滚动轴承的振动机理与信号特征 滚动轴承的振动可由外部振源引起，也可由轴承本身的结构特点及缺陷引起。此外，润滑剂在轴承运转时产生的流体动力也可以是振动（噪声）源。上述振源施加于轴承零件及附近的结构件上时都会激励起振动。 一、滚动轴承振动的基本参数 1．滚动轴承的典型结构 滚动轴承的典型结构如图1所示，它由内圈、外圈、滚动体和保持架四部分组成。 图1 滚动轴承的典型结构 图示滚动轴承的几何参数主要有： 轴承节径D：轴承滚动体中心所在的圆的直径 滚动体直径d：滚动体的平均直径 内圈滚道半径r1：内圈滚道的平均半径 外圈滚道半径r2：外圈滚道的平均半径 接触角α：滚动体受力方向与内外滚道垂直线的夹角 滚动体个数Z：滚珠或滚珠的数目 2．滚动轴承的特征频率 为分析轴承各部运动参数，先做如下假设：
(1)滚道与滚动体之间无相对滑动； (2)承受径向、轴向载荷时各部分无变形； (3)内圈滚道回转频率为fi; (4)外圈滚道回转频率为fO; (5)保持架回转频率（即滚动体公转频率为fc）。 参见图1，则滚动轴承工作时各点的转动速度如下： 内滑道上一点的速度为：V i=2πr1f i=πf i(D-dcosa) 外滑道上一点的速度为：V O=2πr2f O=πf O(D+dcosa) 保持架上一点的速度为：V c=1/2(V i+V O)=πf c D 由此可得保持架的旋转频率（即滚动体的公转频率）为： 从固定在保持架上的动坐标系来看，滚动体与内圈作无滑动滚动，它的回转频率之比与d/2r1成反比。由此可得滚动体相对于保持架的回转频率（即滚动体的自转频率，滚动体通过内滚道或外滚道的频率）fbc 根据滚动轴承的实际工作情况，定义滚动轴承内、外圈的相对转动频率为 一般情况下，滚动轴承外圈固定，内圈旋转，即： 同时考虑到滚动轴承有Z个滚动体，则滚动轴承的特征频率如下：滚动体在外圈滚道上的通过频率zfoc为：
基于Matlab的语音信号的特征提取与分类语音信号处理是研究数字信号处理技术和语音学知识对语音信号进行处理的新兴学科，是目前发展最为迅速的信息科学研究领域的核心技术之一。本文采用Matlab7.0综合运用GUI界面设计，各种函数调用等对语音信号进行采集、提取、变频、变幅，傅里叶变换、滤波等简单处理。程序界面简练，操作简便，具有一定的实际应用意义。 关键词：语音信号Matlab 信号处理GUI 1、语音信号的低通滤波 本文中设计了一个截止频率为200Hz切比雪夫—Ⅰ型低通滤波器，它的性能指标为：wp=0.075pi, ws=0.125pi, Rp=0.25;Rs=50dB。低通滤波器处理程序如下： [x,fs,bits]=wavread('voice.wav'); wp=0.075;ws=0.125;Rp=0.25;Rs=50; [N,Wn]=cheb1ord(wp,ws,Rp,Rs); [b,a]=cheby1(N,Rp,Wn); [b,a]=cheby1(N,Rp,Wn); X=fft(x); subplot(221);plot(x);title('滤波前信号的波形'); subplot(222);plot(X);title('滤波前信号的频谱'); y=filter(b,a,x); %IIR低通滤波 sound(y,fs,bits);%听取滤波后的语音信号
wavwrite(y,fs,bits,’低通’);%将滤波后的信号保存为“低通.wav” Y=fft(y); subplot(223);plot(y);title(' IIR滤波后信号的波形'); subplot(224);plot(Y);title(' IIR滤波后信号的频谱'); 经过低通滤波器处理后，比较滤波前后的波形图的变化 低通滤波后，听到声音稍微有些发闷，低沉，原因是高频分量被低通滤波器衰减。但是很接近原来的声音。 2、语音信号的高通滤波 运用切比雪夫—Ⅱ型数字高通滤波器，对语音信号进行滤波处理。高通滤波器性能指标：wp=0.6, ws=0.975 ,Rp=0.25;Rs=50dB。高通滤波器处理程序如下： [x,fs,bits]=wavread('voice.wav'); wp=0.6;ws=0.975;Rp=0.25;Rs=50;
语音信号特征的提取 摘要 随着计算机技术的发展，语音交互已经成为人机交互的必要手段,语音特征参数的精确度直接影响着语音合成的音质和语音识别的准确率。因此语音信号参数提取是语音信号处理研究中一项非常有意义的工作。 本文采用Matlab软件提取语音信号特征参数，首先对语音信号进行数字化处理，其次，进行预处理，包括预加重、加窗和分帧，本文讨论了预处理中各种参数的选择，以使信号特征提取更加准确。第三，讨论了各种时域特征参数的算法，包括短时能量、短时过零率等。 关键词：语音信号, 特征参数, 提取, Matlab 目录 第一章绪论 1.1语音信号特征提取概况 1.1.1研究意义 语音处理技术广泛应用于语音通信系统、声控电话交换、数据查询、计算机控制、工业控制等领域，带有语音功能的计算机也将很快成为大众化产品，语音将可能取代键盘和鼠标成为计算机的主要输入手段，为用户界面带来一次飞跃。 语音信号特征的提取是语音信号处理的前提和基础，只有分析出可表示语音信号本质特征的参数，才有可能利用这些参数进行高效的语音通信和准确的语音识别，才能建立语音合成的语音库。因此语音信号参数提取是语音信号处理研究中一项非常有意义的工作。 1.1.2 发展现状 语音信号处理是一门综合性的学科，包括计算机科学、语音学、语言学、声学和数学等诸多领域的内容。它的发展过程中，有过两次飞跃。第一次飞跃是1907年电子管的发明和1920年无线电广播的出现，电子管放大器使很微弱的声
