一、随机信号的小波分析(Ⅱ)（论文文献综述）
徐增伟[1]（2019）在《基于信号分析的海洋立管涡激振动及损伤特征提取研究》文中认为海洋立管是进行深海油气资源勘探开发的重要结构。立管处于海洋环境中,受到涡激振动作用,容易发生疲劳损伤。地震、海啸、海水和海洋生物的腐蚀、立管间的相互碰撞等,也都会造成立管结构的破坏。结构健康监测技术通过提取信号特征,判断结构是否发生损伤,确定损伤的位置和程度。目前,该技术已经在土木工程和海洋平台领域取得了丰富的研究成果,但是在海洋立管领域,尚缺乏此类研究。为探究能有效进行立管涡激振动和损伤特征提取的方法,本文开展了如下研究:（1）开展海洋立管涡激振动模型实验,获取立管涡激振动应变信号,利用Hilbert-Huang变换和小波变换进行信号处理,并对比分析两种方法特征提取效果。结果表明,两种方法均能实现立管涡激振动特征提取,对信号中存在的多种频率成分也具有很好的识别能力,但在细节上仍存在一定的差异。就时频分辨率而言,小波时频谱优于Hilbert谱;而Hilbert-Huang变换可以得到信号频率成分和含量的精确结果,这是小波时频谱无法做到的。（2）利用有限元分析软件ABAQUS构建立管的损伤模型,使用上述两种方法提取立管的损伤特征,并比较了不同损伤程度下损伤特征的变化情况。结果表明,两种方法均能实现海洋立管模型损伤特征提取,且就效果而言,小波变换优于Hilbert-Huang变换。研究证实两种方法均可以有效地提取立管涡激振动和损伤特征,可为开展立管健康监测、立管流固耦合特性研究及预报、立管碰撞等相关研究提供方法基础和理论依据。
蒋宇[2]（2020）在《齿轮箱混沌特性与故障诊断研究》文中研究说明传动系统在机械设备中起到中流砥柱的作用,齿轮箱传动系统是机器非常关键的组成部分,揭示齿轮箱系统固有混沌特性并通过其开展齿轮箱健康状态的监测与诊断,对于延长机器的服役时间具有重要意义。吸引子理论作为研究相空间中系统动力学状态的理论越来越得到认识和应用,而混沌吸引子属于吸引子中的一种形态,自然可用来诠释混沌系统的混沌动力学特性和状态。齿轮箱系统是一个混沌系统,其振动信号中蕴涵着大量能够反映系统特征的信息。针对齿轮箱系统混沌特性尤其是探索高维空间中混沌吸引子的特性以及演化规律的研究相对匮乏,且齿轮箱故障特征提取缺乏挖掘混沌特性与故障之间存在的内在关系,有待进一步寻求有效的混沌特征指标实现表征与诊断。为此,本文应用相空间重构理论将一维振动信号推广到高维相空间中去将振动信号单变量时间序列中隐含的系统信息显现出来,探索研究高维空间中齿轮系统混沌吸引子的相轨迹、相点分布、递归特性,揭示齿轮箱系统的混沌特性,进而对齿轮箱系统在不同故障形式下的混沌吸引子特征提取进行表征计算和状态分析。本文深入地开展了齿轮箱混沌特性与故障诊断研究。首先,在齿轮箱故障模拟试验台上开展了振动信号采集实验,采集了不同工况条件下齿轮箱系统的振动信号,对其进行了时域和频域分析,发现齿轮箱振动信号中均含有大量的噪声,相似度较高,频域中均存在齿轮的啮合频率及其谐波成分,同时在啮合频率及其谐波两侧都会形成一系列边频带。应用小波分析法和自适应噪声集成总体经验模式分解方法,分别对采集到的齿轮箱振动信号进行了降噪分析与处理,发现两种方法降噪后高频成分得到了一定的抑制,同时保留了低频带中原有信号的特征信息。相比而言,自适应噪声集成总体经验模式分解方法更有利于消除环境噪声对振动信号的影响,且有助于突显系统本身固有的特征信息,为后续齿轮箱系统混沌特性分析和故障模式识别与诊断打下了坚实的基础。为了揭示齿轮箱运行中的混沌特性,开展了齿轮箱系统不同运行状态下的混沌特性证明研究。引入了基于相空间重构的定量判别方法,分别为关联维数、最大Lyapunov指数和Kolmogorov熵,以及功率谱定性判别方法。同时,为了验证这四种判别方法的有效性,对于Lorenz理论混沌系统首先开展了混沌特性验证研究,接着对于齿轮箱系统不同运行状态进行了混沌特性判别,发现齿轮箱系统在不同运行状态下,其关联维数均为分数值,最大Lyapunov指数和Kolmogorov熵均大于零,而功率谱均为连续宽带谱。通过联合关联维数、最大Lyapunov指数Kolmogorov熵以及功率谱的方法,共同证明了齿轮箱系统的混沌特性。为了探索齿轮箱系统混沌吸引子空间分布特性,根据相空间重构理论构造了齿轮箱不同运行状态下的混沌吸引子,并探讨了嵌入维数和延迟时间对齿轮系统混沌吸引子的影响,应用相轨迹图和相点三维直方图方法,呈现了齿轮系统混沌吸引子三维空间中相点分布形态和空间结构,并基于相点分布形态和空间结构开展了定性和定量的混沌特性表征研究。同时,采用关联维数、包含球半径、包含相点的盒子数和相点数量最大值指标,对齿轮混沌吸引子进行量化表征计算,进而对齿轮箱不同运行状态进行模式识别。结果表明,混沌吸引子的相轨迹图可直观定性地对齿轮箱不同运行状态进行识别,而包含球半径是一种基于相点分布有效的量化表征指标,可用于实现齿轮箱不同运行状态模式识别。针对齿轮箱实际工作过程中故障特征提取难的问题,引入递归思想和递归分析方法,从系统相空间中相点递归特性出发,探索递归模式与齿轮故障的映射关系,提出了将递归分析结合自适应噪声集成总体经验模式分解方法。从自相似特征角度研究递归模式与齿轮不同模式的映射关系,应用四个递归量化参数分别为递归度、确定性、分层率、熵,对齿轮箱不同运行状态进行特征提取进而故障诊断,发现这四个参数指标均能对齿轮箱不同运行状态进行有效地识别。另外,与基于混沌吸引子相轨迹进行诊断的表征参数相比较,发现递归度和熵这两个递归指标诊断效果更优。结果表明,递归分析结合自适应噪声集成总体经验模式分解方法是一种有效的特征提取用于实现齿轮箱故障识别与诊断的方法。针对目前齿轮动力学建模多以考虑单频激励作用因素为主,而实际应用中齿轮箱多为工作环境复杂恶劣,开展了考虑多频激励作用建立齿轮非线性动力学模型与故障诊断研究。定义了啮合刚度系数,探讨了多频激励参数对正常及裂纹故障模型主共振幅频特性的影响,采用增量谐波平衡法对齿轮动力学响应进行分析计算,研究了正常及裂纹故障模型的动力学特性,证实了考虑多频激励作用模型相比传统单频激励模型更能准确地描述其动力学特性,丰富了齿轮动力学建模理论。同时,利用齿轮箱混沌特性开展了裂纹齿轮不同故障程度的识别与诊断研究。通过计算混沌指标最大Lyapunov指数,发现了最大Lyapunov指数随着裂纹故障程度增加而增大的规律。本文揭示了齿轮箱系统的混沌特性,并以混沌吸引子为依据研究解决齿轮箱故障诊断问题。为机械设备状态识别与故障诊断提供了一种新的思路,具有一定的理论价值及工程应用意义。该论文有图98幅,表19个,参考文献170篇。
