基于瞬时频率的窗宽递增寻优的短时傅里叶变换

讨论了窗函数在时频分析中的作用,分析了S变换的缺陷,指出了依据分析频率调整窗宽和使用窄窗均严重影响时频分析效果.以短时傅里叶变换为基础,提出了一种窗宽根据信号自身时变特征进行自主调节的时频分析方法,该方法以瞬时频率的变化作为判断信号频谱结构发生变化的依据,通过在瞬时频率变化之前逐次递增窗宽,使窗函数能够覆盖信号中的局部平稳区域的大部甚至全部,从而可对信号中的各局部平稳段得到最佳的时频分辨率.通过对线调频信号、时变信号和含噪声信号的分析和比较可知,本方法可准确描述信号的时间分布特征,并可同时获得最佳的频率分辨率,且对噪声不敏感,具有一定的先进性和实用性.     

基于广义S变换的信号提取与抑噪

S变换结合了短时傅里叶变换和小波变换的优点,是非平稳信号时频分析的有力工具.为了提高S变换在应用中的实用性和灵活性,该文将S变换改造成时频分辨率可调的广义S变换.广义S变换具有多分辨率特性,利用其高质量的时频分布,在时频域中设计了两种时频滤波器.前者用来实现非平稳信号中特定信号分量的提取,也可滤除处于特定时频平面中的噪声;后者直接应用广义S变换的时频谱实现,用于含高斯白噪声信号的滤波,达到了突出有效信号和压制噪声的效果.几种信号模型的仿真试验显示了它们在信号提取和抑制噪声中应用的有效性.     

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.     

基于同步挤压S变换的探地雷达信号消噪方法

为提高对探地雷达低幅度有用信号的识别效果,提出了基于同步挤压S变换的消噪方法.首先将含噪声信号进行S变换,并计算出信号的瞬时频率,再将信号的时频能量进行重新集中,从而获得高分辨率的压缩时频谱.然后根据噪声出现的时间和频率,设计相应的二维滤波器在时频域对信号进行消噪.在消除噪声能量后,再进行反变换得到有用信号.由于在压缩时频谱上可以更好地区分有用信号和噪声,消噪时有效信号的能量可以被尽可能多地保留下来.仿真信号和探地雷达实际信号的处理结果表明,利用同步挤压S变换在时频域进行消噪能够取得很好的效果.     

基于在线小波变换的毛细管电泳信号滤噪方法

将在线小波变换用于毛细管电泳信号的滤噪处理,满足了毛细管电泳信号采集过程中实时处理和监控的需求.针对毛细管电泳信号的特点,采用固定时间窗的在线小波变换,并给出最佳时间窗长的选择方法.模拟信号和冬虫夏草的毛细管电泳信号滤噪实验的结果表明,该方法在保持峰位与峰高不变的情况下可显著提高信噪比,有效滤除了噪声峰.     

微弱信号提取中的小波方法研究

针对于实际应用中的小信号特别是完全被噪声淹没情况下的微弱信号提取的问题，本文依据白噪声信号的小波变换系数相对比有用信号的小波系数小的特点，利用小波变换对信号进行消噪来提取微弱信号，仿真结果表明：小波变换能够有效的消除噪声，将有用微弱信号从受噪声污染的信号中提取出来。     

基于改进数学形态学与S变换的暂态电能质量扰动检测

针对电能质量扰动信号检测受噪声影响大且特征值定位不准确的问题,提出一种改进数学形态学方法对电能质量扰动信号中存在的噪声干扰进行预处理,并选取S变换频谱标准差、S模矩阵时间幅值平方和均值以及S模矩阵等高线这3种时频域的特征值,实现了6种单一扰动信号和2种复合扰动信号的检测和定位.仿真结果表明,与传统的数学形态学滤波和卡尔曼滤波方法相比,改进的数学形态学方法去噪效果好,而且可以加强原信号中的有用信号,S变换中选取的特征值从时域和频域共同体现扰动特征,使电能质量扰动信号的检测定位更加准确.     

