一、快速独立分量变换与去噪初探（论文文献综述）
吴佳佳[1]（2021）在《基于声音信号的实时雨情识别研究》文中认为雨情识别技术一直以来都是气象水文领域的研究热点之一,随着人工智能技术的发展,信号识别算法的高关注度为实现创新有效的雨情识别提供可能。雨声信号的变化可反演雨情的发展及消散过程,对及时预警防灾减灾具有重要意义。为了识别降雨情况,本文设计了一种基于声音信号的雨情识别系统。本系统采用带外壳的雨声采集器,所获雨声信号段共计1500个,其中小雨（0.1～9.9mm）、中雨（10～24.9mm）和大雨（25～49.9mm）三种雨情各约500个,建立了微型雨声数据库。为了剥离出较纯净雨声,通过盲源分离算法处理含噪雨声信号,获得雨声信号成分。为了提升分类模型的分类准确率,利用变分模态分解（VMD）结合小波包算法进行信号去噪,获得纯净雨声信号。针对传统分类模型分类不佳的缺陷,对三种雨情下的声音信号进行随机森林寻优、贝叶斯优化极端梯度提升（XGBoost）算法两种分类研究,获得较好分类效果。具体工作如下:为了保证研究雨声信号的真实可靠性,设计一种基于STM32的雨声采集装置。考虑声音在介质中传播速度及防止雨水杂物附着积累引起不必要测量误差,设计了一个倾斜角为45°圆锥不锈钢体,将麦克风采集模块布置其内部。利用微控制器内置的三个ADC采集同一时间、同一环境的雨声信号,经均值拟合后获取更接近实际雨声的信号,构建完整可靠的微型雨声信号数据库。为了获得较纯净雨声,提出了一种雨声信号处理的盲源分离方法。将一路雨声信号和两路环境声音信号结合随机矩阵混合成待观测信号,运用固定点算法（Fast ICA）和主成分分析（PCA）算法分别进行盲源分离实验,比较两种盲源分离算法的平均运行时间、分离信号的信噪比、均方根误差判断其分离效果。实验结果表明,Fast ICA解混收敛速度更快且PI分离性能指标达到小数点后两位,实现盲源分离更好的分离效果。针对雨声信号易受干扰噪声影响的问题,提出了一种基于VMD和小波包的雨声去噪算法。利用VMD算法将雨声信号分解成一系列具有稀疏特性的变分模态分量（VMF）,结合快速傅里叶变换（FFT）分析各分量的频率特性,划分低频、中频和高频分量,使用小波包挑选不同阈值准则对不同频段针对性地处理实现去噪,将去噪信噪比差和均方根误差作为判断去噪效果的评价指标。实验结果表明,针对三种雨情的去噪信噪比明显提升,均方根误差降低两个数量级,去噪效果得到改善。针对传统神经网络算法对雨声信号分类能力较弱的缺陷,提出两种基于树理论的雨声信号分类算法。为了提升分类模型的泛化性,利用梅尔频率倒谱系数（MFCC）和一阶差分系数对所有雨声数据集进行特征提取。第一种基于随机森林的雨声信号分类算法,调整其分类树的个数,寻找处理三类雨情最佳的模型状态。为了验证算法的有效性,对比传统神经网络和支持向量机分类模型,分类准确率均能达到80%以上。第二种基于贝叶斯优化XGBoost的雨声信号分类算法,利用贝叶斯的寻优能力对XGBoost的分类模型进行优化。实验结果表明,分类准确率均突破90%,其中对于小雨和大雨信号能达到95%以上的准确率,较随机森林算法,分类效果更好。
荆春晖[2]（2021）在《雷达通信一体化波形设计及干扰抑制》文中认为在频谱资源紧缺的时代,系统集成化发展将成为趋势,雷达与通信的结合使得一体化波形在系统中可以同步实现信息的传输与雷达的探测功能,减缓频谱资源的浪费,节约设备成本资源。在雷达通信一体化的研究中,波形设计无疑成为热点问题,良好的波形能够结合通信、雷达两者的优势,抑制恶劣环境下的干扰,同时带来更多的挑战与未知。因此本文从一体化波形设计方向入手展开研究,同步考虑各类因素引发的干扰问题并进行干扰抑制,具体包括以下三个方面:1、基于雷达通信全共享信号的设计方案,本文提出了将高斯最小频移键控（Gaussian Minimum Shift Keying,GMSK）调制的通信序列嵌入调频连续波（Frequency Modulated Continuous Wave,FMCW）雷达序列中,构成GMSK-FMCW一体化波形,同时设计一体化系统框架,主要包括发射机、接收机中的信号处理模块。通过系统模拟环境仿真验证GMSK-FMCW一体化波形的通信、雷达性能,根据功率谱密度、误码率、模糊函数、动目标检测等性能指标对比其他一体化波形,结果表明本文所提出的一体化波形及系统在通信及雷达探测方面都有较好的性能。2、针对一体化系统中出现的雷达与通信之间的干扰问题,提出了小波去噪联合独立分量分离的算法,引入盲源分离的思想,对一体化系统的接收端进行改进,其中独立分量分离部分采用基于统计特性精确求解的特征矩阵的联合近似对角化（Joint Approximation Diagonalization of Eigen-matrices,JADE）算法及基于非线性函数高阶特性近似求解的复值非高斯最大化（Complex Maximization of Non-Gaussianity,CMN）算法,联合小波去噪首先进行环境降噪,其次进行信号分离,从而达到抑制雷达与通信之间干扰的目的。3、针对一体化信号间的干扰问题,模拟车联网中一体化信号传输场景,提出了复杂多目标一体化探测模型。采用斜坡滤波（Ramp Filtering,RFmin）算法、自适应阈值的迭代算法（Iterative Method with Adaptive Thresholding,IMAT）及干扰估计消除算法抑制一体化信号间的干扰,通过距离维度的信噪比（Signal to Interference and Noise Ratio,SINR）、速度维度 SINR、误差矢量幅度（Error Vector Magnitude,EVM）、恒虚警率（Constant False Alarm Rate,CFAR）、动目标检测、误码率等方式对比三类算法的适用性。结果表明IMAT算法在一体化信号间的干扰抑制中有较好的效果。最后结合以上三点对GMSK-FMCW一体化系统进一步完善,实现多目标环境下无干扰的信息传递与雷达探测。
杨赟[3]（2021）在《基于盲源分离的脑信号伪迹去除方法研究》文中指出脑电信号（EEG,Electroencephalography）具有易于采集、获取成本低、时间分辨率高等优点,是一种可以测量不同大脑状态的非侵入性脑成像手段。然而,脑电信号记录的脑电活动经常会受到伪迹信号的污染。所以自动移除EEG伪迹的算法对于临床诊断和脑-机接口应用具有非常重要的意义。本文主要研究内容如下:（1）眼电信号（EOG,Electrooculogram）是脑机接口（BCI,Brain-computer interface）应用中常见的主要伪迹之一。分析脑电信号时,如果可以在自动去除EOG伪迹的同时保留更多神经数据,将有利于进一步对脑信号进行特征提取和分类工作。为了在自动去除EOG伪迹的同时保留原始EEG中更多有用的信息,本文提出了一种新的基于盲源分离的伪迹去除方法CCA-CEEMDAN（典范相关分析,基于自适应噪声的完备经验模态分解）。CCA-CEEMDAN的主要步骤如下:首先,利用CCA将多通道原始EEG信号分离成若干不相关的分量。然后,可以根据峰度阈值自动识别EOG分量。接下来,通过CEEMDAN将识别出的EOG分量分解成几个本征模态分量（IMF）。通过计算频谱能量熵的最大值识别出含眼电伪迹的IMF分量,并进行带通滤波去除伪迹。最后,对干净的脑电信号进行重构。本文的创新之处在于,识别出的EOG分量不是直接去除的,而是用于提取有用的EEG数据,这样可以保留更有效的信息。该方法既能自动去除EOG伪迹,又能最大限度地保证EEG数据的完整性。（2）近年来,研究人员将独立分量分析（ICA）和离散小波变换相结合作为去除脑电伪迹的一种标准化技术。然而,在执行小波-ICA算法时,可能需要视觉检查或设置阈值来识别EEG信号中的伪迹成分。为了解决这个问题,本文提出了一种有监督学习的伪迹去除方法,利用预先训练好的具有联合学习特性的支持向量机（F-SVM）来识别由小波-ICA分离的伪迹分量。该方法提供了一个健壮和可扩展的系统,可以完全自动地识别和去除EEG信号中的伪迹,而不需要手动设置阈值。使用被眨眼伪迹污染的测试数据,验证了本文提出的方法比现有的阈值方法在识别伪迹成分上表现得更好。此外,小波-ICA与F-SVM相结合,在很大程度上保留了感兴趣的脑电信号,同时成功地去除了眨眼伪迹。本文提出了一种将F-SVM和小波ICA相结合的方法来识别并去除脑电信号中的眨眼伪迹。该组合方法还可扩展以适应多通道EEG中存在的多种类型的伪迹。未来可以探索与其他类型的伪迹分量相对应的其他描述性特征。