朱娜[3]（2021）在《小波分析在大功率微波加热系统故障检测中的应用研究》文中提出微波加热作为一种高效清洁的加热方式,目前在多领域都得到广泛地应用。微波源是将直流电源的电能转变为高频电磁波的核心装置,它直接为微波加热系统提供热量源,作为微波加热系统的心脏,它的好坏往往决定着微波加热系统的性能。目前,大功率微波加热系统的微波源队列只有运行与否的二值检测,为了提高其队列的经济性和可靠性,在线实时检测微波源队列的工作状态及变化非常必要。不断检测微波源的变化和故障,一方面可以提高微波加热系统的可靠性和经济性;另一方面,由于多微波源队列合成的大功率微波加热系统其微波源数量众多,因此,对其运行状态的在线检测十分必要。为此,在国家自然科学基金项目“微波与多金属矿物相互作用过程的建模与最优控制研究”（61863020）的资助下,本学位论文提出将基于小波分析的故障检测方法应用于大功率微波加热系统,对微波源队列进行在线实时检测。首先,分析影响磁控管微波输出功率的因素,通过对阳极电流I（t）的反馈控制来建立微波源系统的传递函数模型。其次,通过电场强度的变化情况判断微波源队列是否发生故障,并引入温度变化系数COV来表征电场强度的变化。最后,利用多尺度小波变换极值点残差的故障检测方法对微波源队列进行循环检测,获取多尺度下输入信号U（t）和输出信号I（t）的连续小波变换,进而计算出极值产生的残差信号r（t）,并根据残差信号在多尺度下的变化情况完成检测。为了对检测结果进行可视化分析,绘制残差信号r（t）的小波时频图,获取时频域的特征信息,更直观的判断出微波源是否发生故障。对微波源可能发生的3种故障状态分别进行实例仿真,并根据发生不同故障后残差信号r（t）的变化情况检测出微波源在t=80s时发生故障1,t=90s时发生故障2,t=100s时发生故障3。仿真实验以及结果分析表明,利用连续小波变换的分析方法对微波源队列进行故障检测,可以准确的在线检测出微波源队列中故障微波源的位置以及发生故障的时刻。
巩腾飞[4]（2020）在《基于小波分析的电机AGC质量控制方法设计》文中研究表明(AGC)Automatic Generation Control,自动发电控制,也称之为电力系统频率与有功功率的自动控制（以下简称AGC）,它指的是当发电机机组在给定的出力调整范围内,自动追随电网调度系统下发的指令,按照某个给出的调节速率,实时调整发电机功能出力,以满足电力系统频率和线性功率的控制要求。当发电机的电能功率发生了变化,那么不仅仅是因为发电机自身的电磁特性引起的,更多时候是因为电力系统的负荷特性所引起的,而电网系统中负荷特性的信号偏差一般是难以控制的,这也正是因为过大的信号偏差从而引起电力系统频率发生不规则的波动。本文以自动发电控制为课题,以基于小波分析的电机AGC控制为对象,研究其质量控制方法,设计并开发基于小波分析的质量控制系统,希望能够为电机自动发电控制AGC质量控制中存在的缺陷提供一种有效的解决方案。为了可以进一步提升小波变换精度,本文研究了小波变换算法,运用了基于小波变换算法的回归、分析,包括:基于小波分析的电机AGC的确定及处理函数的研究,电机AGC质量控制机理的仿真,不同发电转速条件下的基于小波分析的电机AGC的密度估计、回归估计;对基于小波分析的电机AGC质量控制方法进行分析并建立仿真模型,并进行了小波分析,克服了小波算法的缺陷,提高了小波变换算法的精度,并且提升了基于小波分析的电机AGC的质量控制方法的精准度。本课题内主要进行了以下四个方面的探讨:（1）论述了小波分析理论,解释小波分析与傅里叶变换的关系,并分析两者在信号解析理论中的差别并进行详细阐述,运用了小波变换的样本估计方法,分析研究基于小波分析的电机AGC质量控制方法。（2）论述了基于小波分析的电机AGC质量控制方法,并运用小波变换方法对其进行分析研究并提出相关参数,制定电机自动发电ACG模型参数质量控制方案。（3）运用MATLAB/Simulink软件建立基于小波分析的电机自动发电控制AGC质量控制仿真模型,并进行不同转速条件的仿真,以便于分析其动态响应。（4）对基于小波分析的电机AGC质量控制方法在不同转速条件的模型进行分析,提取信号,并运行小波分析的回归估计对该信号进行分析,进过验证,可以得出了该质量控制方法是有效的。论文以小波分析理论为基础,论述了一种基于小波分析的自动发电控制AGC质量控制方法,进行了分析研究,得出一些解决问题的思路,希望为减少电力系统频率波动,降低电网频率噪声提出一点建议,同时也希望能够给传统的电机AGC质量控制方法提供一些改进,为今后实现电网信号稳定提供重要的参考依据。
臧志昭[5]（2020）在《基于自回归线性过滤法的水平轴风力机尾流与气动载荷特性研究》文中研究说明风力机在风电场中运行时,由于风场中的风剪切和湍流等复杂特性,风力机的气动载荷和尾流特性受到影响,不同来流状态下,风力机的气动载荷和尾流特性各不相同。研究复杂来流条件下风力机的尾流特性及载荷特性,对风力发电场的微观选址、风力机功率预测和载荷分析等方面具有重要的意义。因此,本文通过使用自回归线性过滤法作为大涡模拟湍流入口条件,模拟生成中国B类湍流风场,进而针对一台33kW风力机进行大涡数值模拟,研究风力机在剪切来流和B类湍流风场中尾流演化规律和气动特性。主要研究内容如下:（1）基于序列合成法中的自回归线性过滤法（AR法）,在满足谱特性和速度特性基础上,得到满足目标湍流风场特性的随机数据序列,作为大涡模拟的湍流入口条件,将基于AR法得到的模拟结果与采用预前模拟法得到的结果进行对比分析,结果表明,与预前模拟法相比,采用AR法开展湍流风场大涡模拟研究能够有效提高模拟精度和计算效率,流场的湍流耗散较小,具有较高的流场特征保持性,而且更容易控制生成目标湍流风场,可作为风力机大涡模拟研究的湍流入口条件。（2）风剪切条件下风力机尾流研究。风轮下游1-11D范围0°方位角叶尖高度位置,尾流速度以风轮旋转周期随时间变化;尾流区平均轴向速度剖面在1-7D范围内呈“W”形分布,随着尾流继续向后发展,“W”形状逐渐变化为“S”分布,轴向速度剖面以轮毂中心线高度处呈不对称性分布,存在下半部尾流恢复速度大于上半部的现象;尾流轴向速度在7D位置亏损最大,最大亏损率为24.8%;在1D位置尾流湍动能最大,随着远离风轮,湍动能逐渐减小;1-3D范围内,尾流区域较规则,随着向后发展,尾流区域发生扩散;在风轮近尾流区,出现了小尺度高频湍流结构,随着远离风轮,小尺度高频湍流结构逐渐向大尺度低频湍流结构演化。（3）B类湍流风场下风力机尾流研究。风轮下游1-5D范围内,尾流轴向速度剖面呈“W”形分布,随着尾流向后发展,“W”形逐渐消失;随着尾流距离风轮越远,轮毂中心线高度轴向速度先减小后增大,在3D位置处,速度亏损最大,最大亏损率为14.5%;在1D位置,尾流区与主流区界限较明显,从3D开始,尾流区域与主流区逐渐混合;在风轮的作用下,湍动能在风轮近尾涡区逐渐增大,在3D以后,湍动能逐渐减小;对于轴向脉动速度谱特性,与风轮前1D位置相比,风轮下游脉动速度能量明显提高,下游1D位置惯性子区范围变窄,进入耗散区位置提前,在3D和5D位置,进入耗散区位置后移;在风轮近尾涡区,出现了小尺度高频湍流结构,随着向后发展,小尺度高频湍流结构逐渐消失,风轮尾涡逐渐耗散,大尺度湍流结构为主要湍流结构。（4）相较于风剪切来流条件,B类湍流风场下风力机尾流速度恢复更快,最大亏损率也较小。（5）在B类湍流风场条件下,风力机气动载荷功率谱在叶片通过频率的整数倍位置出现峰值,且峰值随着频率的增大而减小;相较于剪切来流,B类湍流风场下风轮转矩和推力功率谱的能量明显增强,且转矩分布范围增大;对于叶片周围压力和流线分布,两种工况下在靠近叶片前缘吸力面的压力差异较大,表明叶片前缘吸力面对来流湍流特性的响应更加敏感;相较于剪切来流,B类湍流风场下的叶片边界层分离点位置更加靠近叶片后缘,出现了边界层分离位置后移现象,分离涡尺度也相对减小,表明湍流导致叶片边界层对逆压梯度的抵抗能力提高,导致边界层分离点出现延迟现象。（6）对于剪切来流与B类湍流风场下的叶片载荷,相较于剪切来流下,B类湍流风场下叶片载荷波动范围明显增大,通过频谱分析可知,湍流来流下叶片载荷能量更高。