音也可以放大和定量测量，从而使电声学和语言声学的一些研究成果扩展到通信和广播部门；第二次飞跃是在20世纪70年代初，电子计算机和数字信号处理的发展使声音信号特别是语音信号，可以通过模数转换器（A/D）采样和量化转换为数字信号，这样就可以用数字计算方法对语音信号进行处理和加工，提高了语音信号处理的准确性和高效性。 语音信号处理在现代信息科学中的地位举足轻重，但它仍有些基础的理论问题和技术问题有待解决，这些难题如听觉器官的物理模型和数学表示及语音增强的技术理论等，目前还有待发展。 1.2 本课题研究内容 本文主要介绍语音信号处理的理论及Matlab的相关内容，然后从Matlab仿真角度验证了录音、预处理、提取语音信号时域特征参数，主要讨论了预处理中各种参数的选择，以使信号特征提取更加准确。再次讨论了各种时域特征参数的算法，包括短时能量、短时过零率等，介绍了各环节的不同软件实现方法。最后对基于Matlab的语音信号特征参数提取进行总结。 第二章Matlab简介 MATLAB是国际上仿真领域最权威、最实用的计算机工具。它是MathWork 公司于1984年推出，它以强大的科学计算与可视化功能、简单易用、开放式可扩展环境，特别是所附带的30多种面向不同领域的工具箱支持，使得它在许多科学领域中成为计算机辅助设计和分析、算法研究和应用开发的基本工具和首选平台。 2.1 发展概况 Matlab是Matrix Laboratory(矩阵实验室的缩写)，最初由美国Cleve Moler 博士在70年代末讲授矩阵理论和数据分析等课程时编写的软件包Linpack与Eispack组成，旨在使应用人员免去大量经常重复的矩阵运算和基本数学运算等繁琐的编程工作。1984年成立的Math Works公司正式把Matlab推向市场，并从事Matlab的研究和开发。1990年，该公司推出了以框图为基础的控制系统仿真工具Simulink，它方便了系统的研究与开发，使控制工程师可以直接构造系统框图进行仿真，并提供了控制系统中常用的各种环节的模块库。1993年，Math Works 公司推出的Matlab4.0版在原来的基础上又作了较大改进，并推出了Windows版，
语音信号特征参数提取方法 阮雄飞微电子学与固体电子学 摘要：在语音技术的发展过程中使用了大量的语音信号特征参数, 好的语音信号特征参数能对语音识别起至关重要的作用。本文对语音信号特征参数提取方法以及国内外研究现状进行了介绍,最后介绍了Hilbert-Huang 这一新兴理论成果以及在特征提取中的应用。 关键词：语音技术特征提取HHT 1 引言 语音信号是一种短时平稳信号，即时变的，十分复杂，携带很多有用的信息，这些信息包括语义、个人特征等，其特征参数的准确性和唯一性将直接影响语音识别率的高低，并且这也是语音识别的基础[1]。特征参数应该能够比较准确地表达语音信号的特征具有一定的唯一性。 上世纪40年代，potter等人提出了“visiblespeech”的概念，指出语谱图对语音信号有很强的描述能力，并且试着用语谱信息进行语音识别，这就形成了最早的语音特征，直到现在仍有很多的人用语谱特征来进行语音识别[2]。后来，人们发现利用语音信号的时域特征可以从语音波形中提取某些反映语音特性的参数，比如：幅度、短时帧平均能量、短时帧过零率、短时自相关系数、平均幅度差函数等。这些参数不但能减小模板数目运算量及存储量而且还可以滤除语音信号中无用的冗余信息。语音信号特征参数是分帧提取的, 每帧特征参数一般构成一个矢量, 所以语音信号特征是一个矢量序列。我们将语音信号切成一帧一帧, 每帧大小大约是20-30ms。帧太大就不能得到语音信号随时间变化的特性, 帧太小就不能提取出语音信号的特征, 每帧语音信号中包含数个语音信号的基本周期。有时希望相邻帧之间的变化不是太大, 帧之间就要有重叠, 帧叠往往是帧长的1/2或1/3。帧叠大, 相应的计算量也大[3]。随着语音识别技术的不断发展时域特征参数的种种不足逐渐暴露出来，如这些特征参数缺乏较好稳定性且区分能力不好。于是频域参数开始作为语音信号的特征比如频谱共振峰等。经典的特征提取方法主要有LPCC（线性预测倒谱系数）、MFCC（美尔频率倒谱系数）、HMM（隐马尔科夫模型）、DTW（动态时间规整）等。 2 语音信号特征参数提取方法
南昌航空大学实验报告 课程名称：数字信号处理 实验名称：滚动轴承的振动信号特征分析实验时间： 2013年5月14日 班级： 100421 学号： 10042134 姓名：吴涌涛 成绩：