彭桂力[4]（2021）在《主动震源探测岩石微破裂信号识别与定位研究》文中提出深埋隧道工程中的岩爆事件具有突发性、猛烈性等特点,会给高速公路、铁路中的隧道施工建设带来严重的安全隐患。岩爆事件的实时监测、预报已成为深埋地下工程建设和岩爆机理研究的共同课题。微地震监测是岩爆监测预警的方法之一,通过监测微地震信号反演岩石破裂位置,但其定位精度受到多种因素影响,可以通过加入主动震源技术去提高岩石破裂定位精度,利用已知的主动震源作为标准,探测未知岩石破裂位置定位方法中是必不可少的,然而加入主动震源信号会带来微地震监测信号更加复杂的问题。本论文围绕如何从复杂微地震混合信号中有效分解、识别微地震信号这一问题,在国内外研究学者的基础上,加入主动震源探测技术,观测岩石微破裂的现象,重点针对在主动震源与噪声干扰下的微地震信号的分解和识别算法展开研究,并利用识别的微地震与主动震源信号进行精准定位。论文主要工作和取得的成果如下:1.针对基于主动震源技术探测岩石微破裂的研究中,增加了复杂微地震混合信号分解困难的问题,提出了基于奇异值经验模态分解（Singular Value Empirical Mode Decomposition,SVEMD）算法,对于含有主动震源信号、微地震信号和噪声信号的复杂混合信号进行有效分解。该算法具有分解精度高,残差功率低,可以得到较高信噪比的特点,对混合信号在频域范围内进行有效分解,依次得到噪声、主动震源与微地震信号。2.针对复杂微地震混合信号中含有大量微地震、主动震源和噪声等信号,存在人工识别效率低下,精度不高的问题,提出将信号识别转化为图像识别,将卷积神经网络（Convolutional Neural Network,CNN）应用于微地震信号识别中,改进现有CNN算法,加入迁移（Inception）结构,形成深度迁移卷积神经网络（Deep Convolutional Neural Network-Inception,DCNN-Inception）,利用该网络实现微地震信号的自动识别。利用测试集对该算法进行测试,获得信号的识别准确率达到92.4%,同现有的CNN网络相比,识别精度提高7.1%,同时得到信号的损失率为17.4%,比现有CNN网络降低了13%。DCNN-Inception网络微地震数据特征拟合能力明显强于CNN网络,特征提取能力强,准确率高。3.针对岩石微破裂中微地震事件的定位和精细描绘问题,提出引入主动震源技术,优化速度模型,利用主动震源技术反演得到初至时间和位置信息。同时提出了基于主动震源技术的定位方法,改进了传统到时差定位算法的求解方法,建立线性数学方程组,改善了岩石微破裂的刻画精度,避免了的传统Geiger求解方法中受初值影响较大的问题,优化Geiger算法,为进一步实现微地震事件精确定位,分析岩爆提供可靠的数据支持。借助计算机中的MATLAB数值仿真工具构造微地震信号数据,西南科技大学土木实验室进行主动震源实验采集的主动震源数据和白鹤滩水电站岩爆监测工作获得的有效微地震数据,加载本论文提出的SVEMD算法,通过算法验证和仿真结果分析对比,验证SVEMD算法的可行性和有效性。将白鹤滩监测的大量微地震数据构建数据集,用于训练及验证本文的DCNN-Inception算法,通过算法可以有效识别出微地震信号。将计算机仿真软件构造数据与主动震源实验采集数据加载本文中提出的基于主动震源的岩石破裂定位算法,通过算法验证和定位结果对比,证明该算法可以提高现有Geiger算法的计算效率,提高定位精度。
解洪光[5]（2021）在《配电网高阻接地故障识别方法研究》文中指出配电网是连接电力系统与用户的中间环节,其运行环境复杂且覆盖面积广泛,运行时易与地面接触,产生高阻接地故障。此类故障由于接地电阻大,故障发生时暂稳态电气量变化不明显,常规保护难以检测并可靠动作。一旦故障无法及时排除,则可能导致电气设备损坏甚至发生火灾、触电等事故。本文针对这一问题,对配电网高阻接地故障特征提取和识别方法进行了研究。本文对配电网的接地方式、单相接地故障后的暂稳态电气量特征进行了总结分析,归纳了高阻接地故障的主要特征。利用PSCAD搭建了10kV配电网中性点经消弧线圈接地模型,在此模型基础上确定了高阻接地故障模型的具体参数,并仿真分析了不同故障初相角、故障位置、过渡电阻阻值对于高阻接地故障零序电流波形的影响。针对高阻接地故障零序电流微弱、易受到噪声影响的问题,本文采用独立分量分析法对故障后的零序电流进行滤波去噪。首先分析了目前常用去噪方法的缺陷,利用独立分量分析算法的盲源分离功能对零序电流进行去噪;然后验证了独立分量分析对于不同种类噪声的滤除效果,并对比了不同去噪方法对含噪零序电流的滤波去噪效果;最后以不同信噪比的信号对比了各个去噪方法的稳定性,证明了独立分量分析去噪具有良好的噪声滤除效果和稳定表现。针对高阻接地故障发生后零序电流特征量难以提取、高阻接地故障难以识别的问题,本文利用小波变换对高阻故障和其他干扰工况发生后两个周波的零序电流波形进行分析,得到每条馈线零序电流的小波近似系数能量和小波能量熵作为特征量,形成故障数据集,输入至改进天牛须算法优化后的极限学习机中进行不同工况的分类识别,并与BP神经网络、支持向量机的识别精度进行对比;最后对本文采用的高阻识别方法进行抗噪能力测试和实测算例验证,结果表明该方法具有良好的抗噪能力和实用性。该论文有图42幅,表12个,参考文献89篇。
王艳[6]（2021）在《滚动轴承故障特征快速提取方法及其应用研究》文中指出滚动轴承是机械系统运行过程中的关键零部件之一,其应用范围极其广泛,且工作环境非常复杂,同时也是一种故障高频发生的部件。滚动轴承故障一旦萌生便容易迅速发展并恶化,若不能对故障做出快速准确地判断,并及时采取补救措施,将会影响到其他零部件的正常运行,甚至导致整个系统的瘫痪。正因如此,在运行中对滚动轴承进行实时监测和在线诊断一直都是领域研究的热点问题。滚动轴承发生故障时会产生周期性的冲击振动,借助有效的信号处理技术可以从振动信号中快速提取出轴承的故障特征,这也是实现滚动轴承实时监测和在线诊断的关键所在。然而,由于滚动轴承实际运行工况复杂,传感器采集到的信号中往往会混入大量背景噪声和干扰成分,使得表征轴承故障的冲击信号被淹没而无法识别,这很大程度上影响了轴承实时监测和在线诊断的效果。针对以上问题,本论文在强噪声、大干扰的复杂背景下,对滚动轴承早期故障特征的快速提取方法进行了系统研究,在信号快速降噪、能量算子解调、特征频率提取等方面提出了以下三种解决方案。（1）针对滚动轴承运行环境噪声严重、故障信号解调和特征提取困难的问题,本文提出了一种基于快速非局部均值滤波（IFNLM）和对称高阶差分解析能量算子（SHOAEO）的解决方法。首先,通过对相似度衡量标准和核函数的优化,得到了一种改进的快速非局部均值滤波（IFNLM）算法,在其算法过程中,对于任意两个相似结构块距离的加权平均计算仅需进行一次。采用该方法对原始信号进行降噪预处理,可以在提高算法降噪准确性的同时降低计算的复杂度。其次,在解析能量算子（AEO）的基础上,借鉴高阶差分和对称差分思想,提出了对称高阶差分解析能量算子（SHO-AEO）,并用来对降噪后的信号进行解调处理,并从其能量谱中识别出轴承故障的特征频率。