杨海坤[6]（2020）在《基于瞬态冲击响应信号的某高速自动机故障诊断方法研究》文中进行了进一步梳理对于长时间受循环应力,高速冲击以及在高温、高压恶劣环境条件下工作的武器,其零件容易产生裂纹,提前诊断出含有裂纹的零件以确保武器安全可靠具有重要意义。通过测试和分析高速冲击武器产生的振动信号是对其状态进行诊断的重要方法,但高速冲击武器的工作环境恶劣,其内部运动的零件众多,产生的振动信号成分复杂,既有以瞬态冲击信号为主的确定信号成分,也有大量包含高噪声的随机信号成分。这些使得振动信号携带零件的有效裂纹信息微弱,不能采用单一的经典理论提取振动信号的特征,而且目前针对瞬态冲击信号提取特征的理论较少,经典的频域处理方法及时频域处理方法往往不能直接有效处理这类以瞬态冲击信号为主要成分的复杂振动信号,需要基于这些经典理论并结合新的理论才能更好的对瞬态冲击信号提取有效特征。另外,诊断时需要对提取的特征进行机器学习和集成学习器,从而对学习器的学习能力以及采用的集成理论也要进行研究。本文以某高射机枪作为典型代表,研究基于瞬态冲击信号诊断高速冲击武器状态的方法,对高射机枪的高速自动机的故障进行诊断。具体地,对高速自动机的闭锁机构的3种典型裂纹进行诊断。首先采用运动形态分解的方法对测试的瞬态冲击信号进行预处理以剔除无效的信号段,其次从提取信号特征、优化学习器、集成学习器3个方面展开研究,最后利用集成学习器对高速自动机的故障进行诊断。在提取瞬态冲击信号的特征方面,本文提出积分上限变换法、概率密度函数法、信息表达力概念以及信息差异度概念以提取信号的特征;研究离散系统信息表达力的极值问题,以及仅知概率密度积分上限函数的离散值,而又不能求概率密度函数时,求取信号微分熵和微分表达力的方法;并基于提出的方法和概念、各态历经性指标、功率谱函数及Mallat离散小波分析,对瞬态冲击信号提取了6组特征,其中基于Mallat离散小波分析的能量比特征组为对照组。对瞬态冲击信号及其特征的分析表明:（1）信号是非平稳的,但可以利用处理平稳信号的方法进行分析;信号频率成分复杂,难以直接从频谱,连续小波分析的时频谱,希尔伯特幅值谱和边缘谱中提取有效特征。（2）提出的积分上限变换法具有改变信号各频率组分强度的作用,信号经过积分上限变换处理后,同状态信号的频谱表现出一定规律,提取的积分频谱特征组在基于模糊神经网络学习时,表现出的质量比对照特征组好。（3）提出的概率密度函数法在时间域以统计理念处理复杂瞬态冲击信号,基于固有模式函数IMF1、IMF2以及概率密度函数法提取的频率幅值特征组在基于支持向量机学习时,表现出的质量在所有特征组中最好,充分肯定了概率密度函数法的有效性。（4）直接基于频谱对信号提取的微分表达力比经过积分上限变换后对信号提取的微分表达力的质量更好,基于希尔伯特-黄瞬时频率比基于频谱提取的微分表达力和微分熵的质量更好,同时微分表达力与微分熵具有相同表征信号状态的能力。（5）提出的信息差异度概念具有合理性,但信息差异度的质量不佳,再次从侧面反映信号的复杂性。在优化和集成学习器方面,本文提出训练模糊神经网络的Moore-Penrose逆牛顿算法,构造了具有5层结构的模糊神经网络,利用随机特征测试模糊神经网络。对提取的特征组,采用模糊神经网络和支持向量机进行学习得到子学习器,将子学习器采用Bayes集成理论分层次进行集成得到集成学习器,利用集成学习器实现对高射机枪的闭锁机构的3种典型裂纹进行诊断,同时采用交叉验证法训练和测试学习器。研究结果表明:（1）Moore-Penrose逆牛顿法比Levenberg-Marquardt算法具有更好的收敛性和收敛速度。（2）小样本条件下,支持向量机的预测能力要高于模糊神经网络。尽管模糊神经网络处于过学习状态,提高模糊神经网络的节点数能够提高预测能力。（3）本文采用的Bayes集成理论能有效提高学习器的预测正确率。最终,本文实现以83.93%的预测正确率对高射机枪的高速自动机的故障进行诊断。考虑到实验条件、工作方式的多样性以及进行故障诊断的高难度,这样的预测正确率还是非常理想。
潘波[7]（2020）在《KECA在声发射行星齿轮箱故障诊断中的研究》文中指出作为一种复杂的复合齿轮传动系统,行星齿轮箱具有体积小、传动比大、传动效率高等优点。它广泛应用于航空航天、远洋船舶、风力发电机和汽车发动机等众多领域。由于行星齿轮箱本身结构复杂,在运行过程中,间隙、外力、碰撞、摩擦等因素与其动态行为产生相互作用,使其偏离理想运行状态,易导致故障的发生,甚至引起灾难性事故。因此,行星齿轮箱的状态监控和故障诊断对于保障系统安全可靠运行、降低维修成本、避免重大事故具有重要的研究意义和应用价值。声发射技术（Acoustic emission,AE）作为一种高灵敏度,宽频响范围的动态无损检测技术,在故障诊断领域得到了越来越广泛的应用。与传统的故障检测技术（如振动分析和油样分析等）相比,AE在行星齿轮箱超低速运行状态和早期故障诊断方面有较明显的优势。本文以行星齿轮箱为研究对象,结合AE检测技术,围绕行星齿轮箱故障状态识别和健康监测等问题开展了相关研究。故障诊断的本质是模式识别的问题,而如何从复杂的故障信号中提取出对设备运行状态敏感、可分性好、规律性强的特征参数是关键一步。基于此,本文引入基于核熵成分分析算法（Kernel Entropy Component Analysis,KECA）的行星齿轮箱状态识别模型,并在此基础上进一步提出了改进算法（Improved Kernel Entropy Component Analysis,IKECA）。主要工作如下:1)针对行星齿轮箱AE信号中难以避免会混有噪声,从而对其故障诊断和状态监测带来干扰的问题。首先分析了所采集AE信号中噪声的来源和成分,根据AE信号典型的非线性、非平稳和非高斯特性,以及噪声分布特点,采用小波包阈值降噪算法滤除AE信号中混有的噪声,提高信噪比。并且针对实测AE信号的特点,探究了小波基函数,分解层数,阈值,阈值函数等合适的选取方式,得到了良好的效果;2)针对从行星齿轮箱AE信号中提取的混合域高维特征数据集中存在的相关性和冗余性,会对后续的状态识别性能产生影响等问题,引入KECA算法来提取能表征设备状态的重要信息并降低维度。且在此基础上进一步提出了改进算法,该改进算法直接寻找使数据二次Renyi熵值最大的方向作为投影方向,充分挖掘嵌入高维空间中的低维敏感特征参数,从而提升了故障诊断效率和状态识别准确率。且与不同的特征提取算法作对比,通过实验验证了该改进算法的有效性和优越性。3)考虑到经IKECA算法处理后的数据还需要输入到分类器中才能完成最终状态的智能识别,本文针对行星齿轮箱故障识别的非线性,高维度和小样本等问题,研究了基于支持向量机的故障识别算法。一方面以分类准确率为指标进一步验证了IKECA算法的有效性和优越性;另一方面,在综合上述算法的基础上,将WPD-IKECA-SVM故障诊断模型用于实测AE信号的分析处理,结果表明该诊断框架具有更高的故障识别准确率和诊断效率。
