下载文档原格式
声学信号处理的盲源分离算法研究声学信号处理是一个广泛的研究领域，其目标是从混合的声音中分离出源自不同信号源的声音。
盲源分离是声学信号处理中的一项重要任务，它不依赖于事先对混合信号的了解，而是通过分析混合信号的统计特性来分离源信号。
近年来，随着深度学习和人工智能的发展，盲源分离算法得到了很大的突破。
以下将介绍几种常见的盲源分离算法及其研究进展。
1. 独立成分分析（ICA）独立成分分析是一种常用的盲源分离方法，它的基本假设是混合信号是由相互独立的源信号线性组合而成的。
ICA通过最大化信号的非高斯性，选取合适的分离矩阵，将混合信号分离成相互独立的源信号。
然而，ICA在面对多源信号和非线性混合模型时存在一定的局限性。
2. 时间频率分析时间频率分析是一种基于信号的时频特性的盲源分离方法。
它通过对混合信号进行时频分析，将源信号的时频特性提取出来。
时间频率分析常用的算法有短时傅里叶变换（STFT）、小波变换和强度比谱（IPS）等。
这些方法在分离语音信号、音乐信号和环境噪声等方面取得了一定的成效。
3. 贝叶斯源分离贝叶斯源分离是一种基于贝叶斯统计推断的盲源分离算法。
它通过建立源信号和混合信号的统计模型，利用贝叶斯推断的方法推导出源信号的分布参数，从而实现分离。
贝叶斯源分离算法在处理高斯噪声和非线性混合模型时具有一定的优势。
除了上述几种算法，还有很多其他的盲源分离方法，如基于狄利克雷分布的盲源分离、盲源分离的最大似然估计算法等。
这些方法在不同的应用场景下具有各自的优缺点。
然而，盲源分离算法仍然存在一些挑战和难题。
首先，多源信号的盲源分离是一个复杂的问题，需要在保证分离效果的同时，尽量减少源信号的干扰。
其次，盲源分离算法在非线性混合模型和非高斯噪声环境下的性能较差，需要进一步研究改进。
此外，盲源分离算法在实时性、稳定性和适应性等方面还需要进一步提升。
为了解决上述问题，研究者们正在不断探索新的盲源分离算法。
其中，结合深度学习的方法是近年来的热点之一。
欠定盲源分离混合矩阵的时频分析估计方法摘要：在盲源分离信号处理中，尤其在欠定条件下(观测信号数目大于源信号数目)，精确的估计混合矩阵是具有挑战性的问题。
现存部分方法利用信号的稀疏性进行求解，并假设在时域或者时频域中源信号不重叠，然而这类方法在假设条件不满足，即源信号部分重叠情况下随着信号稀疏性降低性能恶化明显。
本文针对具有较弱稀疏性的源信号，提出了一种基于时频分析的欠定盲源分离的混合矩阵估计方法。
首先，利用源信号时频变换后系数实部与虚部比值的差异性选择单源点；其次，运用经典的聚类方法估计解混合矩阵的各向量。
仿真结果表明：提出的方法简易可行并具有较好的估计性能。
关键词：盲源分离；时频分析；矩阵估计1、引言盲源分离(Blind Source Separation)技术在过去20年里发展迅速，其较强的信号处理能力使其在各信号处理领域得到了广泛的应用。
给定混合系统，盲源分离的目的就是在未知源信号和混合系统的情况下估计出源信号。
欠定盲源分离(UBSS，Underdetermined Blind Source Separation)就是指输入的源信号个数多于观测信号个数，在这种情况下，通常方法无法寻找混合矩阵的逆矩阵，所以一类基于信号稀疏性的求解方法应运而生。
这类方法利用源信号的稀疏性来估计混合矩阵并且恢复源信号，信号的稀疏性指的是在一定的范围内大部分信号值为零，只有极小部分信号值存在。
欠定盲分离问题一般由两步法解决：第一步估计混合矩阵，第二步恢复源信号。
现有的部分算法利用了信号时域稀疏性，假设源信号是具有拉普拉斯分布的稀疏信号从而解决欠定盲分离问题。
当信号不具有时域稀疏性，部分学者利用信号在变换域的稀疏特性来解决欠定问题，例如时频变换。
最早利用时频域稀疏性来解决适定问题，DUET算法来解决欠定问题，Linh-Trung et al.运用聚类算法[13]处理欠定问题, 此类算法基于信号在时频域的正交假设。
然而在实际中，正交假设过于严格，准正交条件下利用子空间估计方法解决欠定问题，此方法同时假设在任一时频点上的源信号数目少于观测信号数目；放宽了正交条件并且假设任一时频点上的源信号数目小于等于观测信号数目。
一种基于时间相关度的盲分离方法
刘彦;舒勤
【期刊名称】《信号处理》
【年(卷),期】2009(025)002
【摘要】本文从信号的相关性出发,提出信号时间相关度的定义,并证明了时间相关度定义具有如下性质:一组独立源信号的线性混合信号其时间相关度介于源信号中时间相关度的最小值和最大值之间.本文根据这一定义及性质,利用矩阵广义特征值理论,建立时间相关度的广义特征值问题,通过求解此广义特征值问题的特征矢量,从而达到分离信号的目的.本文算法适用于瞬时混合模型,仿真结果证明本算法可以应用与灰度图像的分离及复杂混合环境中声音的分离,计算简单,性能良好,效果真实可靠.