基于S变换与傅里叶变换的电能质量多扰动分类识别

提出了一种基于S变换、加窗插值快速傅里叶变换(FFT)和概率神经网络(PNN)的电能质量扰动检测和分类方法.应用S变换和加窗插值FFT对电能质量多扰动信号进行时频分析,获取信号的特征量.通过训练信号集上获得的特征量,训练了一个概率神经网络用于扰动分类.训练好的网络在测试信号集上的测试结果表明,对正常电压和常见的电能质量扰动,该方法具有较高的分类准确率,在训练样本数较少、噪声影响大和多扰动信号并存时仍能取得较好的分类效果.     

采用加窗插值FFT与逐幅谐波消去法的电机谐波算法

对电机的实测信号进行谐波分析时,由于难以保证信号同步采样和存在测量噪声,采用快速傅立叶变换(FFT)方法进行谐波分析会出现栅栏效应和频谱泄漏现象,不能获得信号准确的谐波参数.作者采用加窗插值FFT,并提出逐幅谐波消去法,以便能精确地分析高次谐波.以基于Blackman-Harris窗的加窗插值FFT算法推导出关于频率偏差的9次方程.实例计算表明,采用加窗插值FFT和逐幅谐波消去法可有效地减少泄漏,降低噪声的干扰,从而可精确地获得各次谐波的幅值和相位.     

广义S变换及在地震波形处理中的应用

为解决标准S变换中高斯窗口不能随信号的特点而改变的问题,引入广义S变换方法,推导广义S变换公式,使用Matlab语言编写计算程序,对地震面波和背景噪声数据进行了降噪处理.与去噪前的信号进行比较,研究结果表明:利用广义S变换降噪方法在处理地震波形时能很好地去掉信号中的低频噪声,有效信号更容易分辨出来.广义S变换能根据信号特征改变高斯窗口大小,从而更好反映信号和噪声特征,提高信号降噪的效果.     

应用小波分析提高MT资料信噪比

大地电磁测深法（ＭＴ）野外观测得到的原始资料是包含多种频谱的时间序列,这种时间序列中常常包含固定源噪声。由于这种噪声的频率相对稳定,应用小波分析容易得到一个或多个以这种噪声为主的时间序列块。对实验数据应用小波变换,将时间序列分解成不同频率的多个时间序列块,压制噪声比较集中的时间序列块后重建时间序列。通过与未作这种处理的时间序列的谱分析结果对比,信噪比有明显的提高     

基于改进经验模态分解和支持向量机的短期风速组合预测

为更精确地进行风速预测,提出一种利用带自适应噪声的完全集成经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)方法和蝙蝠算法(bat algorithm,BA)优化支持向量机(support vector machine,SVM)的组合短期风速预测方法。首先用CEEMDAN对原始风速时间序列进行分解,得到一系列不同频率的子序列;其次,使用BA-SVM组合模型预测对分解后的各个子序列分别进行预测;最后,将各子序列的预测结果叠加得到风速预测值。仿真结果表明,该模型提高了预测精度,减小了误差。     

基于相重构和主流形识别的非线性时间序列降噪方法

提出了一种基于相重构和主流形识别的非线性时间序列降噪方法.带噪的时间序列在高维的相空间中其本质特征隐含在一个低维的主流形中,利用局部切空间变换方法提取其主流形,再根据主流形对时间序列进行重构,就可以达到降噪的目的.与现有的非线性时间序列消噪算法不同,基于主流形的消噪算法更强调时间序列的整体结构.数值仿真分析的结果验证了该降噪方法能有效地消除非线性时间序列中的高斯白噪声.     

实时交通数据的噪声识别和消噪方法

以常用的交通数据———交通量时间序列的实测数据为例,给出多个噪声识别及消噪预处理的实验结果.为提高建模的准确度,采用模糊减法聚类对交叉口实测交通量进行噪声识别.对实测交通量采用奇异值分解的滤波方法进行除噪预处理,并通过训练径向基函数网络进行预测.与数据未经滤波直接训练网络相比,预测结果的平均绝对相对误差降低了3.31%.用小波变换对交通量数据进行消噪处理,即通过多分辨率的小波分解和重构来实现消噪.实验表明,若对原始交通量时间序列消噪后再建立预测模型,将获得更好的预测结果,这说明研究的噪声识别和消噪方法的可行性和有效性.     