滚动轴承的振动信号特征分析 一、实验目的 利用《数字信号处理》课程中学习的序列运算、周期信号知识、DFT 知识，对给定的正常轴承数据、内圈故障轴承数据、外圈故障轴承数据、滚珠故障轴承数据进行时域特征或频域特征提取和分析，找出能区分四种状态（滚动轴承的外圈故障、内圈故障、滚珠故障和正常状态）的特征。 二、实验原理 振动机理分析：机械在运动时，由于旋转件的不平衡、负载的不均匀、结构刚度的各向异性、间隙、润滑不良、支撑松动等因素，总是伴随着各种振动。 振动的幅值、频率和相位是振动的三个基本参数，称为振动三要素。 幅值：幅值是振动强度的标志，它可以用峰值、有效值、平均值等方法来表示。 频率：不同的频率成分反映系统内不同的振源。通过频谱分析可以确定主要频率成分及其幅值大小，从而寻找振源，采取相应的措施。 相位：振动信号的相位信息十分重要，如利用相位关系确定共振点、测量振型、旋转件动平衡、有源振动控制、降噪等。对于复杂振动的波形分析，各谐波的相位关系是不可缺少的。 在振动测量时，应合理选择测量参数，如振动位移是研究强度和变形的重要依据；振动加速度与作用力或载荷成正比，是研究动力强度和疲劳的重要依据；振动速度决定了噪声的高低，人对机械振动的敏感程度在很大频率范围内是由速度决定的。速度又与能量和功率有关，并决定动量的大小。 提取振动信号的幅域、时域、频域、时频域特征，根据特征进行故
障有无、故障类型和故障程度三个层次的判断。 三、 实验内容 Step1、使用importdata （）函数导入振动数据。 Step2、把大量数据分割成周期为单元的数据，分割方法为： 设振动信号为{x k }(k =1,2,3,…,n )采样频率为f s ，传动轴的转动速率为V r 。 采样间隔为： 1 s t f ?= （1） 旋转频率为： 60 r r V f = （2） 传动轴的转动周期为： 1 r T f = （3） 由式（1）和（3）可推出振动信号一个周期内采样点数N ： 1 1s r r s f f T N t f f = ==? （4） 由式（2）可得到传动轴的转动基频f r =29.95Hz ，再由式（3）可得到一个周期内采样点数N=400.67，取N =400。 Step3、提取振动信号的特征，分析方法包括： 1、时域统计分析指标（波形指标(Shape Factor)、峰值指标(Crest Factor)、脉冲指标(Impulse Factor)、裕度指标(Clearance Factor)、峭度指标(KurtosisValue) ）等，相关计算公式如下： （1）波形指标： P f X WK X = (5) 其中，P X 为峰值，X 为均值。p X 计算公式如下：
实验十:随机信号分析应用在语音信号分析中 ——音频信号时域特征和频域特征分析【实验目的】 ⑴ 了解随机信号分析的应用领域。 ⑵ 了解如何利用随机信号分析相关知识点对语音信号进行分析。【实验原理】 我们在这里主要研究语音信号检索的部分内容。在语音信号研究中，一般对音频信号需要进行三方面的研究： 1）音频信号的产生，这方面的研究集中在为音频信号建立产生模型，通过产生模型提取音频特征。 2）音频的传播，音频信号如何通过另外介质传播到人的耳朵里。 3）音频的接收，音频信号如何被人所感知。 在这里，我们只涉及到音频信号的产生，而其它方面不涉及。 音频是一种重要媒体。人耳能够听到的音频频率范围是60Hz- 20KHz，其中语音大约分布在300Hz-4KHz之内。人耳听到的音频是连续模拟信号，而计算机只能处理数字化信息。所以要将连续音频信号数字化后才能在计算机上进行处理。音频信号数字化时的采样频率必须高于信号带宽的2倍才能正确恢复信号。 在音频处理中，一般假定音频信号特性在很短时间区间内变化是很缓慢的，所以在这个变化区间内所提取的音频特征保持稳定。这样，对音频信号处理的一个基本概念就是将离散的音频信号分成一定长度单位进行处理，将离散的音频采样点分成一个个音频帧，也就是音频信 号“短时”处理方法。一般一个“短时”音频帧持续时间长度约为几个到几十个微妙。可以从音频信号中提取三类基本特征：时域特征、频域特征和时频特征。 1 时域特征提取 连续音频信号x经过采样后，得到k个采样点x(n)(1≤n≤k)。在音
频时域提取中，认为每个采样点x(n)(1≤n≤k)包含了这一时刻音频信号的所有信息，所以可以直接从x(n)(1≤n≤k)提取信息。可以提取的信息有：短时平均能量、过零率、线性预测系数。 对于采样得到的x(n)(1≤n≤k)音频信号，考虑到信号在段时间内的连贯性，首先把音频信号的K个采样点分割成前后迭代的音频帧，相邻帧之间的迭加率一般为30%-50%，音频处理中的“短时帧”均是这样得到的。 ① 短时平均能量 短时平均能量指在一个短时音频帧内采样点所聚集的能量。它能够方便的表示整个时间段内幅度的变化。其定义如下： 短时平均能量特征可以直接应用到有声/静音检测中，短时平均能量某一短时帧平均能量低于一个事先设定的阀值，则短时帧为静音，否则为非静音。如果静音的短时祯数超过了一定比例，则将这个例子判为静音音频例子。 2 过零率 过零率指在一个短时帧内，离散采样信号值由正到负和由负到正变化的次数。它可以有效的刻画不同的音频信号。其定义如下： 其中, 对于语音信号，辅音信号过零率低，而元音信号的过零率高。语音信号开始和结束都大量集中了辅音信号，所以在语言信号中，开始和结束部分得过零率会有明显身高，所以利用过零率可以判断语音是否开始和结束。 3 频率中心（FC）：它是量度声音亮度的指标。即： ，其中是f t(n)的Fourier变换，，STE是短时平均能量。一般的，一段音乐的频率中心变化比较单一，语音的频率中心会出现连续的变化。 4 带宽(BW)：它是衡量频率范围的指标。其定义为：
