基于Gabor变换的盲信号分离方法

提出了一种基于Gabor变换的盲信号分离方法。与传统的盲信号分离方法相比,该方法考虑到了不同类型信号的时频分布特点,通过估计混合矩阵从而能够较为准确地对源信号进行分离,而且突破了传统盲信号分离方法中要求源信号相互独立以及源信号最多只能有一个高斯信号的限制。仿真结果验证了该方法的有效性,为盲信号分离技术提供一种新的研究方向。     

基于EEMD子带提取相关机械振动信号单通道盲源分离

针对传统独立分量分析难以解决机械故障诊断中存在的相关源信号盲分离、欠定盲分离等问题,在相关振源信号部分子带满足统计独立的假设前提下,提出基于总体经验模态分解子带提取相关机械源单通道盲源分离方法。该方法将单通道观测信号进行总体经验模态分解获得到子带观测信号,将单通道信号及子带观测信号组成新的多维信号,利用奇异值分解及贝叶斯准则估计源信号数目;据互信息标准与源信号数目选若干独立性较强的子带观测信号重构,实现信号升维;对重构的观测信号进行白化预处理及联合近似对角化,获得源信号估计。并仿真、实验验证该方法在机械故障诊断中的有效性。     

相关机械振源的盲源分离方法

相关源不满足独立分量分析关于源的统计独立性假设,标准的独立分量分析方法无法准确分离相关机械振源信号。在相关振源信号的部分频带满足统计独立的假设前提下,提出了一种基于小波包分解的相关机械源盲源分离方法。该方法将观测信号用小波包分解成子带观测信号,根据互信息标准选择相关性较小的若干子带观测信号重构观测信号。通过重构的观测信号的独立分量分析估计分离矩阵,然后用该矩阵分离原始观测信号从而实现相关机械振源信号的分离。仿真试验验证了该方法的有效性。     

基于EMMD的欠定旋转机械振动信号盲源分离

传统盲源分离算法通常基于观测信号数不小于源信号数的假设, 当观测信号数小于源信号数时, 盲源分离效果较差, 而欠定的甚至单通道信号的盲源分离问题普遍存在于旋转机械中, 针对该问题, 提出一种基于极值域均值分解的欠定旋转机械振动信号盲源分离算法。首先把欠定的观测信号进行极值域均值分解得到一系列本征模函数, 将欠定观测信号和其本征模函数组成多维信号, 作为新的观测信号实现升维;然后利用奇异值分解和贝叶斯准则进行源数估计, 最后利用基于四阶累积量的特征矩阵联合对角化方法实现信号的盲分离。仿真结果表明, 该方法能够有效地解决欠定观测信号的盲源分离问题。     

基于单通道盲源分离的结构模态参数识别

针对基于传统盲源分离算法的结构模态参数识别需要满足传感器数目不少于源信号数目的问题,提出一种基于单通道盲源分离的结构模态参数识别方法,该方法利用单个通道信号即可完成结构模态参数识别。利用同步提取变换(synchro extracting transform, SET)对单通道观测信号进行时频分析以确定变分模态分解(variational mode decomposition, VMD)参数K的取值;将观测信号利用VMD分解形成K个本征模态函数(intrinsic mode function, IMF);将K个IMF进行线性混合形成2维观测信号并与原单通道观测信号重构形成3维观测信号,利用基于信号稀疏性的源信号分离算法分离得到各单模态信号;利用单模态识别技术识别结构模态参数。仿真和实测信号数据表明所提方法的有效性。     

应用JADE盲分离算法分离统计相关源

在一些如故障诊断等复杂的应用系统中，不相关源与相关源往往以相互混合方式同时存在于传感观测中。由于相关源不满足盲源离理论有关源的统计独立性前提假设，因此现有的盲源分离算法如基于矩阵联合对角化的算法等，无法从混有相关源的传感观测中准确分离源信号(不相关源信号和相关源信号)。本文在基于矩阵联合对角化的盲分离算法的基础上，提出通过对其源估计进行修正的相关源分离算法。理论分析和仿真结果表明：修正后的基于矩阵联合对角化的盲分离算法，能有效地分离包含相关源的混合观测信号。     

