一、基于小波变换的实时信号噪声快速识别(论文文献综述)
盛祖维[1](2021)在《基于小波去噪的阈值函数改进及其应用研究》文中研究表明小波分析理论是众多研究领域的学者们共同而奋斗的结晶,在故障诊断、语音信号处理、图像压缩以及流体力学方面,小波变换凭借强大的分析能力,已经成为非常重要的处理工具,反映了在现代科学时代,众多学科之间相互交织的特点。傅里叶分析是小波理论的基础,由于傅里叶变换在进行信号处理时存在一定的缺陷,它只能处理相关的平稳的信号,而如果信号是非平稳的,傅里叶变换就不能对该信号进行分析了,而小波分析可以对信号进行局部化分析,反映信号在时频域上的重要特征,对信号进行更深层次的解读。在对相关信号进行分析时,都需要先对信号进行去噪之后再做相关的处理,所以,信号去噪在信号的处理中占据重要的地位。传统的硬阈值和软阈值函数自身存在一定的不足,在当前快速发展的信号处理方面显得无能为力,因此新的小波阈值函数的提出在当前的信号处理面前显得格外重要。首先,本文对小波分析的相关理论进行概述,然后详细介绍了小波信号去噪的相关原理和流程以及常见的信号去噪方法。在这几类去噪的方法中,小波阈值去噪方法凭借最大信噪比和最小均方误差性质,去噪效果最为强大。因此,对小波阈值去噪方法进行深入的研究和应用也很有必要。其次,对小波阈值去噪的相关影响方面进行分析,这其中包括小波基函数的选取,小波分解层数的选择,阈值规则的选取以及阈值函数的选取,这些方面选择的不同,都会对影响信号去噪的效果。本文主要针对阈值函数这一影响因素做出改进,硬阈值函数是不连续的,信号容易产生比较大的方差,重构的信号很容易产生振荡,最终导致信号的重构效果质量变差;软阈值函数在进行软阈值处理时,原始信号和去噪信号两者的小波系数存在恒定的偏差,也会导致信号的重构受到相应的影响,重构质量变差。本文在传统的阈值函数基础上进行研究,构造出新的阈值函数,新的阈值函数具备良好的数学特性,克服了传统阈值函数相关缺陷,同时对比信号去噪的信噪比和均方误差两个评价标准进行分析,验证了新的阈值函数具有良好的去噪效果。最后,本文从信号去噪的应用这个角度出发,将小波阈值去噪方法与Elman神经网络相结合,构造新的股价预测模型方法,首先对Elman神经网络方法相关概念进行阐述,然后选取上证综指的收盘价进行信号去噪处理,在Elman神经网络模型中,对去噪的数据信号进行建模,做出相关的预测处理。同时将数据有和没有去噪的两种情况下,使用神经网络预测的效果进行对比分析,发现阈值去噪之后再进行神经网络预测的效果更好。
柳娜娜[2](2021)在《盲同步算法研究与FPGA实现》文中研究表明在无线通信系统中,接收端需要利用同步参数完成对接收信号的解调以及对有用信息的提取,同步算法是获取同步参数的关键,算法的性能直接决定了通信质量。特别是在非协作通信场景下,接收端需要利用盲同步算法,在没有任何先验信息的情况下完成同步参数的估计,这对于截获信号的情报分析具有十分重要的意义。本文针对现有的盲帧同步算法误码容错性较低的问题和现有的盲符号同步算法抗噪性较低的问题,分别提出了基于一阶累积量和误码消除的盲帧同步算法和基于二次小波变换的盲符号同步算法,并将算法部署到现场可编程门阵列(Field Programmable Gate Array,FPGA)上对算法的可行性和性能进行验证。本文的主要研究内容如下:一、对盲帧同步算法进行了研究,提出了一种基于一阶累积量和误码消除的盲帧同步算法,并将算法部署到FPGA上进行实际测试。该算法首先将接收序列排列成矩阵形式,计算并分析矩阵的帧长存在概率从而得到帧长估计值,然后利用该估计值对帧起始点和帧同步码进行估计,最后利用帧同步码的自相关特性得到帧同步码的精确估计值。仿真显示,该算法在误码率为0.2以内时保持较高的识别准确率,相比基于小区域检测和一阶累积量的盲帧同步算法具有较高误码容错性。另外,利用Verilog硬件语言完成FPGA的设计输入,并利用Vivado 2019.1软件对设计进行行为级仿真、综合实现,最后将生成的比特文件下载到ZC706开发板上进行调试,实际测试结果表明,将该算法部署到FPGA上具有可行性和优越的硬件加速效果。二、对盲符号同步算法进行了研究,提出了一种基于二次小波变换的盲符号同步算法,并将算法部署到FPGA上进行实际测试。该算法首先对接收信号进行二阶Haar小波变换,然后利用快速傅里叶变换(Fast Fourier Transform,FFT)对变换结果进行频谱分析,最后通过比较不同尺度小波变换的频谱得到最终的码元速率估计值。仿真显示,信噪比为3dB以上时,该算法对于多进制幅移键控(Multiple Amplitude Shift Keying,MASK)、多进制移相键控(Multiple Phase Shift Keying,MPSK)、多进制频移键控(Multiple Frequency Shift Keying,MFSK)和多进制正交幅度调制(Multiple Quadrature Amplitude Modulation,MQAM)调制信号的码元速率识别率均能达到95%以上,相比于己有算法整体上具有较好的抗噪性。另外,将该算法部署到FPGA上,实际测试结果表明该算法具有良好的实用性和FPGA硬件加速效果。
赵紫薇[3](2020)在《基于互信息VMD和SVM的煤矿流体管网泄漏检测算法与软件设计》文中研究说明煤矿井下压风供水管道在煤矿安全生产环节中起关键性作用,由于煤矿井下自然环境恶劣,空气湿度大,管道极易被腐蚀,泄漏现象时有发生。因此,对煤矿管网泄漏情况进行实时监控并确定泄漏源的位置显得尤为重要。本文提出将互信息VMD算法、小波改进阈值降噪算法、SVM算法和互相关定位算法应用到煤矿管网泄漏检测中,以LabVIEW为开发平台设计了一套上位机软件检测系统,对煤矿安全生产具有重要意义。首先,对小波阈值降噪算法中的阈值函数进行改进,将改进后的小波降噪算法与互信息VMD算法进行结合组成新的联合降噪算法,利用联合降噪算法对管道振动信号进行降噪处理;其次,提取降噪后信号的多尺度熵特征组成特征向量,利用支持向量机对其进行测试判断;然后,利用互相关定位算法求取时延估计值,根据定位公式对管道泄漏点进行定位;最后,根据互信息VMD算法、SVM算法以及互相关定位算法,以LabVIEW为软件开发平台,设计了一套管网泄漏检测系统,其中包括实时信号显示模块、信号去噪处理模块、管道泄漏检测与定位模块等。本文基于小波降噪算法原理对小波阈值函数进行改进,将改进的小波降噪算法与互信息VMD算法进行结合,用于管道信号降噪处理,增强了信号信噪比,提高了信号利用率,为后期SVM做管道泄漏检测打下良好的基础。依据井下管道结构,搭建管道系统模型,在实验室环境下模拟管道泄漏,对管道泄漏检测、泄漏点定位算法和软件系统进行实际测试,并对测试结果进行数据分析。验证了本文所提算法的有效性以及软件检测系统的实用性。
怀率恒[4](2020)在《AIS自主定位信息实时检测理论与关键技术研究》文中研究指明随着全球卫星导航系统(Global Navigation Satellite System,GNSS)的应用逐渐渗透到社会各领域,其逐步凸显的脆弱性也引起了国际社会的重视。在航海领域,为了保障沿海船舶的航行安全,国际海事组织(International Maritime Organization,IMO)已建议,船舶应配备天基和陆基双备份定位导航系统。船舶自动识别系统(Automatic Identification System,AIS)是一种信息实时交互助航系统,国际海上人命安全公约(International Convention for Safety of Life at Sea,SOLAS)已经规定,所有300总吨以上的船舶必须强制安装AIS设备。AIS实现船舶自动识别功能所需要的位置信息来自于GNSS接收机,而一旦GNSS突然持续性中断,AIS系统将会瘫痪,进而严重威胁船舶航行安全。因此,在世界无线电导航计划中已明确将AIS测距定位列为备份的陆基无线电导航系统之一。目前,无论是GNSS还是传统的陆基定位系统,在定位测量过程中利用的都是同频同周期的连续载波信号,而AIS本质上是一个通信系统,其接入方式采用的是自组织时分多址(Self-Organized Time Division Multiple Access,SOTDMA),也就是 AIS 信号是非周期性的。并且AIS的载波信号采用的是高斯最小频移键控调制(Gaussian Filtered Minimum Shift Keying,GMSK),与传统定位系统的双相调制的载波是完全不同的,这意味着传统的载波测量技术无法用于从AIS信号中获取定位信息。因此,若利用AIS岸站信号实现定位,首先应解决如何在一个时隙内从AIS信号中获取定位信息这一技术难点,即非周期AIS信号的定位信息测量。