最大二阶循环平稳盲解卷积算法
基于循环相关和LPSO算法的自适应MCKD方法的滚动轴承早期故障特征提取
基于循环相关和LPSO算法的自适应MCKD方法的滚动轴承早期故障特征提取陈昆弘;刘小峰【摘要】Aiming at the problem that the feature of incipient fault of rolling element bearing is difficult to be extracted under strong noise background,a fault diagnosis method based on MCKD and symmetrical differencing energy operator demodulation was proposed.The filter size L and the period of interesting signal T play an important role in MCKD filtering.An adaptive MCKD filter based on cyclic correlation and LPSO was proposed,which could search for the best parameters automatically.The feature after filtering was outstanding,but some residual noise was still remained.To reduce the residual noise and get the demodulation spectrum,symmetrical differencing energy operator demodulation was applied after filtering.The result of incipient fault diagnosis of rolling element bearing shows that the method is effective.%针对强噪声情况下滚动轴承早期故障信号特征难以提取的问题,提出了MCKD与对称差分能量算子解调的特征提取方法.MCKD算法进行滤波时,滤波器长度L和故障周期T对滤波效果的影响至关重要,因此提出基于循环相关和LPSO算法结合的自适应的MCKD算法,自动搜寻MCKD算法所需最优参数;原信号经滤波后,故障特征被明显突出,为了剔除剩余噪声,对滤波后信号进一步做对称差分能量算子解调,剔除剩余噪声同时获得解调谱,进而提取滚动轴承的早期故障.实验分析验证了该方法的有效性.【期刊名称】《振动与冲击》【年(卷),期】2017(036)022【总页数】7页(P80-85,157)【关键词】循环相关;局部粒子群优化;最大相关峭度解卷积;对称能量算子解调;早期故障;特征提取【作者】陈昆弘;刘小峰【作者单位】重庆大学机械传动国家重点实验室,重庆400044;重庆大学机械传动国家重点实验室,重庆400044【正文语种】中文【中图分类】TH133.3;TH17滚动轴承出现早期局部故障时，故障产生的冲击成分一般十分微弱，往往会被强大的背景噪声淹没而无法提取。
【国家自然科学基金】_分离算法_基金支持热词逐年推荐_【万方软件创新助手】_20140731
圆截面 噪声 参考独立分量分析 参数估计 卡尔曼滤波 分离算法 分离矩阵 内模控制 入流角 偏流 信号处理 低密度校验码 优化 互信息 三迭代算法 fastica dsp 齿轮箱 麦克风嵌套子阵列 鲁棒语音识别 鲁棒滤波 高光谱影像数据 骨架初始解 马尔可夫链蒙特卡罗框架 频谱分离 频繁模式 频率变标算法 频散 频域盲反卷积 频域卷积混合盲分离 预白化 预条件子 预处理 面积测量 非齐次马尔可夫链 非齐次方程 非连续多帧平滑 非结构化网格 非线性译码 非线性能量迭代 非线性系统 非线性盲源分离 非线性混合 非线性混叠 非线性扩散 非稳态信号 非相关 非正交联合对角化 非平行双基 非对称分离 非地面点 震荡性因子 雷诺应力模型 零等待约束