基于多个时间点联合解相关的卷积盲源分离

实际信号的混合均为卷积混合,且信号是非平稳的。盲源分离的目标就是找到一组分离滤波器,使得源信号的估计信号互相统计独立。结合信号的非平稳性,利用二阶解相关原理,文章阐明了一种在频域实现卷积混合的盲源分离算法,并且考虑了噪声对分离性能的影响。为了避免频点排列次序的不确定性,利用了多阶段盲源分离思想。利用该算法,对两路混合的实录水声信号进行盲分离,得到了两路源信号的估计信号,通过对估计信号的分析,利用信噪比提高率这一标准,验证了该算法的有效性。该算法收敛速度快,精度高,可用于浅海环境下实录水声混合信号的盲分离。     

基于WOA-VMD改进的信号盲源分离研究及应用EI北大核心CSCD

准确有效识别出水电站厂房振动信号的各个振源,对于水电站长期安全稳定运行有重要指导意义,盲源分离(blind source separation,BSS)是进行信号分解与振源识别的一种有效方法。为了实现水电站厂房复杂环境下振动信号的盲源分离,建立一种基于鲸鱼算法变分模态分解(whale optimization algorithm and variational mode decomposition,WOA-VMD)降噪改进的信号盲源分离模型。采用WOA-VMD和相关法对观测信号进行降噪处理,确保盲源分离结果的准确性;求解多维降噪信号的协方差矩阵并进行奇异值分解,采用优势特征值法进行源数估计;最后对降噪信号进行中心化、白化前处理,通过联合近似对角化算法得到分离矩阵,实现观测信号的盲源分离。仿真结果表明:相较于传统盲源分离模型,改进模型将分离信号与源信号的相关系数分别提升了9.1%,7.1%,8.3%,分离信号主频误差也均有所降低。将该方法运用到水电站厂房振动工程实例,也取得了较好的分离效果。     

一种新的相关机械振源盲分离方法

针对传统盲源分离算法在机械振源不满足统计独立特性时,无法有效分离出振源信号的问题,提出了基于信号稀疏特性的相关机械源盲分离方法。盲源分离算法的关键在于准确地估计出混合矩阵。因此,首先提出了不相关源混合矩阵的估计方法;然后针对相关源,提出了有效剔除相关成分的方法,使得剩余信号可以按照不相关源进行处理。通过理论分析、仿真验证以及实测数据分析,验证了该方法的有效性。     

基于EMD和CICA的单通道盲源分离方法用于齿轮箱混合故障诊断研究

针对传统的独立分量分析难以解决齿轮箱混合故障诊断中存在的欠定盲分离问题,提出了基于EMD和CICA(约束独立分量分析)的单通道盲源分离方法。通过单通道加速度传感器采集齿轮箱混合故障信号,对其进行EMD分解以实现降噪及单通道扩展,采用基于白噪声统计特性和峭度值结合的方法选取有效的IMF分量,将其作为盲源分离的输入信号,通过CICA方法提取目标振动信号,识别故障特征。通过对齿轮箱轴承与齿轮混合故障的仿真及实验研究,验证了该方法的有效性和可行性。     

一种用于语音增强的频域盲信号分离算法

研究了在未知声源信息和传声器空间位置的情况下,利用盲信号分离的方法实现语音增强。通过把基于信息论的信息最大化算法推广到频域,使得时域的卷积混合问题转变为频域的瞬时混合问题,进而就可以在每个频段分别进行独立分量分析,分离效果有明显改进,算法收敛性也得到提高。为了克服在频域中实现盲分离时所固有的位序不确定性和比例缩放问题对分离性能的严重影响,采用聚类的方法对每个频率段的分离结果进行排序。对真实环境中录制的语音、音乐混合信号和语音、语音混合信号进行了计算机仿真,分离之后使语音的信噪比提高了10-15dB,很好地实现了语音增强的目的。     

水下耦合机械噪声源的量化识别及试验

目前水下机械噪声源及其传递路径识别效果较难。为此,将盲源分离算法和传递路径分析方法融合和集成。视多振源信号为卷积混叠,结合LU分解,提出一种新的非正交联合块对角化方法进行耦合振动源的分离。将分离振源作为工况传递路径分析方法的输入振源,建立水下机械振动噪声源识别算法,并对潜艇舱段模型的水下振动-声辐射试验对算法进行验证。结果表明,与现存方法相比,该盲源分离算法具有易实现、收敛速度快、精度高等优点;所集成的源识别算法在水下声场预报和振源贡献量排序中的性能均优于振源耦合时的结果,与实际情况吻合好,达到了高效、准确地识别机械噪声源的目的。     