随后,采用仿真信号和实验数据验证了IFNLM-SHOAEO方法的可行性和优越性。（2）针对滚动轴承在工作环境噪声和振动干扰并存的复杂背景下故障特征提取困难的问题,引入了一种新的快速模态分解方法——硬阈值快速迭代滤波（HTFIF）,它将原始复合信号快速地分解成一组具有单一分量的本征模态函数（IMF）;然后开发了一种考虑到信号本身特点和统计特性的综合指标L-KCA,用以选择敏感IMF;并通过在信号中使用间隔为k的三个采样点来改进对称差分序列,得到了一种k值改进的对称差分解析能量算子（k-SDAEO）来对敏感IMF进行解调,进而从其能量谱中识别出轴承故障特征频率。同样,也利用仿真模拟和实验数据验证了HTFIF-k-SDAEO方法的优越性及可行性。（3）针对滚动轴承早期微弱故障提取问题,首先采用了上面的HTFIF算法将轴承振动信号分解为一系列IMF并根据L-KCA值进行加权重构,预先滤除了部分干扰;之后构建了SOSO＿IFNLM增强滤波结构,在去除大量噪声的同时保持了原始振动信号的平滑性,增强了故障冲击特征;最后将对称高阶思想融入到频率加权能量算子技术中,提出了对称高阶频率加权能量算子（SHFWEO）,它在对降噪后的信号解调处理的同时提高了信号的信干比（SIR）。仿真模拟和全寿命周期加速实验也验证了HTFIFSOSO＿IFNLM-SHFWEO方法对复杂工况下早期微弱故障的提取的有效性和可行性。最后,本文以SDM00型振动筛为例,将前文中所提出的三种故障特征提取方法在振动机械故障诊断中进行了应用研究,并以此振动筛为依托对以上三种方法和所提三种能量算子进行了比较和评价,指出了在实际应用中,“提纯”和解调步骤的方法,可以根据具体情况优化匹配,为滚动轴承故障诊断提供最佳方案。
王广福[7]（2021）在《多态噪声下高精度宽频相量测量技术研究》文中进行了进一步梳理大规模风电/光伏等可再生能源发电、高压交直流输电接入电网,使电力系统呈现高度电力电子化趋势。电力电子装置规模化的运用,为电网注入大量低频、高频分量。目前,现有同步相量测量技术重点关注窄带基频信号测量,为促进电力电子化电网运行监控能力提升,亟需探索以宽频相量测量数据为支撑的新一代全景式宽频相量测量技术。同时,电力电子化电网除宽频分量以外,还含有噪声分量,因此本文从多态噪声干扰条件下电力参数的低频分量、工频分量的高精度相量测量等问题展开研究。研究成果主要包括:（1）针对低频分量测量,首先研究Prony算法基本原理及特性,该算法可准确地辨识出不含噪信号,但对于含噪信号则存在较大误差,接着研究EEMD算法去噪原理,该算法虽然能将含噪信号分解为一些列IMF,但传统EEMD去噪法表现出去噪不彻底、有用信号被误滤缺点;据此本文提出基于EEMD-Robust ICA-Prony算法的高精度低频分量相量测量方法,通过该方法对低频分量进行测量,有效地克服Prony算法受噪声干扰不足,同时解决传统EEMD去噪效果差的问题,通过Matlab仿真软件表明,本文提出的EEMD-Robust ICA-Prony算法能更好的去除噪声且更加准确的实现低频分量的高精度相量测量。（2）针对工频分量测量,首先分析传统标准FFT算法的不足,接着系统研究了全相位FFT和TLS-ESPRIT算法优缺点,发现全相位FFT在相位检测方面表现出较强的优势,相位不会因频率偏差而发生变化。频率相近的情况下,全相位FFT频率分辨能力低下,但TLS-ESPRIT算法对频率表现出较高的分辨能力,能良好处理频率相近的问题,但是计算过程十分复杂,不能对相位、幅值作出合理的检测。本文结合二者优点,提出全相位FFT-TLS-ESPRIT综合算法,能保障相位、频率具有良好的检测精度,还能起到降低计算量,提高计算速度的作用。通过算例仿真,验证全相位FFT-TLS-ESPRIT算法有效性,可以实现对工频分量的高精度相量测量。
吴肖楚[8]（2020）在《基于非下采样剪切波变换的低照度图像增强算法研究》文中进行了进一步梳理众所周知,由于光照环境差或设备局限性等因素的影响,图像在形成或传输的过程中出现各种问题,譬如对比度下降、细节丢失、色彩严重失真等。如此一来,人们从图像中就获取不到有效的信息,而对图像进行后续的分析识别等工作更是无从谈起。因此,低照度图像增强技术具有极大的研究价值与空间。本文研究并分析图像增强的各类算法及其优缺点,然后根据低照度环境下采集到的图像的特性提出改进的算法。在克服其他算法缺陷的前提下,努力提升图像的质量,得到更符合人眼视觉特性的效果。本文的具体研究内容如下:1.本文提出了一种基于非下采样剪切波变换的高信噪比图像增强算法。由于HSV色彩空间更符合人眼视觉特性且具有较低的耦合性,所以本文提出的算法是在HSV空间下进行的。本文首先对V通道采用直方图均衡和非下采样剪切波变换。接下来,对获得的低频分量进行伽马校正,而对高频分量执行改进的引导滤波。然后,重建V通道,与H和S通道合并后转换回RGB颜色空间得到最终增强图像。实验结果表明,与其他的算法相比,本文提出的方法不仅能够有效的提高低照度图像的对比度和亮度,而且细节更加突出,色彩保真度更高。2.本文提出了一种基于非下采样剪切波变换的低信噪比图像增强算法。由于在Lab颜色空间中,高斯白噪声对a和b通道几乎没有影响,因此,本文提出的算法将在更有利于除去噪声的Lab空间下进行。本文首先将图像由RGB颜色空间转换到Lab颜色空间,然后对颜色分量a与b进行双边滤波,而对亮度分量进行非下采样剪切波变换。对获取到的低频分量进行伽马校正以增强对比度,对高频分量采用软阈值去噪。最后转换回RGB颜色空间,执行白平衡以校正色彩,得到最终的图像。实验表明,在主观方面,经过本文算法处理后的图像显现出更多的细节,视觉效果较好;而在客观方面,本文算法更能有效的去除噪声,保留更多的图像特征,与原始图像具有较高的特征相似度。
张卿杰[9]（2020）在《次同步振荡与轴系扭振的测试与分析》文中研究指明“西电东送”、“北电南送”,“全球能源互联网”的电网发展大格局下,高压直流输电、远距离输电势在必行,与此同时,传统能源趋紧,环境保护意识提高,新能源发展迅猛,风力发电渗透率提高,高性能电力电子设备应用广泛、旋转轴系无级调速设备使用增多的背景下,都使得目前次同步振荡与轴系扭振问题处在相对高频发生的又一个历史阶段。本文主要研究次同步振荡与轴系扭振的测试与分析方法,采用次同步振荡中特征结构分析与暂态时域仿真分析高压变频调速导致的引风机组轴系扭振问题。本文研制了基于单端瞬时转速的扭振测试分析系统,以及为了方便评估对扭角信号的分析精度,研制了基于扭振信号逆向解调的任意扭振信号模拟器。评估了扭振测试FFT分析中周脉冲数、插值方法、插值点数、FFT窗函数等因素对分析精度的影响。针对FFT类方法不能够高精度、高分辨率辨识出时变间谐波参数,提出应用PRONY方法辨识。PRONY方法可以超分辨率辨识信号,但是在低阶PRONY辨识中对噪声极其敏感。提高信号的信噪比则有助于提高PRONY辨识精度与降低PRONY拟合阶数。提出应用经验模态类分解方法（EMD、EEMD、CEEMD、CEEMDAN、ICEMMDAN、MCEEMD）分析轴系扭振信号,经验模态类分解方法可不受信号测不准原理制约,但其存有模态混叠,以及端点效应问题,尤其是针对次同步振荡中信号。提出了应用ICEEMDAN与排列熵结合后的去噪方法,去噪后再进行PRONY分析,可提高PRONY分析精度。提出应用小波阈值算法进行去噪,其去噪性能略优于ICEEMDAN方法,但小波基函数选择工作量比较大。为了进一步提高信噪比,提出了基于ICEEMDAN、小波阈值、Robust-ICA、PRONY联合算法,通过ICEEMDAN对信号进行分解,分解得到的模态分量作为Robust-ICA的输入,将通过Robust-ICA算法得到的独立成分采用小波阈值去噪,去噪后的信号再乘以混合矩阵,将更新后的模态分量合成,得到去噪后的信号,该方法提供了一种在ICEEMDAN、小波阈值去噪基础上进一步提高信号信噪比的可能,去噪后再用PRONY辨识,可得到更高精度的辨识参数。