本文提出的解决方案是将信号稀疏表示理论应用于AIS实时信号的检测,在深入研究AIS载波、字典训练算法、稀疏分解算法和AIS信号传输损耗的基础上,提出了一种适用于实时信号处理的稀疏表示算法,使用少量原子来表示AIS信号,获取AIS信号的全息数据,并减小噪声带来的偏差。然后,通过对AIS信号的载波特性、时隙以及基带波形的分析和协同感知处理,进一步提出一种AIS信号时间戳检测算法,以对AIS信号进行定位信息的检测,并最终实现定位信息的测量。本研究内容主要有以下几个方面:首先,针对获取AIS信号全息数据的问题,将信号稀疏表示理论应用于AIS实时信号。针对AIS信号结构和性质,对字典构造算法和稀疏分解算法进行研究。在此基础上,提出了基于完备字典的AIS信号稀疏表示算法,获取了 AIS信号的全息数据。其次,针对由于AIS信号的非周期特性而必须在一个时隙内获取AIS信号全息数据的实时检测问题,通过对稀疏表示目标函数的数学变换和稀疏分解实现过程的优化,提出了一种信号分段表示和预先计算的AIS信号快速抗噪稀疏表示算法。与基于完备字典的AIS信号稀疏表示算法相比,该算法的稀疏表示精度提升约60%,误码率降低约70%,计算速度至少提升30%。之后,针对信号分段表示导致计算复杂度增加的问题,为了进一步加强算法的实时性,研究了 AIS信号的海面传输损耗。对传播距离、海水温度、海水盐度和海面风速等不同条件下AIS信号的传输损耗进行了分析和评估。在此基础上,提出了一种基于传输损耗的AIS信号自适应实时检测方法,并设计开发了基于现场可编程逻辑门阵列(Field Programmable Gate Array,FPGA)的 AIS 信号检测模块。最后,针对非周期AIS信号定位信息测量的问题,深入研究分析AIS信号基带波形,提出了一种AIS信号传播延时的测量方法,该方法能够检测利用AIS信号定位所需的时间戳信息,进而进行传播延时测量,搭建的实测平台验证了该算法的有效性。综上所述,本文提出的关于AIS定位信息的实时检测理论与关键技术研究,其研究成果对于实现AIS自主定位具有重要的理论意义和实用价值,对国际上该方向的研究做出了一定的贡献。
薛翔[5](2020)在《离心压缩机小流量工况下非稳定流动判定与发展特性研究》文中研究指明离心压缩机凭借其特有的结构形式和气动特性,不断拓展着应用领域。在实际应用中,压缩机往往会面临复杂多变、甚至严苛的工作环境。特别是在小流量工况下,离心压缩机内部会出现失速与喘振等典型的非稳定流动结构,这严重影响着整机的性能和稳定运行范围,还有可能造成破坏性的事故。为了有效地预防由非稳定流动引起的性能降低和严重事故,迫切需要预判压缩机内各类非稳定流动结构的生成条件,并全面掌握其发展特性,从而可以更有针对性地稳定压缩机内部流动结构。但由于离心压缩机内部是复杂的三维旋转流动,相关研究一直存在着较高难度,尤其是针对高转速、高压比压缩机的情况。在压缩机实际运行中动态监控这些非稳定流动的产生与发展,需要更有效的测试分析手段和更快速的实时数据储存,同时对于压缩机内非稳定流动的判定和识别方法也亟待建立可靠的准则。本文的研究工作是由国家自然基金项目“具有背压调节的离心压缩系统动态特性与流动扩稳机理研究”资助。以一台高转速、高压比离心压缩机作为研究对象,主要采用多点位动态压力高速采集的实验方法,结合多叶片通道的非定常数值模拟技术,以及基于动态实验数据和非定常数值模拟结果的理论分析,旨在更全面地掌握离心压缩机内非稳定流动的特性,从而揭示不同运行条件下非稳定流动的诱因与发展特性,进一步建立针对离心压缩机内部非稳定流动的判定和特征识别方法,并应用于离心压缩机的流动非稳定性评估。论文的研究工作主要是从动态数据实时采集、多位置数据分析、稳定性理论推导、非稳定流动判定和非定常数值模拟等多个部分展开。各部分的主要研究内容如下所述:首先,基于已有的离心压缩机内非稳定流动的相关研究成果,以及该领域内研究者使用过的研究方法,提出了针对于本课题的研究方案。主要借助于动态压力的多点高速、同步采集方法,动态获取了高转速、高压比离心压缩机非稳定运行工况下的叶顶间隙压力场信息。动态压力测试作为本研究的核心,测试过程包括离心式压缩机从设计工况直至深度喘振的全工况范围,捕捉到了不同的典型非稳定流动现象。而随着压缩机运行参数和结构参数的改变,小流量工况下非稳定流动的形式与动态特性也发生着相应的变化,其相对应的动态实验数据能对已有的相关实验研究起到很好的补充作用,也是针对相应非稳定流动特性分析和指标提取的数据基础。其次,基于这些大量的实验数据,从时域和频域等多个角度出发,重点关注于不同情况下出现的非稳定流动现象的特征提取,对如何判定失速和喘振这两种典型非稳定流动现象进行了详细的特性分析和讨论。考察了像转速、扩压器形式等多种不同因素对于失稳初始位置和发展特性的影响。同时,在理论分析方面,结合经典模态失速模型的理论推导,提出了一种利用小波变换判定模态失速和对其特征参数快速提取识别的方法,并通过应用于已公布的典型模态失速动态数据和该实验中捕捉到的模态失速动态数据,对该识别方法的可行性进行了验证,并与已有的相关参数提取方法进行了比对,讨论了其在应用中的相对优势。接下来,考虑到压缩机的实际操作环境,基于非线性系统中的混沌理论提炼出可以有效应用于实际操作环境下的流动非稳定性判定方法及其相应的评估指标,通过不同典型工况下、各个测点动态数据的验证和比较,得到了应用该指标的最佳位置和适用条件,再通过大量实验对其流动非稳定性评估与预判效果进行了检验,并讨论了该指标的特性与实际应用中存在的优势。进一步,作为实验研究和理论分析的补充,从实验原始模型中提炼出了多通道计算模型进行非定常数值模拟,使用非定常数值模拟与动态模式分解的方法,对离心压缩机内部流动失稳前后的流动情况进行了细致分析,利用动态模式分解的方法得到了近失速工况条件下不同特殊频率对应的非稳定流动形式。通过与实验结果的对照,验证了该数值计算的有效性,也补充解释了实验中特征动态信号对应的不同非稳定流动结构的产生和发展规律。最后,结合本文全部动态实验研究、理论分析和非定常数值模拟结果,从多个角度讨论了高转速、高压比下离心压缩机内不同类型非稳定流动的产生与发展规律。基于不同流动失稳现象的判定准则和特征分析,展开了全面总结,并围绕本文所提出的非稳定流动识别方法以及流动非稳定性评估指标展开了实用性讨论。
王尧伟[6](2020)在《经验小波变换在桥梁模态参数识别中的最优组合形式研究》文中指出经验小波变换是一种新兴的时频域模态参数识别方法,其在机械故障识别、信号特征提取及信号降噪等方向得到了广泛研究,通过现有研究可知,频谱分割精度与小波基类型对经验小波变换方法的精度具有决定性因素。基于现有的经验小波变换研究成果,对其在桥梁模态参数识别领域的应用进行了深入研究,根据实际工程数据的应用效果,选择出最优经验小波变换组合形式。主要内容包括:1.阐述了经验小波变换的原理,对影响其分析精度的关键因素进行了分析,汇总现有的基于频谱分割的经验小波变换改进方法,建立了基于不同频谱分割方法的经验小波变换改进方法比选框架,以含噪信号为研究对象,选择出较优的频谱分割方法。2.介绍了工程中常用的小波基函数,根据特性参数对小波基函数进行了初步比选。基于小波包分解思想,建立了经验小波变换中除Meyer小波基外其他小波基的嵌入方法,并以仿真信号为对象验证了该方法的应用效果。3.基于统计学原理,提出了一种新的奇异值重构阶次确定方法,以不同噪声级别的仿真信号验证了该方法应用效果,在此基础上建立了基于奇异值重构的经验小波变换改进方法,将其与现有的经验小波变换改进方法进行了应用效果的对比,验证了该方法的计算精度,对不同的频谱分割方法与小波基函数进行了组合,建立了基于桥梁模态参数识别的最优经验小波变换组合比选规则。4.以某大跨度悬索桥为研究背景,利用探索性数据分析技术对其健康监测系统采集的加速度响应进行了预处理,以主梁竖向加速度响应为分析对象,对不同经验小波变换组合进行了全年分析数据对比,并基于模态参数识别数量、数值分布范围、重构信号信噪比与均方根误差等指标进行熵权法分析,进而选择出最优经验小波变换组合形式,最后以该桥主梁横向、桥塔纵横向及吊索的实测响应数据验证了该方法计算精度。
