EMD-Robust ICA在柴油机噪声源识别中的应用

为了有效地从复杂的单一通道噪声信号中分离和识别柴油机的噪声源,采用经验模态分解（EMD）和基于峭度的鲁棒性独立分量分析（RobustICA）相结合的方法,将EMD分解后的本征模态函数与原噪声信号作为RobustICA的输入,借助RobustICA良好的抗噪性,不需要对观测信号进行滤波处理就可以实现单一通道观测信号的源分量分离。模拟仿真的结果充分说明了该方法的可行性。应用于某四缸柴油机噪声信号分析,对分离出的独立分量进行小波（CWT）时频分析,结合内燃机的特性,从单一通道噪声信号中准确识别出柴油机的燃烧噪声和活塞敲击噪声。     

轮式装载机驾驶室噪声源分离和识别

为了改善装载机的噪声状况,提高产品的噪声分析技术水平及产品市场竞争力,采用鲁棒独立分量分析(RobustICA)的方法,对ZL50轮式装载机驾驶室噪声进行了声源识别的研究.主要采用RobustICA算法对测得的驾驶室噪声信号进行了盲源分离,得到一系列独立的噪声分量,利用连续小波变换和相干分析对分离得到的各独立分量进行了分析,时频分析和相干分析结果确定了分离得到的各独立分量和不同噪声源的对应关系.结果表明,采用该方法分离得到的独立分量分别对应着装载机的排气噪声和风扇噪声,且两者为司机耳旁噪声的主要成分.验证了鲁棒独立分量分析在声源分离和识别领域的优越性.     

独立分量分析在说话人识别技术中的应用

独立分量分析方法能够将线性混合信号进行分离,得到统计独立的源信号,能用于提取组合语音的特征基函数。倒谱矢量符合ICA变换的假设条件,用ICA方法对MFCC特征进行转换得到ICA特征基,继而用于说话人识别,建立了一个基于独立分量分析的说话人识别系统。实验结果表明,在噪声环境下此系统具有更高的识别率。     

基于独立分量分析与包络阶比分析的齿轮箱多振源特征提取

包络阶比分析是常用的旋转机械变速运行过程齿轮箱振动分析技术之一,但其易受干扰的影响而失效。独立分量分析是最近发展起来的一种混合信号按源分离方法,但其使用中通常要求传感器通道数目不少于独立振源数目,而齿轮箱中的独立振源数目一般并不能预先确定,因此直接应用独立分量分析方法往往并不能实现对混合信号的有效分离。本文提出了一种基于独立分量分析技术的包络阶比分析方法,其首先利用包络提取实现对原信号中振源数的降维,然后对包络波形进行阶比跟踪等角度采样,对等角度采样信号应用独立分量分析进行按源分离和包络阶比分析,提取出各振源的振动特征。仿真和试验分析结果验证了本方法的有效性。     

旋转机械阶比跟踪中的阶比交叠噪声消除

旋转机械的升/降速过程的阶比分析中测试数据容易受到阶比交叠噪声分量的干扰,使得分析结果失真甚至无意义.提出了对测试数据先用独立分量进行分解,将混合信号中的阶比分量和非阶比交叉噪声分离为不同独立信号分量,在此基础上再对分离出的阶比分量信号对应独立信号分量进行阶比跟踪分析,解决了阶比跟踪分析中的交叠噪声干扰问题.对Gabor阶比跟踪和独立分量分析的基本原理进行了简要介绍,在此基础上提出了本方法的实现方案,并在阶比分析中解决了独立分量分析具有的不确定性问题.通过仿真试验和实际测试对本方法的有效性进行了评价.     