科研热词 盲源分离 独立分量分析 盲信号分离 盲分离 神经网络 独立成分分析 仿真 不平衡数据 遥感 脑电信号 网络控制系统 独立分量分析(ica) 特征提取 模式识别 最大似然估计 时间序列 小波变换 奇异值分解 图像分割 分类算法 信号处理 鲁棒滤波 高阶累积量 面向方面 路由器内部路由 超球面 负熵 语音分离 计算机网络 解析解 自适应滤波 自然梯度算法 自动控制技术 聚类 经验模态分解 空间分离 相关性 白化 点目标检测 温度发射率分离 温度 海杂波散斑抑制 欠定 标签 材料点法 最小二乘 无线传感器网络 收敛速度 接触 振动信号 局部隐式 小波阈值去噪
2008年 序号 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52
2 2 2 2 2 2 2 2 2 2 2 2 2 2 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
二阶卡尔曼滤波 c语言 加速度和角速度
二阶卡尔曼滤波c语言加速度和角速度二阶卡尔曼滤波是一种常用的滤波算法，常用于对包含加速度和角速度等多个测量量的传感器数据进行滤波和估计。
下面我将详细介绍二阶卡尔曼滤波的原理、流程和应用。
一、二阶卡尔曼滤波原理二阶卡尔曼滤波是基于贝叶斯定理和最小二乘估计原理的一种递归滤波算法。
它通过将已知的系统模型和测量值进行融合，得到对未知状态的估计值，同时还可以对估计的不确定性进行量化。
二阶卡尔曼滤波的主要思想是维护两个状态变量：系统状态变量和系统状态的协方差矩阵。
其中，系统状态变量表示系统当前的估计状态，而协方差矩阵则表示对系统状态估计的不确定性。
通过递推地更新这两个状态变量，可以得到对系统状态的估计值，并不断修正估计的不确定性。
二、二阶卡尔曼滤波流程二阶卡尔曼滤波的过程可以分为预测和更新两个步骤。
1. 预测步骤：预测步骤是使用系统模型，基于上一时刻的状态估计值和协方差矩阵，预测当前时刻的状态估计值和协方差矩阵。
这一步骤主要包括以下几个步骤：(1) 根据系统模型，预测当前时刻的状态估计值：x(k k-1) = F * x(k-1 k-1) + B *u(k)其中，x(k k-1)表示在当前时刻对状态进行预测的估计值，F是状态转移矩阵，x(k-1 k-1)是上一时刻的状态估计值，B是输入控制矩阵，u(k)是当前时刻的输入控制量。
(2) 预测当前时刻的协方差矩阵：P(k k-1) = F * P(k-1 k-1) * F' + Q其中，P(k k-1)表示当前时刻的协方差矩阵，Q是过程噪声协方差矩阵。
2. 更新步骤：更新步骤是根据当前时刻的测量值，对预测的状态估计值和协方差矩阵进行修正。
这一步骤包括以下几个步骤：(1) 计算预测值与测量值之间的残差：y(k) = z(k) - H * x(k k-1)其中，y(k)表示预测值与测量值之间的残差，z(k)是当前时刻的测量值，H是测量矩阵。
(2) 计算残差的协方差：S(k) = H * P(k k-1) * H' + R其中，S(k)表示残差的协方差矩阵，R是测量噪声协方差矩阵。
调制与解调技术、调制解调器、时分复接
所提出的方法对实现稳定分布噪声的信号盲分离效果很好,并具有良好的韧性。
参110617436基于输出过采样的II R信道迫零盲均衡刊,中/陈芳炯//电子学报.2006,34(3).441444(E)本文提出一种新的针对单输入单输出I IR信道的盲均衡算法。
首先通过对信道输出的过采样建立特殊的多信道模型。
对多信道模型的输出应用线性预测,证明了预测误差只包含多信道模型冲激响应在每一个时隙的参数,并给出最佳线性预测器的长度。
通过预测误差的协方差矩阵可以求解该冲激响应参数。
基于该参数可构造出不同时延的迫零均衡器。
仿真结果显示了本文算法的有效性。
参70617437基于四阶累积量对角切片的短波自适应通信信号检测刊,中/柯宏发//电子学报.2006,34(3).419 423(E)短波自适应通信信号的检测是现代电子战信号处理的一个重要研究课题,本文提出了基于四阶累积量对角切片的短波自适应通信信号检测方法。
