简介:混沌学是目前非线性科学研究中的热点之一.传统的微弱信号混沌检测技术在信号存在噪声的情况下暴露出许多不足之处,如去噪能力较差、检测精度不高等,本文基于前人的研究基础,提出了一种改进小波变换算法的微弱信号混沌检测系统的方法,通过仿真实验可知能够将该方法运用到微弱信号检测.具体方法是对传统小波变换算法的变换域变量进行离散化,目的是消除变换中的冗余,之后采用阈值折衷策略对小波系数进行阈值优化,处理后的小波算法将应用于微弱信号混沌检测系统中,周期策动力为有限离散处理后的含噪信号并入混沌系统,从而实现含噪情况下的微弱信号检测.一系列仿真实验表明,提出和改进的小波变换算法的去噪效果要优于传统小波变换算法,同时在微弱信号混沌检测系统的应用中,改进算法的检测精度和鲁棒性更好.
简介:摘要:针对滚动轴承振动信号呈现非线性、强非平稳性以及多分量耦合特性,提出了基于局部均值分解(LMD)的滚动轴承故障程度特征提取方法,并采用盲源分离方法对故障信号进行分离处理,最后利用极限学习机模型对其特征参数进行分类识别,为滚动轴承故障特征提取和故障诊断提供了一种新途径。
简介:摘要:在脑电信号的采集和处理过程中,常常受到各种噪声伪迹的干扰。本文将独立分量分析(Independent Component Analysis,ICA)技术应用在脑电信号的眼电噪声分离问题上。本文分别使用四种常用的ICA算法:二阶盲识别(SOBI)、Hyvarinen不动点算法(FastICA)、Infomax和联合逼近特征矩阵对角化(JADE)用于脑电信号的眼电伪迹分离,并使用MATLAB作为实验平台,采用格茨数据集2a,针对四种算法的运行时间及分配内存进行了实验对比。实验结果表明,SOBI算法的MATLAB实现表现了最好的综合性能。相较其他三个ICA算法,SOBI算法能够在分配内存较小的情况下快速准确地去除脑电信号中的噪声。