宋俊材[7](2020)在《双定子无铁芯永磁同步直线电机退磁故障识别分类研究》文中指出双定子无铁芯永磁同步直线电机(double stator air-core permanent magnet synchronous linear motor,DSA-PMSLM),因其具有无中间转换机构的直驱方式、推力密度大、效率高、可以同时满足高速大行程运动和微纳米级动态精度等优点,在激光切割机、金属3D打印机、芯片光刻机、液晶面板视觉检测等高精密加工领域具有广泛的应用前景。永磁体作为DSA-PMSLM的核心部分,可以为电机气隙空间提供恒定的磁场环境,保证电机功率密度和推力密度的稳定性。然而,由于永磁材料的时效性、加工工艺和电机实际工作环境中化学、温度、外磁场等因素的原因,易引起永磁体不可逆退磁现象,造成电机的退磁故障。DSA-PMSLM的退磁故障,将造成气隙磁场分布的不均匀,破坏电机内部磁场分布的一致性,进而引起直线电机推力波动的增加,造成电机定位精度的降低。此外,电机退磁故障有可能会引起电机的电气故障和机械故障,甚至造成电机的停机和损坏,严重的电机退磁故障可造成高精密加工设备的损坏和报废。因此,为了提高DSA-PMSLM的稳定性和可靠性,及相关设备的安全性,DSA-PMSLM退磁故障的识别和诊断显得尤为重要。本文以应用于激光切割机中的DSA-PMSLM为研究对象,针对电机出厂前批量化质检、电机磁场一致性检测、和产品定期维护的工业应用场景,系统性地研究了DSAPMLSM退磁故障识别分类方法,实现DSA-PMSLM退磁故障的精准识别分类。根据双永磁定子电机拓扑结构特点,从电机退磁电磁计算模型的建立、永磁体热退磁建模、电机退磁故障有效信号获取、故障特征提取和增强以及退磁故障识别分类器等方面进行研究,并对所提方法进行了仿真和样机实验验证。为进一步提高永磁直线电机的可靠性和推进相关高精密加工产业的发展奠定了重要的技术基础,并为他类电机退磁故障诊断提供了一种新思路。论文主要研究成果包括以下方面:1、建立DSA-PMSLM电机退磁故障解析与数值电磁计算模型,计算分析不同退磁故障对电机多物理场性能的影响。采用等效磁化强度方法解析定性分析影响电机性能的主要磁场参数,并建立电机退磁故障有限元仿真模型。根据双永磁定子对称和永磁体周期阵列拓扑结构的特点,预设不同种类退磁故障,仿真对比分析了DSA-PMSLM正常和退磁状态下气隙磁密分布、空载感应电动势谐波含量和推力性能的不同,为后续退磁故障信号获取和特征提取奠定模型基础。2、提出了一种基于极限学习机的钕铁硼永磁体热退磁建模方法,建立了高精度永磁体热退磁模型。深入分析钕铁硼永磁体热退磁机理,探寻温度与永磁体退磁程度之间的映射关系,引入极限学习机方法建立永磁体热退磁回归计算模型,为后续获取特定预设故障永磁体提供基础,实验验证了该方法的有效性。3、研究了一种气隙空间三线磁密故障信号提取方法,有效地获取了DSA-PMSLM退磁故障信号。对比分析了电流信号、电压信号和振动信号等电机故障诊断常用信号在DSAPMSLM电机退磁故障诊断中应用的可能性和优缺点。提出一种气隙空间三线磁密信号获取方法,以适用于双永磁定子拓扑结构的直线电机退磁故障识别分类,为后续故障特征的提取奠定信号源基础,仿真和样机实验验证了该方法的有效性。4、提出一种Teager-Hanning能量算子方法,实现DSA-PMSLM故障特征的有效提取和增强。研究不同信号处理方法,如小波变换、EMD分解、TT变换等方法在DSA-PMSLM退磁故障特征提取方面的不足。提出使用复小波变换对故障信号进行预处理,提取其包络线信号,并提出一种新型Teager-Hanning能量算子方法,对故障特征进行了增强提取,为后续的退磁故障识别分类研究提供数据源,仿真和样机实验验证了该方法的有效性。5、建立了随机森林机器学习分类器,实现了DSA-PMSLM退磁故障的精准识别。深入分析DSA-PMSLM退磁故障分类原理,建立样本数据库。研究特征加权K最近邻,决策树和随机森林等多种机器学习分类器方法,设计了DSA-PMSLM退磁故障分类器,仿真和样机实验验证了随机森林分类器具有较高的识别分类准确率和稳定性。6、制作DSA-PSMLM样机,搭建基于三通道高斯计的退磁故障检测实验平台,为本文所提方法的验证提供了软硬件平台。仿真实验和样机实验结果表明,本文所提方法可以识别DSA-PMSLM退磁故障类型,判断出退磁故障发生的具体位置和严重程度,识别分类准确率高于95%以上。为该类电机生产制造中的批量化离线检测和定期维护提供一种新的技术手段,也可为他类电机的退磁故障诊断提供一种参考。
刘诗源[8](2020)在《矿井提升机传动系统故障诊断与健康管理关键技术研究》文中认为矿井提升机作为连接矿山井下生产系统和地面的关键通道,一旦发生故障,将直接影响矿山生产人员的生命安全和矿井的生产能力。因此,实现矿井提升机的故障诊断与健康管理具有重要意义和巨大经济价值。近年来,随着信号分析方法、数据挖掘以及人工智能技术的不断发展,基于数据驱动的故障诊断方法获得广泛关注,目前已成为实现智能故障诊断的主要研究方向之一。本文以矿井提升机传动系统为研究对象,通过对数据驱动故障诊断方法的国内外研究现状进行分析,研究传动系统中逆变器、轴承和驱动电机三个关键部件的故障诊断方法。由于提升机传动系统结构复杂,还需要在实现零部件故障状态识别后,进一步分析挖掘故障原因。基于数据驱动的故障诊断方法主要针对设备不同故障类型的不同零部件,在不同生命周期与工况条件下,实现故障状态的有效识别,但未能挖掘引发故障的深层次原因。基于本体的故障诊断能够从宏观层面对故障诊断知识进行建模,挖掘引发故障的深层次原因,因此,需研究将基于数据驱动的故障诊断与基于本体的故障诊断相结合,实现从模式识别到故障知识推理与诊断的全过程。针对以上问题开展研究工作,主要内容包括:(1)研究了基于自适应电周期划分和随机森林的NPC三电平逆变器故障诊断方法。基于NPC三电平逆变器的电路及故障分析,提出了一种主要依赖于输出电流信号特性的自适应电周期划分算法(Adaptive Electrical Period Partition,AEPP),对变化周期的三相电流信号划分电周期,再利用最大重叠离散小波变换(Maximal Overlap Discrete Wavelet Transform,MODWT)对各电周期信号进行分解,结合Park矢量模(Park’s Vector Modulus,PVM)归一化的低频分量,计算11种统计参数,构建原始统计特征集。基于随机森林分类器构建NPC三电平逆变器开路故障诊断模型,分别采用仿真实验数据和逆变器故障实验平台数据进行实验分析,实验结果表明,在电机变速过程中,所提出的故障诊断模型对变周期三相电流故障信号具有较好诊断性能,能够取得理想的故障诊断准确率。(2)研究了基于敏感特征选取与最大局部边界准则的提升机轴承故障诊断方法。研究基于双树复小波包变换(Dual-Tree Complex Wavelet Packet Transform,DTCWPT)的振动信号分析方法,利用DTCWPT分解振动信号,基于终端节点的重构信号及其Hilbert包络谱,提取统计特征,构成原始特征集。为从高维原始特征集中选取更有利于轴承故障模式识别与分类的敏感特征构建特征子集,提高故障诊断的准确率,提出一种基于特征聚类与特征间相关系数的敏感特征选取方法(Sensitive Features Selection by Feature Clustering and Correlation Coefficient between Features,FSFCC),对各统计特征的故障状态敏感度进行量化分析,选取敏感度高的特征构建特征子集。为减少高维特征集中冗余和干扰特征,降低计算复杂度,提高数据可分性,提出了一种最大局部边界准则(Maximum Local Margin Criterion,MLMC)的特征降维方法,通过映射变换获得原始高维特征集的低维表达,并提高特征集的判别性能。在支持向量机(Support Vector Machine,SVM)分类器基础上,结合FSFCC和MLMC,构建OFS-FSFCC-MLMC-SVM轴承故障诊断模型,采用美国凯斯西储大学轴承故障数据与美国Spectra Quest公司的SQI-MFS机械故障综合模拟试验台轴承故障数据进行不同工况下故障诊断实验分析,实验结果表明,FSFCC方法能够有效选取敏感特征,MLMC方法能够降低计算复杂度、减少冗余和干扰特征并提高特征数据集的可分性,使用FSFCC和MLMC能够明显提高诊断模型在不同工况下故障诊断的准确率。(3)研究基于敏感特征迁移学习的提升机轴承故障诊断。针对目前基于数据驱动的故障诊断方法存在的两点局限,(1)多数基于数据驱动的故障诊断模型,是在训练数据集与测试数据集之间具有相同分布的假设下构建的,而工业场景下,变工况设备的测试数据与训练数据存在分布差异,会对实现理想故障诊断性能造成困难。(2)由于实际工业场景下存在变工况与故障的多样性,难以获取足量实际故障状态下的有标签训练样本,在一定程度上限制了智能故障诊断方法在实际工业场景下的应用。因此,在对迁移成分分析(Transfer Component Analysis,TCA)研究的基础上,提出改进TCA(Modified Transfer Component Analysis,MTCA)的特征迁移学习方法,增加了对不同域数据间条件分布差异的考虑和最小化数据类内散度的优化目标,实现降低域间分布差异的同时增强判别性能。在基于DTCWPT的轴承振动信号分析方法和故障敏感特征选取方法FSFCC基础上,结合MTCA方法,构建轴承故障诊断模型OFS-FSFCC-MTCA-SVM。通过实验分析,表明所提出的MTCA方法能够有效降低不同域间分布差异,增强域数据的判别性能,提高使用源域数据训练的故障诊断模型的域适应能力,使故障诊断模型在不同工况下的故障诊断能够取得理想的性能。