本文關(guān)鍵詞：基于奇異值分解的信號處理關(guān)鍵技術(shù)研究，由筆耕文化傳播整理發(fā)布。

【摘要】：奇異值分解(Singular Value Decomposition,SVD)是一種對非線性和非平穩(wěn)信號非常有效的信號處理方法,本文在傳統(tǒng)奇異值分解信號處理的基礎(chǔ)上,對目前奇異值分解信號處理方法存在的幾個關(guān)鍵問題進行了深入研究與探討,提出了分段SVD算法和小波包能量譜(wavelet packet energy spectrum,WPES)-SVD算法,并將其應(yīng)用于特征提取,取得了較好的效果。首先,研究了Hankel矩陣構(gòu)造方式下的SVD信號處理原理,分析了原始純凈信號與含噪信號的奇異值分布規(guī)律,根據(jù)信號與噪聲對奇異值的貢獻率不同,通過奇異值差分譜來選取較大的奇異值進行重構(gòu),可從含噪信號中分離出純凈信號。接著,分析了SVD的數(shù)值計算過程與計算量,針對長序列信號構(gòu)造的Hankel矩陣階數(shù)大,SVD處理耗時長、占用內(nèi)存大的問題,提出了兩種分段SVD信號處理算法,通過對信號進行分段SVD處理,可大大減少計算量,有效縮短信號處理時間。然后,將主成分分析(Principal Component Analysis,PCA)應(yīng)用于信號處理,分析了PCA的信號處理過程,提出通過特征值差分譜理論來選取主成分個數(shù),并與SVD信號處理進行了比較分析。針對信號中含直流分量時第一個奇異值較大,提出對信號進行零均值化以消除直流分量對奇異值的影響。最后,將小波包分解與SVD相結(jié)合用于強噪聲背景下的故障特征提取,提出了一種小波包能量譜-SVD算法,首先對信號進行小波包分解,選取能量最大的頻帶信號進行SVD處理,以進一步消除噪聲,對消噪后的信號進行包絡(luò)解調(diào)可得到故障特征頻率。將該算法應(yīng)用于轉(zhuǎn)子故障振動信號和軸承故障振動信號的特征提取,取得了良好的效果。
【關(guān)鍵詞】：奇異值分解 主成分分析 差分譜 小波包能量譜 特征提取
【學(xué)位授予單位】：華南理工大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：TN911.7;TH17
【目錄】：

• 摘要5-6
• Abstract6-11
• 第一章 緒論11-17
• 1.1 課題研究背景及意義11-12
• 1.2 奇異值分解的發(fā)展及應(yīng)用研究現(xiàn)狀12-15
• 1.3 課題來源、論文主要研究內(nèi)容與結(jié)構(gòu)15-17
• 第二章 SVD信噪分離原理及應(yīng)用17-31
• 2.1 引言17
• 2.2 SVD定義及性質(zhì)17-20
• 2.2.1 SVD定義17-19
• 2.2.2 SVD性質(zhì)及意義19-20
• 2.3 SVD信號處理原理20-27
• 2.3.1 矩陣建模與分解20-22
• 2.3.2 分量矩陣選取22-24
• 2.3.3 信號恢復(fù)24-27
• 2.4 仿真分析27-29
• 2.5 本章小結(jié)29-31
• 第三章 長序列分段SVD信號處理算法研究31-57
• 3.1 引言31
• 3.2 SVD的數(shù)值計算過程31-40
• 3.2.1 上雙對角化32-35
• 3.2.2 帶零位移的QR迭代35-40
• 3.3 長序列信號的連續(xù)分段SVD算法40-49
• 3.3.1 算法原理40-41
• 3.3.2 仿真信號分析41-46
• 3.3.3 實際信號分析46-49
• 3.4 長序列信號的重疊分段SVD算法49-55
• 3.4.1 算法原理49-52
• 3.4.2 仿真信號分析52-54
• 3.4.3 實際信號分析54-55
• 3.5 本章小結(jié)55-57
• 第四章 SVD與PCA的信號處理效果相似性分析57-73
• 4.1 引言57
• 4.2 PCA基本原理及性質(zhì)57-61
• 4.2.1 PCA基本原理57-58
• 4.2.2 PCA的求解58-61
• 4.3 PCA信號處理原理61-64
• 4.3.1 樣本選取62-63
• 4.3.2 主成分選取63
• 4.3.3 信號恢復(fù)63-64
• 4.4 SVD與PCA信號處理效果對比分析64-72
• 4.4.1 不含直流分量的情況64-67
• 4.4.2 含直流分量的情況67-70
• 4.4.3 相似性分析70-72
• 4.5 本章小結(jié)72-73
• 第五章 小波包能量譜-SVD算法在特征提取中的應(yīng)用73-88
• 5.1 引言73
• 5.2 基于小波包能量譜和SVD的特征提取算法73-77
• 5.2.1 小波包分解73-75
• 5.2.2 小波包能量譜-SVD算法75-77
• 5.3 轉(zhuǎn)子故障特征提取77-80
• 5.3.1 轉(zhuǎn)子故障模擬實驗平臺77-78
• 5.3.2 對轉(zhuǎn)子振動信號的特征提取78-80
• 5.4 軸承故障特征提取80-87
• 5.4.1 滾動軸承故障模擬實驗平臺80-82
• 5.4.2 對軸承振動信號的特征提取82-87
• 5.5 本章小結(jié)87-88
• 結(jié)論與展望88-90
• 參考文獻90-95
• 攻讀碩士學(xué)位期間取得的研究成果95-96
• 致謝96-97
• 附表97