基于ICA的多人脚步声信号分离和识别

独立分量分析方法能够将线性混合信号进行分离得到统计独立的源信号,能用于提取脚步声信号的特征基函数。倒谱矢量符合ICA变换的假设条件。用ICA方法对MFCC特征进行转换得到ICA特征基继而用于脚步声先好的分离。实验结果表明在噪声环境下此系统具有一定的识别率。     

基于相空间独立分量分析及峭度贡献系数的早期故障分析方法研究

独立分量分析方法在信号分析中具有振源分离的特点,但由于机械设备早期故障信号具有强背景噪声及振源复杂等特点,独立分量分析方法对于单通道强背景噪声信号中的早期故障检测也无法取得满意效果。因此提出相空间对独立分量方法对其进行振源分离及重构,获得早期故障成分较为集中的重构信号,进而提出了峭度贡献系数来提取重构信号的早期故障特征信息;在对于某挤压机变速箱轴承的早期故障信号应用中,此方法在强背景噪声下成功的提取了早期故障的特征信息,确定了早期故障发生的部件。上述实验证明,相空间独立分量分析及峭度贡献系数方法在早期故障检测方面提供了一个可行的研究方向。     

ICA在轴承声音信号预处理中的应用研究

在轴承状态监测与故障诊断过程中,所测得的声学信号,大多为轴承声音信号及电机噪声的瞬时混叠.对测得的混叠信号进行预处理并分离出需要的各源振动信号是轴承状态监测与故障诊断所要解决的一个关键性问题,这种分离问题属于独立分量分析的范畴.本文在分析了独立分量分析的基本原理的基础上,提出一种改进的ICA算法.该算法具有算法简单、分离速度较快的优点.实验结果表明利用独立分量分析有效地对轴承声音信号进行预处理,能成功地剔除电机噪声干扰信号.     

基于EEMD-Fast ICA-STFT的车用起动电机噪声源识别

提出基于集成经验模态分解(EEMD)、快速独立分量分析(Fast ICA)和短时傅里叶变换(STFT)的噪声源识别方法,对起动电机噪声信号进行声源识别研究。首先采用集成经验模态分解法将单一通道的电机噪声信号分解为一系列本征模态分量,随后用Fast ICA算法提取独立成分,最后利用短时傅里叶变换良好的时频分析特性,对Fast ICA分离结果进行时频分析,结合时频分析结果和电机噪声的先验知识,确定了各独立分量与电机不同噪声源的对应关系。     

自适应滤波在车用发电机噪声测试中的应用

介绍车用发电机噪声的测试方法和特点,应用自适应滤波方法对车用发电机试验过程中所测得的发电机噪声与试验台背景噪声的混合信号进行分离研究,同时与独立分量分析（ICA）方法进行了比较。实验结果表明,用自适应滤波的方法能很好地把发电机噪声和背景噪声分离开来,从而使发电机生产厂家不必为控制噪声测试过程中的背景噪声而对其发电机试验平台进行改造,有效地解决了其产品噪声测试的难题。     

基于独立分量分析的图像特征提取及泊松噪声去除

针对泊松噪声具有与信号相关和不一致性分布的特性,提出了一种基于独立成分分析(ICA)的软阈值滤波算法。泊松噪声对基于高阶统计量的ICA变换不敏感,其能量均匀分布在ICA域。首先将包含泊松噪声的图像变换到ICA域,然后再对图像独立成分进行软阈值滤波。该算法对图像和噪声具有自适应能力,在噪声去除和图像细节保留方面达到一个平衡。实验结果表明:该算法不仅可以有效去除图像中的泊松噪声和提高图像质量,而且具有良好的鲁棒性。     

基于独立分量分析的高速微铣削力混合信号噪声分离方法

为得到高速微铣削力的真实信号,并且准确识别各激励源,对微铣削力混合信号分离和识别技术进行研究。首先对铣削力混合信号矩阵进行预处理,利用对预处理结果的独立成分分析(ICA)分离得到独立源信号矩阵,再通过快速傅里叶变换(FFT)得到独立源信号的频谱,最后分析并结合实验工况识别出微铣削力信号、机械噪声信号和环境噪声信号。实验结果表明:该方法具有同时分离非高斯性的机械噪声信号和高斯性的环境噪声信号的优点,可以弥补传统方法只能抑制高斯噪声信号的不足。     

