下载文档原格式
基于改进HHT的微弱故障信号特征提取方法周小龙;姜振海;马风雷【摘要】针对微弱故障信号故障特征难以提取的问题，提出一种基于改进希尔伯特-黄变换的故障特征提取方法。
该方法首先采用平均总体经验模态分解将故障信号分解成一系列固有模态函数，再选取对故障特征敏感的固有模态函数进行希尔伯特谱和边际谱分析，从中提取故障特征。
仿真和实际试验证明：希尔伯特谱和边际谱能够清晰呈现故障信号时域和频域内的细微特性，为微弱故障信号的特征提取提供了一种切实可行的方法。
%For solving the difficulty in extinction of weak fault signal, a method based on improved Hilbert-Huang transform is proposed. The weak fault signal is decomposed by ensemble empirical mode decomposition, and the intrinsic mode functions are obtained,then the sensitive intrinsic mode functions are selected by the sensitivity evaluation method. Finally,the Hilbert spectrum and marginal spectrum of the signals are obtained by the sensitive intrinsic mode functions,and the characteristics of the weak fault signal are detected. The sim-ulation and actual experiment results show that the Hilbert spectrum and marginal spectrum can display the subtle features corresponding to time and frequency of weak fault signals,and offered a practical method for its feature extraction.【期刊名称】《东北电力大学学报》【年(卷),期】2016(036)005【总页数】5页(P52-56)【关键词】希尔伯特-黄变换;平均总体经验模态分解;微弱信号;特征提取【作者】周小龙;姜振海;马风雷【作者单位】东北电力大学工程训练教学中心，吉林吉林132012;长春工业大学机电工程学院，长春130012;长春工业大学机电工程学院，长春130012【正文语种】中文【中图分类】TH17在机械传动设备中，当某一零件出现早期缺陷时，其振动信号十分微弱，往往被其它零部件的运行振动信号和背景噪声所淹没，为故障的检测和诊断带来困难[1]。
小波变换对语音信号特征提取的性能分析方法近年来，随着语音识别技术的不断发展，对语音信号特征提取的需求也越来越迫切。
而小波变换作为一种有效的信号处理方法，被广泛应用于语音信号特征提取中。
本文将对小波变换在语音信号特征提取中的性能进行分析，并介绍相应的方法。
首先，我们来了解一下小波变换的基本原理。
小波变换是一种时频分析方法，它可以将信号分解成不同频率的子信号，从而实现对信号的多尺度分析。
在语音信号特征提取中，我们可以利用小波变换将语音信号分解成不同频率的子信号，然后提取这些子信号的特征，从而实现对语音的特征提取。
在进行语音信号特征提取时，我们首先需要选择合适的小波基函数。
不同的小波基函数对信号的分解效果有所差异，因此选择合适的小波基函数对于提取语音信号的特征至关重要。
常用的小波基函数包括Daubechies小波、Haar小波等。
选择小波基函数时，需要考虑信号的特点以及对特征的要求，从而选择最适合的小波基函数。
在进行小波变换后，我们可以得到语音信号的小波系数。
这些小波系数反映了信号在不同频率下的能量分布情况。
我们可以利用这些小波系数来提取语音信号的特征。
常用的特征提取方法包括能量特征、频率特征、时域特征等。
通过对小波系数进行统计分析，我们可以得到这些特征的数值，从而实现对语音信号的特征提取。
除了特征提取外，小波变换还可以用于语音信号的压缩和去噪。
在语音信号传输和存储过程中，信号往往会受到噪声的干扰，从而影响信号的质量。
利用小波变换可以将信号分解成不同频率的子信号，然后通过滤波的方式去除噪声，从而实现对语音信号的去噪。
此外，小波变换还可以对语音信号进行压缩，从而减少存储和传输的开销。
在实际应用中，小波变换的性能受到多种因素的影响。
首先，小波基函数的选择对性能有着重要的影响。
不同的小波基函数适用于不同类型的信号，因此在选择小波基函数时需要考虑信号的特点。
其次，小波变换的尺度选择也会影响性能。
尺度选择过大或过小都会导致性能下降，因此需要选择合适的尺度。
生物医学信号处理中的去噪与特征提取方法研究摘要：生物医学信号处理是生物医学工程中的重要研究领域，它涉及到去噪和特征提取等多个方面。
本文将从去噪和特征提取两个方面，介绍在生物医学信号处理中的一些常用方法和技术，并对其优缺点进行讨论。
希望通过本文的介绍，能够为生物医学信号处理研究提供一些参考和启发。
第一部分：去噪方法研究在生物医学信号处理中，去噪是一个非常重要的任务。
由于生物体内的信号往往混合了大量的噪声，正确地去除噪声对于后续特征提取和分析非常关键。
目前，常用的生物医学信号去噪方法主要包括滤波法、小波变换和独立成分分析方法。
滤波法是最常见的去噪方法之一。
通过选择合适的滤波器，可以将具有特定频段的噪声滤除。
常见的滤波器有低通滤波器、高通滤波器和带通滤波器等。
滤波法可以有效地去除高频噪声和低频噪声，但在同时存在多个频带的噪声时，效果不佳。
小波变换是一种基于频域和时域分析的去噪方法。
通过对信号进行小波变换，可以将信号分解为多个频带，并对每个频带的小波系数进行阈值处理。
小波变换去噪的优点在于能够保留信号的时域和频域特征，但对于非平稳信号和噪声变化频率较快的信号，效果较差。
独立成分分析方法是一种基于统计学原理的去噪方法。
通过对信号的独立成分进行分析，可以将信号中的噪声成分与信号成分分离开来。
独立成分分析可以有效地去除噪声，但需要对信号的概率分布和相关性有一定的了解，并且对信号的独立性假设有一定的限制。
第二部分：特征提取方法研究在生物医学信号处理中，特征提取是对信号进行进一步分析和处理的关键步骤。
特征提取的目的是从信号中提取出具有代表性的特征，以便进行分类、识别和判断等任务。
常用的特征提取方法主要包括时域特征、频域特征和小波特征等。
时域特征是指在时域上对信号进行统计和分析得到的特征。
例如，均值、方差、功率等都是常用的时域特征。
时域特征提取简单直观，但对于非平稳信号和周期性变化较大的信号来说，效果较差。
频域特征是指在频域上对信号进行分析得到的特征。