刘娟花[8]（2019）在《多尺度数据融合算法及其应用研究》文中指出分别在多个尺度上对多个传感器的信息进行融合,不仅可获得比单个传感器更优的性能,而且与单尺度上的融合相比,多尺度数据融合能更好地刻画出目标的本质特性。MEMS陀螺是一种可以测量角速度的传感器,具有很多吸引人的优点。但噪声大,准确度不高也是不争的事实。于是如何去除MEMS陀螺仪中的噪声,并提高其精度就成为近年来的研究热点。对多MEMS陀螺应用多尺度数据融合算法,可以显着提高系统的精度及可靠性。本文证明了前人提出的多尺度数据融合算法的有效性,设计了 一种新的多尺度融合算法,讨论了多尺度数据融合中的重要技术问题,并通过对多个MEMS陀螺的融合应用,经仿真和硬件实验验证了本文多尺度融合算法的优越性。主要创新点和工作如下:1.从小波分析理论出发,证明了平稳和非平稳情况下的数据融合定理。从数学上解释了多尺度数据融合算法优于经典加权算法的原理,为该算法的推广应用奠定了数学基础。2.结合小波域多尺度数据融合算法的原理、具体步骤及存在问题等,设计了基于小波包的多尺度数据融合算法,并用实测数据通过仿真实验,比较了小波多尺度数据融合和小波包多尺度数据融合。3.分析了多MEMS陀螺数据融合中的小波基、分解层数、加权因子等的选择方法,通过仿真实验验证了其可行性。4.比较了基于时间序列分析、基于小波去噪和基于小波变换的多尺度融合这三种融合方法不同方面的性能。另外,还比较了多尺度融合和前向线性预测（Forward Linear Prediction,FLP）融合方法,结果均表明本文所提出的多尺度融合方法的独特性和有效性。将上述研究成果应用于我们设计并制作的一套多MEMS陀螺仪数据融合实时处理系统平台中,对4个MEMS陀螺仪所采集的原始数据进行实时处理。分别在静态和动态环境下对该集成系统进行了测试,实验结果表明:该系统运行稳定可靠,将MEMS陀螺的精度提高了 1个量级。本文的研究工作不仅为有关多尺度融合系统的分析奠定了理论基础,还为算法的推广应用提供了实验依据。
赵冕[9]（2019）在《舰船辐射噪声中调制特征线谱检测的小波分析方法研究》文中研究说明舰船辐射噪声中的线谱成分不仅具有高能量强度与高稳定性的特点,而且其中含有大量舰船固有特征量,可以反映目标舰船的本质特征,因此线谱的准确提取对于目标的分类识别有着重要的实际价值。舰船辐射噪声线谱主要由低频线谱以及中高频的调制特征线谱组成,其中低频线谱部分由于受到海洋环境噪声以及一些低频杂波干扰,不利于高质量的特征提取,而其中高频线谱部分由于受到螺旋桨叶片频及轴频的影响,形成了调制特征线谱,可以避开环境噪声干扰,实现调制线谱及特征量的有效提取。舰船辐射噪声具有显着的非高斯与非平稳特性,针对其调制特征线谱提取,参考了经典的DEMON谱分析方法,但发现其选用的带通滤波与包络检波方法存在大量的高频谐波分量以及频谱混叠等现象,而且在利用功率谱分析提取线谱时具有对噪声抑制能力差、提取后的谐波分量不明显等缺点。因此,为了解决上述问题,本文深入研究了小波分析与高阶谱分析方法,提出了改进的调制特征提取方法,主要有以下四个方面内容:1.详细研究了舰船辐射噪声及其背景噪声的基本特性,讨论了舰船辐射噪声的各组成部分及其产生机理,并根据其声学特性建立了舰船辐射噪声的仿真模型。2.详细研究了小波分析方法,利用复小波解调的方法,对舰船辐射噪声信号同时进行分频滤波与解调操作,实现自适应滤波,并且有效抑制了高频谐波分量与频谱混叠现象。3.详细研究了高阶统计量原理,对双谱与1（1/2）维谱的原理及特性进行了深入讨论,利用性能更好的1（1/2）维谱对所得到的调制包络进行谱分析处理,取得了较好的线谱提取效果。4.综合利用小波解调以及1（1/2）维谱分析方法,构建低信噪比下的舰船辐射噪声调制线谱提取模型,分别利用仿真信号和实测数据进行实验分析,验证了该方法的有效性与普适性。
郭园园[10]（2019）在《基于去趋势项RR间期序列的熵研究》文中研究说明心脏是人类维持生命健康的重要器官之一,结构和生理功能极其复杂。心脏系统是自然界中典型的混沌系统,其输出信号常常呈现出复杂的变异性,因此被称为心率变异性（HRV）信号,也称RR间期序列。该时间序列大量的储藏着与心血管调节的相关信息,已作为评价自主神经活动水平以及临床检测心脏健康的一个重要研究对象。RR间期序列的输出波形看似有规律实则存在微小的差异,是一种复杂的混沌信号。对RR间期序列的研究必须采用非线性混沌指标对其进行刻画,在众多的非线性混沌指标当中,熵分析是一种被用于测量非平稳随机信号的复杂性、随机性以及不规则性的方法,可作为识别RR间期序列不同生理状态下的一种指标。熵分析的本质是嵌入维数的变化会引起时间序列产生新模式的概率发生变化,说明数据结构的复杂性。然而当熵分析作为衡量非线性序列的指标时,易受信号的各种趋势或噪声影响,造成计算结果的不稳定和不确定性。在实际ECG信号采集过程中,由于传感器的影响,ECG信号通常会受到采集者呼吸、出汗和轻微移动电极等因素的影响。甚至是由一些肌肉缓慢移动等现象带来的低频噪声干扰（即趋势项渗入）经常会影响到熵分析结果的准确性,进而影响整个实验结论的正确性。因此,消除或减少待测信号中的噪声和趋势成分是数据处理当中很关键的一步,然而目前在消除非线性趋势项的众多方法中,依然还存在着很大的缺陷性。基于此,本文在前人的研究基础上,进行了以下创新:（1）针对混沌经典模型Logistic映射序列的低频慢变成分（即趋势项部分）进行去趋势处理,提出了一种基于平滑先验发消除非线性信号趋势的方法,并且与传统的小波分析法、集合经验模态分解法进行仿真模拟对比,再联合Welch-PSD谱图对去趋势处理前后Logistic序列做功率谱分析。结果发现:小波分析法将频率小于100Hz的有效成分都一并消除掉,这就带来了RR间期序列一段有效成分的缺失,对实验结果造成了很大错误;EEMD消除蕋线漂移部分有一定的效果,然而在频率小于12Hz时,还没有明显的消除,这对于信号趋势项消除不太明显,不具优势;而本文提出的SPA算法很明显的消除掉这部分趋势项,并且由频率响应可知,SPA算法消除掉了截止频率为0.1668Hz以下的趋势项的去除,体现出平滑先验法消除非线性趋势的优越性。（2）对昼夜节律下健康人的RR间期序列添加三种常见的主要趋势:直线趋势、周期趋势、幂指数趋势以及这三种趋势的混合趋势,对其进行近似熵和模糊熵计算,经t检验,P（白天,夜间）>0.05,结果表明两种算法对趋势或噪声均很敏感,极易受到信号当中渗透的趋势或噪声成分的影响,使得健康人白天和夜间两种状态下的RR间期序列难以清楚的区分开。（3）为了提高两种熵算法在噪声或不同趋势强干扰下的识别性,使用平滑先验法消除RR间期序列在噪声或不同趋势下的非线性趋势项,再次计算两种熵,发现两个熵值均保持稳定且经t检验,P（白天,夜间）<0.05,这说明平滑先验法有效的提高了两种熵分析法的稳定性和识别性,在以后的研究中,无需再考虑趋势或噪声对实验结果的影响,对非线性信号处理和特征值选取提供了可行性的实施方法。
二、随机信号的小波分析(Ⅱ)（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、随机信号的小波分析(Ⅱ)（论文提纲范文）
（1）基于信号分析的海洋立管涡激振动及损伤特征提取研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 振动信号与信号处理 |
| 1.2.1 振动信号 |
| 1.2.2 振动信号处理 |
| 1.2.3 振动信号处理的应用 |
| 1.3 海洋工程中的振动信号特征提取技术 |
| 1.3.1 傅里叶变换 |
| 1.3.2 小波变换 |
| 1.3.3 Hilbert-Huang变换 |
| 1.4 信号时频处理技术在海洋立管振动中的应用 |
| 1.5 主要研究内容及创新点 |
| 第2章 振动信号处理的基本理论 |
| 2.1 傅里叶变换 |
| 2.1.1 傅里叶变换的定义 |
| 2.1.2 傅里叶变换的局限性 |
| 2.1.3 短时傅里叶变换 |
| 2.1.4 短时傅里叶变换的局限性 |