Doppler ultrasound spectral enhancement using the Gabor transform-based spectral subtraction

Most of the important clinical indices of blood flow are estimated from the spectrograms of Doppler ultrasound (US) signals. Any noise may degrade the readability of the spectrogram and the precision of the clinical indiCes, so the spectral enhancement plays an important role in Doppler US signal processing. A new Doppler US spectral enhancement method is proposed in this paper and implemented in three main steps: the Gabor transform is used to compute the Gabor coefficients of a Doppler US signal, the spectral subtraction is performed on the magnitude of the Gabor coefficients, and the Gabor expansion with the spectral subtracted Gabor coefficients is used to reconstruct the denoised Doppler US signal. The different analysis and synthesis windows are examined in the Gabor transform and expansion. The signal-to-noise ratio (SNR) improvement together with the overall enhancement of spectrograms are examined on the simulated Doppler US signals from a femoral artery. The results show the denoising method based on the orthogonal-like Gabor expansion achieves the best denoising performance. The experiments on some clinical Doppler US signals from umbilical arteries confirm the superior denoising performance of the new method.     

基于R-SOBI的结构模态参数辨识方法

提出了一种基于稳健SOBI算法提取结构/系统的频率、阻尼比及模态振型的方法。运用该法提取系统/结构模态参数的步骤为:首先利用稳健SOBI的盲源分离方法采集的信号进行分离,然后将分离矩阵作为结构/系统的模态振型矩阵,最后再对各个分离后的单自由度信号提取频率、阻尼比参数。研究结果表明,提出的方法可以准确提取出结构/系统的模态参数,尤其是即使噪声环境下仍然能准确提取出系统的模态振型矩阵。     

基于子带ICA的时频图像处理方法研究及其在故障诊断中的应用

提出了一种改进独立分量分析(ICA)应用于时频图像的盲源分离问题。由于相似时频图像之间存在潜在的相关性,传统的ICA对于具有相关成分的时频图像盲源分离中效果比较差,利用互信息和峭度研究了图像子带之间的相关性和本身的非高斯性,选定特定的子带进行ICA分析。通过仿真时频图像的分离试验,说明此方法分离效果明显优于ICA分离效果,并将该方法应用于转子试验台的基座松动,不对中故障信号复合故障的时频图像中,成功获取了各自故障的时频图像,从而可以获得各自的故障特征信息。     

基于BSS的含噪声机械振动信号分离研究

水下航行器的噪声源识别面临的两个问题(:1)无法获得振源信号(,2)测得振动信号有环境噪声影响且振源之间相互耦合。将环境噪声作为一个独立的噪声源,给出瞬时混合信号的盲源分离(BSS)数学模型;利用基于二阶统计特性的两次去相关盲源分离算法,对机械振动加白噪声的混合信号和水池试验实测混合信号进行分离;通过试验验证两次去相关盲源分离方法可以用来解决上述问题。     

基于独立分量分析的欠定盲源分离方法

目前的欠定盲分离算法只能分离稀疏信号,对于不稀疏的信号分离效果不理想。经典独立分量分析算法中的扩展Infomax算法既能分离超高斯信号,也能分离亚高斯信号,但却只能应用于观测数不少于源数的超定盲源分离,结合扩展Infomax算法,本文提出了一种欠定ICA算法,通过生成隐藏数据将欠定盲分离问题转化为超定盲分离问题,然后再应用经典的扩展Infomax算法进行分析,该方法可以分离欠定情形下超高斯和亚高斯混合信号。并用该算法对实测的齿轮箱混合故障信号进行分离,再用包络阶次方法对分离出的信号进行分析,成功识别出了齿轮箱的不同故障特征,验证了该算法在齿轮箱故障诊断中的有效性。     

The Research of Blind Source Separation (BSS)in Machinery Fault Diagnosis

1 Introduction：While a machine is running, it will create vibration, and also strong noise. Commonly, when the vibration is more intense, the noise is greater. Just like the vibration signals, the sound signals of the machinery contain affluent facility status information, so the sound signals can also be used in the machinery fault diagnosis. We call the technology the sound fault diagnosis which uses the sound signals in fault diagnosis. Even more, using the sound signal in fault diagnosis…