基于S变换的自适应降噪方法

简要介绍S变换后的时频特征,提出一种新的基于S变换的自适应信号降噪方法.利用于S变换高质量的时频分布,在时频平面中设计自适应时频滤波器,用于非平稳信号中信号分量的提取,展示该方法在信号噪声抑噪和提高信噪比方面取得了满意的效果.在信号模型的仿真试验与齿轮箱的齿轮故障诊断中,显示该方法在信号提取和压制噪声的效果,且滤波后信噪比有较大提高.结果表明,该方法可以有效提取故障齿轮的故障特征,消除虚假成分的影响,从而提高齿轮故障诊断的准确性.     

基于广义S变换的沉积旋回分析方法研究

传统时频分析方法(如傅立叶变换、短时傅立叶变换、小波变换、S变换等)的时频分辨性均不佳,在实际应用中受到一些限制,难以满足高精度时频分析要求.广义S变换,引入λ和p两个参数对S变换进行了扩展,其时频分析效果得到较大提高.对广义S变换方法原理进行了深入研究,编写了广义S变换时频分析程序.通过非平稳线性调频信号和4种典型沉积旋回模型分析,证实了广义S变换的可靠性及优越性.最后,将该方法推广到实际地震资料沉积旋回分析中,取得了良好的效果.     

S变换在滚动轴承故障诊断上的应用

为了研究滚动轴承信号的非平稳特征,应用时频分析技术是一种较好的选择．研究了S变换,该方法是将短时傅里叶变换同小波变换结合起来发展的一种新算法．对多种时频分析方法进行了比较,得出S变换优于其他方法的一些特点,提出基于S变换的滚动轴承信号瞬态特征检测方法．结果表明,S变换能够以较高时频分辨率表示轴承振动中的非平稳特征,能反映出信号时频谱真实的物理意义,并且计算速度快．诊断结果验证了该方法可以用于滚动轴承的故障诊断．     

基于S变换的内燃机噪声信号时频特性

简述了S变换的基本原理,设计了仿真试验,对比分析短时Fourier变换与S变换的时频分析和信号检测能力.结果表明,S变换是一种更加有效的非稳态信号时频分析方法.以某六缸发动机为研究对象,采集机体前端和顶部噪声信号.采用S变换对噪声信号进行时频分析,分析信号能量在时频域内的分布规律及其频率成分随时间的变化情况,结合发动机的结构特点,分析噪声信号中比较突出的频率成分产生原因.S变换比较适合于发动机噪声信号时频特性研究,研究结果对发动机低噪声改进设计具有一定的参考价值.     

广义S变换在转子碰摩故障诊断中的应用

基于广义S变换在处理非平稳信号的独特优势,将广义S变换(GST)引入到转子碰摩故障诊断中,利用广义S变换来提取具有不同的严重程度的转子碰摩故障信号的谐波特征.仿真研究表明:与小波变换和标准S变换相比, GST可以通过改变参数以适应不同信号的分析需要,并且具有更高的时频分辨率.试验结果分析表明:该方法能够有效地揭示出碰摩故障数据的频率结构,区分碰摩故障的严重程度.     

基于时间重排多重同步压缩S变换的轴承故障诊断

状态监测信号中的冲击特征往往能够指示旋转机械的故障。为了准确提取振动信号中的冲击分量,提出一种新的时频分析方法—时间重排多重同步压缩S变换(time-reassigned multisynchrosqueezing S-transform, TMSSST)。首先对信号进行S变换得到一个相对模糊的时频分布(time-frequency representation, TFR);然后在时间方向对TFR进行能量重排,同时实施多次迭代以提高时频分布的可读性;最后引入一种脉冲提取算法用于降低信号中的噪声。所提方法结合了S变换自适应调节时频分辨率的优势和多重同步压缩能量集中度高的特性。模拟轴承故障信号和实验信号验证了所提方法在工程应用中的优越性和鲁棒性。     

时频表达在心音研究中的应用

心音是一种非平稳信号,用时频分析方法可以获得这种信号的一些重要的特征,为此提出了不同时频表达在心音研究中的几个性能指标：频谱的聚集度,时间包络的覆盖率、均方误差和规则性.基于这些指标比较了心音信号的短时傅立叶变换、连续小波变换、S变换、Wigner-Ville分布等时频表达的性能,并给出了具体应用的例子．     

基于反褶积广义S变换的地震频谱成像方法研究

当薄互层较发育时,利用地震资料对储层的含油气性进行预测存在较大的困难。因此,发展高精度的时频分析方法并将其应用于储层内的烃类检测具有重要意义。提出了基于反褶积广义S变换的新时频分析方法;该方法将信号的广义S变换谱与窗函数Wigner-Ville分布进行二维反褶积,可得到信号Wigner-Ville分布。通过数值模拟结果可知,该方法与传统的时频分析方法相比,不仅克服了传统时频方法采用固定时窗分析信号的局限,并且具有更高的时频分辨率。三维实际资料处理结果表明,相对于传统时频方法,该方法适用于非平稳的地震信号分析;在薄储层预测方面更具优势,进行烃类检测的可靠性也较高。     