【总页数】6页(P204-209)
【作者】刘彦;舒勤
【作者单位】四川大学电气信息学院,成都,610065;四川大学电子信息学院,成都,610065;四川大学电气信息学院,成都,610065
【正文语种】中文
【中图分类】TP391
【相关文献】
1.一种时变信道下基于粒子滤波的同频混合信号盲分离方法 [J], 马欢;江桦
2.一种基于自然梯度的循环平稳信号盲分离方法及其应用 [J], 郭彬;张永祥;柯维
3.一种基于二阶锥约束克服信道不匹配的盲分离方法 [J], 骆忠强;谢伟;李成杰
4.一种动量因子自适应自然梯度的盲分离方法 [J], 谭骏;刘辉
5.一种基于独立分量分析的变速跳频信号盲分离方法 [J], 王淼; 蔡晓霞; 雷迎科因版权原因，仅展示原文概要，查看原文内容请购买。
基于循环平稳特性的时频分析法欠定盲源分离张良俊;杨杰;卢开旺;孙亚东【摘要】基于二次时频分布的算法是解决欠定盲源分离问题的一种有效方法.不同于传统算法,针对循环平稳信号,借助分段平均的周期图法求解谱相关密度函数,并利用其实现Wigner-Ville时频分布的重构.计算信号时频分布矩阵并找出自源时频点,利用自源时频点对应的时频分布矩阵构建新的3阶张量模型.利用平行因子分解,直接实现源信号的分离.该算法不需要假设任意时频点的源数目,不大于混合信号数目.仿真实验结果表明,所提出的方法可以有效地抑制噪声,并且只需要一步即可实现源信号的恢复,避免“两步法”造成的误差叠加,提高了盲源分离的效率和性能.【期刊名称】《兵工学报》【年(卷),期】2015(036)004【总页数】7页(P703-709)【关键词】信息处理技术;欠定盲源分离;循环平稳;二次时频分布;Wigner-Ville分布;平行因子分解【作者】张良俊;杨杰;卢开旺;孙亚东【作者单位】武汉理工大学光纤传感技术与信息处理教育部重点实验室,湖北武汉430070;武汉理工大学光纤传感技术与信息处理教育部重点实验室,湖北武汉430070;空军军械通用装备军事代表局,北京100071;武汉理工大学光纤传感技术与信息处理教育部重点实验室,湖北武汉430070【正文语种】中文【中图分类】TN911.7盲源分离(BSS)的目标在于仅仅利用接收到的混合信号，实现对所有源信号的分离，被广泛应用于语音、生物医学和阵列信号处理等领域[1-2]。
然而，源信号的数目极有可能大于混合信号的数目，此时的盲源分离被称为欠定盲源分离(UBSS)[3]。
目前，传统解决UBSS问题主要采用“两步法”，即首先估计出混合矩阵，再进行源信号的分离。
基于二次时频分布的方法被广泛地应用于混合矩阵的估计[4]，其基本思想是首先构建混合信号的时频分布矩阵，然后利用所有自源点的时频分布矩阵构建新的高维矩阵，最后进行联合对角化和特征值分解等方法实现信号分离。
时频分析的欠定盲源分离算法佚名【摘要】随着跳频通信系统性能的不断提升,传统信号处理方式无法适应跳频信号载频时变的特性,提出一种改进思想,采用时频分析方法对多跳频欠定盲源分离问题进行研究分析.由于线性时频分析方法满足线性叠加原理并且信号间没有交叉项干扰的影响,采用短时傅里叶变换对多跳频信号进行处理分析;利用自适应时频支撑点阈值设定的方法,剔除低能量噪点对时频单源点的影响,并结合改进的k-均值算法对混合矩阵进行估计;在不同时问段短时傅里叶变换的窗函数中,通过判断频率聚类数的不同,确定跳频信号频率跳变点的时刻及位置;通过时频单源点的时频比矩阵对时变混合矩阵进行估计.仿真实验验证了改进算法对混合矩阵具有较好的估计特性,算法改进的效果也比较明显.【期刊名称】《哈尔滨商业大学学报（自然科学版）》【年(卷),期】2018(034)006【总页数】5页(P706-710)【关键词】跳频信号;欠定盲源分离;时频单源点;短时傅里叶变换【正文语种】中文【中图分类】TN914跳频(Frequence Hopping，FH)通信是最常用的扩频方式之一，由于自我保护能力强，不易被干扰，在军事通信领域备受关注[1].跳频信号是最具代表性的非平稳信号，而时频分析方法可以对非平稳信号进行描述[2-3].在现实复杂的电磁环境中，由于无法预先获知先验信息，因此只能通过盲处理来获取更多的信息，对多跳频信号进行估计分析.1 跳频信号数学模型假设N个跳频源信号在一段时间内发生了K次频率跳变，设定源信号为sn(t)时，可以得到sn(t)的表达式，如式(1)所示：(1)其中：an(t)表示信号sn(t)的基带复包络；ωnk和φnk分别表示为第n个跳频信号在跳频源信号第k跳的载频和初始相位；Thn表示跳频源信号的跳周期；g(t)表示升余弦函数.为了方便表达，采用均匀线型天线阵，将N个源信号入射到M个阵元数的天线阵上，可以得到调频信号的解析形式，如式(2)所示：sn(t)=an(t)ej[ωn(t)+φn(t)](2)其中：ωn(t)、φn(t)分别表示时变的源信号频率和相位.当有噪声存在时，观测信号x(t)可表示为源信号和噪声的叠加，如式(3)所示：x(t)=A(t)s(t)+n(t)=(3)其中：x(t)=[x1(t),…,xM(t)]T为观测信号；A(t)是一个M×N的复数混合时变矩阵，用列矢量的形式可以将混合矩阵A(t)表示为A(t)=[a1(t),…,aN(t)]T，混合矩阵中各元素可以表示为amn(t)=e(-j2πfn(t)τmn)；s(t)=[s1(t),…,sN(t)]T为跳频源信号；n(t)=[n1(t),…,nM(t)]T为均值为0，方差为δ2的加性高斯白噪声.2 单源点聚类2.1 线性时频分析为了更好的对跳频信号进行分析，引入线性时频分析方法对跳频信号进行稀疏化处理，既可以满足线性叠加原理，又没有交叉项的干扰[4-7].由于短时傅立叶变换(Short Time Fourier Transform，STFT)计算复杂度低且实时性较好[8-11].采用STFT对观测信号进行时频分析，如式(4)所示：(4)对式(3)进行STFT变换，变换后为：X(t,f)=A(t)S(t,f)+N(t,f)(5)其中：X(t,f)=[X1(t,f),…,XM(t,f)]T表示观测信号，S(t,f)=[S1(t,f),…,SN(t,f)]T以及N(t,f)=[N1(t,f),…,NM(t,f)]T分别表示源信号sn(t)以及噪声n(t)的STFT变换. 2.2 自适应时频支撑点复杂电磁环境夹杂着很多的噪声点，可以针对跳频信号的特点，通过对阀值εa的讨论，减少外界因素的干扰，令随机选取的时频单源点Pl=(tl,fl)，皆满足‖Xm(Pl)‖2>εa.通过对阈值的设定，不但可以很好的保留信息量大的时频点，剔除可能受噪声影响信息量提取困难的时频点，而且为后续的工作节省了运算量[12].文献[13]中指出，噪声能量阀值εa的选取与噪声水平有关，通常情况下设置噪声阀值文献[13]由于在噪声方差σ2未知的情况下，将噪声阀值设置为不具有时变性.当阈值εa设定较小时，将会引入噪声；如果阈值εa设置过大时，将会有信息点被误剔除，造成信息的丢失.通过上述讨论，本文采用了自适应时频支撑点阈值筛选的方法.通过求时频点频率模值FTF的Fmin和Fmax的均值作为筛选值的初始值ε1.ε1=(Fmin+Fmax)/2(6)以ε1为分类标准，对所有时频点分为TFH1、TFH2两类，并分别统计每类中时频点聚集的个数为NTFR1、NTFR2，并求出各类平均值，如式(7)所示.(7)通过对式(6)中频率模值的更新，重新估计阈值.εk=(FTFR1+FTFR2)/2(8)采用迭代的思想，对阈值重复估计变换，当第k+1次与第k次阈值不再变化时，即εk+1=εk，操作结束.2.3 k-means聚类算法由于k-means聚类算法具有效率高、复杂度低的特点，被广泛应用于观测信号的聚类[14].若有M个观测信号，x=[x1,x2,…,xM]为m维列矢量.采用欧氏距离来对观测信号点进行分类处理，即观测信号点与某一个选取的聚类中心间欧氏距离最小，则该观测信号归属于此聚类中心.欧氏距离的计算规则如式(9)所示.(9)令观测信号点分为k组，随机在观测信号点中选取k个点作为初始聚类中心，根据式(9)分别计算出每个观测信号点同这k个聚类中心之间的欧氏距离，如果计算出来的欧氏距离小于设定的阀值，则该观测信号归属于距离最近的聚类中心.