基于S 变换的信号瞬时频率特征提取 摘要： S 变换是一种优越的时频分析方法，能够清晰表达信号瞬时频率的变化特征。与传统时频分析方法相对比，S 变换的抗噪性较强，无交叉项干扰。本文提出了采用S 变换来提取调制信号的瞬时频率。仿真实验结果表明，S 变换时频谱能够清晰表示出不同信号的瞬时频率特征。 关键词：时频分析；S 变换；时频图；调制信号；瞬时频率 1 引言 信号的瞬时频率特征可以反映信号在不同时刻的频率变化规律。与传统的时频分析方法相比较，S 变换的时频分析方法具有频率分辨率高、抗噪性强、无交叉项干扰等优点，这使得S 变换能够准确提取信号的瞬时频率。 2S 变换的基本原理 2.1S 变换的提出 S 变换由短时傅里叶变换发展而来，借鉴了短时傅里叶变换加窗的思想。将短时傅里叶变换中的高斯窗函数进行相关伸缩和平移，从而使信号的频率分辨率具备随频率的适应性。这个特点使得S 变换在信号的时频分析中具有明显的优势。 S 变换[1]是由地球物理学家Stockwell 于1996年首次提出的。它可由短时傅里叶变换推导而来，对于连续信号()h t 的短时傅里叶变换为： 2(,)()()j ft STFT f x t w t e dt π+∞ --∞τ=-τ?(1) 其中， 22()t t -δω= (2) 若窗函数为归一化的高斯函数，且对窗函数进行依赖频率的伸缩和平移，那么 22()2(,)t f t f τ τ--ω-= (3) 这样就得到了连续信号()h t 的S 变换定义式： 22()22(,)(f t i ft ST f h t e dt πτ-+∞---∞τ=? (4) 其中，τ为时移因子。 利用S 变换与傅里叶变换之间的紧密联系，可实现信号从S 变换中的无损恢复。S 变换的逆变换形式如式(5)所示： {} 2()(,)j ft h t S f d e df πττ+∞ +∞-∞-∞=?? (5) S 变换还可以看成是信号的小波变换与相位因子的乘积。它采用平移、伸缩的局部高斯窗函数作为母小波，具有频率分辨率高、抗噪性强的优点，且不需满足小波变换的容许性条件。因此，S 变换并不是严格意义上的小波变换，但可以看成是小波变换的一种扩展。 2.2S 变换的瞬时频率表达 由于S 变换为复数，包含实部和虚部，所以S 变换可以表示为： (,)(,)(,)j f S f A f e τττΦ= (6) 其中(,)A f τ为振幅谱，(,)f τΦ为相位谱： (,)f τA =[][]Im (,)(,)arctan Re (,)S f f S f τττ????Φ=?????? (8)
华南理工大学《语音信号处理》实验报告 实验名称：LPC特征提取 姓名： 学号： 班级：10级电信5班 日期：2013年5 月24日
1. 实验目的 1、熟练运用MATLAB 软件进行语音信号实验； 2、熟悉短时分析原理、LPC 的原理； 3、学习运用MATLAB 编程进行LPC 的提取； 4、学会利用短时分析原理提取LPC 特征序列。 2. 实验原理 1、LPC 分析基本原理 LPC 分析为线性时不变因果稳定系统V （z ）建立一个全极点模型，并利用均方误差准则，对已知的语音信号s(n)进行模型参数估计。 如果利用P 个取样值来进行预测，则称为P 阶线性预测。假P 个 取样值()()(){ } 1,2,S n S n S n p --- 的加权之和来预测信号当前取样值()S n ，则预测 信号()S n ∧ 为： ()() 1 p k k S n a n k ∧==-∑ (1) 其中加权系数用k a 表示，称为预测系数，则预测误差为: ()()()()() 1 p k k e n s n S n s n a n k ∧ ==-=--∑ (2) 要使预测最佳，则要使短时平均预测误差最小有： ()2 min E e n ε??==?? (3) ()20,(1) k e n k p a ????? =≤≤? (4) 令 ()()(),,i k E s n i S n k φ=--???? (5) 最小的ε可表示成： ()() min 10,00,p k k a k εφφ==-∑ (6) 显然，误差越接近于零，线性预测的准确度在均方误差最小的意义上为最佳，由此可以计算出预测系数。 通过LPC 分析，由若干帧语音可以得到若干组LPC 参数，每组参数形成一个
脑电信号特征提取及分类
第 1 章绪论 1.1引言 大脑又称端脑，是脊椎动物脑的高级的主要部分，由左右两半球组成及连接两个半球的中间部分，即第三脑室前端的终板组成。它是控制运动、产生感觉及实现高级脑功能的高级神经中枢[1]。大脑是人的身体中高级神经活动中枢，控制着人体这个复杂而精密的系统，对人脑神经机制及高级功能进行多层次、多学科的综合研究已经成为当代脑科学发展的热点方向之一。 人的思维、语言、感知和运动能力都是通过大脑对人体器官和相应肌肉群的有效控制来实现的[2]。人的大脑由大约1011个互相连接的单元体组成，其中每个单元体有大约104个连接，这些单元体称做神经元。在生物学中，神经元是由三个部分组成：树突、轴突和细胞体。神经元的树突和其他神经元的轴突相连，连接部分称为突触。神经元之间的信号传递就是通过这些突触进行的。生物电信号的本质是离子跨膜流动而不是电子的流动。每有一个足够大的刺激去极化神经元细胞时，可以记录到一个持续1-2ERP的沿轴突波形传导的峰形电位-动作电位。动作电位上升到顶端后开始下降，产生一些小的超极化波动后恢复到静息电位（静息电位（Resting Potential，RP）是指细胞未受刺激时，存在于细胞膜内外两侧的外正内负的电位差）。人的神经细胞的静息电位为-70mV（就是膜内比膜外电位低70mV）。这个变化过程的电位是局部电位。局部电位是神经系统分析整合信息的基础。细胞膜的电特性决定着神经元的电活动[3]。