总体平均经验模式分解（EEMD）方法是一种先进的时频分析方法，非常适合于对非平稳故障微弱信号的分析处理。文中介绍了EEMD方法的原理与算法实现步骤，重点分析了EEMD方法避免模式混淆的机理。利用EEMD方法对齿轮箱振动信号进行分析，成功提取了小齿轮磨损故障特征，验证了EEMD方法在故障微弱信号特征提取的有效性。
2022-10-30 15:54:33
1.07MB
1
利用SVM优化算法实现变压器局部放电信号prpd模式识别及其特征提取
2022-10-30 14:46:22
1KB
1
经验模态分解（EMD）是用来处理非平稳时变信号的一种信号分析方法，该方法对所分析信号的局部特征信号进行不同时间尺度的分解，从而得到这些局部特征信号的各阶本征模函数（IMF）。提出了一种基于IMF能量谱的水声信号特征提取与选择方法，通过对水声信号进行经验模态分解，提取信号的本征模式分量并转换为能量谱特征向量，从而观测不同信号子频带能量谱的特征变化。分类实验采用支持向量机（SVM）分类器进行。实验结果表明，相对于小波能量谱特征提取法而言，利用IMF能量谱作为特征向量的分类实验具有更佳的分类效果，平均正确率达88%以上。
2022-09-04 23:22:36
617KB
1
人工智人-家居设计-TiAl40Cr扩散焊界面超声信号特征分析与缺陷智能识别研究.pdf
2022-07-04 09:05:27
2.05MB
从时域角度进行简单的特征识别
第一步：载入信号，选出样本和测试数据。
第二步：用各类样本的平均值作为该类的特征，此为时间域特征。
第三步：用测试数据与各类特征的欧几里得距离判断是否属于该类，进行特征识别，计算识别率。
研究采用小波分析的手段对其进行特征提取与分类
第一步：选择连续小波变换的尺度，即a的取值范围。
第二步：进行连续小波变换，提取信号特征。
第三步：选取各类样本，计算平均连续小波变换特征，作为该类特征。
第四步：用测试数据与各类特征的欧几里得距离判断是否属于该类，进行特征识别，计算识别率。
第五步：调整尺度a的范围，进一步提高识别率。
2022-05-16 09:08:58
366KB
数字通信信号的特征分析和调制类型的自动识别\数字通信信号的特征分析和调制类型的自动识别\数字通信信号的特征分析和调制类型的自动识别
2022-04-29 18:44:07
2.7MB
1