在轴系扭振与次同步振荡测试与分析中,不仅可以用瞬时速度来进行分析,其余机械量与电气量也能反映相关特征信息。对次同步振荡第一标准模型展开了研究,采用特征结构分析方法获取扭振模态,通过暂态时域仿真获取相关信号,分别进行了FFT与高阶PRONY分析。其中机械量信号（转速、扭矩、扭振）中可以获得更多的模态信息。电气量中电压、电流因为工频分量存在,次同步振荡模态分量占比较低,且以工频分量的互补分量形式呈现,经PARK变换后,对称的工频分量会转换为直流分量,可突出次同步振荡分量。在有功与无功信息分析中,能够得到多于电压、电流分析获得的次同步振荡信息。高压变频器调速导致引风机轴系扭振的问题是机电能量的耦合问题,单一分析机械结构或者电气控制方面的原因,难以全面解决问题。本文采用特征结构分析法、时域机电暂态仿真法对此问题展开研究。采用基于分步曲线拟合的方法从引风机性能曲线中得到引风机传动模型,建立了罗宾康结构式高压变频器详细模型。通过特征结构分析法,可得到引风机轴系随着运行频率变化的不稳定运行区间,但其采用小信号线性化模型,有一定误差。通过小步长暂态时域仿真法,分别对理想变频器与罗宾康高压变频器进行了分析,通过频率逐段扫描,得到系统不稳定运行频率区间。罗宾康高压变频器的电气阻尼会随着高压变频器内部相关参数会有所变化,研究了系统轴系弹性参数、阻尼参数、压频比参数、定子接入的电抗、电阻等参数对不稳定运行区间的影响。随着当下变频驱动技术的广泛普及,越来越多的旋转轴系系统可以进行宽范围的调速,但均有可能长期运行在扭振谐振区域,此类扭振问题与电力系统内次同步振荡问题类似,可以借鉴次同步振荡的分析与抑制研究。本文建议在系统设计初的时候,可进行本文中类似仿真计算,在技术说明书中标识系统谐振区域,以便运行时主动规避谐振区域,对现有变频驱动系统中,根据实际条件,进行扭振仿真测试实验,从而标识出系统中的谐振区域,在调速实验中,要考虑频率变化率对谐振区间影响,对于已出现轴系扭振系统中,可考虑增加系统自阻尼、串接定子电阻或者在变频驱动控制过程中加入扭振监控后进行扭振抑制控制。
程云飞[10]（2021）在《可穿戴健康监护中的生理信号处理关键方法研究》文中进行了进一步梳理随着可穿戴技术的快速发展,可穿戴健康监护也越来越受到更多人的关注,但是这也给生理信号的采集、处理和分析带来了一些新的挑战。首先,在目前应用最为广泛的可穿戴运动心率监测中,运动状态下采集腕部PPG信号极易受到运动伪影干扰,运动伪影由于其频率范围与PPG信号的频率范围高度重叠而很难去除;其次,在基于压缩感知采样的可穿戴健康监护中,由于现有压缩感知重构算法计算复杂度较高,很难满足实时监护的要求;最后,在对基于压缩感知采样的心电片段进行实时分析和诊断时,现有的基于心拍的心律失常自动诊断方法很容易出现漏诊或者误诊。为了应对这些挑战,本论文在项目组所研制的可穿戴远程健康监护系统的基础上分别针对运动伪影的去除问题、心电信号的重构问题和压缩心电的分类问题提出了一系列算法,主要研究内容与创新点包括以下几个方面:（1）针对腕部PPG信号中混入的强运动伪影难以去除从而导致心率估计准确性差的问题,分别提出了适用于两种不同应用场景的运动伪影去除及心率估计算法:①对于远程服务器端,本文提出了一种基于皮尔逊相关二元决策的混合去噪方法,充分利用非线性自适应滤波和奇异谱分析去噪优势,实验结果表明该算法可以有效去除PPG信号中混入的运动伪影干扰,从而提高了心率估计的准确度,并且所采用的去噪算法不依赖于个体数据,具有良好的通用性,适合于在计算资源充足的服务器端对大量不同用户的数据进行统一处理和分析;②对于可穿戴智能设备（如智能手表）,本文提出了一种基于条件生成对抗网络的运动伪影去除算法,实验结果表明,相对于现有的运动伪影去除及心率估计算法,其速度可以提升约一个数量级,并且训练好的运动伪影去除模型计算复杂度很低,可以很容易地嵌入到计算资源受限的可穿戴智能设备中。（2）针对现有的现有非稀疏心电信号重构算法计算复杂度高、实时性差的问题,分别提出了适用于两种不同应用场景的非稀疏心电信号重构算法:①对于远程服务器端,本文基于传统的块稀疏贝叶斯学习框架,利用交替方向乘子法优化其迭代流程,实验结果表明,该算法有效加快了重构算法的收敛速度,在保证信号重构精度的同时提高了信号重构的实时性,并且该算法不依赖于特定数据集,具有良好的通用性,适合于在计算资源充足的服务器端对大量不同用户的数据进行统一处理和分析;②对于可穿戴智能设备,传统的迭代式压缩感知重构算法计算复杂度偏高,因此本文提出了一种基于扩张残差网络的心电信号重构算法,实验结果表明,基于特定数据集训练好的信号重构模型相对于传统迭代式压缩感知重构算法不仅有着更好的重构精度,实时性也有着巨大的提升,其重构速度可以提升约两到三个数量级,因此很容易嵌入到计算资源受限的可穿戴智能设备中。（3）针对现有的分类算法对压缩的心电片段进行心律失常自动诊断时容易发生漏诊和误诊的问题,提出两种心律失常自动诊断算法:①对于心律失常自动诊断分类,与传统的基于心拍的心律失常自动诊断算法不同,本文提出了一种多标签分类算法对同一心电片段中可能存在的多种心律失常进行分类,实验结果表明,提出的算法可以对同一心电片段中存在多种心律失常的情况进行准确分类,从而减少漏诊或者误诊的发生;②对于房颤检测,本文利用测量矩阵的先验信息对深度模型的第一层进行初始化并进行微调,从而充分利用已有的信息来提高模型的分类性能,实验结果表明,该算法有效提高了基于压缩心电的房颤检测准确率,尤其是在较高的压缩率下可以有效减少漏诊或者误诊的发生。
二、快速独立分量变换与去噪初探（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：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（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。
三、快速独立分量变换与去噪初探（论文提纲范文）
（1）基于声音信号的实时雨情识别研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 论文研究内容 |
| 1.4 论文组织结构 |
| 第二章 基于STM32的多ADC雨声采集硬件系统设计 |
| 2.1 雨声采集的外观设计与系统功能实现 |
| 2.1.1 外观设计 |
| 2.1.2 系统功能实现 |
| 2.2 硬件设计 |
| 2.2.1 麦克风选择及外形排布 |
| 2.2.2 主控制模块及串口通信 |
| 2.3 雨声采集系统调试及验证 |
| 2.3.1 系统功能测试实验 |
| 2.3.2 模拟雨声采集实验 |
| 2.3.3 雨声采集实验 |
| 2.4 本章小结 |
| 第三章 一种雨声信号处理的盲源分离方法研究 |
| 3.1 盲源信号的基本原理 |
| 3.1.1 盲源分离的数学模型 |
| 3.1.2 盲源分离的假设条件 |
| 3.1.3 盲源分离效果评价准则 |
| 3.2 固定点算法(Fast ICA)和主成分分析(PCA) |
| 3.2.1 固定点算法 |
| 3.2.2 主成分分析算法 |
| 3.3 基于盲源分离的雨声信号分离算法实验与分析 |
| 3.3.1 利用FastICA算法解混信号 |
| 3.3.2 利用PCA算法解混信号 |
| 3.4 本章小结 |
| 第四章 基于变分模态分解和小波包的雨声信号去噪算法 |
| 4.1 变分模态分解算法 |
| 4.1.1 经验模态分解算法预处理 |
| 4.1.2 变分模态分解 |
| 4.2 小波包去噪法 |
| 4.2.1 小波包变换 |
| 4.2.2 小波包系数重排 |