混沌时间序列可预报时间长度分析

摘要：以经典混沌序列——Henon映射序列为例,对不同长度、不同噪声水平的序列进行了预报试验．结果表明：(a)纯净序列,序列越长,预报精度越高,同时预报精度衰减速度随之减慢,并且,当序列足够长时,即使较长预报步长的多步预报,仍可取得相当高的预报精度;(b)含噪声序列,其预报精度随步长的增加迅速地呈指数衰减,并且,序列长度基本上不会对预报时间长度产生影响,但噪声水平对可预报时间长度有一定影响,噪声水平越高,可预报时间长度越短．因此,不明确可预报的标准、不考虑序列长度、噪声水平等因素的影响而简单地以最大Lyapunov指数的倒数定义最大可预报时间长度,是不可取的．同样,根据最大Lyapunov指数推断水文过程的可预报时间长度也是不合适的．     

基于自适应L滤波器的脑事件关联电位单次提取

提出了一种基于自适应L滤波的脑事件关联电位单次提取方法。将背景噪声看成一系列起伏状脉冲,利用零交叉方法估计各单次记录信号中噪声的脉冲宽度,取其最大值作为基准参数,自适应地动态确定各单次滤波时所用窗口的大小。在窗口大小确定后,对各单次记录到的信号进行L滤波处理。实验所采用的刺激方式为视频奥德勃（odd-ball)模式,直接对直接数据进行处理。将实验结果与普通叠加平均结果及原始单次记录进行了对比,结果表明脑事件关联电位单次提取效果良好,所提出的方法对噪声的分布和平稳性没有特殊要求,因而具有较强的适应性和稳健性。     

传感器网络时间序列数据的事件分类研究

目前智能环境中传感器网络所采集的海量数据面临着进行有效事件的模式分类及异常检测的难题.为了有效对智能环境中传感器网络采集的时间序列数据所表征的事件进行分类,提出了基于协方差特征空间映射数据的聚类分析方法.通过对采集得到的时间序列数据按时隙进行划分,映射到协方差特征空间,然后对映射后的数据进行了动态密度聚类,从而实现对事件的分类;并根据聚类结果建立分类模板,作为对日常事件进行分类划分的检测方法,同时利用所得的分类模板,实现对异常事件的检测.实验结果表明,基于协方差特征空间映射数据的聚类分析方法能有效对传感器网络采集的时间序列数据所表征的事件进行分类,并能有效提升异常事件的检测及筛选效果.     

基于工况传递路径法的后背门振动噪声识别及模态分析

针对某国产SUV怠速时车内结构噪声过大的问题,结合工况传递路径法、有限元仿真和实验测试进行了噪声源的识别和确定。根据发动机以及排气系统对车内噪声的贡献,建立了该车型能量传递路径的分析模型,由工况传递路径法确定后背门对车内结构噪声的贡献量最大。然后,采用有限元软件对后背门进行有限元仿真,结果表明后背门的固有频率与发动机二阶频率之间存在耦合。同时,对该车型进行了整车实验模态和噪声测试,实验结果验证了方法的有效性。     

Volterra-Wiener-Korenberg模型非线性检验方法

通过Logistic系统产生的周期2、周期3及混沌的时间序列研究了噪声对Volterra-Wiener-Korenberg模型非线性检验方法的影响，由Lorenz混沌时间序列进一步探讨了采用该方法检验非线性时间序列的实用性，并利用该方法对疲劳表面肌电信号进行了非线性分析。结果表明，测量噪声和内部噪声对该方法的影响有所不同，从而对于有噪声的短实验数据，该方法只是一种间接的非线性检验方法，并不能直接判定原始数据是否存在混沌特性。     

变分贝叶斯Kriging模型预测混沌时间序列

基于变分贝叶斯及Kriging数学思想,提出了一种含噪混沌时间序列的相空间域预测模型。在相空间域中利用变分贝叶斯推断方法估计模型中的回归系数,采用Kriging数学方法估计模型中的随机部分,将该模型对含加性高斯噪声的Lorenz及Mackey-Glass混沌时间序列进行了预测研究;结果表明该文方法能够有效地预测含噪混沌时间序列,且具有较强的抗噪能力以及有效地克服了过拟和现象;同时预测精度对重构相空间的嵌入维数和时间延迟的变化不敏感。