对每类观测信号点进行求均值，将计算出来的均值作为新的聚类中心，利用新的聚类中心重新计算欧氏距离，直到聚类中心不再改变.k-means聚类算法缺陷是需要提前估计跳频信号的聚类数目，但在盲源分离条件下，并没有先验知识，所以无法获得聚类数.本文采用DB Index聚类评估准则(Davies-Bouldin Index)[15]，在没有任何先验知识的条件下，准确获取跳频信号的聚类数k，从而完成聚类分析DB Index准则基本模型如下所示：(10)其中：K是聚类数目，Di为Ci类中的所有样本点到其聚类中心的平均距离，Dj为Ci类中的所有样本点到Cj类中心的平均距离，Cij为Ci类和Cj类中心之间的距离.可以看出，DB越小表示类与类之间的相似度越低，分离效果越好，从而对应越佳的聚类结果.2.4 时频比矩阵模型为了便于叙述算法原理，令混合信号观测时频矩阵可以表示为(11)对于某个时频单源点Pl=(tl,fl)来说，假设该单源点只有源信号S1存在，即Sl(tl,fl)≠0,且S2(tl,fl)=S3(tl,fl)=0，将该点的观测数据X1(tl,fl)与X2(tl,fl)相比所得到的比值为(12)令某一时刻的源信号Sn的单源点个数为L，那么该单源时频点集合令m∈{1,…M}，根据式(12)计算单源时频比矩阵可以表示为(13)由于时频比矩阵每列都与混合矩阵的每列一一相对应，从而可以得出混合矩阵列矢量的估计值，如式(14)所示.(14)综上分析，要想对混合矩阵进行估计，需要对跳频信号进行稀疏化处理，通过在时频域的聚类特性，采用k-means算法对时频点聚类分析，再通过时频比矩阵的分析，完成混合矩阵的估计.2.5 频率跳变点检测通过STFT对跳频信号的稀疏化处理，很容易观测到跳频信号发生了频率的跳变，跳频信号频率跳变点检测原理如图1所示.图1 跳频信号频率跳变点检测示意图从图1可以看出，当所选时间t=t1时，跳频信号的频率值为f1，因此时频点(t1,f1)周围具有能量；当所选时间t=t2时，跳频信号的频率值由f2和f3组成，我们可以在时频点(t2,f2)和(t2,f3)附近找到相应的能量分布.通过上述分析，当跳频信号发生跳变的瞬间，在时频域频率跳变点前后，都会有能量的聚集，但窗函数滑动步长以及窗函数长度的影响，不同窗函数的频率值会在跳变时刻附近同时存在.因此，可以根据k-means聚类算法在不同时刻、不同频率值产生的聚类数的不同，来判断跳变时刻，进而得到跳变点的位置.下面将对基于单源点聚类的混合矩阵估计算法步骤进行具体描述：1)傅里叶变换通过汉明窗作为窗函数，对观测信号xm(t)作稀疏化处理，得到时频域矩阵；2)采用自适应时频支撑点阈值的设定对时频点进行筛选，删除信息携带较少的点；3)k-均值聚类算法结合DB Index聚类评估准则在聚类数未知的条件下对混合矩阵进行估计；4)通过单源点对时频域中时频比矩阵X(Ωn)的估计，结合公式(14)可以获得混合矩阵列矢量的估计值并由各个列矢量估计值构建混合矩阵估计值5)根据各个时刻聚类数的比较，寻找N(t)≠N的时刻tn，即混合矩阵发生跳变的时刻，可以对时变混合矩阵进行估计.3 仿真分析仿真实验采用天线阵元数目M=2的均匀线性阵列，各阵元间距d=10，信号采样频率为20 MHz，跳频源信号数目N=4.各跳频源信号的参数如表1所示.表1 同步正交网台跳频信号参数跳频源信号跳频频率/MHzS17.5,7.2,6.6,8.4,7.8S24.5,8,5.5,5,6.5S33.5,5,4.5,6.1,4S46.5,6,7.5,7,5.5 通过阈值εa对低能量噪点的剔除，以及通过STFT变换稀疏化处理，跳频信号仿真如图2所示.选用混合矩阵估计误差EA(dB)对估计性能进行衡量，混合矩阵估计误差EA的具体定义如下：图2 跳频信号仿真分析图(15)其中：为算法估计值，N为初始信号个数，‖·‖F为F-范数，EA数值越低则的值越接近A，即准确度越高.本文通过改进的k-means聚类算法结合时频比矩阵对时变混合矩阵进行估计，仿真对比可以看出，本文算法具有更好的性能.见图3.图3 混合矩阵估计误差随信噪比变化曲线4 结语基于通信对抗在战场环境中的重要作用，如何保证通信网络系统抗干扰、保密、高效运行，成为了研究的重点，欠定条件下的多跳频信号网台分选在实际作战中十分关键.本文基于时频单源点的研究，针对跳频信号中时频域支撑点阈值的分析，以及改进的k-means聚类方法的结合，实现了多跳频时变混合矩阵的估计.通过仿真验证了算法的有效性，并在低信噪比条件下显示出良好的性能.参考文献：【相关文献】[1] 陈利虎. 跳频信号的侦察技术研究[D]. 长沙: 国防科学技术大学, 2009.[2] 吕晨杰, 王斌. 采用纹理特征的跳频信号盲检测算法[J]. 信号处理, 2015, 31(4): 453-460.[3] 冯涛, 袁超伟. 基于时频分布的跳频信号盲分离方法[J]. 系统工程与电子技术, 2010, 32(5): 900-903.[4] 彭天亮. 时频域欠定盲分离研究[D]. 南京: 东南大学, 2016.[5] 付卫红, 李爱丽, 黄坤, 等. 欠定盲分离时变混合矩阵的估计[J]. 电子科技大学学报, 2015, 44(4): 508-512.[6] 齐昶, 王斌. 低信噪比下跳频信号参数盲估计[J]. 计算机工程与应用, 2012, 48(3): 153-155.[7] 陈利虎. 基于空时频分析的多分量跳频信号DOA估计[J]. 系统工程与电子技术, 2011, 33(12): 2587-2592.[8] 武少豪. 基于欠定盲分离的跳频信号恢复与分选技术研究[D]. 西安: 西安电子科技大学, 2014.[9] 高瑞涛. 基于时频分析的跳频信号参数估计方法研究[D]. 西安: 西安电子科技大学, 2011.[10] 张曦, 杜兴民, 朱礼亚. 基于Gabor谱方法的跳频信号时频分析[J]. 数据采集与处理, 2007, 22(2): 150-154.[11] 张曦, 王星, 杜兴民. 基于小波变换的跳频信号参数盲估计[J]. 电路与系统学报, 2009, 14(4): 60-65.[12] 于欣永, 郭英, 张坤峰, 等. 基于盲源分离的多跳频信号网台分选算法[J]. 信号处理, 2017 (8): 1082-1089.[13] 宁晓鹏. 基于时频分析的跳频信号盲分离算法研究[D]. 哈尔滨: 哈尔滨工业大学, 2016.[14] 李爱丽. 欠定盲源分离混合矩阵估计算法的研究[D]. 西安: 西安电子科技大学, 2014.[15] 张莉, 孙钢, 郭军. 基于K-均值聚类的无监督的特征选择方法[J]. 计算机应用研究, 2005,22(3): 23-24.。
基于广义S变换地震剖面数据时频分析及分频显示
李宏伟;姜镭
【期刊名称】《内蒙古石油化工》
【年(卷),期】2009(000)019
【摘要】地震信号是一种非平稳信号,时频分析法是非平稳信号分析的有效方法,用时频分析技术处理地震信号,可以较为精确地分析数据时间和频率特征。
现阶段应用于地震数据处理方面的时频分析方法有很多种,本文选取广义S变换作为时频分析工具,对地震数据进行处理,并提取不同频率剖面进行对比。
实际资料处理表明,广义S变换在地震高分辨率处理方面是行之有效的,具有较强的抗干扰能力。
通过时频分解,我们可以根据需求提取不同的单频剖面,细致研究局部层位,识别地震剖面中特征信息。
【总页数】3页(P57-59)
【作者】李宏伟;姜镭
【作者单位】成都理工大学信息工程学院,四川成都610059
【正文语种】中文
【中图分类】P631.443
【相关文献】
1.广义S变换域低照度图像时频分析及滤波
2.时频分析在地震剖面数据的分频显示中的应用
3.基于物理小波时频分析及RGB分频混色的高精度频谱成像技术优势分
析及应用4.广义S变换时频分析在广域电磁法数据处理中的应用5.基于广义S变换时频滤波的MT数据去噪
因版权原因，仅展示原文概要，查看原文内容请购买。
基于时频分析的雷达线性调频信号处理方法
王娜
【期刊名称】《科技风》
【年(卷),期】2010(000)003
【摘要】本文在阐述几种不同时频分布基本原理的基础上,针对LFM的时频(时间-瞬时频率)特征展开研究,利用线性时频表示方法和二次型时频分布来分析LFM的时频特征,结论发现二次型时频分布的时频分辨率优于时频表示方法.