| 4.2.3 基于快速傅里叶变换的去噪阈值选择 |
| 4.2.4 基于变分模态分解的小波包多阈值雨声信号去噪 |
| 4.3 实验研究与分析 |
| 4.3.1 雨声去噪预处理 |
| 4.3.2 基于变分模态分解和小波包多阈值的雨声去噪 |
| 4.3.3 对比实验 |
| 4.4 本章小结 |
| 第五章 基于雨声信号的雨情分析研究 |
| 5.1 基于随机森林的雨声信号分类算法 |
| 5.1.1 雨声信号的特征提取 |
| 5.1.2 决策树 |
| 5.1.3 随机森林 |
| 5.1.4 分类实验及对比分析 |
| 5.2 基于贝叶斯优化XGBoost的雨声信号分类算法 |
| 5.2.1 XGBoost算法 |
| 5.2.2 贝叶斯优化过程 |
| 5.2.3 分类实验及对比分析 |
| 5.3 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 创新与特色 |
| 6.3 展望 |
| 致谢 |
| 参考文献 |
| 作者简介 |
| 一、基本情况 |
| 二、本阶段学位攻读期间课程学习情况: |
| 三、攻读硕士学位期间参加项目情况 |
| 四、硕士期间公开发表的成果 |
| 五、攻读硕士学位期间获得的奖项 |
（2）雷达通信一体化波形设计及干扰抑制（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 雷达通信一体化设计方案 |
| 1.2.2 基于通信波形的一体化信号 |
| 1.2.3 基于雷达波形的一体化信号 |
| 1.2.4 通信与雷达波形叠加的一体化信号 |
| 1.2.5 雷达通信一体化干扰抑制 |
| 1.3 主要研究内容 |
| 1.4 论文结构安排 |
| 第二章 雷达通信一体化技术研究 |
| 2.1 一体化波形设计要素 |
| 2.2 通信系统波形选择 |
| 2.2.1 连续相位频移键控信号 |
| 2.2.2 高斯最小频移键控信号 |
| 2.3 雷达系统波形选择 |
| 2.3.1 线性调频信号 |
| 2.3.2 调频连续波雷达 |
| 2.4 传统干扰抑制算法 |
| 2.4.1 小波去噪 |
| 2.4.2 干扰估计抑制算法 |
| 2.5 本章小结 |
| 第三章 基于GMSK-FMCW的雷达通信一体化共享信号设计 |
| 3.1 引言 |
| 3.2 雷达通信一体化系统模型 |
| 3.2.1 GMSK-FMCW 一体化信号 |
| 3.2.2 一体化系统发射机设计 |
| 3.2.3 一体化系统接收机设计 |
| 3.3 GMSK-FMCW 一体化信号性能分析 |
| 3.3.1 GMSK-FMCW 一体化信号模糊函数分析 |
| 3.3.2 GMSK-FMCW 一体化信号功率谱密度分析 |
| 3.4 仿真结果与分析 |
| 3.5 本章小结 |
| 第四章 抑制雷达通信互干扰的独立分量分离算法 |
| 4.1 引言 |
| 4.2 传统的独立分量分离算法 |
| 4.2.1 复值非高斯最大化算法 |
| 4.2.2 联合近似对角化算法 |
| 4.3 小波去噪联合独立分量分离算法 |
| 4.4 仿真结果与分析 |
| 4.5 本章小结 |
| 第五章 一体化信号间干扰抑制算法 |
| 5.1 引言 |
| 5.2 车联网下一体化信号间干扰抑制模型 |
| 5.3 车联网下一体化信号间干扰抑制算法 |
| 5.3.1 斜坡滤波算法 |
| 5.3.2 自适应阈值的迭代算法 |
| 5.4 抑制一体化信号间干扰算法性能比较 |
| 5.4.1 性能指标评估标准 |
| 5.4.2 性能指标仿真结果与分析 |
| 5.5 仿真结果与分析 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 6.1 工作总结 |
| 6.2 工作展望 |
| 附录 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间研究成果 |
（3）基于盲源分离的脑信号伪迹去除方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 引言 |
| 1.1 研究背景与意义 |
| 1.2 伪迹处理的国内外研究现状 |
| 1.3 伪迹处理待解决的问题 |
| 1.4 研究内容及论文结构安排 |
| 2 脑电信号去噪的研究基础 |
| 2.1 脑电信号概述 |
| 2.1.1 脑信号的特点 |
| 2.1.2 脑信号的频段 |
| 2.2 脑电信号的采集 |
| 2.2.1 侵入性和部分侵入性采集 |
| 2.2.2 非侵入性采集 |
| 2.3 脑电信号伪迹的种类和来源 |
| 2.4 常见的脑电信号去噪方法 |
| 2.4.1 基于回归的方法 |
| 2.4.2 滤波的方法 |
| 2.4.3 盲源分离的方法 |
| 2.4.4 源信号分解的方法 |
| 2.5 本章小结 |
| 3 基于CCA-CEEMDAN的脑信号伪迹去除方法 |
| 3.1 基于CCA的盲源分离方法 |
| 3.2 CEEMDAN算法 |
| 3.2.1 EEMD算法 |
| 3.2.2 CEEMDAN算法 |
| 3.3 CCA-CEEMDAN算法 |
| 3.4 基于能量熵的脑信号伪迹滤除 |
| 3.5 实验 |
| 3.5.1 实验数据集 |
| 3.5.2 实验设计与步骤 |
| 3.5.3 实验结果与分析 |
| 3.6 本章小结 |
| 4 基于F-SVM和小波独立分量分析(WICA)的脑信号伪迹去除方法 |
| 4.1 小波独立分量分析技术 |
| 4.1.1 平稳小波变换(SWT) |
| 4.1.2 快速独立分量分析(Fast ICA) |
| 4.2 支持向量机 |
| 4.3 F-SVM |
| 4.4 基于F-SVM和 WICA的脑信号伪迹去除算法 |
| 4.4.1 小波多分辨率分析预处理 |
| 4.4.2 ICA分解 |
| 4.4.3 F-SVM训练和分类 |
| 4.4.4 小波伪迹去除和ICA重构 |
| 4.5 实验 |
| 4.5.1 数据集介绍 |
| 4.5.2 实验设计 |
| 4.5.3 实验结果与分析 |
| 4.6 本章小结 |
| 5 总结与展望 |
| 参考文献 |
| 作者简历及攻读硕士学位期间取得的研究成果 |
| 学位论文数据集 |
（4）主动震源探测岩石微破裂信号识别与定位研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 选题背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 微地震信号分解研究 |
| 1.2.2 微地震信号识别算法研究 |
| 1.2.3 微地震事件震源定位技术研究 |
| 1.2.4 主动震源技术研究 |
| 1.2.5 课题研究发展趋势 |
| 1.3 研究内容 |
| 1.4 论文组织结构 |
| 1.5 本章小结 |
| 2 微地震信号识别方法与定位原理研究 |
| 2.1 微地震信号数据特征 |
| 2.2 微地震信号分解理论研究 |
| 2.2.1 微地震信号去噪理论 |
| 2.2.2 微地震信号分解理论 |
| 2.3 微地震信号识别理论与算法研究 |
| 2.3.1 微地震信号识别原理研究 |
| 2.3.2 微地震信号识别算法研究 |
| 2.4 微地震事件定位原理与方法研究 |
| 2.4.1 微地震信号定位原理研究 |
| 2.4.2 微地震信号定位算法研究 |
| 2.5 主动震源技术理论研究 |
| 2.5.1 人工主动震源理论原理 |
| 2.5.2 人工主动震源探测岩石微破裂技术 |
| 2.6 本章小结 |
| 3 微地震信号分解算法研究 |