当神经元受到外界刺激时，神经细胞膜内外两侧的电位差被降低从而提高了膜的兴奋性，当兴奋性超过特定阈值时就会产生神经冲动或兴奋，神经冲动或兴奋通过突触传递给下一个神经元。由上述可知，膜电位是神经组织实现正常功能的基本条件，是兴奋产生的本质。膜电位使神经元能够接收刺激信号并将这一刺激信号沿神经束传递下去。在神经元内部，树突的外形就像树根一样发散，由很多细小的神经纤维丝组成，可以接收电信号，然后传递给细胞体。如果说树突是树根的话，那么细胞体就是树桩，对树突传递进来的信号进行处理，如果信号超过特定的阈值，细胞体就把信号继续传递给轴突。轴突的形状像树干，是一根细长的纤维体，它把细胞体传递过来的信号通过突触发送给相邻神经元的树突。突触的连接强度和神经元的排列方式都影响着神经组织的输出结果。而正是这种错综复杂的神经组织结构和复杂的信息处理机制，才使得人脑拥有高度的智慧。我们的大脑无时无刻不在产生着脑电波，对脑来说，脑细胞就像是脑内一个个“微小的发电站”。早在1857年，英国的青年生理科学工作者卡通（R.Caton）就在猴脑和兔脑上记录
第37卷 第4期吉林大学学报(工学版) Vol.37 No.4 2007年7月Journal o f Jilin U niv ersity(Engineering and T echnolo gy Edition) July2007车辆振动信号的特征提取方法比较 廖庆斌1,李舜酩1,覃小攀2 (1.南京航空航天大学能源与动力学院,南京210016; 2.吉林大学汽车工程学院,长春130022) 摘 要:针对用于车辆振动信号分析的常用方法:小波分析方法和H ilbert H uang变换方法,以及作者新近提出的时序多相关 经验模式分解方法,通过仿真对比分析了它们各自的特点以及它们在振动信号特征提取中的适用性。非线性信号的仿真分析表明,在没有噪声或分析对象背景噪声较小的情况下,后两种方法能提取到特征信号,小波分析不适合非线性信号的分析;在强背景噪声下,前两种方法均不能得到满意的特征信息,而时序多相关 经验模式分解方法能提取到所需的目标信息。最后将时序多相关 经验模式分解方法用于某特种车辆特征信号的提取,得到了满意的结果,验证了该方法在车辆振动信号特征提取中的有效性。 关键词:信息处理技术;振动信号;特征提取;小波分析;H ilbert H uang变换;时间序列多相关;经验模式分解 中图分类号:T N911;U270 文献标识码:A 文章编号:1671 5497(2007)04 0910 06 Comparison of feature extraction methods of vehicle vibration signal Liao Qing bin1,Li Shun m ing1,Qin Xiao pan2 (1.College of E ner gy and P ower E ngineer ing,N anj ing Univer sity of A er onautics and A s tronautics,N anj ing210016, China;2.College of A uto motiv e Engineer ing,J ilin Univ er sity,Changchun130022,China) Abstract:The v ibration signals o f a vehicle alw ay s car ry the dynamic info rmation of the vehicle.These signals are very useful for the health monitoring and fault diag no sis.H ow ever,in many cases, because these sig nals have v ery low signal to no ise ratio(SNR),to ex tract feature co mpo nents beco mes difficult and the applicability of info rmation drops dow n.T he characters of feature extraction of vibration signal w er e compared,among the tw o popular m ethods named w avelet analy sis(WA)and H ilbert H uang translatio n(H H T)and the multi correlatio n o f tim e series and empirical mo de decom po sitio n(M CT S EM D),via simulation.And the applicability of them w as analyzed using the simulatio n signal.The H H T and M CTS EM D can extract the feature signal in no interference of noise or the SNR is a larg e number,w hile the WA is not suit for the featur e ex tr actio