(4)研究基于类内特征迁移学习与多源信息融合的提升机驱动电机故障诊断。研究基于EEMD的电机故障振动信号与定子电流信号分析方法,选取有效IMF分量,结合包络谱与边际谱分量,提取统计特征,构建原始特征集。在对分层迁移学习(Stratified Transfer Learning,STL)研究的基础上,提出一种改进STL(Modified Stratified Transfer Learning,MSTL)的特征迁移学习方法。分别基于SVM分类器和随机森林分类器构建驱动电机故障诊断模型OFS-MSTL-SVM和OFS-MSTL-RF,采用Spectra Quest公司的SQI-MFS机械故障综合模拟试验台驱动电机故障振动信号和电流信号进行实验分析,实验结果表明,驱动电机在不同工况下,所提出的方法能够有效提高故障诊断准确率,但是不同故障诊断模型利用不同源信号进行故障诊断的性能存在差异,可能存在片面性,因此,提出基于D-S证据融合理论的驱动电机故障诊断框架,在OFS-MSTL-SVM与OFS-MSTL-RF模型基础上,利用D-S证据理论进行决策级融合,融合故障诊断结果表明,所提出的多源信息融合框架能够进一步提高故障诊断准确率。(5)研究将基于数据驱动的故障诊断与基于本体的故障诊断相结合,实现从模式识别到故障知识推理与诊断的全过程。在对提升机传动系统故障诊断知识分析总结基础上,构建故障本体知识库,利用Neo4j图数据库对故障本体知识库进行可视化显示与存储。采用语义映射方法,将基于数据驱动的故障状态识别结果和故障本体知识库中的故障现象实例关联,实现两类方法的优势互补,挖掘引发故障的深层次原因。最后在上述工作的基础上,设计并开发了矿井提升机传动系统故障诊断与健康管理系统,系统包含四个模块,分别是系统操作管理、历史设备故障信息、基于数据驱动的提升机传动系统故障状态识别、基于故障诊断本体知识库的故障原因分析与系统健康管理。
孙瀚[9](2019)在《基于多模态生物电信号人机交互技术研究》文中指出基于生物电信号的人机接口是一种新型的人机交互技术,使用人体自身的生物电信号构建与外部设备直接相连的通道。目前主要采用的生物电信号有脑电信号(EEG)及表面肌电信号(sEMG)。EEG信号记录了头皮脑电信号,不依赖肌肉组织,具有响应速度快、使用安全方便、无创性等优点;sEMG信号可以直接反映肌肉活动情况和运动意图,操作方便自然,信号相对较稳定、幅值较大。本研究对基于多模态生物电信号的人机接口进行了深入研究,并充分分析了单模态信号处理方法。本研究提出了少量电极共空间模式算法及基于所有样本对信息的相关性距离度量算法,这两种算法的组合可以用于电极/特征提取及选择;还结合深度度量学习,创新性地提出了基于二分图最大权完美匹配的多模态信号处理算法MWP-EMG-EEGNet。将这些算法用于多种任务,可以测试分类性能,其中,论文重点分析了ERP范式诱发的多模态生物电信号的单试次识别,并将相关结论运用于研究基于生物电信号的反应时间缩短程度。算法结果验证了生物电信号可以在更短的时间内得到更高的反应动作识别准确率。在这些算法研究基础上,本论文工作还搭建了在线人机接口系统,实现在线测试及应用。本论文工作设计了可穿戴式设备,该设备可以记录进行四种腕部活动时上臂肌肉组织诱发的sEMG信号。信号的时域、频域和时频域可提取共42维特征向量。本研究提出的DM算法利用所有样本对信息重新定义了类间距离和类内距离,将二者的比值作为可分性度量标准。四种不同分类器算法用于评价通过DM算法得到的普适性最优特征子集。在线任务是通过可穿戴式设备采集实时sEMG信号,并在有简单障碍物的环境下通过四种不同范式操纵改装设计的遥控车完成指定路径。任务完成时间和动作识别正确率是在线测试的两个性能评估指标。硬件测试结果说明采集系统SNR指标达到68.91 dB。特征选择结果表明DM算法可以使用23维特征达到96.77%的分类性能。在线测试结果表明,信号窗口长度为125 ms的状态机范式最接近实际控制情况,在线任务完成时间为48.08 s。将脑机接口系统应用在日常生活中的一个关键难点是如何减少电极数量,因此本研究提出了少量电极共空间模式算法(Fewer-channel Common Spatial Patterns,FCSP)及基于模拟退火策略的相关性距离度量(Corr-DM)算法来选取普适性最优化电极组合。采集被试者进行心算任务和想象空间旋转任务时的认知行为EEG信号验证算法性能。本论文研究提出的算法组合平均仅需7个电极就可以区分上述两种认知行为任务,达到90%的二分类正确率阈值,并结合截断加权算法确定了普适性的最优化电极组合。通过相关性和可分性分析验证最优化电极组合在训练组被试者数据上的有效性,相关性分析表明该电极组合与全部电极组合有显着性相关关系,可分性分析表明当使用最优化电极组合时,两种认知行为任务的信号有显着性差异。对测试集被试者进行跨被试分析,结果说明使用普适性电极组合的平均分类正确率可达到93.18%。基于上述生物电信号处理算法及结果,本论文还研究了生物电信号对于反应时间的缩短情况。本文设计了基于反应时间的实验范式,使用Corr-DM算法选取10个电极,并通过滑动窗及拓展时间窗方法分别分析EEG和sEMG信号。结果表明两种模态的反应时间相对于实际鼠标反应时间分别缩短了159.04 ms和75.22 ms。生物电信号可以在较短的反应时间内得到较高的反应动作识别准确率。本研究使用人工神经网络分析0400 ms的EEG信号,反应动作识别准确率(单试次ERP信号分类正确率)可以达到93.39%;使用手工特征工程结合SVM算法分析0400 ms的sEMG信号,反应动作识别准确率为88.65%;两种生物电信号的反应准确率相对于真实鼠标点击准确率的提升幅度分别为60.2%及55.46%。基于单模态反应时间的分析结果,本论文研究提出了基于最大权完美匹配(Maximum-Weight Perfect,MWP)的多模态生物电处理算法MWP-EMG-EEGNet,算法的核心思想是在加权完备二分图中找到最大权完美匹配,这样可以为批量数据中的每个样本找到最优匹配的同类/异类难样本,从而缓解训练过程中的过训练及样本不平衡问题。在此基础上,本论文将MWP匹配引入深度度量学习框架,研究设计了一种新型的损失目标函数,联合该损失函数与二值交叉熵损失实现端到端训练。多模态处理算法可以结合单模态分析的优势,保证了生物电信号反应时间(307.22 ms)的同时,可以获得较优的反应动作识别准确率,具体实验结果说明:在0400 ms时段多模态处理算法可以达到96.38%的识别准确率,高于实际反应动作准确率63.19%;联合训练MWP匹配和交叉熵损失优化目标可以同时考虑异类样本可分性及同类样本紧凑性,优化试次样本在特征空间中的分布;基于MWP匹配可以完成难样本加权,提升神经网络模型的收敛速度和分类精度。在上述离线数据分析的基础上,本论文工作设计了两种多模态生物电信号的在线人机接口系统。第一种联合了NeuroScan、BCI2000及FieldTrip工具箱,邀请与离线实验中相同的被试组进行了两次在线实验,第一次在线实验(仅使用离线实验数据训练的模型)及第二次在线实验(使用离线实验数据和第一次有反馈在线实验数据联合训练)得到的平均分类正确率分别为94.62%和97.16%。但是该系统还存在便携性问题,因此本论文还设计了一种便携式多模态生物电信号采集系统,实现多操作系统及多编程环境下的实时数据采集及图形可视化界面设计;本研究还将该系统应用于虚拟轮椅控制,设计的系统和算法能够准确识别出转向和前进状态,转向状态中还可以具体识别出左转和右转状态。