| 3.1 微地震信号时频分析算法综述 |
| 3.1.1 时频分析方法基础——傅里叶变换 |
| 3.1.2 快速傅里叶与连续窗口傅里叶变换 |
| 3.1.3 小波变换 |
| 3.1.4 S变换 |
| 3.1.5 经验模态分解(EMD) |
| 3.2 基于小波变换的分解算法 |
| 3.2.1 小波变换算法的原理研究 |
| 3.2.2 模拟数据分解结果分析 |
| 3.2.3 实测数据分解结果分析 |
| 3.3 经验模态分解(EMD)算法 |
| 3.3.1 EMD算法原理与流程 |
| 3.3.2 模拟数据分解结果分析 |
| 3.3.3 实测数据分解结果分析 |
| 3.4 奇异值经验模态分解(SVEMD)算法 |
| 3.4.1 奇异值经验模态分解(SVEMD)原理和流程 |
| 3.4.2 模拟数据分解结果分析 |
| 3.4.3 实测数据分解去噪结果分析 |
| 3.5 分解算法对比讨论结果 |
| 3.6 本章小结 |
| 4 微地震与主动震源信号识别算法研究 |
| 4.1 传统微地震信号识别算法——时窗能量比法 |
| 4.1.1 时窗能量比法原理 |
| 4.1.2 微地震信号识别结果分析 |
| 4.2 支持向量机(SVM)算法 |
| 4.2.1 支持向量机算法的原理和流程 |
| 4.2.2 微地震信号识别结果分析 |
| 4.3 卷积神经网络(CNN)的识别算法 |
| 4.3.1 卷积神经网络算法的原理 |
| 4.3.2 微地震信号数据集建立 |
| 4.3.3 卷积神经网络建立 |
| 4.3.4 微地震信号识别结果分析 |
| 4.4 深度迁移卷积神经网络(DCNN-Inception)的识别算法 |
| 4.4.1 迁移卷积神经网络的原理与结构 |
| 4.4.2 建立迁移卷积神经网络 |
| 4.4.3 实测微地震信号识别结果分析 |
| 4.5 卷积神经网络微地震识别算法对比 |
| 4.6 本章小结 |
| 5 主动震源探测岩石破裂定位研究 |
| 5.1 主动震源探测岩石破裂定位方法 |
| 5.1.1 主动震源技术定位算法原理 |
| 5.1.2 基于主动震源技术优化到时差算法 |
| 5.1.3 与双差定位方法的对比 |
| 5.2 主动震源探测岩石破裂定位算法正演模拟 |
| 5.2.1 验证的目的和方法 |
| 5.2.2 建立均匀速度的岩石破裂模型 |
| 5.2.3 建立非均匀速度的岩石破裂模型 |
| 5.3 本章小结 |
| 6 实验室与野外测试 |
| 6.1 实验室室内实验验证 |
| 6.1.1 室内实验布置 |
| 6.1.2 实验验证过程 |
| 6.1.3 实验室验证结果与分析 |
| 6.2 白鹤滩水电站尾水洞1#野外测试 |
| 6.2.1 野外监测现场条件概况 |
| 6.2.2 实验室验证结果与分析 |
| 6.2.3 野外实验验证结果与分析 |
| 6.3 本章小结 |
| 7 总结与展望 |
| 7.1 工作总结 |
| 7.2 研究展望 |
| 致谢 |
| 参考文献 |
| 攻读博士学位期间取得的研究成果 |
（5）配电网高阻接地故障识别方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 变量注释表 |
| 1 绪论 |
| 1.1 课题背景与意义 |
| 1.2 高阻故障检测技术现状 |
| 1.3 故障信号滤波去噪技术现状 |
| 1.4 本文主要内容 |
| 2 配电网单相高阻接地故障分析 |
| 2.1 配电网中性点接地方式现状及趋势 |
| 2.2 配电网单相接地故障分析 |
| 2.3 高阻接地故障特征总结 |
| 2.4 仿真模型搭建 |
| 2.5 仿真结果及分析 |
| 2.6 本章小结 |
| 3 基于独立分量分析的信号去噪及故障特征量选取 |
| 3.1 故障信号常见去噪方法 |
| 3.2 独立分量分析去噪 |
| 3.3 FastICA去噪与其他去噪方法对比 |
| 3.4 高阻接地故障特征量选取 |
| 3.5 本章小结 |
| 4 基于优化极限学习机的高阻接地故障识别 |
| 4.1 极限学习机 |
| 4.2 改进天牛须算法优化极限学习机 |
| 4.3 优化后极限学习机高阻接地故障识别步骤 |
| 4.4 基于优化后极限学习机的高阻故障识别仿真 |
| 4.5 噪声干扰测试 |
| 4.6 实测数据验证 |
| 4.7 本章小结 |
| 5 结论与展望 |
| 5.1 结论 |
| 5.2 展望 |
| 参考文献 |
| 作者简历 |
| 学位论文数据集 |
（6）滚动轴承故障特征快速提取方法及其应用研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 滚动轴承振动特性分析基础 |
| 1.2.1 滚动轴承振动源及信号特征 |
| 1.2.2 滚动轴承故障振动信号特点 |
| 1.3 滚动轴承故障诊断中几个关键问题的硏究现状 |
| 1.3.1 信号降噪方法的研究现状 |
| 1.3.2 解调方法的研究现状 |
| 1.3.3 早期微弱故障诊断的研究现状 |
| 1.4 主要研究内容与章节安排 |
| 1.4.1 主要研究内容 |
| 1.4.2 论文章节安排 |
| 第二章 基于IFNLM和 SHO-AEO的轴承故障特征快速提取 |
| 2.1 NLM降噪算法 |
| 2.2 改进的快速NLM降噪算法 |
| 2.2.1 相似性度量标准的优化 |
| 2.2.2 改进的核函数 |
| 2.2.3 IFNLM基本参数设置 |
| 2.2.4 IFNLM算法的性能分析 |
| 2.3 基本能量算子回顾 |
| 2.3.1 Teager能量算子 |
| 2.3.2 对称差分能量算子 |
| 2.3.3 解析能量算子 |
| 2.4 对称高阶差分解析能量算子 |
| 2.4.1 SHO-AEO的理论推导 |
| 2.4.2 SHO-AEO阶次m的确定 |
| 2.4.3 SHO-AEO解调性能 |
| 2.5 IFNLM-SHOAEO方法的技术路线 |
| 2.6 仿真验证和分析 |
| 2.6.1 低噪声水平的轴承故障特征提取 |
| 2.6.2 中等噪声水平的轴承故障特征提取 |
| 2.6.3 高噪声水平的轴承故障特征提取 |
| 2.7 实验验证和分析 |
| 2.7.1 内圈故障特征提取 |
| 2.7.2 外圈故障特征提取 |
| 2.8 本章小结 |
| 第三章 基于HTFIF和 k-SDAEO的轴承故障特征快提取 |
| 3.1 硬阈值快速迭代滤波HTFIF |
| 3.1.1 HTFIF基本理论 |
| 3.1.2 性能比较 |
| 3.2 敏感IMF选择的L-KCA指标 |
| 3.2.1 L-KCA基本理论 |
| 3.2.2 性质讨论 |
| 3.3 k值改进的对称差分解析能量算子 |
| 3.3.1 k-SDAEO的基本原理 |
| 3.3.2 k-SDAEO的信噪比增强 |
| 3.4 所提HTFIF-k-SDAEO方法的步骤 |
| 3.5 仿真验证和分析 |
| 3.5.1 故障轴承的模拟信号 |
| 3.5.2 低噪声水平的轴承故障特征提取 |
| 3.5.3 高噪声水平的轴承故障特征提取 |
| 3.5.4 高噪声水平和谐波干扰并存的故障特征提取 |
| 3.6 实验验证和分析 |
| 3.6.1 实验装置 |
| 3.6.2 外圈故障特征提取 |
| 3.6.3 内圈故障特征提取 |
| 3.6.4 滚动体故障特征提取 |
| 3.7 本章小结 |
| 第四章 基于SOSO增强技术的滚动轴承微弱故障特征提取 |
| 4.1 增强算法的技术背景 |
| 4.2 IFNLM去噪算法的SOSO增强 |
| 4.2.1 SOSO_IFNLM增强算法的实现 |
