提出了一种基于连续小波变换(continuous walelet transform,CWT)和奇异值分解(singular value decomposition,SVD)相结合的提升小波系数SVD辨识信号振荡频率和模式信息提取及信号去噪的新方法。克服了噪声较大或者密集模态时,小波脊线...提出了一种基于连续小波变换(continuous walelet transform,CWT)和奇异值分解(singular value decomposition,SVD)相结合的提升小波系数SVD辨识信号振荡频率和模式信息提取及信号去噪的新方法。克服了噪声较大或者密集模态时,小波脊线不清晰甚至会出现混叠和交叉难以提取频率的情况,根据提升的小波系数奇异值分解频率向量识别各阶振荡模式的频率。同时选用小波能量系数来识别主导振荡模式,用小波软阈值去噪和SVD分解后矩阵重构来进行信号去噪。CWT可以处理含时变振荡模式的低频振荡信号,且对模式参数具有较高的辨识精度。仿真算例验证了算法的有效性和适用性。展开更多
文摘提出了一种基于连续小波变换(continuous walelet transform,CWT)和奇异值分解(singular value decomposition,SVD)相结合的提升小波系数SVD辨识信号振荡频率和模式信息提取及信号去噪的新方法。克服了噪声较大或者密集模态时,小波脊线不清晰甚至会出现混叠和交叉难以提取频率的情况,根据提升的小波系数奇异值分解频率向量识别各阶振荡模式的频率。同时选用小波能量系数来识别主导振荡模式,用小波软阈值去噪和SVD分解后矩阵重构来进行信号去噪。CWT可以处理含时变振荡模式的低频振荡信号,且对模式参数具有较高的辨识精度。仿真算例验证了算法的有效性和适用性。