文章推导了有限长度信号四阶累积量对角切片的分段估计方法,分析了其渐进性能,分析表明该估计方法降低了估计方差;论文介绍了信号检测原理,借助于计算机仿真研究了高斯白噪声和色噪声及不同信噪比下不同检测方法的性能。
仿真对比结果验证了该方法的有效性。
参81213信号处理、分析与设计0617438一种宽范围的最大似然载波频率同步算法刊,中/李静//系统工程与电子技术.2006,28(3).369371 (E)0617439空时频分组码的设计和GLRT解码算法刊,中/宋高俊//系统工程与电子技术.2006,28(3).363 365,388(E)0617440利用修正Cyclic MUSIC算法估计循环平稳信号的到达角刊,中/杨延光//系统工程与电子技术.2006, 28(3).355358(E)0617441适用于非同步采样的相位差准确测量方法刊,中/吴静//电网技术.2006,30(7).7376(L)0617442基于最小熵的音频信号高频重建刊,中/白晓亮//电声技术.2006,(2).3740(L)音频信号的有损压缩编码为实现高的压缩比,往往会将高频部分删除,这样势必导致音质下降。
【国家自然科学基金】_符号间干扰(isi)_基金支持热词逐年推荐_【万方软件创新助手】_20140731
科研热词 频率选择性信道 误码率 脉冲成形 线性预处理 符号间干扰 正交频分复用 异步协同系统 多径分集 多带正交频分复用 变长零前缀 双弥散信道 分布式空时编码 信道估计 传输效率 二次规划 ε -支持向量回归
推荐指数 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
2011年 序号 1 2 3 4 5 6 7 8 9 10 11 12 13
推荐指数 3 2 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
2011年 科研热词 网格正交频分复用系统 符号间干扰 盲均衡 滤波多音调制 最大多普勒扩展估计 最大信干噪比 循环平稳 均衡 双散射信道 判决导引 stop-and-go算法 sato算法 bussgang技术 推荐指数 1 1 1 1 1 1 1 1 1 1 1 1 1
2012年 序号 1 2 3 4 5 6 7 8
科研热词 符号间干扰 正交频分复用 频域 通信技术 超宽带 误码率 移动通信信号检测 直接序列扩频 盲源分离 盲多用户检测 盲均衡 正交频分复用调制 最大非高斯 散射衰落信道 成形滤波器 循环前缀 并行抵消 干扰消除 帧同步 多径信道 均衡 单载波频分多址 判决反馈均衡 伪随机序列 交错正交幅度调制 rake接收
科研热词 符号间隔均衡器 符号间干扰 码间干扰 正交频分复用 时域均衡器 室内可见光通信 均方误差准则 分数间隔均衡器
推荐指数 1 1 1 1 1 1 1 1
2013年 序号 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26
2008年 序号 1 2 3 4 5 6 7 8 9 10 11
基于时频分析的深度学习调制识别算法
在通信系统中,通常用不同的调制方法来调制发送的信号,以进行有效的数据传输。
调制识别是信号检测和信号解调之间的中间过程[1],自动调制识别(Automatic Modulation Recog⁃nition ,AMR )可以识别出信号的调制信息,在实际的民用和军事应用中发挥关键作用,如认知无线电、信号识别和频谱监控[2]。
通常AMR 算法可分为两类:基于似然的方法和基于特征的方法。
基于似然的方法使用概率论、假设检验理论和适当的决策准则来解决调制识别问题[3],但其计算十分复杂;而基于特征的方法则对调制信号进行特征提取和分类,其识别性能与提取的特征数量有关。
调制信号的瞬时幅度、相位和频率等各种统计特征已用于对调制方式的识别,如循环平稳特性和高阶统计[4-5]。
现有基于特征的分类器包括决策树算法和机器学习算法,如朴素贝叶斯和人工神经网络。
近年来,作为一种强大的机器学习方法的深度学习在图像分类和语音识别等方面取得了巨大的成功。
