基于SVD-形态降噪的TKEO故障诊断方法研究

针对强噪声干扰背景下微弱故障特征信息难以提取的问题,提出了一种基于奇异值分解(SVD)-形态降噪的Teager能量算子(TKEO)故障诊断方法.首先对轴承振动信号进行SVD,对得到的分量信号进行形态滤波,以滤除噪声干扰;然后利用峭度准则对分量信号进行筛选,并对其进行重构;最后利用TKEO计算重构信号的瞬时能量,得到信号的能量谱,提取振动信号的特征.将提出的方法应用于滚动轴承故障分析,结果表明该方法能清晰地提取故障特征信息.     

改进的潜在语义分析中文摘录方法

中文摘录是一种实现中文自动文摘的便捷方法,它根据摘录规则选取若干个原文句子直接组成摘要。通过优化输入矩阵和关键句子选取算法,提出了一种改进的潜在语义分析中文摘录方法。该方法首先基于向量空间模型构建多值输入矩阵;然后对输入矩阵进行潜在语义分析,并由此得出句子与潜在概念(主题信息的抽象表达)的语义相关度;最后借助改进的优选算法完成关键句子选取。实验结果显示,该方法准确率、召回率和F度量值的平均值分别为75.9%、71.8%和73.8%,与已有同类方法相比,改进后的方法实现了全程无监督且在整体效率上有较大提升,更具应用潜质。     

基于奇异值分解的Contourlet域稳健性数字水印算法*

提出了一种基于奇异值分解的Contourlet域数字水印算法。对置乱后的水印图像进行奇异值分解,在Contourlet域中选取合适的方向子带,利用得到的奇异值来调制系数矩阵,然后通过逆变换获取嵌入水印后的图像。在水印提取中只需要保存原始图像的奇异值,实现了水印的近似盲提取。最后,进行了一系列的攻击实验,证明了与传统小波域水印算法相比,该算法的不可见性和鲁棒性都有了较大的提高。     

OFDM系统中一种基于LMMSE的半盲信道估计算法

为克服信道冲激响应长度大于导频数时出现系统性能下降,适应存在大量多径的恶劣信道环境,本文对OFDM系统基于MLE的半盲信道估计算法进行了改进。该算法采用非均匀间隔导频排列方式以获得更小的系统均方误差。通过简化导频数提高了系统频带利用率,利用奇异值分解进一步简化了算法复杂度。仿真结果表明:如充分利用信道统计信息,在导频数目很少、信道长度很大和低信噪比时,本文提出的算法能够以较低复杂度实现精确的信道估计,从而验证了该算法的有效性和优越性。     

基于提升小波和奇异值分解的灰度水印算法*

以提升小波变换和奇异值分解的理论为基础,提出了一种新的基于LWT和SVD的灰度图像水印算法。该算法核心思想是先对载体图像进行分块;然后对每块二级LWT后的中高频带继续LWT;再对选取的各频带进行SVD,选取相应的奇异值组成新的矩阵,对新矩阵按规则分块,并再次SVD。通过两次分块、两次LWT和四重使用SVD构造矩阵的方法,有效地将抽取的奇异值重新分配和组合。最后将Logistic混沌置乱后的灰度水印信息加载到组合后的矩阵中。该算法以保证鲁棒性和透明性的良好平衡为前提,提高了嵌入的信息量。仿真实验表明,该算法     

基于DWT和SVD的鲁棒-脆弱双重图像水印算法

提出了一种基于DWT和SVD的鲁棒-脆弱双重图像水印算法。首先,对于鲁棒水印的嵌入,利用离散小波变换和奇异值分解,采用量化的方法将二值水印嵌入到原始图像中,水印的提取不需要原始图像。然后,在含鲁棒水印图像的空域LSB中嵌入脆弱水印,以减少脆弱水印对鲁棒水印的影响。实验证明,鲁棒水印具备较强的抗攻击能力,脆弱水印则对篡改敏感,并且能准确定位出篡改位置。两种水印的结合实现了对原始图像的双重保护。     

奇异值方法在极化滤波中的应用

多波多分量技术不断发展,对波场分离的精度要求也日益提高,极化滤波是分离波场的有效手段。本文通过奇异值方法对原有特征值构建的极化滤波器进行了改进,得到了效果更好的极化滤波器。     

相关系数SVD增强随机共振的单向阀故障诊断

针对大型往复式高压隔膜泵关键部件单向阀的磨损击穿故障通常遭受强噪声污染,故障难以检测的问题,从单向阀振动信号分析入手,提出一种相关系数SVD增强随机共振的单向阀故障诊断方法.该方法首先将含有噪声的单向阀振动信号进行奇异值分解（SVD）,然后利用相关系数法筛选出包含故障特征信息最多的分量信号,再将其输入到随机共振系统中进行处理,达到检测强噪声背景下单向阀磨损击穿故障的目的.仿真结果表明,提出方法解决了强噪声背景下故障特征提取困难的问题;实测数据表明,该方法能够有效检测单向阀磨损击穿故障.     

二维卷积非负矩阵分解的初值确定混合算法

为解决二维卷积非负矩阵分解算法存在初值敏感,且传统随机初始化确定的初始值容易使算法收敛到结果相对不好的局部最优值的问题,通过结合K均值聚类、奇异值分解和主成分分析方法,提出了一种适用于二维卷积非负矩阵分解初始值确定的混合算法.首先,利用K均值聚类方法得到聚类中心作为系数矩阵(H矩阵)的初始值,避开了传统初始化不确定系数矩阵带来的分解结果不唯一问题;其次,考虑到相比一维卷积非负矩阵分解算法,二维卷积非负矩阵分解算法的基矩阵(W矩阵)个数更多,利用奇异值分解和主成分分析方法交替产生基矩阵的初始值,克服了单个算法产生的初始化误差问题.在相同参数环境下将本文算法和现有初始化算法的分解收敛性能进行对比实验,结果表明本文算法相比其他同类算法具有更好的分解性能并具有更好的收敛性.进一步加入噪声进行实验,在白噪声为-1 dB～10 dB的不同信噪比环境下,本文算法均能快速实现信号的分离,对于噪声数据具有很强的鲁棒性.采用混合算法确定初值,更有利于实现二维卷积非负矩阵分解的实时性和高性能.     

短码、周期长码直扩信号伪码序列盲估计

针对短码、周期长码直扩信号在不同的时延下伪码序列估计问题,提出了一种基于奇异值分解的盲解扩算法.在已知信息码元速率和伪码周期条件的前提下,算法首先把接收到的直扩信号按照一定长度进行分段构成相关矩阵并对此矩阵进行奇异值分解得出信号子空间,然后根据信号子空间和伪码序列的模糊关系,利用求解的模糊酉矩阵和特定约束条件(如m序列)去其模糊性,最终估计出伪码序列.仿真结果表明,该算法不仅解决了在不同的时延下估计伪码序列带来的问题,而且具有稳定性高、在低信噪比条件下有良好的估计性能等优点.