【总页数】2页(P207,214)
【作者】王娜
【作者单位】武警工程学院基础部,陕西西安,710086
【正文语种】中文
【相关文献】
1.基于自适应线性调频小波的多孔孔板气液两相流动态差压信号的时频分析研究[J], 陈飞;孙斌
2.基于分数阶域瞬时频率估计的线性调频引信测距性能分析 [J], 陶艳;郝新红;岳凯;孔志杰
3.基于时频分析的自混合干涉信号处理方法研究 [J], 刘盛刚;李泽仁;刘乔
4.基于多窗口时频重排的非线性调频信号时频结构分析方法 [J], 范树凯;于凤芹;李玉
5.线性调频雷达信号的时频分析 [J], 许建斌
因版权原因，仅展示原文概要，查看原文内容请购买。
基于非负矩阵分解与主元分析的时频图像识别方法研究
李宏坤;陈禹臻;张志新;周帅
【期刊名称】《振动与冲击》
【年(卷),期】2012(000)018
【摘要】应用非负矩阵分解与主元分析对时频图像处理，在此基础上进行设备状态识别。
论述了对振动信号应用Hilbert谱构建二维时频图像，并用非负矩阵分解对时频图像构造特征向量，应用主元分析对提取的特征向量进行了降维处理，并在三维坐标系中进行表示和状态识别。
以滚动轴承不同状态的识别为例，验证方法的有效性。
研究表明此方法能够提高设备状态识别的准确性，有利于设备故障诊断的发展。
【总页数】4页(P169-172)
【作者】李宏坤;陈禹臻;张志新;周帅
【作者单位】大连理工大学机械工程学院,大连 116023; 大连理工大学工业装备结构分析国家重点实验室,大连 116023;大连理工大学机械工程学院,大连 116023;大连理工大学机械工程学院,大连 116023;大连理工大学机械工程学院,大连116023
【正文语种】中文
【中图分类】TN911;TH113
【相关文献】
1.基于小波包时频相平面图及局部非负矩阵分解的内燃机故障诊断研究 [J], 李永香;牟伟杰;董峰;周国庆;雷鹏;李虎雨
2.基于稀疏性非负矩阵分解和支持向量机的时频图像识别 [J], 蔡蕾;朱永生
3.基于主元分析的人耳图像识别方法 [J], 张海军;穆志纯;张克君;张成阳
4.基于主元分析和径向基神经网络的人脸图像识别 [J], 翁坚毅
5.基于2维非负矩阵分解的时频图像压缩在柴油机故障诊断中的应用 [J], 史润泽;李兵
因版权原因，仅展示原文概要，查看原文内容请购买。
融合小波分解与时频分析的单通道振动信号盲分离方法孟 宗1,2王晓燕1 马 钊11.河北省测试计量技术及仪器重点实验室(燕山大学),秦皇岛,0660042.国家冷轧板带装备及工艺工程技术研究中心,秦皇岛,066004摘要:针对单通道振动信号盲源分离是一个病态问题,且传统的振动信号盲源分离方法往往忽略信号的非平稳性的问题,提出了一种融合小波分解与时频分析的单通道振动信号盲源分离方法㊂首先利用小波分解与重构将单通道信号转化为多通道信号,解决了盲源分离的欠定问题;然后利用基于时频分析的盲源分离算法分析非平稳信号,得到源信号的估计信号,实现了非平稳信号盲源分离㊂仿真和实验结果表明,该方法可以有效地解决单通道非平稳振动信号的盲源分离问题㊂关键词:盲源分离;小波分解;时频分析;故障诊断中图分类号:T N 911.7 D O I :10.3969/j.i s s n .1004‐132X.2015.20.010S i n g l e ‐c h a n n e l V i b r a t i o n S i g n a l S e p a r a t i o n b y C o m b i n i n g W a v e l e t D e c o m p o s i t i o nw i t hT i m e ‐f r e q u e n c y A n a l ys i s M e n g Z o n g 1,2 W a n g X i a o ya n 1 M aZ h a o 11.K e y L a b o r a t o r y o fM e a s u r e m e n tT e c h n o l o g y an d I n s t r u m e n t a t i o no f H e b e i P r o v i n c e (Y a n s h a nU n i v e r s i t y ),Q i n h u a n gd a o ,He b e i ,0660042.N a t i o n a l E n g i n e e r i n g R e s e a r c hC e n t e rf o rE q u i pm e n t a n d T e c h n o l o g y o fC o l dR o l l i n g S t r i p ,Q i n h u a n gd a o ,He b e i ,066004A b s t r a c t :S i n g l e ‐c h a n n e lm e c h a n i c a l v i b r a t i o ns i g n a l ‐s e pa r a t i o n i s a n i l l ‐c o n d i t i o n e d p r ob l e m ,a n d i n t r a d i t i o n a lm e t h o d s ,t h e b l i n d s o u rc e s e p a r a t i o n o f v i b r a t i o n s i g n a l s o f t e n i g n o r e s t h e n o n s t a t i o n a r i -t y .F o r t h i sr e a s o n ,a m e t h o do ns i n g l e ‐c h a n n e lv i b r a t i o ns i g n a ls e p a r a t i o n w a s p r o po s e db a s e do n w a v e l e t d e c o m p o s i t i o n a n dT F A.T h em e t h o d f i r s t l y u s e dw a v e l e t d e c o m po s i t i o n a n d r e c o n s t r u c t i o n t o m a k e t h e s i n g l e ‐c h a n n e l s i g n a l s i n t o m u l t i ‐c h a n n e l s i g n a l s ,s o l v i n g th e p r o b l e m o fu n d e r d e t e r m i n e d b l i n d s o u r c e s e p a r a t i o n ;S e c o n d l y ,b a s e d o n t i m e ‐f r e q u e n c y a n a l y s i s B S Sw a s u s e d t o e f f e c t i v e l y a n a l yz e t h en o n -s t a t i o n a r y s i g n a l s ,t h e nt h ee s t i m a t i o ns o u r c es i g n a l sw e r eo b t a i n e d ,a c h i e v i n g bl i n ds o u r c e s e p a r a t i o no f n o n ‐s t a t i o n a r y s i g n a l s .S i m u l a t i o na n de x p e r i m e n t a l r e s u l t sv e r t i f y th ee f f e c t