n o f nonlinear signal. In the str ong backgro und noise,the WA and H H T can not w ork w ell,contrasting them;the M CTS EM D can ex tract the w anted object inform ation.A t last,T he M CTS EM D method w as used to ex tract the featur e sig nal of som e special vehicle,a satisfactor y result can be g et,this validity of MCT S EMD w as validated in the feature ex traction of v ehicle vibration sig nal. Key words:info rmatio n processing;v ibration signal;feature extraction;w avelet analy sis;H ilbert H uang 收稿日期:2006 06 22. 基金项目:航空科学基金资助项目(04I52066);国家自然科学基金资助项目(50675099). 作者简介:廖庆斌(1979 ),男,博士研究生.研究方向:振动、噪声的分析与控制.E mail:qb_liao@https://www.doczj.com/doc/476415619.html, 通讯联系人:李舜酩(1962 ),男,教授,博士生导师.研究方向:振动噪声分析与控制,现代信号处理,转子振动监测与诊断.E ma il:lishunm ing69@https://www.doczj.com/doc/476415619.html,
第一章语音信号的特点与采集 第一节语音信号采集的介绍 在Matlab环境中,主要可以通过以下几种方法驱动声卡，采集语音信号: 1．将声卡作为对象处理采集语音信号Matlab将声卡作为对象处理,其后的一切操作都不与硬件直接相关,而是通过对该对象的操作来作用于硬件设备（声卡）。操作时首先要对声卡产生一个模拟输入对象(ai),给ai对象添加一个通道设置采样频率后,就可以启动设备对象,开始采集数据,采集完成后停止对象并删除对象。 2．调用wavrecord功能函数采集语音信号。wavrecord功能函数只适用于windows95/98/N平台，它使用windows声音输入设备录制声音。函数调用方式：wavrecord（N，fs，ch，nbits）； N：采集的样本数据量； fs：样本采集频率，为8000Hz、11025Hz、22050Hz和44100Hz之一，默认值为11025Hz； ch：样本采集通道，1为单声道，2为双声道，默认值为1（单声道）； nbits：每个样本的位数（或称解析度），‘double’、‘single’或‘int16’为16位，‘uint8’为8位； 3．运用audiorecorder对象采集语音信号audiorecorder（fs，nbits，ch）可以创设一个audiorecorder对象。fs：样本采集频率，为8000Hz、11025Hz、22050Hz和44100Hz之一，默认值为8000Hz； nbits：每个样本的位数，8位或16位，默认值为8位； ch：样本采集通道，1为单声道，2为双声道，默认值为1（单声道）； audiorecorder对象创设后，就可以进行相应的录音、暂停、停止、播放以及数据读取等操作。第二节语音信号的特点 通过对大量语音信号的观察和分析发现，语音信号主要有下面两个
2010年第三届国际会议图像和信号处理（CISP2010） 齿轮箱振动信号特征提取的一种新方法 彭立，何清波，孔繁嚷 (精密机械与精密仪器系中国科技大学） 摘要：本文基于小波分析提出一种对于齿轮箱振动信号特征提取的新方法，并进行了研究！变速箱振动信号和1 / f过程的信号之间的功率谱相似，使基于小波变换的变速箱故障诊断的分形分析变得自然。那么对这种方法的原理进行了讨论。为了验证这一方法的可行性和实用性，进行了实验基础上的汽车变速器。箱体表面上附着的加速度传感器所收集的不同工作阶段的振动信号。然后预处理后，这些振动信号在不同小波尺度分解10个详细的信号通过离散小波变换与Dubieties小波。然后对3至7尺度的细节系数的差异进行了计算和加速度信号的分形特征，估计从斜坡的详细系数方差进展。时间窗口试验的结果表明，这些分形特征有显着不同的变速箱不同的工作阶段，并表现出较高的重复性，这表明，本文提出的方法提取的分型特征是说服和基于小波变换分形分析分类齿轮箱的振动信号有效。 关键词：特征提取，变速箱，振动，小波变换
