方法的优缺点,针对隧道爆破振动信号随机、瞬态、非平稳且含非纯白噪声的特点,提出先对振动信号予以集成经验模态分解(ensemble empirical mode decomposition,EEMD)然后采用小波包降噪的方法。该方法可在消除随机噪声的同时,更多地保留信号的细节特征,尤其是信号中存在高频有效分量时更为优越。经EEMD分解后在最佳小波基和最佳分解级数下小波包降噪法的降噪效果优于小波降噪法、缺省阈值降噪法和Birge-Massart阈值降噪法。可为隧道爆破振动信号的处理和分析提供参考。     

基于频率切片小波变换的轨道列车轮对振动信号分析

为了提取轨道列车轮对振动特征信息,提出一种基于频率切片小波变换的故障特征提取方法。首先,利用频率切片小波变换获取振动信号在全频带的时频分布;然后,依据得到的振动信号能量分布特点选择时频目标区域;接着,分割出含有故障特征的时频区域;最后,通过逆变换对目标区域的信号分量进行重构,分离出有效的信号时频特征。仿真结果表明,利用频率切片小波变换分离轮对振动信号时频特征效果较好,为轨道列车轮对振动信号时频特征精确提取提供一种新的方法。     

非平稳机械振动噪声中瞬态故障信号的检测

结合非平稳机械运行状态,分析了非平稳振动信号中瞬态故障信号和平稳振动信号的特点,介绍了应用小波包理论进行故障信号检测的基本原理.通过小波包变换后,平稳振动信号和瞬态故障信号的小波包-能量谱表现出不同的特性.本文运用统计信号处理的理论,构造了相应统计量进行假设检验判决,判断平稳振动信号中是否存在瞬态故障信号。针对变速箱故障声压信号的非平稳时变特点,给出了小波包分析处理变速箱故障声压信号的原理和方法,并分析了一个变速箱齿根裂纹故障的诊断实例.实验结果表明,该方法可以有效地提取淹没在平稳振动噪声信号中的瞬态故障信号的特征,准确判断出故障,验证了该方法对机械设备进行故障诊断的有效性,对其它类型的机械故障诊断也具有一定的参考价值。     

基于冲击回波法的混凝土-围岩缺陷检测与信号处理研究

喷射混凝土?围岩(Concrete-Rock,CR)结构的界面黏结缺陷隐蔽性强,缺乏具体有效的质量评价方法.鉴于冲击回波法的传统信号分析方法难以准确识别此类分层结构内部缺陷情况,设计不同接触质量、不同厚度的CR试件,进行冲击回波试验.对回波信号进行频域分析和时频域分析,并对回波信号进行小波包分解,计算小波包相对能量特征值作为支持向量机的输入向量,对不同缺陷进行识别.研究结果表明,CR结构的频域结果中存在多峰值现象,而时频分析综合了时间与频率信息,可获得较好效果,基于小波包相对能量的机器分类可识别缺陷特征,识别率在80％以上.     

电气化铁路弓网接触压力双谱及谱峭度分析

采用京广线和沪昆线等既有线路实测接触压力数据,针对局部接触压力表现出的明显的非高斯性及非平稳性,本文尝试将高阶统计量中的双谱和基于小波变换的谱峭度应用于接触压力数据的统计分析。对实测数据的分析结果表明,双谱较传统功率谱更适合处理实测的接触压力信号,且可有效地实现接触压力信号特征提取;基于小波变换的谱峭度对接触压力信号中的非高斯非平稳成分有着很强的表征能力,可为定量评价不同线路接触压力信号的波动提供一种新的思路。     

经验小波在机车轴承故障诊断中的应用

针对机车轴承故障诊断中故障特征提取的难题,将经验小波变换(EWT)引入机车轴承振动信号分析。经验小波通过构造紧支撑自适应滤波器将信号分解为多个固有模态分量,能有效抑制模态混叠。针对轴承振动特征对经验小波变换进行改进,提出了首先利用改进经验小波变换分解机车轴承振动信号,然后以峭度为指标筛选敏感分量,进而对敏感分量进行希尔伯特包络解调提取轴承故障特征的诊断方法。机车运行试验表明,文章所提出的方法划分机车轴承振动信号频带合理,能有效提取轴承故障特征频率,准确诊断各种类型的轴承故障。     

小波变换在故障处理中的应用

小波变换具有良好的时频局部特性，特别适合非平衡和奇异信号的检测，讨论了小波变换在故障处理中的主要应用，并对小波变换的故障检测方法进行仿真，结果表明该方法具有较好的有效性。     

小波-支持向量机组合算法在地铁沉降预测中的应用

采用小波分析的方法对地铁原始监测数据进行去噪处理,将得到的平稳可靠的监测数据用于建立支持向量机训练集,进行沉降预测。实际沉降数据处理和预测结果显示,小波分析方法能够准确提取监测数据中的沉降趋势性信息,W-SVM组合算法能够显著提高沉降预测的精度。     

基于AR模型的变分贝叶斯独立分量分析算法研究

近年来,盲源分离算法由于其良好的去噪效果在信号处理领域得到了广泛应用,但传统独立分量分析方法存在着未考虑噪声干扰及未充分利用已知信息等弊端。提出基于GAR模型的变分贝叶斯独立分量分析算法,将源信号的时间结构与系统噪声进行融合研究,基于GAR模型近似建模语音信号的时间结构特征,应用变分贝叶斯学习方法分离带噪声的语音信号。通过与标准变分贝叶斯独立分量分析算法的仿真对比,证明改进后的算法有较好地实际分离效果,有效解决了ICA算法无法在噪声环境下直接进行盲源分离问题。算法可用于减轻铁路列车司机通信时的听觉疲劳。     