| 2.2 小波变换 |
| 2.2.1 连续小波变换 |
| 2.2.2 连续小波变换的性质 |
| 2.2.3 离散小波变换 |
| 2.2.4 多分辨率分析 |
| 2.2.5 小波包分解 |
| 2.2.6 小波变换的优缺点 |
| 2.3 Wigner-Ville分布 |
| 2.3.1 Wigner-Ville分布的定义 |
| 2.3.2 Wigner-Ville分布的性质 |
| 2.3.3 Wigner-Ville分布的缺陷 |
| 2.4 Hilbert-Huang变换 |
| 2.4.1 Hilbert变换 |
| 2.4.2 瞬时频率 |
| 2.4.3 固有模态函数 |
| 2.4.4 经验模态分解 |
| 2.4.5 Hilbert谱和Hilbert边际谱 |
| 2.4.6 HHT存在的问题 |
| 2.5 振动信号处理方法对比 |
| 2.6 本章小结 |
| 第3章 海洋立管涡激振动实验及数据处理 |
| 3.1 实验介绍 |
| 3.1.1 垂直单根立管实验 |
| 3.1.2 串列排布双立管实验 |
| 3.2 实验数据预处理 |
| 3.3 模态分析法 |
| 3.4 本章小结 |
| 第4章 海洋立管涡激振动信号特征提取 |
| 4.1 垂直单立管涡激振动信号特征提取 |
| 4.1.1 基于HHT的垂直单立管信号特征提取 |
| 4.1.2 基于小波变换的垂直单立管信号特征提取 |
| 4.2 串列排布双立管涡激振动信号特征提取 |
| 4.2.1 基于HHT的串列排布双立管信号特征提取 |
| 4.2.2 基于小波变换的串列排布双立管信号特征提取 |
| 4.3 HHT与小波变换处理效果对比 |
| 4.4 本章小结 |
| 第5章 海洋立管有限元模型的损伤特征提取 |
| 5.1 海洋立管有限元模型的建立 |
| 5.2 无损伤海洋立管模型振动特征提取 |
| 5.3 海洋立管模型的损伤特征提取 |
| 5.4 不同损伤程度下海洋立管模型的损伤特征提取 |
| 5.5 本章小结 |
| 第6章 结论与展望 |
| 6.1 研究结论 |
| 6.2 未来工作展望 |
| 参考文献 |
| 发表论文和参加科研情况说明 |
| 致谢 |
（2）齿轮箱混沌特性与故障诊断研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 变量注释表 |
| 1 绪论 |
| 1.1 研究背景、意义及来源 |
| 1.2 国内外研究进展 |
| 1.3 尚需深入研究的问题 |
| 1.4 主要研究内容 |
| 2 试验信号采集与降噪分析处理研究 |
| 2.1 引言 |
| 2.2 齿轮振动信号采集试验分析 |
| 2.3 试验结果与分析 |
| 2.4 试验信号降噪分析与处理 |
| 2.5 本章小结 |
| 3 齿轮箱系统的混沌特性研究 |
| 3.1 引言 |
| 3.2 相空间重构理论 |
| 3.3 混沌系统的判别方法 |
| 3.4 理论混沌系统证明 |
| 3.5 齿轮系统混沌特性证明 |
| 3.6 本章小结 |
| 4 基于混沌吸引子相点分布特性表征诊断方法研究 |
| 4.1 引言 |
| 4.2 相轨迹图表征与诊断 |
| 4.3 相点三维直方图表征与诊断 |
| 4.4 本章小结 |
| 5 基于混沌吸引子递归特性表征诊断方法研究 |
| 5.1 引言 |
| 5.2 递归分析方法原理 |
| 5.3 齿轮故障递归图分析 |
| 5.4 齿轮故障定量递归分析 |
| 5.5 最优模式识别与诊断方法 |
| 5.6 本章小结 |
| 6 考虑多频激励齿轮动力学建模与诊断研究 |
| 6.1 引言 |
| 6.2 齿轮动力学模型构建 |
| 6.3 齿轮动力学模型特性与诊断 |
| 6.4 本章小结 |
| 7 全文总结 |
| 7.1 研究内容和主要结论 |
| 7.2 创新点 |
| 7.3 展望 |
| 参考文献 |
| 作者简历 |
| 学位论文数据集 |
（3）小波分析在大功率微波加热系统故障检测中的应用研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题的研究背景及意义 |
| 1.2 大功率微波加热系统的基本结构及其分类 |
| 1.2.1 大功率微波加热系统基本结构 |
| 1.2.2 大功率微波加热系统的分类 |
| 1.3 小波分析的发展状况及其在故障诊断中的应用 |
| 1.3.1 小波分析的发展状况 |
| 1.3.2 小波分析在故障诊断中的应用 |
| 1.3.3 小波分析在故障诊断中的研究现状 |
| 1.4 数值计算及软件平台 |
| 1.4.1 数值计算法 |
| 1.4.2 数值计算软件平台 |
| 1.5 本文主要内容与章节安排 |
| 第二章 微波源系统的数学建模 |
| 2.1 磁控管的基本结构及其分类和性能 |
| 2.1.1 磁控管的基本结构 |
| 2.1.2 磁控管的分类和性能 |
| 2.2 磁控管的伏安特性 |
| 2.3 磁控管的效率 |
| 2.4 建立磁控管的数学模型 |
| 2.4.1 影响磁控管微波输出功率的因素 |
| 2.4.2 调节磁控管输出功率的控制策略 |
| 2.5 本章小结 |
| 第三章 基于多尺度小波变换的大功率微波加热系统微波源的故障检测 |
| 3.1 微波源队列故障的判断 |
| 3.1.1 电场强度的变化 |
| 3.1.2 温度变化系数COV |
| 3.2 基于多尺度小波变换的微波源故障检测 |
| 3.2.1 连续小波变换 |
| 3.2.2 利用连续小波变换进行信号检测的基本原理 |
| 3.2.3 基于多尺度小波变换故障检测的基本步骤 |
| 3.3 故障检测结果可视化分析 |
| 3.4 基于小波分析的大功率微波加热系统微波源的故障检测算法 |
| 3.5 本章小结 |
| 第四章 微波源故障检测实验与结果分析 |
| 4.1 微波源的故障类型 |
| 4.2 微波源故障检测仿真实验结果 |
| 4.2.1 多尺度小波变换检测结果 |
| 4.2.2 可视化分析 |
| 4.3 实验结果分析与讨论 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 A (攻读硕士期间的学术成果) |
| 附录 B (攻读硕士期间参与科研项目) |
（4）基于小波分析的电机AGC质量控制方法设计（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 缩略语对照表 |
| 第一章 绪论 |
| 1.1 课题研究的背景和意义 |
| 1.2 国内外同类课题研究现状 |
| 1.3 本课题主要工作 |
| 1.4 本文的组织结构 |
| 1.5 本章小结 |
| 第二章 小波分析与样本估计 |
| 2.1 小波分析理论 |
| 2.1.1 小波分析 |
| 2.1.2 高维连续小波变换 |
| 2.1.3 离散小波变换 |
| 2.2 快速傅立叶变换及其MATLAB应用 |
| 2.3 小波变换的样本估计 |
| 2.3.1 密度估计 |
| 2.3.2 回归模型 |
| 2.3.3 基于小波变换的回归估计 |
| 2.4 本章小结 |
| 第三章 基于小波分析的电机AGC质量控制方法的仿真分析 |
| 3.1 电机AGC质量控制的分析方法 |
| 3.2 电机AGC质量控制方法的仿真模型建立 |
