自适应最稀疏时频分析(Aadaptive and Sparsest Time-Frequency Analysis,ASTFA)是一种新的时频分析方法,该方法将信号分解转化为最优化问题,在优化的过程中实现信号的自适应分解。为解决ASTFA方法初始相位函数的选择问题,采用了分辨率...自适应最稀疏时频分析(Aadaptive and Sparsest Time-Frequency Analysis,ASTFA)是一种新的时频分析方法,该方法将信号分解转化为最优化问题,在优化的过程中实现信号的自适应分解。为解决ASTFA方法初始相位函数的选择问题,采用了分辨率搜索改进的ASTFA方法,并进一步结合阶次分析方法提出了基于ASTFA的阶次方法。该方法首先采用改进的ASTFA方法对原始信号进行分解同时获得分量的瞬时幅值,然后对瞬时幅值进行阶次分析从而提取故障特征信息。将该方法应用于变速齿轮传动过程中的时变非平稳振动信号的分析与处理,仿真与实验分析表明该方法能够准确提取变速齿轮的故障特征信息,具有一定的优越性。展开更多
变压器振动发出的声信号可反映其运行状况,为解决振声信号在采集过程中易受干扰的问题,提出了一种基于盲源分离（BSS）的变压器振声自适应提取方法。首先分析了变电站内噪声分类及特点,并将含噪振声信号从时域变换到稀疏域,据此改进了...变压器振动发出的声信号可反映其运行状况,为解决振声信号在采集过程中易受干扰的问题,提出了一种基于盲源分离（BSS）的变压器振声自适应提取方法。首先分析了变电站内噪声分类及特点,并将含噪振声信号从时域变换到稀疏域,据此改进了基于势函数的稀疏分量分析（SCA）算法,增加了势函数局部极值排序环节;然后模拟了噪声源数目、振声幅值以及振声频率组成变化共3种特殊情况下的变压器振声提取,采用相关系数和二次残差对分离效果进行了评价;最后选取某220 k V变电站主变压器进行了现场测试。研究结果表明：改进算法可解决盲源分离排列模糊的问题,使振声信号在分离信号中始终排在第1位,同时可判断混入噪声源数目,实现变压器振声与多路噪声的自适应分离;该改进算法能够有效提取不同情况下的变压器振声,相关系数均〉0.97,二次残差均〈-29 d B;现场实验成功分离出变压器振声信号、实验人员的2路语音信号以及2路干扰信号,并认为声信号反射是干扰信号的主要成因,变压器体声源是分离振声信号幅值波动的主要原因。该改进算法可对变压器振声进行自适应提取,但信号反射及体声源对提取效果的影响需进一步研究。展开更多
针对具有多个显著目标且背景较为复杂的图像,提出了一种基于全连接图和稀疏主成分分析(sparse principal component analysis,sPCA)的显著性检测方法.首先,在不同的尺度空间上利用目标先验知识快速获取包含预选显著目标的空间位置信息,...针对具有多个显著目标且背景较为复杂的图像,提出了一种基于全连接图和稀疏主成分分析(sparse principal component analysis,sPCA)的显著性检测方法.首先,在不同的尺度空间上利用目标先验知识快速获取包含预选显著目标的空间位置信息,同时,在超像素分割的基础上构造全连接图,并计算超像素级的显著图.然后,利用目标先验知识提取并优化超像素显著图的显著性区域,采用稀疏主成分分析提取优化后的显著性像素点的主要特征,获取相应尺度的显著图.最后,将多个尺度下的显著图进行融合得到最终的显著图.该方法充分利用了超像素与像素显著性计算的优势,在提高检测速度的同时获得更高的检测精度.在公开的多目标数据集SED2和HKU_IS上进行实验验证,结果表明:该方法能够有效检测出复杂背景下的多个显著目标.展开更多
文摘自适应最稀疏时频分析(Aadaptive and Sparsest Time-Frequency Analysis,ASTFA)是一种新的时频分析方法,该方法将信号分解转化为最优化问题,在优化的过程中实现信号的自适应分解。为解决ASTFA方法初始相位函数的选择问题,采用了分辨率搜索改进的ASTFA方法,并进一步结合阶次分析方法提出了基于ASTFA的阶次方法。该方法首先采用改进的ASTFA方法对原始信号进行分解同时获得分量的瞬时幅值,然后对瞬时幅值进行阶次分析从而提取故障特征信息。将该方法应用于变速齿轮传动过程中的时变非平稳振动信号的分析与处理,仿真与实验分析表明该方法能够准确提取变速齿轮的故障特征信息,具有一定的优越性。
文摘变压器振动发出的声信号可反映其运行状况,为解决振声信号在采集过程中易受干扰的问题,提出了一种基于盲源分离（BSS）的变压器振声自适应提取方法。首先分析了变电站内噪声分类及特点,并将含噪振声信号从时域变换到稀疏域,据此改进了基于势函数的稀疏分量分析（SCA）算法,增加了势函数局部极值排序环节;然后模拟了噪声源数目、振声幅值以及振声频率组成变化共3种特殊情况下的变压器振声提取,采用相关系数和二次残差对分离效果进行了评价;最后选取某220 k V变电站主变压器进行了现场测试。研究结果表明：改进算法可解决盲源分离排列模糊的问题,使振声信号在分离信号中始终排在第1位,同时可判断混入噪声源数目,实现变压器振声与多路噪声的自适应分离;该改进算法能够有效提取不同情况下的变压器振声,相关系数均〉0.97,二次残差均〈-29 d B;现场实验成功分离出变压器振声信号、实验人员的2路语音信号以及2路干扰信号,并认为声信号反射是干扰信号的主要成因,变压器体声源是分离振声信号幅值波动的主要原因。该改进算法可对变压器振声进行自适应提取,但信号反射及体声源对提取效果的影响需进一步研究。
文摘针对具有多个显著目标且背景较为复杂的图像,提出了一种基于全连接图和稀疏主成分分析(sparse principal component analysis,sPCA)的显著性检测方法.首先,在不同的尺度空间上利用目标先验知识快速获取包含预选显著目标的空间位置信息,同时,在超像素分割的基础上构造全连接图,并计算超像素级的显著图.然后,利用目标先验知识提取并优化超像素显著图的显著性区域,采用稀疏主成分分析提取优化后的显著性像素点的主要特征,获取相应尺度的显著图.最后,将多个尺度下的显著图进行融合得到最终的显著图.该方法充分利用了超像素与像素显著性计算的优势,在提高检测速度的同时获得更高的检测精度.在公开的多目标数据集SED2和HKU_IS上进行实验验证,结果表明:该方法能够有效检测出复杂背景下的多个显著目标.