陈子明[10](2019)在《基于嵌入式并行运算架构深度学习的电力线路非正常状态分析研究》文中进行了进一步梳理电力线路在电力系统中承担着实时输送与分配电能的任务,其安全稳定优质的运行状态关系到整个电力系统的稳定运行。依据电力线路在电力系统的功能可分为配电线路与输电线路,分别承担配电与输电功能。电网规模的不断增大与电力电子设备的大量使用,导致电力线路非正常状态更加复杂,潜在风险更大。目前电力线路非正常状态分析存在以下三个问题:日益复杂的配电线路导致更复杂的电能质量问题、电网的扩展需要更新输电线路短路故障诊断算法与电力线路在线监测系统存在智能化需求。解决电能质量问题的基础在于准确地识别与分类扰动的种类。本文将基于深度置信网络的深度学习算法应用到电能质量扰动识别与分类中,直接从扰动信号中学习扰动特征,减少对人工提取特征的依赖,最终在识别与分类准确率、算法鲁棒性等方面取得良好效果。为了解决深度置信网络的结构设计问题,本文首先利用t分布随机相邻嵌入(t-Distributed Stochastic Neighbor Embedding,t-SNE)降维可视化分析高维扰动信号的数据特点,为深度置信网络的隐藏层层数提供参考;然后提出了基于特征迁移的自组织结构优化机制,自动寻找最优的隐藏层神经元数量,从而实现深度置信网络结构优化;接着经过对比实验,得到较优的训练参数,从而提高训练效率;最后与现有算法对比,本文算法获得较高的分类准确率以及较强的鲁棒性。而针对输电线路随着电网扩展存在参数变化问题,本文提出了基于长短期记忆循环网络的短路故障诊断算法,不仅在可变参数的情况下获得很好诊断效果,而且可满足快速诊断的实时性要求。此外,为了进一步提高短路故障分类的准确率、降低故障距离判断的误差,本文提出了基于局部预测的长短期记忆循环网络训练方法,与现有算法对比,在准确率、距离判断误差等方面具有很大的优势。为了进一步提高现有电力线路非正常状态在线监测系统的智能化程度,本文提出了基于嵌入式深度学习架构芯片智能终端的在线监测系统。本文采用嵌入式深度学习架构芯片作为运算处理器,可离线本地化运行上述所提基于深度学习算法的电力线路非正常状态分析算法,从而减少了在线监测系统对网络实时性的依赖;同时本文采用异常样本上传、离线训练、网络更新智能终端算法的方式,使得在线监测系统可随着电网的发展不断学习电力线路非正常状态的特征,从而提高了在线监测系统的智能化程度。本文利用实时数字仿真系统产生输电线路短路故障信号,并利用智能终端进行输电线路短路故障在线诊断实验。实验结果表明,本文所提算法可在智能终端上实时运行,并获得较为出色的性能。综上,本文针对电力线路非正常状态进行分析,并提出了基于自组织深度置信网络的电能质量扰动识别与分类算法和基于局部预测加强长短时记忆循环网络的输电线路短路故障诊断算法,同时设计了一款嵌入式并行运算架构深度学习智能终端,并成功地将所提出算法应用到智能终端,获得较为出色的性能。
二、基于小波变换的实时信号噪声快速识别(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、基于小波变换的实时信号噪声快速识别(论文提纲范文)
(1)基于小波去噪的阈值函数改进及其应用研究(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
1.1 研究背景及意义 |
1.1.1 研究背景 |
1.1.2 研究的目的和意义 |
1.2 国内外研究综述 |
1.2.1 小波技术发展及其现状 |
1.2.2 信号去噪的研究现状 |
1.3 主要工作及论文框架 |
1.4 研究的创新与不足 |
1.4.1 研究的创新点 |
1.4.2 研究的不足 |
第二章 小波及信号去噪理论 |
2.1 小波分析方法概述 |
2.1.1 傅里叶变换 |
2.1.2 加窗傅里叶变换 |
2.1.3 小波理论简述 |
2.2 多尺度理论 |
2.2.1 多尺度分析概述 |
2.2.2 Mallat分解重构算法 |
2.2.3 极大重叠离散小波变换 |
2.3 基于小波变换的信号去噪流程及方法 |
2.3.1 小波去噪基本原理流程 |
2.3.2 小波去噪基本方法 |
2.4 小波去噪效果的影响因素 |
2.4.1 小波基函数的选择 |
2.4.2 分解层数的选择 |
2.4.3 阈值的选取 |
2.4.4 阈值函数的选取 |
2.5 小波去噪信号性能评价标准 |
2.5.1 信噪比 |
2.5.2 均方差 |
2.6 本章小结 |
第三章 改进阈值函数的小波去噪 |
3.1 小波去噪基本原理 |
3.2 阈值函数的选取 |
3.2.1 传统的阈值函数 |
3.2.2 改进的阈值函数 |
3.3 仿真实验结果及分析 |
3.3.1 仿真结果 |
3.3.2 仿真结果分析 |
3.4 本章小结 |
第四章 基于小波阈值去噪神经网络模型的应用研究 |
4.1 小波去噪 |
4.2 Elman神经网络 |
4.3 神经网络预测 |
4.3.1 数据的预处理 |
4.3.2 预测模型的建立 |
4.3.3 实验仿真 |
4.4 本章小结 |
第五章 总结和展望 |
5.1 研究结论 |
5.2 不足与展望 |
参考文献 |
致谢 |
(2)盲同步算法研究与FPGA实现(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 主要研究内容 |
1.3 论文结构安排 |
第二章 盲同步算法与FPGA研究概述 |
2.1 盲同步算法概述 |
2.1.1 盲载波同步算法 |
2.1.2 盲符号同步算法 |
2.1.3 盲帧同步算法 |
2.2 盲同步平台研究概述 |
2.3 FPGA概述 |
2.3.1 FPGA软件和硬件平台 |
2.3.2 FPGA开发流程 |
2.4 本章小结 |
第三章 盲帧同步算法研究与FPGA实现 |
3.1 引言 |
3.2 基于一阶累积量和误码消除的盲帧同步算法研究 |
3.2.1 盲帧同步算法设计 |
3.2.2 盲帧同步算法仿真与分析 |
3.3 基于一阶累积量和误码消除的盲帧同步算法FPGA实现 |
3.3.1 FPGA总体架构和模块划分 |
3.3.2 FPGA模块实现 |
3.3.3 FPGA测试与分析 |
3.4 本章小结 |
第四章 盲符号同步算法研究与FPGA实现 |
4.1 引言 |
4.2 基于二次小波变换的盲符号同步算法研究 |
4.2.1 常用数字信号小波变换特征 |
4.2.2 盲符号同步算法设计 |
4.2.3 盲符号同步算法仿真与分析 |
4.3 基于二次小波变换的盲符号同步算法FPGA实现 |
4.3.1 FPGA总体架构和模块划分 |
4.3.2 FPGA模块实现 |
4.3.3 FPGA测试与分析 |
4.4 本章小结 |
第五章 总结与展望 |
5.1 论文工作总结 |
5.2 未来工作展望 |
参考文献 |
致谢 |
攻读学位期间取得的研究成果 |
(3)基于互信息VMD和SVM的煤矿流体管网泄漏检测算法与软件设计(论文提纲范文)
摘要 |
Abstract |
1 绪论 |
1.1 课题研究背景和意义 |
1.2 管道泄漏检测方法综述 |
1.3 管道泄漏国内外研究现状 |
1.4 本文主要研究内容及结构安排 |
2 基于互信息VMD的管道泄漏检测算法研究 |
2.1 VMD算法基础理论 |
2.2 互信息方法原理 |
2.3 互信息VMD算法原理分析 |
2.4 VMD分解尺度选择 |
2.5 本章小结 |
3 管道泄漏信号去噪算法研究 |
3.1 小波去噪原理分析 |
3.2 改进的小波阈值函数降噪算法研究 |
3.3 互信息VMD和改进小波阈值函数结合的降噪算法分析与评估 |
3.4 本章小结 |
4 管道泄漏信号特征提取与模式识别 |
4.1 管道泄漏信号特征提取 |
4.2 泄漏信号模式识别 |
4.3 泄漏点定位 |
4.4 本章小结 |
5 管道泄漏检测与定位系统软件设计 |
5.1 软件系统总体设计 |
5.2 信号显示模块设计 |
5.3 数据通信模块设计 |
5.4 信号检测模块设计 |
5.5 数据保存模块设计 |
5.6 本章小结 |
6 系统测试 |
6.1 系统测试方案 |
6.2 软件系统测试 |
6.3 测试数据分析 |
6.4 本章小结 |
7 总结与展望 |
7.1 总结 |
7.2 展望 |
参考文献 |
作者简历 |
致谢 |
学位论文数据集 |
(4)AIS自主定位信息实时检测理论与关键技术研究(论文提纲范文)
创新点摘要 |
摘要 |
ABSTRACT |
1 绪论 |
1.1 研究背景及意义 |
1.1.1 增强罗兰系统 |
1.1.2 AIS测距模式 |
1.1.3 陆基定位系统国内外相关研究小结 |
1.2 AIS测距模式的测距理论研究 |
1.3 信号稀疏表示理论 |
1.3.1 字典构造算法 |
1.3.2 稀疏分解算法 |
1.4 AIS信号海面传输损耗 |
1.5 本文主要研究内容和章节安排 |
1.5.1 主要研究内容 |
1.5.2 结构安排 |
2 AIS信号稀疏表示研究 |
2.1 AIS信号稀疏表示需求分析 |
2.1.1 AIS信号稀疏表示实时性需求分析 |
2.1.2 AIS信号模型 |
2.2 字典学习算法研究 |
2.2.1 字典学习模型 |
2.2.2 最优方向法 |
2.2.3 K项奇异值分解法 |
2.2.4 实验与分析 |
2.3 稀疏分解算法研究 |
2.3.1 基追踪算法 |
2.3.2 正交匹配追踪算法 |
2.3.3 实验与分析 |
2.4 本章小结 |
3 AIS信号实时检测研究 |
3.1 AIS信号稀疏表示抗噪性优化研究 |
3.1.1 接收端信噪比对AIS信号稀疏表示的影响 |
3.1.2 稀疏表示抗噪性优化算法 |
3.2 OMP算法计算速度优化研究 |
3.2.1 OMP算法计算速度优化方法理论推导 |
3.2.2 OMP算法计算速度优化方法仿真分析 |
3.3 AIS信号快速抗噪稀疏表示算法 |
3.3.1 AIS信号快速抗噪稀疏表示算法仿真分析 |
3.3.2 AIS信号快速抗噪稀疏表示算法实时性分析 |
3.4 本章小结 |
4 AIS信号自适应检测方法研究 |
4.1 自适应检测方法原理 |