| 3.3 不同发电转速下电机AGC质量控制的仿真模型的建立 |
| 3.4 本章小结 |
| 第四章 不同转速条件下电机AGC质量控制模型的小波仿真分析 |
| 4.1 不同转速条件下的电机AGC质量信号的提取 |
| 4.2 不同转速条件下电机AGC质量控制信号的回归估计与实现 |
| 4.3 不同转速条件下的电机AGC质量控制方法的回归估计 |
| 4.4 不同转速条件下的电机AGC质量控制方法的奇异性分析 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（5）基于自回归线性过滤法的水平轴风力机尾流与气动载荷特性研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 湍流风场生成技术研究现状 |
| 1.2.2 大气边界层中风力机空气动力学研究现状 |
| 1.3 本文主要研究内容 |
| 第2章 基本理论与模拟分析方法 |
| 2.1 大气边界层 |
| 2.1.1 平均速度剖面 |
| 2.1.2 平均湍流强度剖面 |
| 2.1.3 风功率谱 |
| 2.2 风力机空气动力学基本理论 |
| 2.2.1 Betz理论 |
| 2.2.2 叶素理论 |
| 2.3 数值模拟方法 |
| 2.3.1 大涡模拟 |
| 2.3.2 自回归线性过滤法 |
| 2.4 数据分析方法 |
| 2.4.1 小波分析 |
| 2.4.2 相关性分析 |
| 2.5 本章小结 |
| 第3章 基于自回归线性过滤法的湍流风场大涡模拟 |
| 3.1 湍流入口边界生成 |
| 3.2 湍流风场数值模拟 |
| 3.3 AR法与预前模拟法对比分析 |
| 3.4 本章小节 |
| 第4章 风力机尾流特性研究 |
| 4.1 几何模型 |
| 4.1.1 风轮几何模型 |
| 4.1.2 计算域模型 |
| 4.2 网格划分 |
| 4.2.1 网格划分方法 |
| 4.2.2 计算模型验证 |
| 4.3 边界条件 |
| 4.4 风剪切来流条件下的风力机尾流特性研究 |
| 4.4.1 流场特性分析 |
| 4.4.2 尾流速度特性 |
| 4.4.3 尾流湍动能特性分析 |
| 4.4.4 尾流结构分析 |
| 4.5 B类湍流风场中风力机尾流特性研究 |
| 4.5.1 监测点位置示意图 |
| 4.5.2 风场特性分析 |
| 4.5.3 尾流速度分析 |
| 4.5.4 尾流湍动能分析 |
| 4.5.5 尾流功率谱分析 |
| 4.5.6 尾流结构分析 |
| 4.6 风力机尾流对比分析 |
| 4.7 本章小节 |
| 第5章 风力机气动载荷特性研究 |
| 5.1 气动载荷特性研究 |
| 5.1.1 气动载荷功率谱分析 |
| 5.1.2 压力分布特性 |
| 5.2 叶片轴向力和切向力分析 |
| 5.3 本章小节 |
| 第6章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 附录A 攻读学位期间所发表的学术论文目录 |
（6）基于瞬态冲击响应信号的某高速自动机故障诊断方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 引言 |
| 1.1 研究背景及意义 |
| 1.2 高速冲击武器的研究对象 |
| 1.3 诊断高速冲击机械系统的研究现状 |
| 1.3.1 提取冲击信号特征的研究现状 |
| 1.3.2 集成诊断信息的研究现状 |
| 1.4 研究目的及思路 |
| 1.4.1 新方法提取瞬态冲击信号的特征 |
| 1.4.2 新的训练学习器算法 |
| 1.4.3 合适的集成学习器理论 |
| 1.5 研究内容及结构安排 |
| 2 测试与预处理瞬态冲击信号 |
| 2.1 试验对象 |
| 2.2 设置典型故障 |
| 2.3 试验环境与采集设备 |
| 2.4 设置采集设备 |
| 2.5 设置采集样本 |
| 2.6 预处理瞬态冲击信号 |
| 2.6.1 预处理单发射击振动信号 |
| 2.6.2 预处理连发射击振动信号 |
| 3 信号特征提取研究 |
| 3.1 引言 |
| 3.2 检测瞬态冲击信号的基本方法 |
| 3.2.1 增广Dickey-Fuller检测平稳性 |
| 3.2.2 各态历经性指标作为信号的特征 |
| 3.3 提取信号的时频域特征 |
| 3.3.1 信号的自相关时域性质 |
| 3.3.2 信号的复杂频域性质 |
| 3.4 经典理论提取信号特征 |
| 3.4.1 连续小波变换分析信号时频谱 |
| 3.4.2 基于Mallat离散小波提取能量比特征 |
| 3.4.3 信号的瞬时频率及希尔伯特幅值谱 |
| 3.5 积分上限变换及概率密度函数法 |
| 3.5.1 积分上限变换提取信号特征 |
| 3.5.2 概率密度函数特征及逆运算 |
| 3.5.3 基于瞬时频率与密度积分上限法提取特征 |
| 3.5.4 基于积分上限变换与密度积分上限提取特征 |
| 3.6 编组信号特征量 |
| 3.7 本章小结 |
| 4 微分熵及微分表达力特征 |
| 4.1 引言 |
| 4.2 离散熵与微分熵 |
| 4.2.1 信息熵及微分熵概念 |
| 4.2.2 离散熵与微分熵的关系 |
| 4.2.3 数值计算微分熵 |
| 4.3 信息表达力与微分表达力 |
| 4.3.1 离散系统的表达力 |
| 4.3.2 离散系统表达力的极值 |
| 4.3.3 微分表达力与离散表达力的关系 |
| 4.3.4 数值计算微分表达力 |
| 4.4 .联合系统的信息差异度 |
| 4.4.1 定义信息差异度 |
| 4.4.2 利用信息差异度分析系统状态 |
| 4.5 联合提取信号特征 |
| 4.5.1 基于频谱提取微分表达力特征 |
| 4.5.2 基于瞬时频率提取微分表达力和微分熵特征 |
| 4.5.3 最优状态分布及特征分类能力 |
| 4.6 编组基于频谱或瞬时频率的特征组 |
| 4.7 本章小结 |
| 5 基于FNN与 SVM集成学习器 |
| 5.1 引言 |
| 5.2 模糊神经网络 |
| 5.2.1 模糊神经网络概述 |
| 5.2.2 模糊神经网络的拓扑结构 |
| 5.2.3 Levenberg-Marquardt算法 |
| 5.2.4 Moore-Penrose逆牛顿算法 |
| 5.2.5 随机特征测试模糊神经网络 |
| 5.3 多分类支持向量机 |
| 5.3.1 支持向量机概述 |
| 5.3.2 构造多分类支持向量机 |
| 5.4 基于Bayes理论和规则集成学习器 |
| 5.4.1 集成学习器的一般原则 |
| 5.4.2 集成学习器的拓扑结构 |
| 5.4.3 和规则集成多分类器 |
| 5.4.4 集成参数的估计 |
| 5.4.5 集成模糊神经网络与支持向量机 |
| 5.5 本章小结 |
| 6 基于集成学习器诊断高速自动机的故障 |
| 6.1 引言 |
| 6.2 交叉验证法训练与测试学习器 |
| 6.3 基于样本集训练和测试集成学习器 |
| 6.3.1 基于模糊神经网络的子学习器 |
| 6.3.2 基于支持向量机的子学习器 |
| 6.3.3 同组特征集成学习器 |
| 6.3.4 同测点及方向特征集成学习器 |
| 6.3.5 高级集成学习器诊断高速自动机状态 |