| 4.2.2 SOSO增强算法的性能 |
| 4.3 对称高阶频率加权能量算子 |
| 4.3.1 SHFWEO理论推导 |
| 4.3.2 SHFWEO性质讨论 |
| 4.4 HTFIF-SOSO_IFNLM-SHFWEO的技术路线 |
| 4.5 仿真验证和分析 |
| 4.6 实验验证和分析 |
| 4.6.1 实验一 |
| 4.6.2 实验二 |
| 4.7 本章小结 |
| 第五章 所提方法在振动机械故障诊断中的应用研究 |
| 5.1 振动筛试验平台 |
| 5.1.1 振动筛的结构和工作原理 |
| 5.1.2 直线振动筛轴承受力分析 |
| 5.1.3 振动信号采集系统 |
| 5.2 激振器轴承故障诊断试验 |
| 5.2.1 试验内容 |
| 5.2.2 数据采集 |
| 5.2.3 试验结果分析 |
| 5.3 基于激振器故障轴承的算法比较 |
| 5.3.1 三种诊断方法的比较 |
| 5.3.2 三种能量算子的比较 |
| 5.4 本章小结 |
| 结论与展望 |
| 结论 |
| 创新点 |
| 展望 |
| 参考文献 |
| 攻读博士学位期间取得的科研成果 |
| 致谢 |
（7）多态噪声下高精度宽频相量测量技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 背景及意义 |
| 1.1.1 电力系统测量发展历程 |
| 1.1.2 电力电子化电网的监测需求 |
| 1.1.3 多态噪声干扰问题 |
| 1.2 国内外相关研究进展 |
| 1.2.1 频域算法 |
| 1.2.2 时域算法 |
| 1.3 本文主要研究内容 |
| 2 电力系统相量测量技术基础 |
| 2.1 相量定义及表示方法 |
| 2.1.1 相量定义 |
| 2.1.2 相量表示方法 |
| 2.2 相量测量算法 |
| 2.2.1 傅里叶级数 |
| 2.2.2 傅里叶变换 |
| 2.2.3 离散傅里叶变换 |
| 2.3 相量测量算法缺点 |
| 2.3.1 混叠效应 |
| 2.3.2 频谱泄露 |
| 2.3.3 相量滤波 |
| 2.4 电力系统宽频相量模型 |
| 2.5 本章小结 |
| 3 基于EEMD-Robust ICA与 Prony算法低频分量高精度测量研究 |
| 3.1 Prony算法的实现步骤 |
| 3.2 Prony算法的算例分析 |
| 3.2.1 理想信号的Prony测量 |
| 3.2.2 含噪信号的Prony测量 |
| 3.3 EEMD算法和Robust ICA算法融合 |
| 3.3.1 EEMD算法概述 |
| 3.3.2 EMD算法原理 |
| 3.3.3 EMD算法分解步骤 |
| 3.3.4 EEMD分解步骤 |
| 3.3.5 EEMD去噪原理 |
| 3.3.6 传统EEMD去噪的缺点 |
| 3.4 Robust ICA算法概述 |
| 3.4.1 ICA的提出和发展 |
| 3.4.2 ICA模型 |
| 3.4.3 Robust ICA算法原理 |
| 3.4.4 Robust ICA算法优势 |
| 3.5 EEMD和 Robust ICA的融合 |
| 3.6 EEMD-Robust ICA在低频分量Prony测量中应用 |
| 3.6.1 基于EEMD去噪法的模拟信号的Prony辨识 |
| 3.6.2 基于EEMD-Robust ICA去噪法的模拟信号的Prony测量 |
| 3.7 本章小结 |
| 4 基于APFFT与 TLS-ESPRIT算法工频分量高精度测量研究 |
| 4.1 全相位FFT测量算法 |
| 4.1.1 传统FFT和全相位FFT的数据预处理 |
| 4.1.2 全相位FFT的理论推导 |
| 4.2 空间谱估计基础 |
| 4.2.1 空间谱估计系统 |
| 4.2.2 自相关矩阵的特征值分解 |
| 4.3 ESPRIT及其改进算法 |
| 4.3.1 基本ESPRIT |
| 4.3.2 空间谱估计的模型 |
| 4.3.3 ESPRIT改进算法 |
| 4.4 基于全相位FFT和 TLS-ESTRIT算法的工频分量高精度测量 |
| 4.4.1 算法的建立 |
| 4.4.2 算例分析 |
| 4.4.3 无噪声干扰 |
| 4.4.4 噪声条件下 |
| 4.5 本章小结 |
| 5 结论与展望 |
| 5.1 结论 |
| 5.2 展望 |
| 参考文献 |
| 攻读硕士学位期间科研项目及科研成果 |
| 致谢 |
| 作者简介 |
（8）基于非下采样剪切波变换的低照度图像增强算法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 基于空间域的图像增强方法 |
| 1.2.2 基于变换域的图像增强方法 |
| 1.2.3 其他的图像增强方法 |
| 1.3 论文主要工作及结构安排 |
| 1.3.1 论文主要工作 |
| 1.3.2 论文结构安排 |
| 第二章 图像增强的基本理论与方法 |
| 2.1 图像增强概述及颜色空间 |
| 2.1.1 图像增强基本理论 |
| 2.1.2 颜色空间概述 |
| 2.2 基于空间域的增强算法 |
| 2.2.1 灰度变换 |
| 2.2.2 滤波增强 |
| 2.3 基于变换域的增强算法 |
| 2.3.1 小波变换 |
| 2.3.2 轮廓波变换 |
| 2.3.3 非下采样轮廓波变换 |
| 2.3.4 剪切波变换 |
| 2.4 本章小结 |
| 第三章 基于非下采样剪切波变换的高信噪比图像增强 |
| 3.1 非下采样剪切波变换 |
| 3.1.1 非下采样剪切波变换的原理 |
| 3.1.2 非下采样剪切波变换的特性及应用 |
| 3.2 引导滤波器 |
| 3.2.1 引导滤波器的基本原理 |
| 3.2.2 引导滤波器的特性及应用 |
| 3.3 基于非下采样剪切波变换的高信噪比图像增强算法 |
| 3.3.1 算法流程 |
| 3.3.2 直方图均衡和伽马校正 |
| 3.3.3 改进的引导滤波 |
| 3.4 实验结果与分析 |
| 3.5 本章小结 |
| 第四章 基于非下采样剪切波变换的低信噪比图像增强 |
| 4.1 图像去噪的基本理论和方法 |
| 4.1.1 基于空间域的去噪算法 |
| 4.1.2 基于变换域的去噪算法 |
| 4.1.3 其他的去噪算法 |
| 4.2 联合去噪和对比度增强算法的相关研究 |
| 4.3 基于非下采样剪切波变换的低信噪比图像增强算法 |
| 4.3.1 算法流程 |
| 4.3.2 颜色空间的选择 |
| 4.3.3 增强和去噪处理 |
| 4.3.4 白平衡 |
| 4.4 实验结果和分析 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 工作总结 |
| 5.2 工作展望 |
| 参考文献 |
| 附录1 攻读硕士学位期间撰写的论文 |
| 致谢 |
（9）次同步振荡与轴系扭振的测试与分析（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题研究背景和意义 |
| 1.2 课题研究现状 |
| 1.2.1 次同步振荡与轴系扭振问题的研究进展 |
| 1.2.2 次同步振荡与轴系扭振主要分析方法 |
| 1.2.3 次同步振荡与轴系扭振主要监测方法 |
| 1.2.4 次同步振荡与轴系扭振抑制的主要方法 |
| 1.3 课题主要研究内容 |
| 第二章 轴系扭振测试与分析 |
| 2.1 基于单端瞬时转速的扭角信号提取 |
| 2.2 扭振信号模拟 |
| 2.2.1 三角波扭角信号模拟 |
| 2.2.2 单一谐次扭角信号模拟 |
| 2.2.3 含间谐波扭振信号模拟 |
| 2.2.4 含间谐波时变扭振信号模拟 |