4.2 AIS信号海面传输损耗 |
4.3 AIS信号海面传输损耗评估 |
4.3.1 光滑海面AIS信号传输损耗评估 |
4.3.2 粗糙海面AIS信号传输损耗评估 |
4.3.3 AIS信号海面传输损耗预测评估 |
4.3.4 基于传输损耗的自适应方法门限选取 |
4.4 AIS信号实时检测模块 |
4.5 本章小结 |
5 非周期AIS信号定位信息实时测量研究 |
5.1 定位信息检测 |
5.1.1 时间戳选择 |
5.1.2 时间戳检测 |
5.1.3 实验与分析 |
5.2 实测试验 |
5.3 本章小结 |
6 结论与展望 |
6.1 主要结论 |
6.2 未来展望 |
参考文献 |
作者简历及攻读博士学位期间的科研成果 |
致谢 |
(5)离心压缩机小流量工况下非稳定流动判定与发展特性研究(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 小流量下离心压缩机应用拓展面临的挑战 |
1.2 典型非稳定流动现象的研究进展 |
1.2.1 失速与喘振理论的发展 |
1.2.2 非稳定流动结构特性 |
1.2.3 流场参数的动态测试手段 |
1.2.4 非稳定流动的数值模拟技术 |
1.3 压缩机内非稳定流动的特性研究与应用 |
1.3.1 非稳定流动现象的判定 |
1.3.2 流动非稳定性的评估 |
1.3.3 压缩机扩稳技术的发展 |
1.4 本文的主要研究内容与目标 |
第二章 离心压缩机内非稳定流动的研究方法与理论基础 |
2.1 实验研究方法 |
2.1.1 离心压缩机性能测试 |
2.1.2 气动参数动态测量与数据采集 |
2.1.3 动态数据分析的常用手段 |
2.1.4 研究方法准确性检验与应用分析 |
2.2 数值计算方法 |
2.2.1 流动控制方程 |
2.2.2 湍流模型的选取 |
2.2.3 边界条件与收敛准则设定 |
2.3 递归定量分析方法 |
2.4 动态模式分解方法 |
2.5 本章小结 |
第三章 离心压缩机内非稳定流动的实验研究 |
3.1 实验离心压缩机的特性参数 |
3.2 离心压缩机性能测试结果 |
3.3 动态测试结果 |
3.3.1 动态数据预处理 |
3.3.2 两种典型喘振模式的判定 |
3.3.3 轻度喘振期间的动态数据 |
3.3.4 深度喘振期间的动态数据 |
3.3.5 喘振前的旋转失速信号判定 |
3.4 实验数据分析与特征讨论 |
3.4.1 流道沿程动态压力波动变化 |
3.4.2 不同扩压器叶片安装角下的动态压力特征 |
3.4.3 匹配无叶扩压器时的动态压力特征 |
3.5 本章小结 |
第四章 离心压缩机内模态失速的判定与特征参数识别 |
4.1 经典模态失速模型理论的推导 |
4.2 模态失速特征参数的新识别方法 |
4.3 模态失速特征参数新识别方法的应用 |
4.3.1 典型模态失速信号中的特征提取 |
4.3.2 离心压缩机内模态失速的判定与特征分析 |
4.4 本章小结 |
第五章 离心压缩机内流动非稳定性的判定与评估 |
5.1 离心压缩机内失速与喘振的判定 |
5.2 流动非稳定性评估指标的建立与检验 |
5.2.1 混沌递归特性中的确定性指标提取 |
5.2.2 指标在流动非稳定性分析中的实用性检验 |
5.3 离心压缩机内非稳定流动的指标量值与评估分析 |
5.4 指标对流动非稳定性评估与预测效果的检验 |
5.5 指标的应用优势与适用条件讨论 |
5.6 本章小结 |
第六章 离心压缩机内非稳定流动的数值模拟 |
6.1 数值计算模型与条件设置 |
6.1.1 多通道数值计算模型的构建 |
6.1.2 计算参数与边界条件的设定 |
6.2 数值模拟结果与非稳定流动分析 |
6.2.1 与实验结果的对比 |
6.2.2 非稳定流动结构的数值分析 |
6.3 动态模式分解结果与非稳定流动诱因讨论 |
6.4 非稳定流动的发展特性讨论 |
6.4.1 匹配无叶扩压器时非稳定流动的发展特性 |
6.4.2 有叶扩压器中叶片安装角度的影响 |
6.5 本章小结 |
第七章 结论与展望 |
7.1 研究成果总结 |
7.2 主要创新点 |
7.3 研究展望 |
参考文献 |
致谢 |
攻读学位期间的学术成果 |
(6)经验小波变换在桥梁模态参数识别中的最优组合形式研究(论文提纲范文)
摘要 |
abstract |
第1章 绪论 |
1.1 研究意义 |
1.2 时频域模态参数识别的国内外研究现状 |
1.2.1 WT |
1.2.2 HHT |
1.2.3 EWT |
1.3 目前研究存在的问题 |
1.3.1 WT |
1.3.2 HHT |
1.3.3 EWT |
1.4 本文研究内容与章节安排 |
1.4.1 研究内容 |
1.4.2 章节安排 |
第2章 现有EWT改进频谱分割方法精度分析 |
2.1 频谱分割方法概述 |
2.2 EWT介绍 |
2.2.1 WT原理 |
2.2.2 EWT原理 |
2.3 既有EWT频谱分割方法与现有EWT频谱分割改进方法 |
2.3.1 既有EWT频谱分割方法 |
2.3.2 现有EWT频谱分割改进方法 |
2.4 现有EWT频谱分割改进算法的比选方法研究 |
2.4.1 比选流程研究 |
2.4.2 IMF分量筛分指标 |
2.4.3 重构信号评价指标 |
2.5 基于仿真信号的频谱分割方法对比 |
2.5.1 构造仿真信号 |
2.5.2 现有EWT改进方法分割效果 |
2.5.3 对比结果分析 |
2.6 本章小结 |
第3章 小波基函数比选及EWT嵌入方法研究 |
3.1 小波基函数概述 |
3.2 基于特性参数的小波基比选分析 |
3.2.1 常用小波基函数性质 |
3.2.2 最优小波基比选方法研究 |
3.2.3 对比结果分析 |
3.3 小波基在EWT中的嵌入方式研究 |
3.3.1 小波包理论 |
3.3.2 基于小波包理论的EWT小波基嵌入方法 |
3.3.3 EWT新小波基滤波器验证 |
3.4 本章小结 |
第4章 基于SVD重构的改进EWT方法研究 |
4.1 概述 |
4.2 基于SVD的改进EWT方法 |
4.2.1 SVD应用概况 |
4.2.2 基于统计学的重构阶次确定方法 |
4.2.3 基于SVD重构的新EWT方法 |
4.3 仿真信号分析 |
4.3.1 分割效果验证 |
4.3.2 重构信号指标分析及对比 |
4.4 最优EWT组合分析方法 |
4.4.1 EWT组合形式 |
4.4.2 比选方法确定 |
4.5 本章小结 |
第5章 基于桥梁模态参数识别的最优EWT组合研究 |
5.1 概述 |
5.2 工程背景 |
5.3 桥梁数据预处理 |
5.4 主梁竖向模态参数识别 |
5.4.1 EWT组合1-3识别 |
5.4.2 EWT组合4-6识别 |
5.4.3 EWT组合7-9识别 |
5.4.4 SSI-COV与 AFDD识别 |
5.4.5 最优EWT方法对比 |
5.5 主梁横向模态参数识别 |
5.5.1 最优EWT识别 |
5.5.2 SSI-COV与 AFDD识别 |
5.5.3 识别结果对比 |
5.6 桥塔纵向模态参数识别 |
5.6.1 最优EWT识别 |
5.6.2 SSI-COV与 AFDD识别 |
5.6.3 识别结果对比 |
5.7 桥塔横向模态参数识别 |
5.7.1 最优EWT识别 |
5.7.2 SSI-COV与 AFDD识别 |
5.7.3 识别结果对比 |
5.8 吊索模态参数识别 |
5.8.1 最优EWT识别 |
5.8.2 SSI-COV与 AFDD识别 |
5.8.3 识别结果对比 |
5.9 本章小结 |
结论与展望 |
本文主要结论 |
展望与讨论 |
致谢 |
参考文献 |
(7)双定子无铁芯永磁同步直线电机退磁故障识别分类研究(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 研究背景与课题来源 |
1.2 永磁电机故障诊断研究概述 |
1.3 永磁电机退磁故障诊断国内外研究现状 |
1.3.1 永磁电机退磁故障诊断方法概述 |
1.3.2 永磁电机退磁故障识别分类国内外研究现状分析 |
1.4 论文的主要研究工作 |
1.4.1 论文主要研究内容与技术路线 |
1.4.2 内容结构安排 |
1.4.3 论文创新点 |
第二章 DSA-PMSLM退磁计算模型建立及故障预设 |
2.1 DSA-PMSLM拓扑结构介绍 |
2.2 基于等效磁化强度法的DSA-PMSLM解析分析 |
2.3 DSA-PMSLM有限元建模及退磁故障预设 |
2.3.1 DSA-PMSLM有限元建模 |
2.3.2 DSA-PMSLM退磁故障预设 |
2.4 退磁故障对DSA-PMSLM性能影响分析 |
2.4.1 退磁故障对DSA-PMSLM气隙磁场的分布影响分析 |
2.4.2 退磁故障对DSA-PMSLM空间谐波的影响分析 |
