基于多测量向量模式的周期非均匀采样研究

为了实现稀疏信号的有效采样与完整重构,结合多测量向量模式,提出了一种针对稀疏信号的周期非均匀采样与重构方法。根据周期非均匀采样需要多个采样通道的特点,利用联合子空间理论将采样与重构转换为矩阵向量运算。利用多测量向量确定非零行向量的位置参数并分析了多测量向量模式在周期非均匀采样系统中的完整重构条件并通过插值器实现信号完整重构,使其能在数字系统中应用。最后,分别从可完整重构概率和系统整体验证两个方面证明了该方法能够实现稀疏信号的采样与重构。     

高速模拟信号压缩采样实现

压缩传感理论能够有效地降低信号的采样频率,实现对稀疏信号的压缩采样。该文在信号延时多通道采样技术的基础上,提出了一种基于压缩传感理论的模拟信号采样实现方法,根据该采样模型构造了压缩传感测量矩阵。该采样模型能够以低于信号Nyquist频率的采样率对频域稀疏信号进行采样,通过最优化算法准确重构原始信号。仿真结果表明,基于压缩传感理论的模拟信号采样模型能够对频域稀疏信号进行压缩采样,该方法具有可行性。     

基于压缩感知的电能质量扰动信号分析

电能质量扰动信号是衡量电能质量的一个重要指标,因此对电能质量扰动信号进行准确检测是提高电能质量的前提。针对传统采样方法中采样数据量大、采样时间较长以及压缩复杂度高的问题,本文基于压缩感知理论对电能质量扰动信号进行重构,首先证明电能质量扰动信号的稀疏性满足压缩感知的必备条件;采用自适应测量矩阵对电能质量扰动信号数据进行压缩采样,同时,采用谱投影梯度实现了对电能质量扰动信号的精确重构。仿真结果表明,本文采用的压缩感知恢复算法不但可以降低采样数据量和压缩复杂度,其重构误差小,压缩性能指标比较好。     

Obtaining Prior Information for Ultrasonic Signal Reconstruction from FRI Sparse Sampling Data

超声信号FRI稀疏采样数据重构中先验信息的获取

宋寿鹏,倪英杰,邵勇华

（江苏大学 仪器科学与工程系,江苏 镇江 212013）

研究目的：

提供一种从超声信号采集的稀疏数据中重构原信号时,回波中脉冲数目获取方法。该方法可以从稀疏采样数据中直接求得脉冲串数目,避免信号重构时预先给出脉冲串数目带来的不足。

研究方法：

论文首先从理论上给出了根据稀疏采样数据获取脉冲数目的方法,然后分析了噪声对该方法的影响,并给出了解决方法,最后通过仿真和实际测试验证了提出方法的有效性。当从超声信号中获取到稀疏采样数据后,将这些稀疏数据转换成离散傅立叶系数,形成Hankel矩阵,实施SVD分解,去除由于噪声产生的分解系数后,剩余的分解系数即为脉冲数目。

结果：

提出一种从超声信号FRI稀疏采样数据中直接估算脉冲串数目的方法,仿真实验分析了噪声水平阈值因子的影响,给出了实验中选取该因子的经验公式。实验结果表明该方法有效可行。

结论：

该方法可有效解决目前利用FRI稀疏采样数据重构信号时人为给定脉冲串数目的弊端,不需要先验脉冲宽度信息,可通过稀疏数据的离散傅立叶变换、构建汉克尔矩阵及奇异值分解得到脉冲串的数目。信号中噪声的影响可有效消除,可用于实际中脉冲超声检测信号的稀疏采样与重构。

关键词：FRI;超声信号;稀疏采样;信号重构;先验信息

     

基于压缩感知的微波暗室稀疏阵列RMA成像

稀疏阵列天线可有效降低微波成像系统规模和处理复杂度,但成像过程中,方位孔径数据采样率无法满足Nyquist采样定律要求时,将导致成像结果模糊或者混叠。对此,提出一种基于压缩感知理论的微波暗室稀疏阵列RMA成像算法。首先在微波暗室中搭建稀疏阵列天线成像模型,其次将方位向稀疏采样回波数据进行幅度校正和相位误差补偿,然后通过压缩感知理论进行回波信号的高精度重构,最终完成RMA成像。该算法实现以较大的空间采样间隔的稀疏阵列RMA高分辨成像,并利用微波暗室实测数据验证了所提算法的可行性和有效性。     

最小L1范数实现周期非均匀采样与重构研究

根据周期非均匀采样需要多个采样通道的特点,利用联合子空间理论将采样与重构转换为矩阵向量运算。结合最小L1范数算法,提出了一种针对稀疏信号的周期非均匀采样与重构方法,分析了最小L1范数算法在周期非均匀采样系统中的完整重构条件。最后,以多带正弦信号为例,分别从可完整重构概率和系统整体验证两个方面证明了该方法能够实现稀疏信号的采样与重构。     