| 6.4 本章小结 |
| 7 全文总结 |
| 7.1 总结 |
| 7.2 主要创新点 |
| 7.3 工作展望 |
| 附录 A |
| 参考文献 |
| 致谢 |
| 攻读博士(硕士)期间发表的论文及所取得的研究成果 |
（7）KECA在声发射行星齿轮箱故障诊断中的研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 行星齿轮箱故障检测的研究进展 |
| 1.2.1 基于动力学模型的行星齿轮箱故障诊断方法 |
| 1.2.2 基于信号的行星齿轮箱故障诊断方法 |
| 1.3 声发射技术在故障诊断中的应用 |
| 1.3.1 声发射故障检测技术的研究进展 |
| 1.3.2 AE信号分析处理方法 |
| 1.4 本文工作及章节安排 |
| 第二章 声发射故障检测原理 |
| 2.1 引言 |
| 2.2 声发射检测技术 |
| 2.2.1 声发射检测技术的概念 |
| 2.2.2 声发射的产生机理 |
| 2.2.3 声发射信号的传播特性 |
| 2.2.4 声发射检测原理 |
| 2.3 声发射行星齿轮箱故障诊断试验 |
| 2.3.1 实验装置 |
| 2.3.2 声发射信号采集 |
| 2.4 本章小结 |
| 第三章 基于小波包的声发射信号降噪算法研究 |
| 3.1 引言 |
| 3.2 噪声源分析 |
| 3.3 小波分析基础理论 |
| 3.4 小波包阈值降噪 |
| 3.4.1 小波基选择 |
| 3.4.2 分解层数选择 |
| 3.4.3 阈值的选择 |
| 3.4.4 阈值函数选择 |
| 3.5 实验研究 |
| 3.6 本章小结 |
| 第四章 基于核熵成分分析的故障特征提取算法研究 |
| 4.1 引言 |
| 4.2 主成分分析 |
| 4.3 核主成分分析 |
| 4.3.1 核方法 |
| 4.3.2 核主成分分析 |
| 4.4 核熵成分分析 |
| 4.5 改进的核熵成分分析算法 |
| 4.6 实验研究 |
| 4.6.1 高维特征空间构造 |
| 4.6.2 实验结果分析 |
| 4.7 本章小结 |
| 第五章 基于支持向量机的故障分类算法 |
| 5.1 引言 |
| 5.2 支持向量机理论 |
| 5.2.1 线性支持向量机 |
| 5.2.2 非线性支持向量机 |
| 5.2.3 支持向量机的多分类问题 |
| 5.3 实验研究 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 本文工作总结 |
| 6.2 下一步工作展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
（8）多尺度数据融合算法及其应用研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 论文的研究背景及意义 |
| 1.2 多传感器信息融合概述 |
| 1.2.1 信息融合的概念和优点 |
| 1.2.2 信息融合的模型 |
| 1.2.3 信息融合的方法 |
| 1.2.4 信息融合技术的研究现状 |
| 1.3 多尺度数据融合有关技术及进展 |
| 1.3.1 多尺度系统估计理论研究概况 |
| 1.3.2 多尺度数据融合的应用及研究现状 |
| 1.3.3 多尺度数据融合概念的演变 |
| 1.4 MEMS陀螺仪中漂移信号处理方法研究现状 |
| 1.5 陀螺仪中的多尺度数据融合及需要解决的问题 |
| 1.6 本文的主要研究内容及结构安排 |
| 2 多尺度数据融合算法及其有效性的证明 |
| 2.1 引言 |
| 2.2 小波分解原子时算法 |
| 2.2.1 常见时间尺度 |
| 2.2.2 原子时算法 |
| 2.2.3 小波分解原子时算法的提出 |
| 2.2.4 小波分解原子时算法有待解决的问题 |
| 2.2.5 小波分解原子时算法的基本原理 |
| 2.3 预备知识 |
| 2.3.1 原子钟的噪声特性 |
| 2.3.2 相关说明 |
| 2.4 随机信号数据融合的理论体系 |
| 2.4.1 平稳单尺度数据融合 |
| 2.4.2 平稳多尺度数据融合 |
| 2.4.3 非平稳单尺度数据融合 |
| 2.4.4 非平稳多尺度数据融合 |
| 2.5 非平稳多尺度数据融合定理的证明 |
| 2.6 分析与讨论 |
| 2.7 本章小结 |
| 3 多尺度数据融合算法的小波包实现 |
| 3.1 引言 |
| 3.2 小波变换和小波包变换 |
| 3.3 小波包的基本理论 |
| 3.3.1 正交小波包的定义与性质 |
| 3.3.2 小波包的子空间分解 |
| 3.3.3 小波库及小波包基的定义 |
| 3.3.4 小波包的分解与重构算法 |
| 3.3.5 最优小波包基的概念 |
| 3.3.6 最优基的快速搜索 |
| 3.4 基于小波包的多尺度数据融合方案 |
| 3.4.1 基于小波变换的多尺度数据融合算法 |
| 3.4.2 基于小波包的多尺度数据融合方案 |
| 3.5 基于小波包的多尺度陀螺融合实验研究 |
| 3.5.1 MEMS陀螺概述 |
| 3.5.2 MEMS陀螺随机误差分析 |
| 3.5.3 MEMS陀螺随机误差的Allan方差分析 |
| 3.5.4 MEMS陀螺漂移的数学模型 |
| 3.5.5 MEMS陀螺信号实时小波处理方法 |
| 3.5.6 基于小波包的多尺度陀螺融合算法仿真实验 |
| 3.6 本章小结 |
| 4 小波多尺度数据融合中关键技术 |
| 4.1 MEMS陀螺噪声特性与小波熵 |
| 4.1.1 MEMS陀螺误差及噪声特性 |
| 4.1.2 小波熵 |
| 4.2 常见的小波簇 |
| 4.2.1 小波基的性质 |
| 4.2.2 常用小波基 |
| 4.3 基于小波变换的数据融合中小波基的选取 |
| 4.3.1 小波基选取原则 |
| 4.3.2 小波基的比较 |
| 4.3.3 小波簇的选取 |
| 4.3.4 陀螺数据融合效果评价 |
| 4.3.5 最佳小波基选取实验 |
| 4.4 小波分解层数的设定 |
| 4.5 数据融合加权因子的选择 |
| 4.6 本章小结 |
| 5 多尺度融合与其它MEMS陀螺信号处理方法的比较 |
| 5.1 MEMS陀螺仪噪声抑制方法研究概述 |
| 5.1.1 MEMS陀螺仪噪声抑制方法研究现状 |
| 5.1.2 卡尔曼滤波和小波阈值去噪法的缺点 |
| 5.1.3 多尺度数据融合算法的优点 |
| 5.2 MEMS陀螺数据处理中的多传感器数据融合 |
| 5.2.1 多尺度融合 |
| 5.2.2 卡尔曼滤波融合 |
| 5.2.3 小波阈值融合 |
| 5.3 基于仿真信号对三种融合方法的比较 |
| 5.3.1 仿真信号的产生 |
| 5.3.2 第一组仿真实验(Chirp信号+高斯白噪声) |
| 5.3.3 第二组仿真实验(Chirp信号+有色噪声) |
| 5.4 基于实测信号对三种融合方法的比较 |
| 5.5 三种融合方法比较的结论 |
| 5.6 多尺度数据融合与FLP(前向线性预测)方法的比较 |
| 5.6.1 FLP算法 |
| 5.6.2 基于FLP滤波的多传感器融合方法 |
| 5.6.3 FLP滤波融合结果和分析 |
| 5.7 本章小结 |
| 6 多尺度数据融合系统设计与验证 |
| 6.1 系统的总体设计方案 |