1.导言 变速箱是在工业应用中最重要的设备之一。一个变速箱的意外故障可能导致人身伤亡和重大经济损失。在许多情况下，精度的仪器和设备是高度依赖于所使用的变速箱的动态性能。因此，变速箱的状态监测和故障诊断成为宝贵的系统维护和过程自动化，通常这些情况有必要制定，实施和部署在线诊断监测系统是独立经营的条件。齿轮典型故障包括腐蚀和更严重的打击[1]。许多功能生成方法已经被提出，如短时傅立叶变换（STFT），时间尺度小波分解[2，3]，累积频谱等。结合信号检测与识别方法的故障诊断系统，可以实现多种故障的自动识别和正确的诊断。被认为是各种信号，如声音，图像和振动状态监测与故障诊断。通常用于齿轮箱状态监测振动信号，因为它很容易聚集，并有高的相关性与变速箱的工作条件。 变速箱振动产生的噪音会降低产品质量。重型齿轮箱振动甚至可以导致整个系统的异常运行，造成系统停机和客户的经济损失。因此，适当的变速箱振动监测在尽量减少维修停机时间是极具成本效益，同时通过提供预先警告和交货时间进而准备适当的纠正措施，并确保该制度不恶化到一个需要采取紧急行动的条件[8]。因此，重要的是要把齿轮箱振动诊断纳入计划的电机系统的故障诊断。较早的方法进行振动信号分析，概率分析，频率分析，时域分析和有限元分析[9，10，11，12]。振动信号的特点，是众所周知的，更容易被发现，而不是在时域频域。频率分析技术涉及的频率振动信号分析和进一步处理所产生的频谱，以获得诊断明确界定信息，如高频冲击脉冲。最近的时频分析方法变得越来越受欢迎。 齿轮箱的振动信号通常是嘈杂。因此，它是很难找到一个潜在的故障在变速箱的早期症状。一个显着的变速箱诊断的最新发展是时频分析中的应用。它能够揭示在整个频率范围内的信号随时间变化的频谱，因此可以在很大程度上克服传统技术的弊端。小波变换是一个功能强大的时频分析工具，披露在信号瞬态信息。最近，小波分析方法的应用范围从振动信号，声音信号在机械故障诊断和状态监测等领域迅速增加。具体来说，它已成为一个强大的光谱特性随时间变化的替代品的，因为广泛使用的频谱分析方法提供所观察到的频率成分的本地化信号的频率内容的非平稳信号的分析。这是因为这些信号的统计特性，大部分都是非平稳振动信号分析中非常重要的。因此，在实践中，小波变换方法对振动信号高频率的密切合作是短暂的，持续时间长的密切频率位于元件间距元件组的分析时间是适当的。本文所设计的功能，通过提取方法选择时频信号分析技术，分析振动信号的分形特征的离散小波变换。 分形分析的分形数据的建模。它由一个信号，数据集或对象，这可能是声音，图像，分子，网络或其他数据到指定的分形特征的方法。目前分形分析广泛使用在科学的所有领域。分形维数是一个非平稳信号的良好指标，它有不同的定义。变速箱的加速度信号代表复杂的图案，非固定的复杂的信号可以通过一些分形特征量化[13]。 据统计，牙齿断裂是最严重的变速箱故障。因此，我们的实验中关注的汽车变速器疲劳试验四个阶段，包括检测正常，轻微磨损，严重磨损及牙坏了。预处理后，变速箱的四个工作阶段的振动信号是离散小波变换的分析。信号分解为十个使用Dubieties的水平小波的阶数N= 12。然后进行了分形分析估算数据定义的分形特征。最后，反复试验结果表明，该方法是稳定和有效的，这表明，这种新的变速箱特征提取方法能起到良好的性能，具有很大的应用价值。 本文组织如下：第一节的背景介绍；第二节中，基于小波变换的功能估计的
实验三语音信号的特征提取 一、实验目的 1、熟练运用MATLAB软件进行语音信号实验。 2、熟悉短时分析原理、MFCC、LPC的原理。 3、学习运用MATLAB编程进行MFCC、LPC的提取。 4、学会利用短时分析原理提取MFCC、LPC特征序列。 二、实验仪器设备及软件 HP D538、MATLAB 三、实验原理 1、MFCC 语音识别和说话人识别中，常用的语音特征是基于Mel频率的倒谱系数（即MFCC）。MFCC参数是将人耳的听觉感知特性和语音的产生机制相结合。 Mel频率可以用如下公式表示： ) 700 / 1 log( 2595f f Mel+ ? = 在实际应用中，MFCC倒谱系数计算过程如下; ①将信号进行分帧，预加重和加汉明窗处理，然后进行短时傅里叶变换并得到其频谱。 ②求出频谱平方，即能量谱，并用M个Mel带通滤波器进行滤波；由于每一个频带中 分量的作用在人耳中是叠加的。因此将每个滤波器频带内的能量进行叠加，这时第k 个滤波器输出功率谱) ('k x。 ③将每个滤波器的输出取对数，得到相应频带的对数功率谱；并进行反离散余弦变换， 得到L个MFCC系数，一般L取12~16个左右。MFCC系数为 ∑=- = M k M n k k x Cn 1 '] / )5.0 ( cos[ ) ( logπ，n=1,2,...,L ④将这种直接得到的MFCC特征作为静态特征，再将这种静态特征做一阶和二阶差分，得到相应的动态特征。 2、LPC 由于频率响应) (jw e H反映声道的频率响应和被分析信号的谱包络，因此用
|)(|log jw e H 做反傅里叶变换求出的LPC 倒谱系数。 通过线性预测分析得到的合成滤波器的系统函数为)1/(1)(1 ∑=--=p i i i z a z H ，其冲激响 应为h(n)。h(n)的倒谱为)(^ n h ，∑+∞ =-= 1 ^ ^ )()(n n z n h z H 就是说)(^z H 的逆变换)(^ n h 是存在的。 设0)0(^=h ，将式 ∑+∞ =-= 1 ^ ^ )()(n n z n h z H 两边同时对1 -z 求导，得 ∑∑+∞ =--=--??= -??1 ^ 1 1 1 1 )(]11 log[ n n p i i z n h z z a z 得到∑∑∑∞ +==-=+-+--= 1 1 1 1 1 ^ 1)(n p i i i p i i i n z a z ia z n h n ，于是有 ∑∑ ∑+∞ =+∞ =+-+-=-= -1 1 1 1 ^ 1 1 )()1(n n i i n p i i z ia z n h n z a 令其左右两边z 的各次幂前系数分别相等，得 到)(^ n h 和i a 间的递推关系 ?? ? ? ??? ?? >--=≤≤--+==∑∑=-=p i i n i i n p n n h a n i n h p n k n h a n i a n h a h 1^ ^11^ ^ 1 ^ ),1()1()(1),()1()()1( ，按其可直接从预测系数｛i a ｝求得倒谱)(^ n h 。