2.4.3 退磁故障对DSA-PMSLM推力性能的影响分析 |
2.5 本章小结 |
第三章 永磁体退磁机理及热退磁模型实验研究 |
3.1 钕铁硼永磁体退磁机理研究 |
3.1.1 温度退磁机理 |
3.1.2 外磁场退磁机理 |
3.1.3 时效、化学、振动、制造缺陷退磁机理 |
3.2 永磁体热退磁实验平台搭建 |
3.3 基于极限学习机的永磁体热退磁模型建立 |
3.4 本章小结 |
第四章 DSA-PMSLM退磁故障特征提取 |
4.1 DSA-PMSLM退磁故障信号对比选取研究 |
4.1.1 电场信号选取分析 |
4.1.2 振动信号选取分析 |
4.1.3 基于“气隙磁密三线”方法的磁场信号选取分析 |
4.2 基于希尔伯特黄变换的DSA-PMSLM退磁故障特征量提取研究 |
4.2.1 希尔伯特黄(HHT)理论分析 |
4.2.2 HHT提取DSA-PMSLM退磁故障特征仿真实验研究 |
4.3 基于连续小波变换的DSA-PMSLM退磁故障特征量提取研究 |
4.3.1 连续小波变换理论分析 |
4.3.2 CWT提取DSA-PMSLM退磁故障特征仿真实验研究 |
4.4 基于TT变换的DSA-PMSLM退磁故障特征量提取研究 |
4.4.1 TT变换理论分析 |
4.4.2 TT变换提取DSA-PMSLM退磁故障特征仿真实验研究 |
4.5 基于Teager-Hanning能量算子的DSA-PMSLM退磁故障特征量提取研究 |
4.5.1 连续复小波变换理论分析 |
4.5.2 基于复小波变换的故障信号包络线提取仿真实验研究 |
4.5.3 Teager-Hanning能量算子理论分析 |
4.5.4 基于Teager-Hanning能量算子的退磁故障特征提取仿真实验研究 |
4.6 本章小结 |
第五章 DSA-PMSLM退磁故障识别分类研究 |
5.1 DSA-PMSLM退磁故障分类标签定义及样本库建立 |
5.2 基于特征加权k最近邻的DSA-PMSLM退磁故障识别分类研究 |
5.2.1 特征加权k最近邻分类器理论分析 |
5.2.2 基于FW-KNN的 DSA-PMSLM退磁故障分类结果分析 |
5.3 基于决策树的DSA-PMSLM退磁故障识别分类研究 |
5.3.1 决策树分类器理论分析 |
5.3.2 基于决策树的DSA-PMSLM退磁故障分类结果分析 |
5.4 基于随机森林的DSA-PMSLM退磁故障识别分类研究 |
5.4.1 随机森林分类器理论分析 |
5.4.2 基于随机森林的DSA-PMSLM退磁故障分类结果分析 |
5.5 本章小结 |
第六章 实验验证 |
6.1 DSA-PMSLM退磁样机制作 |
6.2 DSA-PMSLM退磁实验平台搭建 |
6.3 实验验证及结果分析 |
6.3.1 三线磁密故障信号测量实验验证 |
6.3.2 Teager-Hanning能量算子提取磁密信号故障特征实验验证 |
6.3.3 RF识别分类故障实验验证 |
6.4 本章小结 |
第七章 总结与展望 |
7.1 本文总结 |
7.2 工作展望 |
参考文献 |
攻读博士学位期间的学术成果 |
致谢 |
(8)矿井提升机传动系统故障诊断与健康管理关键技术研究(论文提纲范文)
摘要 |
abstract |
1 引言 |
1.1 研究背景与意义 |
1.2 机械设备故障诊断方法分类 |
1.2.1 基于分析模型的故障诊断方法 |
1.2.2 基于定性经验知识的故障诊断方法 |
1.2.3 基于数据驱动的故障诊断方法 |
1.3 国内外研究现状 |
1.4 研究内容与创新之处 |
1.4.1 研究内容安排 |
1.4.2 创新之处 |
2 基于自适应电周期划分和随机森林的NPC三电平逆变器故障诊断 |
2.1 引言 |
2.2 三电平逆变器的电路及故障分析 |
2.2.1 矿井提升机变频器的结构 |
2.2.2 三电平逆变器的故障分析 |
2.3 逆变器故障信号预处理与自适应电周期划分 |
2.4 基于MODWT的信号处理与特征提取 |
2.4.1 帕克矢量模 |
2.4.2 小波变换 |
2.4.3 最大重叠离散小波变换 (Maximal Overlap Discrete Wavelet Transform,MODWT) |
2.4.4 特征提取 |
2.5 随机森林分类器 |
2.5.1 随机森林原理 |
2.5.2 随机森林算法 |
2.6 基于自适应电周期划分与随机森林的NPC三电平逆变器故障诊断框架 |
2.7 实验验证 |
2.7.1 实验设置 |
2.7.2 实验分析 |
2.8 本章小结 |
3 基于敏感特征选取与最大局部边界准则的提升机轴承故障诊断 |
3.1 引言 |
3.2 轴承故障诊断机理 |
3.3 基于DTCWPT的轴承故障信号处理 |
3.3.1 DTCWPT |
3.3.2 Hilbert包络谱与边际谱 |
3.4 基于特征聚类与特征间相关系数的敏感特征选取 |
3.4.1 k-means聚类算法 |
3.4.2 皮尔逊相关系数 |
3.4.3 敏感特征选取方法 |
3.5 最大局部边界准则的特征降维方法 |
3.5.1 LDA |
3.5.2 LFDA |
3.5.3 MMC |
3.5.4 最大局部边界准则 |
3.6 支持向量机 |
3.7 基于敏感特征选取与最大局部边界准则的轴承故障诊断框架 |
3.8 实验验证 |
3.8.1 基于美国凯斯西储大学轴承数据实验设置 |
3.8.2 基于美国凯斯西储大学轴承数据实验分析 |
3.8.3 基于SQI-MFS轴承数据实验设置 |
3.8.4 基于SQI-MFS轴承数据实验分析 |
3.9 本章小结 |
4 基于敏感特征迁移学习的提升机轴承故障诊断 |
4.1 引言 |
4.2 迁移成分分析 |
4.3 改进迁移成分分析的特征迁移学习 |
4.4 基于敏感特征迁移学习的轴承故障诊断框架 |
4.5 实验分析 |
4.5.1 基于美国凯斯西储大学轴承数据实验分析 |
4.5.2 基于SQI-MFS轴承数据实验分析 |
4.6 本章小结 |
5 基于类内特征迁移学习与多源信息融合的提升机驱动电机故障诊断 |
5.1 引言 |
5.2 电机故障类型与信号特性分析 |
5.2.1 异步电机常见故障类型分析 |
5.2.2 异步电机常见故障信号特性分析 |
5.3 基于EEMD的电机故障信号处理 |
5.3.1 EMD |
5.3.2 EEMD |
5.4 改进分层迁移学习的类内特征迁移学习 |
5.4.1 分层迁移学习 |
5.4.2 改进分层迁移学习 |
5.5 基于类内特征迁移学习的驱动电机故障诊断 |
5.5.1 故障诊断框架 |
5.5.2 实验设置 |
5.5.3 实验分析 |
5.6 基于D-S证据融合理论的驱动电机故障诊断 |
5.6.1 D-S证据理论基本概念 |
5.6.2 D-S证据理论基本过程 |
5.6.3 基于D-S证据融合理论的驱动电机故障诊断框架 |
5.6.4 实验分析 |
5.7 本章小结 |
6 矿井提升机传动系统故障诊断与健康管理系统 |
6.1 引言 |
6.2 提升机传动系统故障知识表示 |
6.2.1 本体概述 |
6.2.2 提升机传动系统故障知识分析 |
6.3 基于本体和故障信号分析的语义映射方法 |
6.3.1 概念模型 |
6.3.2 数学模型 |
6.3.3 语义映射方法 |
6.4 提升机传动系统故障本体知识库的创建 |
6.4.1 知识图谱与图数据库 |
6.4.2 提升机传动系统故障本体知识库构建 |
6.5 系统总体设计与应用 |
6.5.1 系统功能模块 |
6.5.2 软件开发与系统应用 |
6.6 本章小结 |
7 结论与展望 |
7.1 结论 |
7.2 展望 |
参考文献 |
致谢 |
作者简介 |
(9)基于多模态生物电信号人机交互技术研究(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 脑机接口研究背景与现状 |
1.1.1 脑机接口研究背景 |
1.1.2 脑机接口研究现状 |
1.2 基于肌电的人机接口研究背景和现状 |
1.2.1 基于肌电的人机接口研究背景 |
1.2.2 基于肌电的人机接口研究现状 |
1.3 多模态生物电人机接口研究背景和现状 |
1.3.1 多模态生物电人机接口研究背景 |
1.3.2 多模态生物电人机接口研究现状 |
1.4 生物电人机接口存在的问题及课题研究思路 |
1.4.1 系统的问题 |
1.4.2 课题研究思路 |
1.5 论文内容安排 |
第二章 基于生物电信号人机接口的研究基础 |
2.1 人机接口系统构成 |
2.2 脑机接口研究基础 |
2.2.1 EEG信号采集 |
2.2.2 脑电节律 |
2.2.3 基于EEG信号的BCI系统类型 |
2.2.4 信号处理算法 |
2.3 基于sEMG人机接口研究基础 |
2.3.1 EMG信号的产生 |