| 2.2.5 含噪扭振信号模拟 |
| 2.3 扭振信号模拟器设计 |
| 2.4 扭振测试中周脉冲数影响分析 |
| 2.5 扭振测试分析中插值算法与插值点数影响 |
| 2.6 扭振信号FFT分析时窗函数影响 |
| 2.7 基于STFT的轴系扭振信号的时频分析 |
| 2.8 轴系扭振测试分析软件设计 |
| 2.9 本章总结 |
| 第三章 轴系扭振测试信号参数辨识 |
| 3.1 基于PRONY的扭振测试信号参数辨识 |
| 3.1.1 PRONY方法 |
| 3.1.2 基于PRONY的轴系扭振信号分析 |
| 3.1.3 基于PRONY的轴系扭振分析总结 |
| 3.2 基于ICEEMDAN去噪后的轴系扭振PRONY分析 |
| 3.2.1 经验模态分解EMD |
| 3.2.2 改进自适应补充集合经验模态分解ICEEMDAN |
| 3.2.3 基于EMD类方法的轴系扭振信号时频分析 |
| 3.2.4 基于ICEEMDAN去噪后的轴系扭振PRONY分析 |
| 3.3 基于小波阈值去噪后的轴系扭振PRONY分析 |
| 3.3.1 小波阈值去噪 |
| 3.3.2 基于小波阈值去噪后的轴系扭振PRONY分析 |
| 3.4 基于ICEEMDAN、WT、PRONY、Robust-ICA联合的扭振信号参数辨识 |
| 3.4.1 Robust-ICA算法 |
| 3.4.2 基于ICEEMDAN、小波阈值、ROBUSTICA联合去噪的轴系扭振PRONY分析 |
| 3.4.3 联合算法总结 |
| 3.5 本章总结 |
| 第四章 第一标准模型中信号的时频分析 |
| 4.1 第一标准模型 |
| 4.2 第一标准模型中的数学模型 |
| 4.2.1 发电机转子轴系六质量模型 |
| 4.2.2 汽轮机数学模型 |
| 4.2.3 汽轮机液压调速器数学模型 |
| 4.2.4 同步发电机数学模型 |
| 4.2.5 励磁调节系统数学模型 |
| 4.2.6 与发电机相连的外电路方程 |
| 4.3 第一标准模型时域仿真信号的时频分析 |
| 4.3.1 第一标准模型的时域仿真 |
| 4.3.2 基于转矩信号的次同步振荡与轴系扭振分析 |
| 4.3.3 基于转速信号的次同步振荡与轴系扭振分析 |
| 4.3.4 基于扭角信号的次同步振荡与轴系扭振分析 |
| 4.3.5 基于电压信号的次同步振荡与轴系扭振分析 |
| 4.3.6 基于电流信号的次同步振荡与轴系扭振分析 |
| 4.3.7 基于功率信号的次同步振荡与轴系扭振分析 |
| 4.4 本章总结 |
| 第五章 变频调速引风机组轴系扭振暂态时域仿真 |
| 5.1 引风机组轴系扭振现场测试 |
| 5.1.1 机组状态 |
| 5.1.2 扭振测试 |
| 5.1.3 扭振分析 |
| 5.2 引风机传动模型 |
| 5.2.1 引风机性能曲线特点 |
| 5.2.2 引风机通用性能模型 |
| 5.2.3 分步曲线拟合算例 |
| 5.2.4 风机传动模型 |
| 5.3 高压变频器的暂态仿真 |
| 5.3.1 高压变频器拓扑结构 |
| 5.3.2 移相变压器的仿真实现 |
| 5.3.3 功率单元设计 |
| 5.3.4 功率单元串联型高压变频器调制策略 |
| 5.3.5 基于PSCAD的多重级联高压变频器仿真波形分析 |
| 5.4 引风机机械传动轴系模型 |
| 5.5 异步电机数学模型 |
| 5.6 引风机机组轴系扭振特征结构分析 |
| 5.6.1 无阻尼自由振动 |
| 5.6.2 机电耦合振动 |
| 5.7 引风机机组轴系扭振时域暂态仿真 |
| 5.7.1 理想电源定频仿真 |
| 5.7.2 理想电源升降速仿真 |
| 5.7.3 理想电源扭振抑制仿真 |
| 5.7.4 高压变频电源暂态仿真 |
| 5.8 本章总结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 后续工作展望 |
| 参考文献 |
| 攻读博士学位期间取得的研究成果 |
| 攻读博士学位期间参加的科研项目 |
| 致谢 |
（10）可穿戴健康监护中的生理信号处理关键方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究工作的背景与意义 |
| 1.2 国内外研究历史与现状 |
| 1.3 本文的主要贡献与创新 |
| 1.4 本论文的结构安排 |
| 第二章 论文相关理论及方法介绍 |
| 2.1 光电容积脉搏波与心率监测 |
| 2.2 心电信号与心律失常 |
| 2.3 压缩感知理论 |
| 2.4 深度学习与卷积神经网络 |
| 2.5 本章小结 |
| 第三章 强运动伪影下的PPG信号运动伪影去除及心率估计算法 |
| 3.1 问题的提出 |
| 3.2 基于皮尔逊相关二元决策的运动伪影去除及心率估计 |
| 3.2.1 RLS Volterra非线性自适应滤波 |
| 3.2.2 皮尔逊相关二元决策 |
| 3.2.3 奇异谱分析去噪 |
| 3.2.4 谱峰追踪 |
| 3.2.5 实验结果与分析 |
| 3.3 基于条件生成对抗网络的运动伪影去除及心率估计 |
| 3.3.1 生成对抗网络 |
| 3.3.2 基于条件生成对抗网络的运动伪影去除 |
| 3.3.3 实验结果与分析 |
| 3.4 本章小结 |
| 第四章 基于压缩感知的非稀疏心电信号快速重构算法 |
| 4.1 问题的提出 |
| 4.2 基于交替方向乘子法的心电信号重构算法 |
| 4.2.1 心电信号重构的块稀疏贝叶斯学习框架 |
| 4.2.2 基于交替向量乘子法的块稀疏贝叶斯学习 |
| 4.2.3 实验结果与分析 |
| 4.3 基于扩张残差网络的心电信号重构算法 |
| 4.3.1 问题描述 |
| 4.3.2 基于扩张残差网络的心电信号重构模型 |
| 4.3.3 实验结果与分析 |
| 4.4 本章小结 |
| 第五章 基于深度学习的心律失常自动诊断算法 |
| 5.1 问题的提出 |
| 5.2 针对压缩心电的多标签心律失常分类算法 |
| 5.2.1 针对压缩心电的多标签分类模型 |
| 5.2.2 实验结果与分析 |
| 5.3 基于测量矩阵先验的压缩心电房颤检测算法 |
| 5.3.1 针对压缩心电的房颤检测模型 |
| 5.3.2 实验结果与分析 |
| 5.4 本章小结 |
| 第六章 全文总结与展望 |
| 6.1 全文总结 |
| 6.2 后续工作展望 |
| 致谢 |
| 参考文献 |
| 攻读博士学位期间取得的成果 |
四、快速独立分量变换与去噪初探（论文参考文献）
- [1]基于声音信号的实时雨情识别研究[D]. 吴佳佳. 南京信息工程大学, 2021(01)
- [2]雷达通信一体化波形设计及干扰抑制[D]. 荆春晖. 北京邮电大学, 2021(01)
- [3]基于盲源分离的脑信号伪迹去除方法研究[D]. 杨赟. 北京交通大学, 2021(02)
- [4]主动震源探测岩石微破裂信号识别与定位研究[D]. 彭桂力. 西南科技大学, 2021(01)
- [5]配电网高阻接地故障识别方法研究[D]. 解洪光. 中国矿业大学, 2021
- [6]滚动轴承故障特征快速提取方法及其应用研究[D]. 王艳. 长安大学, 2021(02)
- [7]多态噪声下高精度宽频相量测量技术研究[D]. 王广福. 沈阳工程学院, 2021(02)
- [8]基于非下采样剪切波变换的低照度图像增强算法研究[D]. 吴肖楚. 南京邮电大学, 2020(03)
- [9]次同步振荡与轴系扭振的测试与分析[D]. 张卿杰. 东南大学, 2020(02)
- [10]可穿戴健康监护中的生理信号处理关键方法研究[D]. 程云飞. 电子科技大学, 2021(01)