基于分数低阶S变换时频的机械轴承故障特征提取

时频分布是机械滚动轴承故障信号的有效分析方法,特殊情况下的机械故障信号或噪声属于非高斯Alpha()稳定分布,传统的Stockwell变换（S变换）时频方法性能退化甚至失效。本文基于S变换时频和分数低阶矩提出了一种分数低阶S变换时频分布算法,为了减少计算量及在线及时分析信号,提出了一种快速分数低阶S变换时频算法。仿真结果表明,所提出的分数低阶S变换时频算法及其快速算法能很好的工作在高斯噪声和稳定分布噪声环境,性能优于已有的S变换时频。在实际应用中,所提出的时频算法能够较好的提取机械轴承故障信号的故障特征。     

基于GST的变速机械故障信号稀疏特征提取方法

为提取强噪声背景下的变速旋转机械设备的冲击故障特征,提出了一种基于广义S变换的稀疏特征提取方法.首先,通过多分辨率广义S变换（multiresolution generalized S-transform,MGST）搜索每次迭代过程中的最佳原子,多分辨率广义S变换可以得到信号不同尺度下的归一化时频谱,并从中找出能量最大值及其所对应的时频因子,根据故障冗余字典的构建模型可得到冲击成分的最佳匹配原子.其次,结合正交匹配追踪算法（orthogonal matching pursuit,OMP）,计算出信号在原子集合下的投影,由于采用了基于多分辨率广义S变换的原子搜索策略,大幅度提高了OMP的分解效率.最后,根据稀疏表示中第一个冲击信号的出现时刻,可依次计算出冲击信号在变速情况下的出现时刻理论值,通过与实测值的比较,实现变速机械的故障诊断.仿真和实例分析结果表明,该方法比传统OMP方法和广义S变换具有更高的计算效率和定位精度.      

基于改进S变换的语音信号时频分析

STFT分辨率固定,小波变换会出现局部相位信息且时间-尺度关系不适合直观视觉分析。提出基于改进S变换的语音信号时频分析。样条小波作为小波变换母小波乘以相位因子得到改进S变换,具有多分辨率和相位因子,并适合直观视觉分析。仿真实验得到的时频分布结构图与STFT、小波变换分布比较,显示改进S变换时频结构更加细致。     

时频域动态反褶积方法研究

大多数提高地震资料分辨率的反褶积方法都基于传统静态褶积模型,这与非均匀介质中的地震子波实际传播
规律不符。因此,在动态褶积模型基础上,结合地震波在地层中的吸收衰减特性,提出一种基于时频域的动态反褶积
方法。该方法将广义S 变换良好的多分辨特性引入到地震资料动态反褶积处理中,首先将非平稳地震记录的广义S
变换近似表示为静态震源子波的傅里叶变换、复数值时频衰减函数与反射系数广义S 变换的乘积,再采用多项式拟合
的方法对非平稳地震记录时频谱进行平滑处理,从而可估算动态传播子波和地层反射系数。本文方法不需要直接求
取Q 值,能够适用于变Q 值情况。理论模型和三维实际资料处理结果表明,该方法不仅能改善地震资料的分辨率,还
能有效补偿深部地层吸收所引起的能量衰减。     

Hilbert-Huang变换与大地电磁信号的时频分析

将Hilbert-Huang变换引入大地电磁信号的时频分析中,介绍HHT(Hilbert-Huang transform)时频分析原理及方法,给出仿真信号的经验模态分解及其时频分布,并对实测大地电磁信号进行HHT时频处理与剖析.研究结果表明:Hilbert能量谱随时频的具体分布具有很强的非稳态动态变换时频刻画能力;时频谱的时间、频率分辨率不受Heisenberg测不准原理的限制,且其时间、频率分辨率都很高,有很好的时频聚集性;HHT方法能用于描述大地电磁信号的非线性时变特征,是大地电磁信号时频分析的有效工具.     

小波包时频分析方法的研究及应用

针对非线性、非平稳信号分析与处理方法不能满足某些特别的工程要求的问题,提出将小波包变换和短时傅立叶变换融合形成小波包时频分析技术。建立了一套较完善的小波包时频分析技术框架体系。给出了小波包时频分量谱与小波包时频分量幅度谱以及小波包时频谱与小波包时频幅度谱的算法。对小波包分解的直接算法、Mallat算法、混合算法在计算量和识别精度等方面进行了比较研究。应用Visual C++,OpenGL,photoshop等计算机软件工具和虚拟仪器技术开发了一套虚拟小波包时频分析仪,能实现任意信号的小波包分解和显示。最后将小波包时频分析应用于仿真测试信号与实测机械磨床振动信号,发现小波包时频分析在识别奇异、辨别信号深层次细节方面具有较好的性质。     

A non-commutative time-frequency tomography

The characterization of non-stationary signal requires joint time and frequency information. However, time and frequency are a pair of non-commuting variables that cannot constitute a joint probability density in the time-frequency plane. The time-frequency distributions have difficult interpretation problems arising from negative and complex values or spurious components. In this paper, we get time-frequency information from the marginal distributions in rotated directions in the time-frequency plane. The rigorous probability interpretation of the marginal distributions is without any ambiguities. This time-frequency transformation is similar to the computerized axial tomography (CT or CAT) and is applied to signal analysis and signal detection and reveals a lot of advantages especially in the signal detection of the low signal/noise (S/N).