基于频谱估计的频域稀疏压缩采样信号重构

压缩采样理论突破了采样定理对稀疏信号采样频率的限制,在保证信号重构精度的条件下能够显著降低采样频率,能够在采样过程中对数据进行压缩。在频域稀疏信号的压缩采样中,由于所处理数据长度的有限性,存在频谱泄漏现象,即稀疏表示基失配,从而导致信号重构性能降低。为克服这种表示基失配引起的重构误差,提出一种基于频谱估计的频域稀疏压缩采样信号重构算法。该算法采用root-MUSIC算法对被测信号的表示基进行自适应地构造:用root-MUSIC算法对频率进行估计,用自适应的基向量构造稀疏表示基矩阵。通过实验对该重构算法的可行性进行验证。与传统信号重构算法相比,该重构算法具有更高的信号重构精度。     

基于压缩传感的高精度同步相量测量方法

为了消除或减小采用GPS定时的同步相量测量中非精确同步采样所造成的测量误差,提出一种基于压缩传感理论修正离散傅里叶变换估计结果的高精度同步相量测量算法。该算法利用离散傅里叶变换对测量信号进行稀疏化,并采用狄利克雷矩阵为观测矩阵,通过压缩传感重构算法重构测量信号。仿真结果表明:与传统离散傅里叶变换方法相比,该算法在不需要延长测量时间的条件下能够有效消除或减小频谱泄露等误差,并在很大程度上提高了信号的相量测量精度。     

基于粗糙集理论的数控机床智能故障诊断研究

面向数控机床智能化发展需求,提出了基于数据挖掘技术的智能故障诊断方法.建立机床智能诊断单元的系统框架,框架由状态监控及特征信号采集、历史故障数据分析及诊断规则获取、故障推理机制3个功能模块组成.重点研究诊断规则的获取技术,提出了基于粗糙集理论的故障诊断决策规则生成算法.算法充分利用信息决策系统的特性,通过简化对不必要属性和核心属性的分析,并引入回溯思想计算约简集,有效降低了属性集约简的计算复杂度,提高规则求取效率.在建立规则库的基础上,引入基于证据理论的信息融合技术,解决多传感器故障监测数据与诊断规则准确匹配的问题,建立故障推理机制.实例研究证明该方法可行.     

基于互相似性度量的航空电源系统故障诊断

工业测量中的数据丢失会导致被测信号序列采样数据的缺失,进一步使得重构波形的局部特征与实际信号出现差异。该问题在稀疏数据点构成的信号序列中尤为严重,非完整信号序列将为航空电源系统的故障诊断带来挑战。针对该问题,提出一种基于电流宏观波形相似性度量的时域故障诊断方法。首先,监测航空电源系统三相输出电流并进行归一化处理;其次,根据正弦电流波形特征进行信号序列重构以消除三相相位差异;再次,采用动态时间规整算法对数据缺失的非等长信号序列进行补齐并使三相序列数据元素相匹配;继次,基于序列匹配关系构建电流波形绝对和相对相似度作为诊断变量;最后,K-近邻算法被用于故障模式的识别。经过验证与比较分析,所提方法能够基于数据缺失的稀疏信号序列,准确实现航空电源系统的开路故障诊断。     

空域抽样与相干因子融合的超声阵列自适应波束形成算法

针对超声成像中自适应波束形成算法计算效率低的问题,提出了一种基于空域抽样与相干因子融合的自适应波束形成算法。该方法通过分析阵列数据波束图,推导出不同阵元数目下的最大抽取因子,将阵列中所有阵元接收的数据按最大抽取因子进行空域等间隔抽样,得到阵元稀疏后的回波数据,减少了采集数据量。将空域抽样数据输入波束形成器,计算其协方差矩阵,再将协方差矩阵构造为Toeplitz矩阵,结合最小方差原理从构造的Toeplitz矩阵计算出抽样数据的自适应加权值,为了改善空域抽样数据自适应加权后成像质量下降的问题,引入相干因子对自适应加权值进行修正,以突出抽样数据中的有效信息,抑制干扰成份,从而提高了空域抽样数据的成像质量。该算法在保证成像质量的同时,减少了采集数据量,并降低了计算复杂度,有效提高了算法的时效性。通过在试块上对裂纹和横通孔缺陷仿真成像,结果表明该方法与常规最小方差波束形成方法相比,成像时间平均减少85%以上;与融合相干因子的最小方差波束形成算法相比成像运算时间平均减少86%以上。在相同的空域抽样条件下,该方法成像效果优于其他算法。     

基于分维处理的单通道阵列频率与角度联合估计

针对现有无源单通道阵列频率与角度联合估计算法的信号采样时间较长以及运算复杂度较高等问题,提出了分维处理的频率与角度联合估计算法.其信号采样数据由时域采样数据与空域采样数据构成,前者来自于对参考阵元的多次采样,后者来自各阵元.仅对时域采样数据进行处理即可得到各信源的频率估计值;然后基于空域采样数据以各频率估计值为搜索频率,估计出各频率对应的空间谱,再利用频率误差与角度误差的关系以及方向矢量与噪声子空间的正交性从各空间谱中提取出与各频率估计值对应的角度估计值.与已有算法相比,该算法采样时间较短,复杂度较低,且直接对采样信号进行处理,避免了信号失真.理论推导与仿真分析证明了该算法的有效性.     