i v e n e s so f t h i sm e t h o d ,a n d s h o wt h em e t h o dc a ns o l v e t h e p r o b l e mo fB S So f n o n s t a t i o n a r y s i n g l e ‐c h a n n e l v i -b r a t i o n s i gn a l s .K e y wo r d s :b l i n d s o u r c e s e p a r a t i o n (B S S );w a v e l e t d e c o m p o s i t i o n ;t i m e ‐f r e q u e n c y a n a l y s i s (T F A );f a u l t d i a gn o s i s 收稿日期:20140928基金项目:国家自然科学基金资助项目(51575472,51105323);河北省自然科学基金资助项目(E 2015203356);河北省高等学校科学研究计划重点资助项目(Z D 2015049)0 引言盲源分离(b l i n ds o u r c es e pa r a t i o n ,B S S )[1]对源信号的先验知识要求很少,但是盲源分离要满足一些基本条件,如源信号数不多于观测信号数,源信号是非高斯㊁平稳且相互统计独立的㊂在实际中,通常希望用较少的传感器获得更多的设备状态信息,因此,欠定的盲源分离甚至单通道混合信号的盲源分离普遍存在于机械故障诊断中㊂申永军等[2]通过G a b o r 变换与逆变换,实现了混合信号升维,进而实现正定盲源分离;毋文峰等[3]针对单通道问题,提出了基于经验模式分解的盲源分离方法;李志农等[4]结合局域均值分解和盲源分离的特点,提出了一种基于局域均值分解的欠定盲源分离方法;李晓晖等[5]针对一维观测矩阵的极度欠定盲源分离模型,利用总体经验模式分解的优势解决了欠定的盲源分离问题㊂实际机械设备中,振动信号往往表现为非平稳的,有必要借助时频分析(t i m e ‐f r e q u e n c y a n a l -ys i s ,T F A )的优点,将盲源分离拓展到时频域[6‐9]㊂针对这种机械振动信号具有欠定性,且不能忽略信号的非平稳性的盲源分离情况,本文提出了融合小波分解与时频分析的单通道盲源分离方法㊂该方法利用小波分解与重构实现信号的升维,重构观测信号;对重构后的观测信号进行基于时频分析的盲源分离,得到了源信号的估计信号㊂1 基于时频分析的盲源分离考虑到机械故障信号的非平稳性,其频谱特性是随时间而变化的,而时频分析是分析非平稳信号的重要工具[10]㊂本文充分利用时频分析和盲源分离的优点[11],对机械振动信号进行分离处㊃1572㊃融合小波分解与时频分析的单通道振动信号盲分离方法孟 宗 王晓燕 马 钊Copyright ©博看网. All Rights Reserved.理㊂基于时频分析的盲源分离主要包括以下两部分㊂(1)对观测信号进行白化处理㊂考虑无噪声干扰的瞬时混合的盲源分离问题,m维观测向量x(t)为x(t)=A s(t)(1) x(t)=(x1(t),x2(t), ,x m(t))Ts(t)=(s1(t),s2(t), ,s n(t))T其中,s(t)是n维未知的相互独立源信号,且m≥n;A是一个未知的混合矩阵㊂定义观测信号x(t)的自相关矩阵为R x=E[x(t)x(t)*]其中,上标*表示复共轭,对R x进行特征值分解得到其特征值和相应的特征向量,n个最大的特征值和相应的特征向量分别用λ1,λ2, ,λn和h1,h2, ,h n表示㊂假设受到的干扰为白噪声,则噪声方差σ2的估计是R x的m-n个最小特征值的平均值㊂白化信号z(t)=(z1(t),z2(t), , z n(t))T可由下式得到:z i(t)=(λi-σ2)-1/2h*i x(t)i=1,2, ,n白化矩阵W为W=[(λ1-σ2)-1/2h1(λ2-σ2)-1/2h2(λn-σ2)-1/2h n]H其中,上标H表示复共轭转置㊂对式(1)左乘一个白化矩阵W,得到白化后的观测信号:z(t)=W x(t)=W A s(t)=U s(t)(2)由式(2)可以看出,白化信号是源信号的一个 酉矩阵混合”㊂(2)矩阵联合对角化㊂同时对式(1)左右两端进行时频变换,得到源信号与观测信号的时频分布矩阵的关系:D x x(t,f)=A D s s(t,f)A H其中,D s s(t,f)为源信号的时频分布;D x x(t,f)为观测信号的时频分布㊂将D x x(t,f)左右分别乘以W,得到白化的时频分布矩阵:D z z(t,f)=W A D s s(t,f)A H W H=U D s s(t,f)U H得到白化矩阵W和酉矩阵U后,则源信号的估计信号为^s=U H W x(t)(3)其中,时频分析采用平滑伪W i g n e r‐V i l l e分布㊂2 融合小波分解与时频分析的单通道盲源分离对单通道振动观测信号进行小波分解与重构,使得盲源分离的观测信号数目大于或等于源信号数目,满足盲源分离的基本假设条件㊂结合小波分解与基于时频分析的盲源分离方法,不仅可以处理欠定的振动信号,而且可以有效地分析非平稳信号㊂单通道信号盲源分离的分离过程如图1所示㊂图1 单通道盲源分离过程具体分解步骤如下:(1)x(t)是从传感器获得的单通道观测信号,对x(t)进行小波分解,得到小波分解的低频系数c A1与高频系数c D1㊂(2)利用小波系数进行信号的重构,得到新的多维观测信号x,x i,0,x i,1,x i-1,1, ,x i-n+1,1㊂(3)对新的多维观测信号进行奇异值分解,利用贝叶斯准则进行源数估计,得到源信号的数目㊂(4)从新的观测信号中选取与源信号数目相同的维数的观测信号,构成新的观测信号㊂(5)对观测信号进行白化处理,得到白化矩阵W以及白化后的观测信号㊂(6)计算白化后数据的时频分布,采用平滑伪W i g n e r‐V i l l e分布㊂(7)联合对角化时频分布,得到酉矩阵U㊂(8)根据式(3)估计出源信号㊂3 仿真旋转机械有两个至关重要的组成部分,即轴承和齿轮㊂当轴承发生故障时,因为受力不均匀会引发振动信号的幅值调制;齿轮是用来传递力的,当齿轮发生故障时,由于承载的不对称性,将会出现啮合频率调制现象㊂轴承和齿轮的振动信号可分别对应信号的调幅㊁调频现象㊂融合小波分解与时频分析的盲源分离方法将欠定盲源分离转化为正定盲源分离,再利用时频分析的优势,充分描述了非平稳信号㊂对于非平稳信号的欠定盲源分离问题,该方法可以很好地分离出估计源信号㊂据此仿真3个振动源信号s1㊁s2㊁s3:s1=s i n2πf3t+s i n2πf2ts2=(1+0.95s i n2πf1t)c o s2πf4ts3=(1+0.95s i n2πf2t)s i n2πf5}t㊃2572㊃中国机械工程第26卷第20期2015年10月下半月Copyright©博看网. All Rights Reserved.其中,f 1=100H z ,f 2=150H z ,f 3=180H z ,f4=500H z ,f 5=1000H z ,仿真获得相应的3个源信号的波形,如图2所示㊂(a)源信号1波形(b)源信号2波形(c)源信号3波形图2 源信号时域波形取随机混合矩阵A =0.78980.59460.40600.15890.52890.