这个倒谱是根据线性预测模型得到的，又称为LPC 倒谱。LPC 倒谱由于利用线性预 测中声道系统函数H （z ）的最小相位特性，因此避免了一般同态处理中求复对数的麻烦。 四、实验步骤及程序 1、MFCC （1）、实验步骤 ① 输入样本音频 ② 给样本音频预加重、分帧、加窗 ③ 将处理好的样本音频做傅里叶变换 ④ 进行Mel 频率滤波 ⑤ 进行Log 对数能量
第39卷第4期河北工业大学学报2010年8月V ol.39No.4JOURNAL OF HEBEI UNIVERSITY OF TECHNOLOGY August2010 文章编号：1007-2373(2010)04-0014-05 基于 The typical time-frequency characteristics of speech signal and the core algorithms are the key problems in spe- ech recognition,speech synthesis and speaker recognition system.According to the algorithm principles of linear pre-diction coding(LPC)theory and Mel frequency cepstrum coefficient(MFCC),a features extraction system platform for speech signal based on MATLAB GUI was implemented.On this platform,the speech signal in different audio formats can be loaded and played,and the waveform of the loaded speech signal can be displayed.Furthermore,the calculated results of LPC and MFCC can be displayed on the interface.At the same time,the data results can be saved in the corre-sponding files.The system supplied friendly human computer interaction and easy operation.The designed system will provide important and intuitive auxiliary effect on verifying the algorithms and data processing efficiency for the research fields related to speech signal processing.
波长变换的信号特征研究论文 摘要：通过对小波变换所进行的理论分析和计算机模拟发现，利用小波变换具有的高低频分离的特点，可在不丢失原信号重要信息成分的前提下，将原光谱信号的边缘部分进行滤化处理，消除了噪音信息，重构出更加清晰的光谱特征图形，从而提高了信号的清晰度，为信号的预处理提供了更加方便的条件。该信号特征提取的方法，与傅氏变换相比较，具有多项明显的优点，在实际工程应用中具有重要的意义。 关键词小波变换傅氏变换；信号 一、引言 在当今科技飞速发展的信息时代，信息资源中的信号应用日益广泛，信号的结构越来越复杂，为了更加清楚地分析和研究实际工程信号的有用信息，对信号进行预处理是至关重要的。例如，对于环境的监测，其中对空气成分的检测已经成为必不可少的环节，其方法是将空气中的某一成分(例如丁烯)进行特征的提取，提取的信息中仍然会存在着由一系列高频信号构成的噪音信号。由于这些边缘部分的存在，使原信号的基本特征在光谱信号中不能完全清晰地呈现，导致某些信息的细微环节部分难以识别，致使研究目的无法实现。 本文通过对小波变换所进行的理论分析和计算机模拟发现，利用小波变换具有的高低频分离的特点，可在不丢失原信号重要信息成分的前提下，将原光谱信号的边缘部分进行滤化处理，消除了噪音信息，重构出更加清晰的光谱特征图形，从而提高了信号的清晰度，为信号的预处理提供了更加方便的条件。 二、傅氏变换与小波变换 近年来，小渡变换已经成为对信号、图像等进行分析不可或缺的实用工具之一，其实质是对原始信号的滤波过程。与傅氏变换相比较，小波变换的优势在于，对分析信号可进行任意的放大平移并对其特征进行提取。对复杂信号作小波变换，进行多分辨率分析，在信号图象分析领域已占据着相当重要的地位。 已有的科研成果表明，物质的荧光光谱取决于物质的原子分子结构，所以不同的物质具有不同的荧光光谱。非线性荧光光谱是利用大功率超短激光脉冲和气体的非线性作用得到的；对于这种非线性荧光光谱的研究，主要集中在形成原理、