滚动轴承的早期故障诊断对于设备预测和健康管理具有重要意义,然而受环境噪声、传递路径、信号衰减及源信号本身比较微弱的影响,滚动轴承故障的初期微弱信号特征往往难以提取。为了解决这一问题,提出了一种基于最小熵解卷积(minimum entropy deconvolution,MED)与希尔伯特变换(Hilbert transform,HT)相结合的滚动轴承故障特征提取方法(MED-Hilbert),该方法首先应用MED算法对传感器信号进行处理以提高信号的信噪比,然后通过希尔伯变换提取冲击能量信号,最后用谱分析技术提取故障对应的特征频率,并与理论故障频率比较后成功确定故障。与信号仅仅进行包络分析方法相比,该方法具有很好的降噪效果以及对微弱故障特征的增强作用。计算机仿真与实验验证了该方法在滚动轴承早期故障诊断中的有效性。

Desktop_demon_水声目标识别_辐射_希尔伯特变换解调_辐射噪声

本程序能够实现滚动轴承的故障诊断和在线检测，用到了峭度值计算、小波变换、自相关计算等

主要介绍了Python模拟伯努利试验和二项分布代码实例,文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值,需要的朋友可以参考下

matlab参数建模法代码 名称 Algorithm :: Burg-使用Burg方法外推时间序列 版本 0.001版 概要 描述 该模块使用Burg方法将前向和后向预测误差最小化（最小二乘），同时约束AR参数以满足Levinson-Durbin递归，从而将自回归（AR）模型拟合到输入数据。 免责声明：这是正在进行的工作！ 代码有错误，接口可能会更改。 属性 系数 通过train方法计算出的AR模型多项式系数。 命令 AR模型订单 series_tail 存储的时间序列的最后一项。 方法 火车（$ time_series） 使用适用于输入源数据$time_series Burg算法计算系数向量。 预测（$ n） 预测时间序列的$n下一个值。 如果$n为0或大于0，则假定$n =。 #!/usr/bin/env perl; use strict; use warnings qw(all); use Algorithm::Burg; ...; my $burg = Algorithm::Burg->new(order => 150); $burg->train(\@time_series)

数学手册 作者_ (英)伯 德(Bird,J.O.)著,方开文,华玉清译出版社_ 科学出版社

朗伯

希尔伯特矩阵是对称正定矩阵，希尔伯特矩阵是著名的病态矩阵。

matlab对数据进行希尔伯特变化，并求取包络谱

学习西方经济学，必做的习题集，里面的习题都是精华。