| 6.1.1 系统需求分析 |
| 6.1.2 系统整体框图 |
| 6.1.3 系统中的主要器件选型 |
| 6.2 硬件电路设计 |
| 6.2.1 陀螺仪模块 |
| 6.2.2 协处理器模块 |
| 6.2.3 主处理器模块 |
| 6.2.4 系统实物图 |
| 6.3 系统软件设计 |
| 6.3.1 接口部分 |
| 6.3.2 融合处理部分 |
| 6.4 实验研究 |
| 6.5 本章小结 |
| 7 结论 |
| 7.1 本文的主要研究成果 |
| 7.2 创新研究 |
| 7.3 进一步研究工作 |
| 致谢 |
| 参考文献 |
| 附录 |
| 攻读博士学位期间发表和收录的论文 |
| 攻读博士学位期间获奖 |
| 攻读博士学位期间参加的科研项目 |
（9）舰船辐射噪声中调制特征线谱检测的小波分析方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 论文的背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 舰船辐射噪声及其背景噪声研究现状 |
| 1.2.2 舰船辐射噪声线谱检测研究现状 |
| 1.2.3 小波分析方法的研究现状 |
| 1.3 论文的主要内容与结构安排 |
| 第2章 舰船辐射噪声 |
| 2.1 舰船辐射噪声源的组成及基本特性 |
| 2.1.1 舰船机械噪声 |
| 2.1.2 舰船螺旋桨噪声 |
| 2.1.3 水动力噪声 |
| 2.2 舰船辐射噪声建模与仿真 |
| 2.2.1 宽带连续谱建模与仿真 |
| 2.2.2 线谱分量建模与仿真 |
| 2.2.3 调制包络建模与仿真 |
| 2.2.4 舰船辐射噪声的生成 |
| 2.3 本章小结 |
| 第3章 小波分析理论基础 |
| 3.1 小波变换基本理论 |
| 3.1.1 连续小波变换理论 |
| 3.1.2 连续小波变换性质 |
| 3.2 离散小波变换理论 |
| 3.2.1 离散小波变换 |
| 3.2.2 二进制离散小波变换 |
| 3.3 小波基性质 |
| 3.4 小波多分辨率分析 |
| 3.4.1 多分辨率分析原理 |
| 3.4.2 多尺度分解方法仿真分析 |
| 3.5 小波包分析 |
| 3.5.1 小波包分析原理 |
| 3.5.2 小波包性质仿真分析 |
| 3.6 本章小结 |
| 第4章 高阶谱分析及轴频估计 |
| 4.1 高阶统计量理论基础 |
| 4.1.1 随机变量的特征函数 |
| 4.1.2 高阶矩与高阶累积量 |
| 4.1.3 矩与累积量的转化关系 |
| 4.1.4 高斯过程的高阶矩与高阶累积量 |
| 4.2 高阶谱分析 |
| 4.2.1 高阶矩与高阶累积量谱 |
| 4.2.2 双谱的性质及算法 |
| 4.2.3 双谱性质的仿真分析 |
| 4.3 轴频估计 |
| 4.3.1 差频算法的轴频提取 |
| 4.3.2 倍频算法的轴频提取 |
| 4.4 本章小结 |
| 第5章 基于小波解调的舰船辐射噪声调制特征线谱提取 |
| 5.1 小波解调 |
| 5.1.1 复小波的多尺度分析 |
| 5.1.2 小波解调的算法 |
| 5.2 1(1/2)维谱分析 |
| 5.2.1 1(1/2)维谱定义 |
| 5.2.2 1(1/2)维谱性质 |
| 5.3 舰船辐射噪声调制特征线谱提取 |
| 5.3.1 调制特征提取流程 |
| 5.3.2 特征提取方法实现 |
| 5.4 数据处理与分析 |
| 5.4.1 仿真信号分析 |
| 5.4.2 实测数据分析 |
| 5.5 本章小结 |
| 总结与展望 |
| 参考文献 |
| 攻读硕士学位期间发表的学术论文 |
| 致谢 |
（10）基于去趋势项RR间期序列的熵研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 本文的研究内容 |
| 第2章 RR间期序列分析的理论基础 |
| 2.1 心脏电活动的理论基础 |
| 2.2 RR间期序列的概述和生理学基础 |
| 2.3 RR间期序列的线性分析方法 |
| 2.3.1 RR间期序列时域分析方法 |
| 2.3.2 RR间期序列频域分析方法 |
| 2.4 RR间期序列的非线性分析方法 |
| 2.4.1 庞卡来(poincare截面图) |
| 2.4.2 时间序列不可逆分析 |
| 2.4.3 复杂度 |
| 2.4.4 去趋势波动分析 |
| 2.5 本章小结 |
| 第3章 不同趋势下Logistic映射序列的非线性趋势项消除 |
| 3.1 不同趋势下的Logistic映射序列 |
| 3.2 非线性信号去趋势项方法 |
| 3.2.1 小波分析法 |
| 3.2.2 集合经验模态分解 |
| 3.2.3 平滑先验法 |
| 3.3 Logistic映射序列的去趋势项及波形仿真分析 |
| 3.3.1 小波分析应用于Logistic映射序列的去趋势项分析 |
| 3.3.2 EEMD应用于Logistic序列的去趋势项分析 |
| 3.3.3 SPA应用于Logistic映射序列的去趋势项分析 |
| 3.3.4 Logistic映射序列的谱估计 |
| 3.4 本章小结 |
| 第4章 基于去趋势项RR间期序列的熵分析 |
| 4.1 RR间期数据的获取和处理 |
| 4.1.1 试验数据的预处理 |
| 4.1.2 实验研究RR间期序列 |
| 4.2 两种熵分析理论基础 |
| 4.2.1 近似熵(Approximate Entropy) |
| 4.2.2 模糊熵(Fuzzy Entropy) |
| 4.3 去趋势项RR间期序列的熵分析 |
| 4.3.1 基于平滑先验法的近似熵分析 |
| 4.3.2 基于平滑先验法的模糊熵分析 |
| 4.4 本章小结 |
| 第5章 总结与展望 |
| 5.1 本文总结 |
| 5.2 今后工作的展望 |
| 参考文献 |
| 致谢 |
| 硕士学位期间的科研成果 |
四、随机信号的小波分析(Ⅱ)（论文参考文献）
- [1]基于信号分析的海洋立管涡激振动及损伤特征提取研究[D]. 徐增伟. 天津大学, 2019(01)
- [2]齿轮箱混沌特性与故障诊断研究[D]. 蒋宇. 中国矿业大学, 2020
- [3]小波分析在大功率微波加热系统故障检测中的应用研究[D]. 朱娜. 昆明理工大学, 2021(01)
- [4]基于小波分析的电机AGC质量控制方法设计[D]. 巩腾飞. 西安电子科技大学, 2020(05)
- [5]基于自回归线性过滤法的水平轴风力机尾流与气动载荷特性研究[D]. 臧志昭. 兰州理工大学, 2020
- [6]基于瞬态冲击响应信号的某高速自动机故障诊断方法研究[D]. 杨海坤. 中北大学, 2020
- [7]KECA在声发射行星齿轮箱故障诊断中的研究[D]. 潘波. 电子科技大学, 2020(01)
- [8]多尺度数据融合算法及其应用研究[D]. 刘娟花. 西安理工大学, 2019
- [9]舰船辐射噪声中调制特征线谱检测的小波分析方法研究[D]. 赵冕. 江苏科技大学, 2019(03)
- [10]基于去趋势项RR间期序列的熵研究[D]. 郭园园. 陕西师范大学, 2019(06)
标签：小波分析论文; 特征提取论文; 混沌现象论文; matlab小波变换论文; 故障诊断论文;