为了在利用脉冲注入法在线检测电力变压器绕组变形故障时能正确处理暂态信号,获取绕组的脉冲频率响应曲线,避免绕组变形状态的误判,提出了基于短时Fourier变换的脉冲频率响应曲线获取新方法,对该方法的基本原理进行了理论推导。然后,从...为了在利用脉冲注入法在线检测电力变压器绕组变形故障时能正确处理暂态信号,获取绕组的脉冲频率响应曲线,避免绕组变形状态的误判,提出了基于短时Fourier变换的脉冲频率响应曲线获取新方法,对该方法的基本原理进行了理论推导。然后,从理论推导入手,构建了单绕组仿真模型,结合PSPICE和MATLAB进行了联合仿真分析。仿真结果表明该仿真模型下经过短时Fourier变换的频率响应曲线谐振频率位于2 MHz,接近传统正弦频率响应曲线的谐振频率,初步证实了该方法的正确性。最后开展了110 k V变压器试验测试,分别用快速Fourier变换(FFT)和短时Fourier变换(STFT)处理了测试数据,采用相关系数指标进行了分段评判。试验结果表明经过短时Fourier算法处理后,绕组间频率响应曲线相关系数均>3,频率响应曲线清晰度较高,比快速Fourier变换处理效果更好。仿真分析与试验测试的数据处理结果均表明了该方法的可行性和优越性。展开更多
在基于短时傅里叶变换(short-time Fourier transform,STFT)的智能音乐生成系统中,引入梅尔倒谱系数(Mel frequency cepstrum coefficient,MFCC)作为输入特征,并对STFT的损失函数进行优化设计,以提升音乐生成的质量。在对音符输入信号...在基于短时傅里叶变换(short-time Fourier transform,STFT)的智能音乐生成系统中,引入梅尔倒谱系数(Mel frequency cepstrum coefficient,MFCC)作为输入特征,并对STFT的损失函数进行优化设计,以提升音乐生成的质量。在对音符输入信号进行短时傅里叶变换时,需要对时域信号进行截断并添加窗函数,对信号添加时域窗等效于在频域信号中进行卷积。时域信号在截断过程中存在频谱分析误差,使得频谱以实际频率值为中心,以窗函数频谱波形的形状向两侧扩散,从而产生频谱泄漏。不同窗函数的选择对最终生成音乐的品质具有显著影响。为此,提出一种基于能量校正因子、频域最大副瓣和主瓣增益的窗函数分析与选择方法,并开发相应脚本工具,从而完成基于符号域音乐的混合窗函数设计。实验结果表明,混合窗函数在不同的MIDI(musical instrument digital interface)数据集上均可有效减少频谱泄漏对信号截断的影响,具有很好的适应性和灵活性,从而更好地作用于基于STFT的智能音乐生成系统中。展开更多
文摘为了在利用脉冲注入法在线检测电力变压器绕组变形故障时能正确处理暂态信号,获取绕组的脉冲频率响应曲线,避免绕组变形状态的误判,提出了基于短时Fourier变换的脉冲频率响应曲线获取新方法,对该方法的基本原理进行了理论推导。然后,从理论推导入手,构建了单绕组仿真模型,结合PSPICE和MATLAB进行了联合仿真分析。仿真结果表明该仿真模型下经过短时Fourier变换的频率响应曲线谐振频率位于2 MHz,接近传统正弦频率响应曲线的谐振频率,初步证实了该方法的正确性。最后开展了110 k V变压器试验测试,分别用快速Fourier变换(FFT)和短时Fourier变换(STFT)处理了测试数据,采用相关系数指标进行了分段评判。试验结果表明经过短时Fourier算法处理后,绕组间频率响应曲线相关系数均>3,频率响应曲线清晰度较高,比快速Fourier变换处理效果更好。仿真分析与试验测试的数据处理结果均表明了该方法的可行性和优越性。
文摘在基于短时傅里叶变换(short-time Fourier transform,STFT)的智能音乐生成系统中,引入梅尔倒谱系数(Mel frequency cepstrum coefficient,MFCC)作为输入特征,并对STFT的损失函数进行优化设计,以提升音乐生成的质量。在对音符输入信号进行短时傅里叶变换时,需要对时域信号进行截断并添加窗函数,对信号添加时域窗等效于在频域信号中进行卷积。时域信号在截断过程中存在频谱分析误差,使得频谱以实际频率值为中心,以窗函数频谱波形的形状向两侧扩散,从而产生频谱泄漏。不同窗函数的选择对最终生成音乐的品质具有显著影响。为此,提出一种基于能量校正因子、频域最大副瓣和主瓣增益的窗函数分析与选择方法,并开发相应脚本工具,从而完成基于符号域音乐的混合窗函数设计。实验结果表明,混合窗函数在不同的MIDI(musical instrument digital interface)数据集上均可有效减少频谱泄漏对信号截断的影响,具有很好的适应性和灵活性,从而更好地作用于基于STFT的智能音乐生成系统中。
