搜索资源列表
signal-denoise
- 一种在非平稳环境下混沌信号的小波去噪方法，很适合用在实际场合中。-A non-stationary environment wavelet denoising method of chaotic signals, it is suitable for use in practical situations.
Study-on-compound-fault-diagnosis
- 针对滚动轴承复合故障信号特征难以分离的问题， 提出将双树复小波变换和独立分量分析( ICA) 结合的故障诊断方 法 该方法首先将非平稳的故障信号通过双树复小波变换分解为若干不同频带的分量 由于各个分量存在一定的频率混叠， 对 故障信号特征提取有很大的干扰， 进而引入 ICA 对各个分量所组成的混合信号进行盲源分离， 从而尽可能消除频率混叠 最后 对从混合信号中分离出来的独立分量信号进行希尔伯特包络解调， 即可实现对复合故障特征信息的分离和故障识别-Aiming at the diff
dual-tree
- 首先将非平稳的故障振动信号进行双树复小波包分解，得 到不同频带的分量；然后对每个分量求其峭度值和相关系数并进行比较；最后选取峭度值和相关系数较大的分量 进行软阈值降噪和双树复小波包重构，即可有效地消除振动信号中噪声的干扰，同时保留信号中的有效信息即实 现了故障特征信息的提取。-In view of the above situation, a new fault diagnosis method is proposed based on dual-tree complex wa
lly1
- 针对滚动轴承故障信号具有非平稳、非高斯的特点，提出了将时域分析与小波分析相结合的方法对滚动轴承进行故障诊断。在研究不同信号分析方法理论的基础上，以滚动轴承外圈故障振动信号为例，采用多种信号处理方法进行了分析。结果表明，各种分析方法在分析轴承故障时的特点各不相同，在实际使用中，可将时域分析与小波分析综合使用，实现轴承状态的实时监测与故障的准确定位。-For rolling bearing fault signals have non-stationary, non-Gaussian, we pro
RSSD
- 该代码针对滚动轴承故障振动信号呈现出非线性、非平稳性及噪声背景较强等特点，为了有效提取故障特征，使用的一种共振稀疏分解（Resonance-based sparse signal decomposition，RSSD）与小波变换相结合的振动信号特征提取技术的相关仿真实验程序和轴承数据分解程序。其中，共振稀疏分解是基于品质因子可调小波变换与形态分量分析的一种新的信号分解方法，与常规的基于频带划分的信号分解方法不同，它依据信号各分量的振荡形态不同对信号进行分解。 同时还提供了可调谐 Q 因子小波
emd
- 该方法的关键是经验模式分解，它能使复杂信号分解为有限个本征模函数（Intrinsic Mode Function，简称IMF），所分解出来的各IMF分量包含了原信号的不同时间尺度的局部特征信号。经验模态分解法能使非平稳数据进行平稳化处理，然后进行希尔伯特变换获得时频谱图，得到有物理意义的频率。与短时傅立叶变换、小波分解等方法相比，这种方法是直观的、直接的、后验的和自适应的，因为基函数是由数据本身所分解得到。由于分解是基于信号序列时间尺度的局部特性，因此具有自适应性。(The key of thi
基于 HHT 的船体结构应力监测数据 特征分析和去噪方法
- ［目的］为了去除船体结构应力监测数据中的噪声信号，获得有效的数据信息，以便为后续数据挖掘提 供支撑，［方法］首先，采用 HHT 方法中的经验模态分解（EMD）算法对数据进行成分分析，得到固有模态函数 （IMF）和余项。然后，通过 Hilbert变换得到 Hilbert谱，证明应力监测数据的非平稳特性。最后，以信噪比（SNR） 和均方根误差（RMSE）为例，结合自适应去噪和小波阈值去噪两种方法对应力监测数据进行去噪效果比较。 ［结果］结果表明，基于 HHT方法的自适应去噪和小波去噪都具有一定