2.3.2 sEMG信号采集与处理 |
2.4 本章小结 |
第三章 基于新型特征优化技术的可穿戴式表面肌电信号人机接口 |
3.1 引言 |
3.2 采集系统电路结构 |
3.2.1 离线sEMG信号采集系统 |
3.2.2 可穿戴式sEMG信号采集系统 |
3.2.3 采集系统硬件测试结果分析 |
3.3 实验方案设计 |
3.4 信号预处理 |
3.4.1 预处理算法 |
3.4.2 预处理算法结果分析 |
3.5 特征选择及分析结果 |
3.5.1 特征提取 |
3.5.2 特征选择 |
3.5.3 特征分类 |
3.5.4 电极和特征选择算法结果分析 |
3.5.5 特征分类算法结果分析 |
3.6 基于sEMG信号的人机接口控制范式 |
3.6.1 控制范式 |
3.6.2 基于s EMG信号的可穿戴式HCI系统在线性能评估 |
3.7 讨论 |
3.7.1 基于s EMG信号的可穿戴式HCI系统设计 |
3.7.2 特征选择和分类 |
3.7.3 实时控制性能 |
3.7.4 系统局限性及未来工作 |
3.8 本章小结 |
第四章 基于最优化少量电极的认知行为想象脑机接口 |
4.1 引言 |
4.2 样本量确定及实验数据集描述 |
4.2.1 样本量确定 |
4.2.2 BCI系统被试者数量确定 |
4.2.3 实验范式设计 |
4.2.4 数据采集与数据集描述 |
4.3 信号预处理 |
4.3.1 信号预处理算法 |
4.3.2 特征可视化 |
4.3.3 信号预处理及可视化结果分析 |
4.3.4 ERD/S结果分析 |
4.4 实验方案及算法 |
4.4.1 CSP算法 |
4.4.2 传统CSP算法在EEG信号分析中的应用 |
4.4.3 改进的CSP算法在EEG信号分析中的应用 |
4.4.4 通用电极选择算法 |
4.4.5 基于相关性的新型DM电极选择方法 |
4.5 算法结果分析 |
4.5.1 特征提取算法结果分析 |
4.5.2 电极选择算法分析 |
4.5.3 最优电极组合选择 |
4.5.4 最优电极组合普适性与有效性验证 |
4.5.5 跨被试者普适性及鲁棒性分析 |
4.6 讨论 |
4.7 本章小结 |
第五章 多模态生物电信号对反应时间缩短情况的研究 |
5.1 引言 |
5.2 事件相关电位物理意义 |
5.3 实验范式设计与数据采集 |
5.4 EEG信号整体评估及范式选择实验结果 |
5.4.1 真实反应时间分析 |
5.4.2 ERP信号可视化结果分析 |
5.4.3 ERP波形分类性能评估 |
5.4.4 浅层神经网络分类结果 |
5.5 基于EEG信号的反应时间分析 |
5.5.1 基于滑动窗算法的反应时间确定 |
5.5.2 普适性最优电极组合选择 |
5.5.3 与实际鼠标点击反应时间对比 |
5.5.4 基于滑动窗金字塔加权修正的无约束识别 |
5.6 sEMG信号分析及结果 |
5.6.1 可视化结果 |
5.6.2 不同特征向量提取方式比较 |
5.6.3 基于拓展时间窗的反应时间分析 |
5.7 讨论与本章小结 |
第六章 基于最大权完美匹配的多模态生物电信号人机接口 |
6.1 引言 |
6.2 深层卷积神经网络架构背景介绍 |
6.2.1 深层卷积神经网络架构基本组件 |
6.2.2 CNN的改进优化方法 |
6.2.3 损失目标函数 |
6.3 数据集描述 |
6.4 算法流程 |
6.4.1 处理ERP波形的CNN网络结构 |
6.4.2 基于最大权完美匹配的难样本选择 |
6.4.3 关于MWP匹配方法及损失函数对比讨论 |
6.5 实验结果分析 |
6.5.1 运行环境及参数设置 |
6.5.2 EEGNet与传统方法对比结果 |
6.5.3 MWP-EEGNet对系统性能的提升 |
6.5.4 基于MWP-EMG-EEGNet多模态融合结果分析 |
6.6 本章小结 |
第七章 基于多模态生物电信号的在线人机接口系统 |
7.1 引言 |
7.2 基于NeuroScan的在线人机接口系统设计 |
7.2.1 基础模块 |
7.2.2 在线系统整体框架 |
7.2.3 在线实验方法 |
7.2.4 在线信号处理及结果分析 |
7.3 便携式多功能生物电采集系统 |
7.3.1 硬件电路设计 |
7.3.2 硬件采集系统测试结果 |
7.3.3 软件平台设计 |
7.3.4 数据分析算法 |
7.3.5 软件平台结果测试 |
7.3.6 基于PSUEEG平台的虚拟智能轮椅系统 |
7.4 本章小结 |
第八章 总结与展望 |
8.1 总结 |
8.2 展望 |
参考文献 |
附录 A 主要代码流程及执行结果 |
致谢 |
作者简介 |
(10)基于嵌入式并行运算架构深度学习的电力线路非正常状态分析研究(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 背景及意义 |
1.2 国内外研究现状 |
1.2.1 电能质量扰动识别与分类研究现状 |
1.2.2 输电线路短路故障诊断研究现状 |
1.2.3 电力线路在线监测系统研究现状 |
1.3 主要工作及章节安排 |
第二章 深度学习算法 |
2.1 深度学习基本概念 |
2.1.1 人工神经元模型 |
2.1.2 人工神经网络的学习能力 |
2.1.3 神经网络的深度 |
2.1.4 神经网络的选择与评估 |
2.2 深度置信网络 |
2.2.1 受限玻尔兹曼机 |
2.2.2 深度置信网络的构建 |
2.2.3 训练方法 |
2.3 长短期记忆网络 |
2.3.1 循环神经网络 |
2.3.2 长短期记忆网络构建 |
2.3.3 LSTM-RNN训练 |
2.4 深度学习环境搭建 |
2.4.1 深度学习开发平台 |
2.4.2 开发环境搭建 |
2.4.3 本章小结 |
第三章 基于sODBN的电能质量扰动识别与分类 |
3.1 电能质量扰动模型 |
3.1.1 扰动数学模型及可视化分析 |
3.1.2 固定窗口模型及可视化分析 |
3.2 sODBN算法设计及训练参数优化 |
3.2.1 DBN架构设计 |
3.2.2 基于特征迁移的自组织机制设计 |
3.2.3 训练参数优化 |
3.2.4 算法整体架构与实验流程 |
3.3 仿真实验 |
3.3.1 实验参数设置 |
3.3.2 仿真结果分析 |
3.4 本章小结 |
第四章 基于LPLSTM-RNN的输电线短路故障诊断 |
4.1 输电线路短路故障 |
4.1.1 输电线路短路故障基础 |
4.1.2 仿真模型 |
4.2 LPLSTM-RNN算法设计 |
4.2.1 LSTM-RNN架构设计 |
4.2.2 LP算法设计 |
4.2.3 算法整体架构与实验流程 |
4.3 仿真实验 |
4.3.1 实验参数设置 |
4.3.2 仿真结果分析 |
4.4 本章小结 |
第五章 嵌入式并行运算架构深度学习平台搭建与仿真 |
5.1 整体架构设计 |
5.2 智能终端的选型与配置 |
5.2.1 功能需求 |
5.2.2 现有运算芯片对比 |
5.2.3 所选芯片特点及外围配置 |
5.3 智能终端运行环境搭建 |
5.3.1 系统层环境搭建 |
5.3.2 应用层环境搭建 |
5.4 基于LPLSTM-RNN的输电线路短路故障诊断仿真 |
5.4.1 建立基于RTDS的输电线路短路故障模型 |
5.4.2 数据采样分析及降噪 |
5.4.3 实验仿真及结果分析 |
5.5 本章小结 |
第六章 总结与展望 |
参考文献 |
攻读博士/硕士学位期间取得的研究成果 |
致谢 |
附件 |
四、基于小波变换的实时信号噪声快速识别(论文参考文献)
- [1]基于小波去噪的阈值函数改进及其应用研究[D]. 盛祖维. 江西财经大学, 2021(10)
- [2]盲同步算法研究与FPGA实现[D]. 柳娜娜. 北京邮电大学, 2021(01)
- [3]基于互信息VMD和SVM的煤矿流体管网泄漏检测算法与软件设计[D]. 赵紫薇. 山东科技大学, 2020(06)
- [4]AIS自主定位信息实时检测理论与关键技术研究[D]. 怀率恒. 大连海事大学, 2020(01)
- [5]离心压缩机小流量工况下非稳定流动判定与发展特性研究[D]. 薛翔. 上海交通大学, 2020(01)
- [6]经验小波变换在桥梁模态参数识别中的最优组合形式研究[D]. 王尧伟. 西南交通大学, 2020
- [7]双定子无铁芯永磁同步直线电机退磁故障识别分类研究[D]. 宋俊材. 安徽大学, 2020(07)
- [8]矿井提升机传动系统故障诊断与健康管理关键技术研究[D]. 刘诗源. 中国矿业大学(北京), 2020(01)
- [9]基于多模态生物电信号人机交互技术研究[D]. 孙瀚. 东南大学, 2019(01)
- [10]基于嵌入式并行运算架构深度学习的电力线路非正常状态分析研究[D]. 陈子明. 华南理工大学, 2019(06)