基于深度学习的方法级联多层非线性处理单元对输入数据自动优化提取特征,以最大程度地减少分类错误。
深度学习方法也已应用于调制识别[6-7]。
文献[8]论述了在无线电信号处理中的深度学习新兴应用,并使用GNU Ra⁃dio 软件生成了具有同相(in-phase ,I )和正交(quadrature ,Q )分量的调制信号的开放数据集,从而进行调制识别;文献[9]在开源数据集上应用CNN 网络结构进行识别,相对于基于循环特征的识别算法,识别性能更优;文献[10]提出使用基于CNN 、起始网络(inception network )、卷积长短时记忆全连接网络(ConVoluional ,Long Short -Term Memory ,Fully Connected Deep Neural Network ,CLDNN )和残差神经网络(ResidualNetwork ,ResNet )对调制信号数据集进行识别同时对各自识别性能进行比较;文献[11]提出将调制信号的同相、正交分量以及四阶高阶累积量一起组成数据集来提升调制识别性能。
【国家自然科学基金】_自然梯度算法_基金支持热词逐年推荐_【万方软件创新助手】_20140730
科研热词 推荐指数 自然梯度算法 2 自然梯度 2 盲源分离 2 图像分割 2 高分辨率遥感图像 1 非线性主分量分析 1 非线性 1 遗传算法 1 计算机视觉 1 肓分离 1 聚类 1 神经网络 1 盲均衡 1 盲分离 1 盲信号分离 1 独立成分分析 1 独立分量分析 1 特征点检测 1 灰度变化特征 1 涡轮喷气发动机 1 标记的分水岭算法 1 学习速率 1 多通道盲解卷积 1 多agent系统(multi-agent system1 块递归 1 地球物理 1 反演 1 医学图像 1 主轴方向 1 mas) 1 fir滤波器矩阵代数 1
2012年 序号 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45
科研热词 推荐指数 非均匀校正 1 边缘检测 1 轮廓检测 1 轮廓 1 视觉注意 1 自适应步长 1 自适应变异粒子群神经网络算法 1 自跟踪发电系统 1 自然策略梯度 1 自然梯度 1 经验复用 1 纹理 1 红外焦平面阵列 1 算法标准差 1 空间关系 1 盲源分离 1 生态系统消耗 1 生态系统服务 1 生态压力 1 独立成分分析 1 激光散斑 1 梯度 1 最速下降 1 曲面浅浮雕 1 显著性 1 微分进化算法 1 强化学习 1 开关式周围抑制 1 广义gauss分布 1 局部稳定性 1 合理消耗模式 1 发电量预测 1 双边滤波 1 加权正交约束 1 全局优化 1 光伏充气膜温室 1 倒立摆控制 1 信息处理技术 1 代价函数 1 亚像素计算 1 susan准则 1 poisson方程 1 npp 1 ica 1 fourier变换 1
OFDM信道估计的子空间方法
ＶＯ ．５ Ｎｏ ５ １ ３ ． ０ｃ． ０ ６ ｔ２ ０
２０ 波 ，杜
（．西 安市第 二 炮兵 工程 学院 ５ ２ 研室 １ ０教 西安
欢２ ，张振仁
７０ ２ ； ２ １０ ５ ．湖北 师 范学 院计 算机 科 学 系 湖 北 黄 石 ４ ５０ ） ３ ０２
Ｋｅ ｒ ｓ ＯＦ ｙｗｏ ｄ ＤＭ ： ｃ ａ ｎ ｌ ｓｉ ａ ｉｎ ｓ ｂ ｐ ｃ ； Ｗ Ｌ ｈ ｎ ｅ ｔ ｔ ； ｕ ｓ ａ ｅ ｅ ｍ ｏ ＡＮ
ＯＤ Ｆ Ｍ是一种并行块传输模式【。多路数据通过ＩＦ ，相当于调制到多个并行 的子载波之上，每个ＩＦ “ ＦＴ ＦＴ 块前加入循环前缀，能有效地消除ＩＩ Ｓ。信道的影响 由线性卷积变 为循环卷积，因此每个子信道可以在频域 用一阶系数来均衡。相对于差分解调，Ｏ Ｄ Ｆ Ｍ相干解调没有信噪 比损失，但必须估计信道 。Ｏ Ｄ Ｆ Ｍ的信道 可通过帧头前的学 习符号用Ｌ 算法估计。在快速时变 的移动信道 中，为跟踪信道 的变化 ，过 多的训练符号 Ｓ 会降低传输速率，因此 ，提 出了在时频二维加入稀疏 的导频来跟踪信道 。信道的盲估计方法则不需要导频 的开销，由于加入 了循环前缀，Ｏ Ｄ Ｆ Ｍ码元是循环平稳的，因此信道可 以通过二阶统计量辨识 。文献【】 ２ 通 过将两个时域Ｏ Ｄ Ｆ Ｍ符号部分相减，导出了一种新 的子空间方法。该算法基于时域 ，没有引入Ｆ Ｔ Ｆ Ｔ Ｆ 及ＩＦ