经验小波变换在桥梁模态参数识别中的应用

针对桥梁结构模态密集、测试信号噪声强度高等特点,为在时频域内识别桥梁结构的模态参数,引入最新的经验小波变换,提出了一种基于经验小波变换的桥梁结构模态参数识别方法,以仿真信号验证了该方法在信号分解上的有效性。结合某曲线斜拉桥模型试验动力测试数据,识别了该模型桥梁前六阶竖向自振频率和前四阶横向自振频率,结果表明:该方法能对桥梁测试信号有效分解,各分量之间不存在模态混叠,并能正确识别出桥梁结构的模态参数,为该领域的研究提供了新思路。     

基于小波变换的铁路移频信号分析

傅氏变换在频域有完全的局部化特性，但不含时域局部化信息，这为分析信号在某一时刻的信号特征带来不便。小波变换可对信号进行多尺度分析，容易提取信号特征。本文主要是用小波变换方法分析移频信号，并用不同的小波基对铁路移频信号进行了仿真，通过比较找到了合适的小波基，结合ＦＦＴ算法得到移频信号的有关参数，并在文末给出了一个成功分析的例子。这种方法优于在目前铁路中所使用的分析方法，是铁路中信号检测中的新方法。     

基于软硬阈值折中的小波包语音增强算法的研究

由于语音信号的非平稳性,传统去噪方法将会不可避免地造成有用语音信号的损失,小波包分析能同时对信号的低频部分和高频部分进行分解,与小波分析相比,对信号的分析能力更强.文中提出一种新的去噪方法,它对噪声的清除更加干净,仿真结果表明,这种方法优于软、硬阈值法.     

基于小波分析的最小二乘支持向量机轨道交通客流预测方法

针对城市轨道交通客流预测问题,采用离散一维Daub4,小波分析方法对某一时间段的原始客流时间序列数据进行分解;以分解得到的高频分量和低频分量为样本数据,对最小二乘支持向量机进行训练,确定最小二乘支持向量机的核参数σ,以及系数a和b.利用训练后的最小二乘支持向量机预测未来一段时间客流时间序列数据的高频分量和低频分最,然后再利用Daub4小波分析方法对预测的高频分量和低频分量进行数据重构,从而得到预测的未来一段时间客流时间序列数据.与历史平均预测法和灰色预测法进行比较,结果表明,基于小波分析的支持向量机客流预测方法用于轨道交通短期客流预测具有更好的精度.     

基于集合经验模态分解和小波变换的轮轨力应变信号降噪

为解决轮轨力应变信号中的噪声干扰问题,提出了基于集合经验模态分解与小波变换相结合的去噪方法。该方法能够判断出含有基线漂移和高频噪声的模态分量。对含有基线漂移的分量通过小波变换进行分解,将代表基线漂移的趋势项置零达到去除基线漂移的目的。对于高频噪声,则是采用小波阈值法进行去除。实测轮轨力应变信号的去噪处理表明了该方法的有效性。     

基于多尺度时频图与卷积神经网络的车轮故障智能诊断

铁道车辆车轮故障的产生,不仅会增大列车的振动和噪声使乘坐舒适性下降,而且会加速车辆及轨道零部件的损伤,严重时还会引发事故,因此对车轮服役状态的实时监测对保证列车安全运营具有重要意义。针对现有铁道车辆车轮故障诊断方法存在自适应能力弱、准确率低等不足,提出一种基于多尺度时频图与卷积神经网络(CNN)相结合的车轮故障智能诊断方法,该方法利用车轮所在轴箱垂向振动加速度来间接识别车轮服役状态。1)首先采用形态学滤波器对车辆轴箱振动加速度信号进行滤波降噪,然后采用完全噪声辅助聚合经验模态分解(CEEMDAN)将滤波后的信号自适应地分解为若干固有模态函数(IMF),选取能量熵增量相对较大的三阶分量作为信号的主分量。2)分别求各主分量的Wigner-Ville分布(WVD),然后叠加转化为多尺度时频图。3)对经典的LeNet-5模型进行结构改进和网络参数优化,构建适合车轮故障诊断的CNN模型,来学习提取车轮在不同工况下的时频图特征,并对时频图进行分类,将特征学习提取与故障分类融为一体,一定程度上实现了端到端的车轮故障诊断。经仿真试验和现场试验验证表明：所提出的方法对于车速、故障类型和故障程度都有很好的...     

基于多小波包排列熵和流形学习的故障特征提取方法

针对振动信号非线性、非平稳性导致的故障特征难以准确提取的问题,提出了一种基于多小波包排列熵和流形学习的故障特征提取方法。首先,利用多小波包分解方法得到故障信号的多维多小波系数,通过计算排列熵初步提取了各个小波系数中的故障特征信息;然后利用局部切空间排列(LTSA)流形学习方法对多维特征信息进行处理,在有效降低信息冗余度的同时,提取了其中主要的故障特征;最后利用支持向量机(SVM)对滚动轴承正常、外圈、内圈和滚动体故障实测信号进行故障模式识别试验。结果表明,该方法可以准确地识别出轴承不同的故障类型,并且在提取故障特征准确性方面要优于传统的单小波包方法和主成分分析(PCA)方法。