Cutting force denoising in micro-milling tool condition monitoring

An independent component analysis (ICA) algorithm for cutting force denoising was applied in micro-milling tool condition monitoring. In micro-milling, the comparatively small cutting force signal is prone to contamination by relatively large noise, and as a result it is important to denoise the force signal before further processing it. However, the traditional denoising methods, based on Gaussian noise assumption, lose here because the noise is identified as containing a high non-Gaussian component in the experiment. ICA was recently developed to deal with the blind source separation (BSS) problem. It solves the BSS problem by measuring the non-Gaussianity of the signal and it is particularly effective in the separation of non-Gaussian signals. This approach employs fixed-point ICA (FastICA), assuming the noises are sources and the force signal is an instantaneous mixture of sources and by treating the signal denoising process as a BSS. The results are illustrated both in time and frequency domains. The FastICA denoising performances are compared with the popular wavelet thresholding. The results show that FastICA performs better than wavelet. Theoretical discussion of the nature of ICA and wavelet thresholding supports the results: ICA separates both Gaussian and non-Gaussian noise sources, while wavelet only suppresses Gaussian noise.     

基于频域ICA的语音特征增强*

为了降低卷积噪声对语音特征所产生的影响,提高语音识别正确率,文章提出了一种基于频域ICA（Independent Component Analysis,独立分量分析）的语音特征增强算法。该算法首先使用频域ICA方法作对噪声进行估计,然后在倒谱域内将带噪语音信号的短时谱减去所估计噪声的短时谱,最后根据去噪后语音信号的短时谱计算美尔倒谱系数（MFCC）作为特征参数。在仿真和真实环境下的语音识别实验中,本文所提出的语音特征参数相比较传统的MFCC其识别正确率分别提升了38.2%和35.8%。实验结果表明本文所提算法能够较好地解决卷积噪声环境下训练与识别特征不匹配的问题,有效提高了语音识别系统的识别正确率。     

基于EEMD-ICA的脑电去噪算法研究

脑电信号(EEG)是脑神经细胞的电生理活动在大脑皮层的反映,但采集到的脑电信号一般都含有大量噪声。为了保留有效信息同时消除尽可能多的噪声,提出通过构造虚拟通道将集合经验模态分解与独立成分分析相结合的脑电信号去噪方法。首先,对脑电信号进行EEMD分解得到固有模态函数(IMF)分量,根据相关性准则筛选含噪声成分多的IMF分量构造虚拟通道进行ICA去噪;然后,将消噪后的结果与含信号成分多的IMF分量进行重构再次ICA去噪,得到最终去噪信号。为了验证EEMD-ICA去噪方法的有效性,以信噪比、均方根误差作为评价指标,将该方法与小波去噪法、EEMD去噪法、ICA去噪法进行比较,结果表明,EEMD-ICA去噪后的信噪比高于其它方法,均方根误差小于其它方法,综合分析该方法能更好地消除噪声。     

某军用柴油机噪声测试与分析

目的　识别某军用柴油机噪声源 .方法　采用频谱分析法对柴油机作噪声源识别 .结果　获得了柴油机噪声的频谱曲线 ,掌握了引起噪声的主要振动部位及原因 .结论　频谱分析法识别柴油机噪声源是有效的     

ICA和ANC技术在声脉冲无损检测中的应用

作为一种无损检测手段，声脉冲检测技术已被广泛应用于产品质量测试中，但是在工农业应用环境下，脉冲信号常常会被周围的噪声所干扰。尝试利用独立成分分析（ICA）和主动噪声控制技术（ANC）来降低这些干扰。在ICA方法中，将被测样本所激发的声脉冲响应、以及干扰噪声作为两个独立成分（IC），进行了分离实验；对于ANC系统，由于待抵消噪声中含有有用信号（声脉冲），所以该系统是一种特殊的、具有信噪比处理增益的有选择性噪声控制系统。文中分别对ICA和ANC技术做了简要介绍，并进行了声学实验，实验表明这两种方法都有较好的应用前景，同时也各有优缺点。     

基于频谱分析的挖掘机噪声特性研究

本文通过采集挖掘机柴油机排气噪声、消声器排气噪声、柴油机壳体辐射噪声和操作室内噪声的声压信号,分析了空载条件下噪声声压信号的频谱特性,给出了各噪声信号在不同柴油机转速下的A声级噪声值。得出结论：柴油机排出噪声覆盖高、中、低频段;各噪声频谱特征比较类似;共振导致怠速时的柴油机振动比较大;各噪声强度均随柴油机转速的提高而增大;噪声源以及消声器排出噪声的低频段声压比较大的频率均是柴油机转速基频的倍数。