一种面向内容认证的文档图像半脆弱数字水印算法

提出了一种面向内容认证的文档图像半脆弱数字水印算法,该算法利用DCT变换域低频系数之间的关系生成水印信息,并将水印信息嵌入到矩阵的奇异值中,对文档图像进行认证时,不需要原始载体图像,也不需要额外存储水印信息,是一个完全的盲水印算法.实验表明,该算法具有较好的透明性,对JPEG有损压缩具有较好的鲁棒性;对剪切、替换等恶意篡改表现出脆弱性.该算法达到了半脆弱水印的基本要求,是一个安全且实用的半脆弱数字水印算法.     

混合型索穹顶结构体系的静动力性能研究

针对Geiger型和Levy型索穹顶结构存在的不足,提出几种混合型索穹顶结构形式,并采用二次奇异值分解法计算结构的初始预应力分布,进而分析比较几种索穹顶结构的静动力性能。分析结果表明：混合I型既可解决Levy型索穹顶结构中心杆件密集,节点设计难度大的问题,又具备其良好的静动力特性;混合Ⅲ型和混合Ⅳ型索穹顶结构的静动力力学性能优于Geiger型索穹顶,同时也不失Geiger型索穹顶构造简单,施工方便的特点。     

主成分分析法及其在数据降噪中的应用

为从含有噪声的采集信号中提取有用信号,确保飞行器试验结果数据的准确性,提出采用主成分分析提取有用信号的方法。阐述主成分分析的基本原理,分析主成分分析与奇异值分解SVD分析的区别与联系,给出采用Hankel矩阵和采用不重复排列矩阵的主成分对单列信号进行降噪处理的方法,并对无趋势信号、有趋势项信号和含冲击成分示例信号进行降噪设计。结果表明:主成分分析对无趋势信号、有趋势项信号具有很好的去除白噪声的效果,但不适用于含冲击成分信号的降噪,该方法可为相关领域信号分析提供参考。     

基于奇异值分解的非线性负荷谐波源定位方法

从电力部门运行和管理的角度出发,提出利用负荷的非线性特性定位谐波源及划分谐波责任的方法。该方法通过建立负荷时域等值模型,在不知道系统侧和用户侧负荷参数的情况下,利用公共连接点(PCC)上电压、电流的物理关系建立微分方程,求解负荷等值阻抗参数。根据辨识的负荷等值阻抗参数定位谐波源。采用奇异值分解(SVD)方法对采样的电压、电流数据进行分析,克服测量噪声及量测矩阵奇异的影响,提高参数辨识的精度。应用量化的负荷非线性度,进一步区分各谐波源的谐波责任。仿真表明,该方法简单可行,可准确定位谐波源,且不受背景谐波的影响。     

基于改进小波系数奇异值分解和小波去噪的低频振荡时变模式辨识

提出了一种基于连续小波变换(continuous walelet t r a n s f o r m , C W T )和奇异值分解( s i n g u l a r v a l u e decomposition,SVD)相结合的提升小波系数 SVD 辨识信号振荡频率和模式信息提取及信号去噪的新方法.克服了噪声较大或者密集模态时,小波脊线不清晰甚至会出现混叠和交叉难以提取频率的情况,根据提升的小波系数奇异值分解频率向量识别各阶振荡模式的频率.同时选用小波能量系数来识别主导振荡模式,用小波软阈值去噪和 SVD 分解后矩阵重构来进行信号去噪.CWT 可以处理含时变振荡模式的低频振荡信号,且对模式参数具有较高的辨识精度.仿真算例验证了算法的有效性和适用性     

重型燃气轮机状态能观度分析及其在故障诊断中的应用

不同能观度的测量模型对重型燃气轮机故障诊断精度影响很大,对测量模型的优劣进行定量评价有重要意义。针对现有系统状态能观度分析存在的不足,提出一种新的基于能观矩阵奇异值分解的状态能观度分析方法,该方法在系统状态处于不同数量级时也可以准确计算系统各个状态的能观度。利用提出的能观度分析方法,计算得到了重型燃气轮机在设计工况下各状态的能观度和各测量对各状态能观度的敏感度排序。利用强跟踪滤波器对两种能观度测量模型下重型燃气轮机压气机故障诊断进行仿真,结果验证了文中方法的正确性,该方法可以用于测量模型优劣的定量评价。     

基于一种超分辨率算法的 三维散射中心提取方法

针对转台-弧形导轨测量方法,在二维MEMP方法的基础上,提出一种适用于三维散射中心提取的超分辨率算法.该方法利用Hankel矩阵的结构特性,以及子空间不变技术等,实现对信号三维参数的正确估计,并且无需额外的配对步骤.对八个散射点组成的立方体模型的数值仿真表明,该算法可以正确估计信号参数对,并对噪声的鲁棒性较强.进一步将三维参数估计问题扩展到N维情况,给出了具有较普遍意义的N维参数估计公式.     

基于奇异值分解的基图像的人脸识别

研究了基于奇异值分解的人脸识别问题。首先证明了图像的大量信息主要体现在图像矩阵奇异值分解的前几个最大奇异值所对应的左、右奇异向量中,然后给出了模板图像的基图像,并将图像展开成基图像的线性表示,提取其组合系数作为图像的代数特征并用于人脸识别中。实验表明,较以投影系数向量为代数特征的人脸识别方法,该方法所需的运行时间明显降低,而且与基于奇异值向量作为图像特征的方法相比,该方法的识别精度明显提高。     

基于模极大值小波域和TLS-ESPRIT的振荡瞬态识别方法

对于电能质量扰动检测和定位中振荡瞬态的检测、识别,目前普遍采用的是时频特征矢量提取和智能模式识别方法,此类方法无法准确提取电能质量振荡瞬态信号不同频率分量的组成。结合模极大值小波域和总体最小二乘法旋转不变技术的信号参数估计(total least squares-estimation of signal parameters via rotational invariance techniques,TLS-ESPRIT)可以很好地实现振荡信号的检测与识别。对于输入信号,首先采用模极大值小波域检测振荡发生的起始时刻和终止时刻,然后利用振荡时间间隔内的信号建立观测空间矩阵,通过奇异值分解和总体最小二乘法实现特征值截尾,将采样信号观测空间分解为信号子空间和噪声子空间,得到振荡信号每个构成频率分量的相应参数。仿真结果证实了所提出方法的可行性。     

Data‐driven multiscale sparse representation for bearing fault diagnosis in wind turbine

With the increase of the wind turbine capacity, failures occur on the drivetrain of wind turbines frequently. Since faults of bearings in the wind turbine can lead to long downtime and even casualties, fault diagnosis of the drivetrain is very important to reduce the maintenance cost of the wind turbine and improve economic efficiency. However, the traditional diagnosis methods have difficulty in extracting the impulsive components from the vibration signal of the wind turbine because of heavy background noise and harmonic interference. In this paper, we propose a novel method based on data‐driven multiscale dictionary construction. Firstly, we achieve the useful atom through training the K‐means singular value decomposition (K‐SVD) model with a standard signal. Secondly, we deform the chosen atom into different shapes and construct the final dictionary. Thirdly, the constructed dictionary is used to sparsely represent the vibration signal, and orthogonal matching pursuit (OMP) is performed to extract the impulsive component. The proposed method is robust to harmonic interference and heavy background noise. Moreover, the effectiveness of the proposed method is validated by numerical simulation and two experimental cases including the bearing fault of the wind turbine generator in the field test. The overall results indicate that compared with traditional methods, the proposed method is able to extract the fault characteristics from the measured signals more efficiently.