éëêêùûúú7894根据式(1),采用线性混合的方法,将这3个源信号混合后得到两个混合信号㊂为了验证本文方法可以有效地解决单通道盲源分离问题,假设在盲源分离应用中,由于监测条件的限制,仅仅监测到了一路观测信号,所以从两个混合信号中选取一个,其波形图见图3,将选取的图3所示的信号作为实验的单通道观测信号,对其进行分析㊁验证㊂图3 单通道混合信号时域波形利用小波分解方法对该单通道混合信号进行分解,得到一系列不同频率的子带信号,从中选择2个信号与原混合信号构成新的观测信号,如图4所示,使得观测信号的数目与源信号的数目相同(均为3个),从而使得盲源分离的问题由欠定转换为正定㊂采用传统的盲源分离方法对新的观测信号进行分离,如J A D E 算法,得到的分离结果如图5(a)新观测信号1波形(b)新观测信号2波形(c)新观测信号3波形图4 新观测信号时域波形所示㊂对比图5与图2可以看出,J A D E 分离的3个估计信号与源信号的排列顺序发生了变化,每个源信号相对应的估计信号的波形不平滑,有毛刺并且有明显的变形,显然,传统J A D E 算法分离得到的估计信号效果很不理想㊂(a)估计信号1波形(b)估计信号2波形(c)估计信号3波形图5 J A D E 分离估计信号对于非平稳信号,其频谱特性是随着时间变化而变化的,而时频分析为分析非平稳信号提供了有力的工具,将时频分析与盲源分离相结合,利用各自的优点进行分离㊂对新的观测信号进行平㊃3572㊃融合小波分解与时频分析的单通道振动信号盲分离方法孟 宗 王晓燕 马 钊Copyright ©博看网. All Rights Reserved.滑伪W i gn e r ‐V i l l e 变换,得到相应的时频分布,如图6所示㊂(a)新观测信号1时频分布(b)新观测信号2时频分布(c)新观测信号3时频分布图6 观测信号的时频分布从图6可以清楚地看到每个观测信号中相应的归一化频率㊂对于非平稳振动信号,采用传统的盲源分离方法得不到很好的分离效果㊂所以,采用基于时频分析的盲源分离(T F A ‐B S S )方法对上述新的观测信号进行分离,分离结果如图7(a)新观测信号1分离结果(b)新观测信号2分离结果(c)新观测信号3分离结果图7 T F A ‐BS S 方法分离结果所示㊂对比图2和图7可知,源信号得到了很好的恢复,波形也得到了很好的保持㊂对比不同的分离方法得到的结果,利用相似系数作为评价分离指标,结果见表1㊂表1中,s i 表示源信号,y i 表示估计源信号,i =1,2,3㊂相似系数越接近1,则分离效果越好,从表1可发现,小波分解满足盲源分离的正定条件后,采用基于时频分析的盲源分离算法比直接使用J A D E 算法得到的分离结果效果更好㊂表1 分离结果评价指标相似系数δs 1,y 1δs 2,y 2δs 3,y 3T F A ‐B S S0.91980.87640.9930J A D E0.90240.61990.71854 实验实验以美国西储大学的滚动轴承点蚀故障数据为研究对象㊂在轴承故障实验中,使用电火花加工技术在轴承内圈㊁外圈上均布置了单点故障㊂电机转速为1797r /m i n,故障直径为0.1778mm ,滚珠个数是9,振动信号的采样频率为12k H z㊂轴承出现内圈故障或外圈故障时,滚动体每次通过故障点都会产生一个周期性的冲击信号,内圈故障频率为fi n n =r 60m 2(1+dD c o s α)外圈故障频率为f ou t =r 60m 2(1-dDc o s α)式中,r 为电机转速;m 为滚珠个数;d 为滚动体直径,d =7.9mm ;D 为轴承节径,D =39mm ;α为接触角,α=0㊂经计算可得,轴承的内圈故障频率理论值为162.1H z ,轴承的外圈故障频率理论值为107.5H z㊂为了验证本文方法的有效性和可行性,将实验中的内圈故障信号和外圈故障信号通过一个2×2矩阵混合,得到两路混合观测信号,选择其中一路信号作为单通道观测信号,信号时域波形如图8所示㊂图8 单通道观测信号㊃4572㊃中国机械工程第26卷第20期2015年10月下半月Copyright ©博看网. All Rights Reserved.采用本文方法,首先对单通道信号进行进行小波分解,使观测信号升维,重构得到新的观测信号,满足了盲源分离的正定条件;然后利用T F A ‐B S S 方法对重构后的观测信号进行盲源分离,得到了盲源分离的估计信号的时域波形,如图9所示㊂(a)分离信号1时域图(b)分离信号2时域图图9 分离信号时域图仅从时域图中并不能确定轴承的故障类型㊂进一步对估计的源信号进行频域分析,其包络谱如图10所示㊂由图10可以看出,其中第一个包络谱图在105.5H z 和210.9H z 处分别出现了峰值,而轴承外圈故障频率的理论值为107.5H z ,105.5H z 与理论值107.5H z 非常接近,210.9H z 明显是对应二倍频处,有细微的波动,可能是因为实际环境中客观因素的影响,但是仍然可以断定105.5H z 对应着轴承的外圈故障特征频率㊂图10中第二个(a)分离信号1包络谱图(b)分离信号2包络谱图图10 分离信号包络谱图包络谱图在164.1H z 出现了峰值,而轴承内圈故障频率的理论值为162.1H z ,164.1H z 与理论值162.1H z 非常接近,可能是因为电机转速无法恒定在1797r /m i n ,而是在1797r /m i n 附近波动,可以断定164.1H z 对应着轴承的内圈故障特征频率㊂因此,可以初步判定,观测信号中混合有轴承内圈故障信号和外圈故障信号㊂5 结语针对实际机械故障诊断中,由于条件限制,源信号的数目往往大于传感器的数目,传统的盲源分离方法无法实现有效分离的难题,本文将小波分解与基于时频分析的盲源分离方法相结合,通过小波分解与重构,实现观测信号的升维,使观测信号数大于或等于源信号数,从而实现信号盲源分离,进一步将该方法应用于单通道的振动信号的盲源分离中,通过仿真和实验研究结果验证了该方法的有效性和可行性㊂实际机械故障中源信号的幅值和频率都是随时间变化的,是非平稳的,如果忽略非平稳性,则盲源分离效果极差,本文结合时频分析与盲源分离的优点,实现了非平稳信号的有效盲源分离㊂参考文献:[1] J u t t e nC ,H e r a u l t J .l i n dS e pa r a t i o no fS o u r c eP a r t I :a n A d a p t i v e A l g o r i t h m B a s e do n N e u r o m i m e t i c A r c h i t e c t u r e [J ].S i g n a l P r o c e s s i n g,1991,24:1‐10.[2] 申永军,张光明,杨绍普,等.基于G a b o r 变换的欠定盲信号分离新方法[J ].振动㊁测试与诊断,2011,31(3):309‐313.S h e nY o n g j u n ,Z h a n g G u a n g m i n g ,Y a n g S h a o pu ,e t a l .N e w M e t h o d f o rB l i n dS o u r c eS e p a r a t i o n i nU n -d e r ‐d e t e r m i n e d M i x t u r e s B a s e do n G a b o r T r a n s -f o r m [J ].J o u r n a l o fV i b r a t i o n ,M e a s u r e m e n t&D i -a gn o s i s ,2011,31(3):309‐313.[3] 毋文峰,陈小虎,苏勋家.基于经验模式分解的单通道机械信号盲分离[J ].机械工程学报,2011,47(4):12‐16.W u W e n f e n g ,C h e nX i a o h u ,S uX u n ji a .B l i n dS o u r c e S e p a r a t i o n o f S i n g l e ‐c h a n n e l M e c h a n i c a l S i g n a l B a s e d o nE m p i r i c a lM o d eD e c o m po s i t i o n [J ].J o u r n a l o fM e c h a n i c a l E n g i n e e r i n g ,2011,47(4):12‐16.