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 李曉軍;吳辰文;;基于奇異值分解的流量矩陣估算研究[J];蘭州交通大學(xué)學(xué)報;2012年06期

2 梁霖,徐光華,侯成剛;基于奇異值分解的連續(xù)小波消噪方法[J];西安交通大學(xué)學(xué)報;2004年09期

3 溫廣瑞,張西寧,屈梁生;奇異值分解技術(shù)在聲音信息分離中的應(yīng)用[J];西安交通大學(xué)學(xué)報;2003年01期

4 劉恒春,朱德懋,孫久厚;振動載荷識別的奇異值分解法[J];振動工程學(xué)報;1990年01期

5 劉獻棟,潘存治,楊紹普;基于奇異值分解的信號處理方法及其頻譜特征[J];石家莊鐵道學(xué)院學(xué)報;2001年01期

6 李世陽;楊明;李存岑;蔡萍;;基于奇異值分解熵的心率變異性分析(英文)[J];Journal of Shanghai University(English Edition);2008年05期

7 張煥萍;尹佟明;鄭建冬;;基于奇異值分解的致病基因挖掘算法[J];南京航空航天大學(xué)學(xué)報;2013年02期

8 黃浴,季文鐸,袁保宗;基于奇異值分解的長序列圖象運動估計[J];北方交通大學(xué)學(xué)報;1997年05期

9 劉獻棟,楊紹普,申永軍,李其漢;基于奇異值分解的突變信息檢測新方法及其應(yīng)用[J];機械工程學(xué)報;2002年06期

10 段向陽;王永生;蘇永生;;基于奇異值分解的信號特征提取方法研究[J];振動與沖擊;2009年11期

中國重要會議論文全文數(shù)據(jù)庫 前10條

1 張友民;陳洪亮;戴冠中;;基于奇異值分解的固定區(qū)間平滑新方法[A];1995年中國控制會議論文集（上）[C];1995年

2 何田;王立清;劉獻棟;朱永波;;基于奇異值分解的信號處理機理及其應(yīng)用[A];2008年航空試驗測試技術(shù)峰會論文集[C];2008年

3 張霄;林鴻飛;楊志豪;;基于奇異值分解的蛋白質(zhì)關(guān)系抽取[A];第五屆全國信息檢索學(xué)術(shù)會議論文集[C];2009年

4 曹云麗;郭勤濤;徐堯;周瑾;;基于奇異值分解響應(yīng)面方法的磁軸承轉(zhuǎn)子參數(shù)識別[A];第11屆全國轉(zhuǎn)子動力學(xué)學(xué)術(shù)討論會（ROTDYN2014）論文集（上冊）[C];2014年

5 吳曉穎;吳俊;董濱江;;TK方法在γ譜分析中的應(yīng)用[A];第7屆全國核電子學(xué)與核探測技術(shù)學(xué)術(shù)年會論文集（三）[C];1994年

6 林原;林鴻飛;蘇綏;;一種應(yīng)用奇異值分解的RankBoost排序?qū)W習(xí)方法[A];中國計算機語言學(xué)研究前沿進展（2007-2009）[C];2009年

7 金宋友;趙志文;;一種基于奇異值分解盲水印算法[A];圖像圖形技術(shù)與應(yīng)用進展——第三屆圖像圖形技術(shù)與應(yīng)用學(xué)術(shù)會議論文集[C];2008年

8 趙衛(wèi)國;翟自勇;王子君;;基于奇異值分解和神經(jīng)網(wǎng)絡(luò)的數(shù)字圖像水印算法[A];Proceedings of 2010 Chinese Control and Decision Conference[C];2010年

9 岳紅;蔣慰孫;;基于奇異值分解的改進Bayes集員辨識遞推算法[A];1995中國控制與決策學(xué)術(shù)年會論文集[C];1995年

10 張景瑞;;基于奇異值分解的SGCMGs輸出誤差分析及操縱律設(shè)計[A];第三屆全國動力學(xué)與控制青年學(xué)者研討會論文摘要集[C];2009年

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前10條

1 聶振國;基于奇異值分解的信號處理關(guān)鍵技術(shù)研究[D];華南理工大學(xué);2016年

2 夏玉丹;基于S變換和奇異值分解的自動癲癇檢測算法[D];山東大學(xué);2016年

3 關(guān)曉勇;基于奇異值分解的狀態(tài)監(jiān)測與故障診斷方法研究[D];大連理工大學(xué);2005年

4 王鋼;基于奇異值分解的機織物瑕疵檢測算法研究[D];東華大學(xué);2014年

5 Charles Alpha Bangura;[D];湖南大學(xué);2011年

6 鄭安總;奇異值分解在微弱信號檢測中的應(yīng)用[D];天津大學(xué);2014年

7 趙慧琳;奇異值分解的人臉識別算法[D];上海海運學(xué)院;2002年

8 李科;基于沙米爾和奇異值分解的小波域數(shù)字圖像水印算法研究[D];南昌大學(xué);2010年

9 賈換霞;基于奇異值分解和神經(jīng)網(wǎng)絡(luò)的人臉識別方法的研究[D];東北大學(xué);2005年

10 馬素春;基于奇異值分解的小波域水印算法[D];重慶大學(xué);2009年

  本文關(guān)鍵詞：基于奇異值分解的信號處理關(guān)鍵技術(shù)研究，，由筆耕文化傳播整理發(fā)布。

本文編號：490965