Ａｂ ｔａ ｔ Ｔ ｉ ｐ ｐ ｒｉｔｏ ｕ ｅ ｕ ｓ ａ ｅ ｍｅｈ ｄ ｆｂｉｄ ｃ ａ ｎ ｌｅｔ ａｉｎ ｉ ＤＭ ｎ ｔ ｒｓ ａｃ ｓｒ ｅ ｈ ｓ ａ ｅ ｎｒ ｄ ｃ ｓｓ ｂ ｐ ｃ ｔｏ ｓｏ ｌ ｈ ｎ ｅ ｓｉ ｔ ０Ｆ ｎ ｍ ｏ ｎ ａ ｄ ｉ ｅｅ ｒｈ ｓ ｓ ｔ． ｈ ｅｆ ｒ ｎ ｃ ｆｔｅ ａｇ ｒ ｈ ｉ ｓｍｕ ａｅ ｃ ｏｄ ｇ ｔ ｅ ｓ ｍｂ ｌ ｏ ａ ｆＷ ＬＡＮ ０ ． ｌ ｎ ｔｅ ｔ ｅ Ｔ ｅｐ ｒｏｍａ ｅ ｏ ｈ ｌｏ ｉ ｍ Ｓ ｉ ｌｔｄ ａ ｃ ｒ ｉ ｏ ｔ ｙ ｏ ｒ ｔｏ ａ ｔ ｎ ｈ ｆｍ ８ ２ １ ａ ｉ ｈ ｅ ｉ ｎ ｆ ｉ ｕ ｌ ａｒｅｓａ ｄｐｌｔ ａｒ ｒ． ｈ ｅｕ ｔ Ｏ ｔａ ｅｐ ｌｔｉｆ ｅ ｃ ｓｃ ｎ ｅｇ ｎ ｅｏ ｅａｇ ｒｈ ｘｔ ｇｏ ｒ ａ ｒｉｒ ｉ ｒｉ ｓ Ｔ ｅｒ ｓ ｌ ｓ Ｗ ｔ ｉ ｌ ｎ ｅ ｏ ｖ ｒ ｅ ｃ ｆｔ ｌｏ ｉ ｍ． ｉ ｖｔ ｃ ｎ ｏｃ ｅ ｓｈ ｈ ｔ ｈ ｏ ｎ ｕ ｈ ｔ Ｂ ｄ ｉｇ ｕ ｃ ｒｅａｅ ｉ ｔ， ｅｃ ｎ ｅｇ ｎ ｅｏ ｅａｇ ｒ ｈ ｉ ｃ ｉｖ ． ｎ ｏ ｄ ｒｔ ｃ ｉｖ ｅｔｉ ｒｃｓｏ ， ｙ ａ ｄ ｎ ｏｒ ｌｔｄ ｐｌ ｓ ｔ ｏ ｖ ｒ ｅ ｃ ｆｔ ｌｏ ｉ ｍ ａ ｈｅ ｅ Ｉ ｒ ｅ ａ ｈｅ ｅａｃ ｒ ｎ ｐ ｅ ｉｉｎ ｎ ｏ ｈ ｈ ｔ Ｓ ｏ ａ ｈ ｒ ｐ ｒ ｃ ｅ ｎ ｔ ｈ ｎ ｅ ｔ ｅｐｏ ｅ ａ ｋ ｔｅ ￣ ｈａ ｄ ｃ ａ ｎ ｌ ｐ ｌ ｎ ｉ ｅ ｅ ｓｒ ． Ｓｎ ｃ ｓａｙ
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
最大二阶循环平稳盲解卷积算法
随着数字信号处理技术的不断发展，很多数字信号大规模的运用在了各行各业中，如音频处理、影像处理、语音识别等等，在这其中运用最多的莫过于数字信号的盲解卷积算法。
今天我们就来谈一谈最大二阶循环平稳盲解卷积算法。
一、什么是盲解卷积
盲解卷积法就是只有输入信号，没有事先已知的卷积核函数，根据输入的信号，得到输出的信号，也就是卷积核函数。
盲解卷积算法是一种模型无关的方法，具有广泛的应用领域。
二、最大二阶循环平稳盲解卷积算法
最大二阶循环平稳盲解卷积算法就是针对参数提取精度问题的一个算法，在应用中最常用的形式是最大二阶平稳性盲解卷积算法。
其主要思想是利用噪声信号的二阶统计特性来完成对混叠信号的盲解卷积。
这种方法既可以胜任线性时不变系统的盲解卷积，也能较好地处理非线性、时变模型等各种非线性系统。
三、最大二阶循环平稳盲解卷积的具体步骤
1. 首先，我们需要将输入的信号写成矩阵形式，公式如下：
x=[x(1),x(2),……,x(N-T)]T
其中， N 为信号长度，T为盲解卷积的延迟量。
2. 然后，我们计算输入信号的自相关矩阵：
R=1 N x xT
其中， x 是输入信号。
3. 接着，我们计算噪声信号的自协方差矩阵：
Σ=1 N w(n)wT(n)
其中， w(n)是白噪声信号。
4. 接下来，我们对协方差矩阵进行奇异值分解，得到最大的奇异值和相应的奇异向量，从而得到估计的卷积核函数。
5. 最后，我们可以将估计的卷积核函数与输入信号进行卷积，得到输出的信号。
四、应用场景
最大二阶循环平稳盲解卷积算法的应用场景非常广泛，包括语音信号处理、影像图像处理、有线和无线通信系统的均衡和调制解调等等。
由于该算法能够处理非线性的系统模型，所以在处理通信信号中的多径衰落和多普勒频移方面，具有重要的应用价值。
总的来说，最大二阶循环平稳盲解卷积算法是一种十分优秀的盲解卷积算法，它不需要事先知道卷积核函数，能够有效地解决混叠问题。
同时，在实际工程中也有较为广泛的应用前景。