[4] 李志农,刘卫兵,易小兵.基于局域均值分解的机械故障欠定盲源分离新方法[J ].机械工程学报,2011,47(7):97‐102.L i Z h i n o n g ,L i u W e i b i n g ,Y iX i a o b i n g .U n d e r d e t e r -m i n e dB l i n dS o u r c eS e pa r a t i o n M e t h o do f M a c h i n e F a u l t sB a s e d o n L o c a l M e a n D e c o m po s i t i o n [J ].J o u r n a l o fM e c h a n i c a lE n g i n e e r i n g,2011,47(7):97‐102.㊃5572㊃融合小波分解与时频分析的单通道振动信号盲分离方法孟 宗 王晓燕 马 钊Copyright ©博看网. All Rights Reserved.[5] 李晓晖,傅攀.基于E E M D的单通道盲源分离在轴承故障诊断中的应用[J].中国机械工程,2014,25(7):924‐930.L iX i a o h u i,F u P a n.A p p l i c a t i o no fS i g n a l‐c h a n n e lB l i n dS o u r c eS e p a r a t i o nB a s e do nE E M Di nB e a r i n gF a u l tD i a g n o s i s[J].C h i n a M e c h a n i c a lE n g i n e e r i n g,2014,25(7):924‐930.[6] 陈建国,王奉涛,朱泓,等.改进I C A与HH T在转子故障诊断上的应用[J].中国机械工程,2009,20(17):2059‐2062.C h e n J i a n g u o,W a n g F e n g t a o,Z h u H o n g,e t a l.A p-p l i c a t i o no f I m p r o v e d I C A&HH T i nF a u l t D i a g n o-s i so f R o t o r s[J].C h i n a M e c h a n i c a lE n g i n e e r i n g, 2009,20(17):2059‐2062.[7] 李强,付聪,江虹,等.融合经验模态分解与时频分析的单通道振动信号分离研究[J].振动与冲击, 2013,32(5):122‐126.L iQ i a n g,F uC o n g,J i a n g H o n g,e t a l.S i n g l e‐c h a n n e lV i b r a t i o nS i g n a l S e p a r a t i o nb y C o m b i n i n g E m p i r i c a lM o d eD e c o m p o s i t i o nw i t hT i m e‐f r e q u e n c y A n a l y s i s[J].J o u r n a lo fV i b r a t i o na n dS h o c k,2013,32(5): 122‐126.[8] 吴强,孔凡让,何清波,等.基于小波变换和I C A的滚动轴承早期故障诊断[J].中国机械工程,2012,23(7):835‐840.W uQ i a n g,K o n g F a n r a n g,H e Q i n g b o,e ta l.E a r l yF a u l tD i a g n o s i so fR o l l i n g E l e m e n tB e a r i n g sB a s e do n W a v e l e tT r a n s f o r ma n d I n d e p e n d e n tC o m p o n e n tA n a l y s i s[J].C h i n a M e c h a n i c a lE n g i n e e r i n g,2012,23(7):835‐840.[9] 张俊红,李林洁,马文朋,等.E M D-I C A联合降噪在滚动轴承故障诊断中的应用[J].中国机械工程, 2013,24(11):1468‐1472.Z h a n g J u n h o n g,L i L i n j i e,M aW e n p e n g,e t a l.A p p l i-c a t i o no fE M D‐I C At oF a u l tD i a g n o s i so fR o l l i n gB e a r i n g s[J].C h i n a M e c h a n i c a lE n g i n e e r i n g,2013,24(11):1468‐1472.[10] 向玲,唐贵基,胡爱军.旋转机械非平稳振动信号的时频分析比较[J].振动与冲击,2010,29(2):42‐45.X i a n g L i n g,T a n g G u i j i,H u A i j u n.V i b r a t i o nS i g-n a l’S T i m e‐f r e q u e n c y A n a l y s i sa n d C o m p a r i s o nf o r aR o t a t i ng M a chi n e r y[J].J o u r n a l o fV i b r a t i o na n dS h o c k,2010,29(2):42‐45.[11] 绍忍平,曹精明,李永龙.基于E M D小波阈值去噪和时频分析的齿轮故障模式识别与诊断[J].振动与冲击,2012,31(8):96‐101.S h a o R e n p i n g,C a oJ i n g m i n g,L i Y o n g l o n g.G e a rF a u l tP a t t e r nI d e n t i f i c a t i o n a n d D i a g n o s i s U s i n gT i m e‐f r e q u e n c y A n a l y s i sa n d W a v e l e tT h r e s h o l dD e n o i s i n g B a s e do nE M D[J].J o u r n a l o fV i b r a t i o na n dS h o c k,2012,31(8):96‐101.(编辑 陈 勇)作者简介:孟 宗,男,1977年生㊂燕山大学电气工程学院教授㊁博士㊂主要研究方向为机械设备监测与故障诊断㊁动力学建模㊁信号检测与处理等㊂王晓燕,女,1988年生㊂燕山大学电气工程学院硕士研究生㊂马 钊,男,1989年出生㊂燕山大学电气工程学院硕士研究生㊂(上接第2750页)Z h a n g X i a o m i n g,F e n g P i n g,H eY u e h u i,e t a l.E f f e c to fC a r b o nC o n t e n to nt h e M i c r o s t r u c t u r ea n d M e-c h a n i c a l P r o p e r t i e s o fT i(C,N)‐b a s e dC e r m e t s[J].C e m e n t e dC a r b i d e,2009,26(1):48‐54.[11] 关世瑛.T i N薄膜厚度对耐磨性影响的研究[J].