A bearing fault diagnosis method based on sparse decomposition theory

The bearing fault information is often interfered or lost in the background noise after the vibration signal being transferred complicatedly, which will make it very difficult to extract fault features from the vibration signals. To avoid the problem in choosing and extracting the fault features in bearing fault diagnosing, a novelty fault diagnosis method based on sparse decomposition theory is proposed. Certain over-complete dictionaries are obtained by training, on which the bearing vibration signals corresponded to different states can be decomposed sparsely. The fault detection and state identification can be achieved based on the fact that the sparse representation errors of the signal on different dictionaries are different. The effects of the representation error threshold and the number of dictionary atoms used in signal decomposition to the fault diagnosis are analyzed. The effectiveness of the proposed method is validated with experimental bearing vibration signals.     

基于任意阵列结构的欠采样频率估计

针对电子战接收机对宽带信号频率的无模糊估计要求,提出基于任意阵列结构的欠采样频率估计算法。采用两个工作时间步长不等的控制开关,将各阵元接收信号依次接入两个独立的接收通道,并以小于Nyqist采样频率的速率对送入的信号进行采样,通过接收通道的时间相关运算及相应的频率解模糊算法实现频率的无模糊估计,最后给出了正确解模糊的条件。由于各信号的估计可以并行实现,该方法在一维搜索量小的优势下实现了同时多信号的频率估计,计算机仿真结果表明此方法测量精度较高,对噪声影响具有一定稳健性。     

时-空欠采样的信号频率和二维DOA估计

在空间信号时－空欠采样下，基于时延、四阶累积量和MUSIC算法提出了一种新的多空间信号频率和2－D到达方向分离估计方法。适当地选取时延和非均匀阵列阵元位置，该方法的信号频率和2－D到达方向估计无模糊。灵活地运用矢量Kronecker积估计信号数大于二阶技术。计算机模拟证实了其有效性。     

Study of Array Antenna Pattern Synthesis Based on Sparse Sensing

基于稀疏感知的阵列天线方向图综合技术研究

王停^1,2,董轶²,邵国峰²,王凡²

（1.河北工业大学 电子信息学院,天津 300401;

2.中国人民解放军93756部队,天津 300131）

中文摘要：

针对均匀阵列需要大量的阵元才能满足方向图指标要求的问题,本文基于稀疏感知理论提出稀疏阵列方向图综合的方法。首先,对稀疏感知理论中的信号复原方法OMP(Orthogonal Matching Pursuit)算法和EALM (Exact Augmented Lagrange Multiplier)算法进行改进,提出更高效的OMMP( Orthogonal Multi-Matching Pursuit)算法和SEALM(Semi-Exact Augmented Lagrange Multiplier)算法,然后将两种改进算法分别应用于线阵和平面阵方向图综合。两种算法均可以以非常少的阵元来实现要求的方向图。数值仿真验证了所提出两种合成方法的有效性和优越性。此外,与现有稀疏阵列综合方法相比,本文的方法更加稳健和准确,同时保持了易于实现的优点。

关键字：阵列天线;压缩感知;低秩恢复;精确拉格朗日乘子法

     

基于小波和神经网络的传感器故障诊断

提出了一种新的基于小波包变换和BP神经网络的传感器突变故障诊断方法。根据小波变换在时域和频域都具有良好的局部化特性对信号特征进行精确定位,根据传感器输出信号的小波包分析提取能量变化率的特征向量,利用BP神经网络进行传感器故障分类。这种方法无需预先建立传感器模型和测量传感器输入信号,通过对小波包系数的削减,减少了冗余数据,提高了故障检测的实时性。仿真实验结果表明了该方法的有效性。     

基于二维稀疏采样的HRRP合成及ISAR成像方法

在分析传统的线性调频(LFM)信号体制ISAR高分辨距离像(HRRP)合成及二维成像原理的基础上,结合压缩感知理论,提出了一种基于二维稀疏采样的高分辨距离像合成及ISAR成像方法。该方法对经过二维稀疏采样后的ISAR回波信号进行二维重构处理,在大幅降低LFM信号采样率、减少子脉冲个数的前提下,获得高质量的HRRP和二维ISAR像;为缓解数字信号处理机的采样负担、降低已方雷达信号的被截获概率奠定了基础。仿真实验证明了该方法的有效性和可行性,同时观察了其鲁棒性。     

基于小波理论的故障特征提取

在对齿轮进行故障诊断时,采样信号不可避免地受到各种噪声和干扰的污染,所测信号属于典型的非平稳信号.信号的降噪和特征提取是齿轮状态监测和故障诊断的关键环节.小波理论对于非平稳信号的处理非常有效.在MATLAB环境下,利用小波理论对减速器齿轮箱的采样数据进行去噪实验和分析,提取齿轮大周期故障的特征指标,为进一步进行故障诊断奠定基础.