哈尔滨理工大学学报,2003,8(3):114‐116.G u a nS h i Y i n g.E f f e c t so ft h e T h i c k n e s s o f T i NF i l m s o n W e a r R e s i s t a n c e[J].J o u r n a l H a r b i nU n i v.S c i.&T e c h.,2003,8(3):114‐116. [12] 李超,杜建华,韩文政.聚乙二醇对纳米S i O2水悬浮液分散稳定性的影响[J].装甲兵工程学院学报,2007,6(3)74‐77.L i C h a o,D uJ i a n h u a,H a n W e n z h e n g.E f f e c t so fP o l y e t h y l e n eG l y c o lo nS t a b i l i t y o fN a n oS i l i c a i nA q u e o u sS u s p e n s i o n[J].J o u r n a lo f A c a d e m y o fA r m o r e dF o r c eE n g i n e e r i n g,2007,6(3):74‐77.[13] W uYY,T s u iW C,L i uTC.E x p e r i m e n t a l A n a l-y s i s o fT r i b o l o g i c a l P r o p e r t i e s o fL u b r i c aT i N O i l sw i t h N a n o P a r t i c l e A d d i t i v e s[J].W e a r,2007,262(7):819‐825.[14] C h i n a s‐C a s t i l l oF,S p i k e sH A.M e c h a n i s m o fA c-t i o no fC o l l o i d a lS o l i d D i s p e r s i o n s[J].J o u r n a lo fT r i b o l o g y,2003,125(3):552‐557.[15] R a p o p o r tL,L e s h c h i n s k y V,L v o v s k y M,e ta l.M e c h a n i s mo fF r i c t i o no fF u l l e r e n e s[J].I n d u s t r i a lL u b r i c a t i o na n dT r i b o l o g y,2002,54(4):171‐176.[16] 王东爱,刘美华,张书达,等.表面修饰的纳米金刚石微粒在润滑油中的抗磨减摩性[J].润滑与密封,2009,4(7):58‐61.W a n g D o n g a i,L i u M e i h u a,Z h a n g S h u d a,e t a l.R e-s e a r c ho nW e a rM e c h a n i s mf o rM o d i f i e dN a n o‐d i a-m o n dP o w d e r a sA d d i t i v e s i nL u b r i c a t i n g O i l s[J].L u b r i c a t i o nE n g i n e e r i n g,2009,4(7):58‐61.(编辑 陈 勇)作者简介:阮亭纲,男,1980年生㊂西南交通大学摩擦学研究所博士研究生㊂主要研究方向为纳米添加剂的自修复性㊂刘吉华,男,1988年生㊂西南交通大学摩擦学研究所博士研究生㊂谢先东,男,1990年生㊂西南交通大学摩擦学研究所硕士研究生㊂刘启跃,男,1964年生㊂西南交通大学摩擦学研究所教授㊁博士研究生导师㊂㊃6572㊃中国机械工程第26卷第20期2015年10月下半月Copyright©博看网. All Rights Reserved.。
融合小波分解与时频分析的单通道振动信号盲分离方法
孟宗;王晓燕;马钊
【期刊名称】《中国机械工程》
【年(卷),期】2015(000)020
【摘要】针对单通道振动信号盲源分离是一个病态问题，且传统的振动信号盲源分离方法往往忽略信号的非平稳性的问题，提出了一种融合小波分解与时频分析的单通道振动信号盲源分离方法。
首先利用小波分解与重构将单通道信号转化为多通道信号，解决了盲源分离的欠定问题；然后利用基于时频分析的盲源分离算法分析非平稳信号，得到源信号的估计信号，实现了非平稳信号盲源分离。
仿真和实验结果表明，该方法可以有效地解决单通道非平稳振动信号的盲源分离问题。
【总页数】6页(P2751-2756)
【作者】孟宗;王晓燕;马钊
【作者单位】河北省测试计量技术及仪器重点实验室燕山大学，秦皇岛，066004; 国家冷轧板带装备及工艺工程技术研究中心，秦皇岛，066004;河北省测试计量技术及仪器重点实验室燕山大学，秦皇岛，066004;河北省测试计量技术及仪器重点实验室燕山大学，秦皇岛，066004
【正文语种】中文
【中图分类】TN911.7
【相关文献】
1.基于时频滤波与EMD分解的单通道发动机振动信号盲源分离 [J], 孙宜权;张英堂;李志宁;程利军;李志伟
2.融合经验模态分解与时频分析的单通道振动信号分离研究 [J], 李强;付聪;江虹;彭先敏
3.基于小波分解的爆破振动信号RSPWVD二次型时频分析 [J], 赵明生;张建华;易长平
4.融合极点对称模态分解与时频分析的单通道振动信号盲分离方法 [J], 叶卫东;杨涛
5.基于小波分量奇异值分解的单通道盲分离算法 [J], 张纯;杨俊安;叶丰
因版权原因，仅展示原文概要，查看原文内容请购买。
基于时频单源点检测和聚类验证技术的欠定混合盲辨识算法王翔;黄知涛;任啸天;周一宇【摘要】针对欠定混合盲辨识问题,提出了一种基于时频单源点检测及聚类验证的盲辨识算法.检测各个源信号的时频单源点,利用奇异值分解的方法求解不同单源点集合对应的混合矢量,利用基于k均值的聚类验证技术完成源信号数目和混合矩阵的联合估计.算法放宽了已有方法对时频单源区域的假设,不需要假设信号存在时频单源区域,可以完成仅存在离散的时频单源点条件下的欠定混合盲辨识;同时克服了传统算法需要假设源信号个数已知的不足,可以有效地估计源信号数目.仿真结果验证了算法的有效性.【期刊名称】《国防科技大学学报》【年(卷),期】2013(035)002【总页数】6页(P69-74)【关键词】欠定混合;盲辨识;时频变换;单源点;源个数估计;聚类验证【作者】王翔;黄知涛;任啸天;周一宇【作者单位】国防科技大学电子科学与工程学院,湖南长沙410073;国防科技大学电子科学与工程学院,湖南长沙410073;国防科技大学电子科学与工程学院,湖南长沙410073;国防科技大学电子科学与工程学院,湖南长沙410073【正文语种】中文【中图分类】TN911盲源分离(Blind Source Separation，BSS)是信号处理的热点问题，广泛应用于语音识别，生物医学信号处理，通信信号处理等领域。
所谓“盲”是指源信号和混合过程事先是未知的。
在实际中，由于潜在的源信号个数未知而阵元数目有限，混合信号中源信号的数目往往大于阵元数目，此时盲分离被称为欠定盲分离(Underdetermined BSS，UBSS)。
目前，稀疏分量分析(Sparse Component Analysis，SCA)是解决欠定盲分离的主要方法。
SCA一般将盲分离分为两个步骤，首先完成混合矩阵的估计，再利用估计得到的混合矩阵完成源信号的估计，本文主要解决第一步，即欠定混合盲辨识问题。
针对欠定混合盲辨识问题，文献［1］提出了基于k均值聚类的盲辨识算法，对归一化后的观测数据进行聚类，聚类结果就是混合矩阵的估计。
