针对通信中软扩频信号伪码序列盲估计困难的问题,提出一种奇异值分解(singular value decomposition,SVD)和K-means聚类相结合的方法。该方法先对接收信号按照一倍伪码周期进行不重叠分段构造数据矩阵。其次对数据矩阵和相似性矩阵分别...针对通信中软扩频信号伪码序列盲估计困难的问题,提出一种奇异值分解(singular value decomposition,SVD)和K-means聚类相结合的方法。该方法先对接收信号按照一倍伪码周期进行不重叠分段构造数据矩阵。其次对数据矩阵和相似性矩阵分别进行SVD完成对伪码序列集合规模数的估计、数据降噪、粗分类以及初始聚类中心的选取。最后通过K-means算法优化分类结果,得到伪码序列的估计值。该算法在聚类之前事先确定聚类数目,大大减少了迭代次数。同时实验结果表明,该算法在信息码元分组小于5 bit,信噪比大于-10 dB时可以准确估计出软扩频信号的伪码序列,性能较同类算法有所提升。展开更多
近年来,基于张量补全的频谱制图得到了广泛研究.目前用于频谱制图的张量补全算法大多隐含地假设张量具有平衡特性,而对于非平衡张量,难以利用其低秩性估计完整的张量信息,导致补全算法性能受损.本文提出基于重叠Ket增强(Overlapping Ket...近年来,基于张量补全的频谱制图得到了广泛研究.目前用于频谱制图的张量补全算法大多隐含地假设张量具有平衡特性,而对于非平衡张量,难以利用其低秩性估计完整的张量信息,导致补全算法性能受损.本文提出基于重叠Ket增强(Overlapping Ket Augmentation,OKA)和张量列车(Tensor Train,TT)的非平衡频谱制图算法,以解决非平衡张量在应用传统张量补全算法时性能下降的问题.首先使用OKA将低阶高维张量表示为高阶低维张量,在无信息损耗的情况下解决非平衡张量无法利用其低秩性进行张量补全的问题;然后使用TT矩阵化得到较平衡的矩阵,在维度较平衡条件下提高补全算法的精确度;最后利用高阶低维张量的低秩性,使用并行矩阵分解或基于F范数的无奇异值分解(Singular Value Decomposition Free,SVDFree)算法完成张量补全.仿真结果表明,针对非平衡张量,所提方案与现有的张量补全算法相比,可以获得更精确的无线电地图,同时所提SVDFree算法具有更低的计算复杂度.展开更多
针对滚动轴承微弱故障特征信息易受噪声干扰提取困难的问题,提出一种新的滚动轴承故障特征提取方法,即协方差矩阵(covariance matrix,CM)、奇异值差分谱(singular value difference spectrum,SVDS)和奇异值中值分解(singular value medi...针对滚动轴承微弱故障特征信息易受噪声干扰提取困难的问题,提出一种新的滚动轴承故障特征提取方法,即协方差矩阵(covariance matrix,CM)、奇异值差分谱(singular value difference spectrum,SVDS)和奇异值中值分解(singular value median decomposition,SVMD)相结合。首先,考虑到旋转机械的故障特征,对轴承故障信号采用1步长方法构造Hankel矩阵;其次,考虑到信号的协方差矩阵对于信号自相关去噪的优势,进而计算Hankel的协方差矩阵并进行空间重构;再次,采用奇异值差分谱方法对重构后的协方差矩阵信号进行分解处理而实现初步降噪,通过奇异值中值分解方法对其进行分解和筛选处理而完成二次降噪,并根据处理后信号的频谱包络,实现轴承故障特征信息的提取;最后,通过滚动轴承仿真数据分析得出,所提方法能够有效提取出噪声信号的故障特征及其谐波,实现不同轴承故障类型特征的有效提取,为滚动轴承故障复杂信号处理和诊断提供了一种新的方法和途径。展开更多
文摘针对通信中软扩频信号伪码序列盲估计困难的问题,提出一种奇异值分解(singular value decomposition,SVD)和K-means聚类相结合的方法。该方法先对接收信号按照一倍伪码周期进行不重叠分段构造数据矩阵。其次对数据矩阵和相似性矩阵分别进行SVD完成对伪码序列集合规模数的估计、数据降噪、粗分类以及初始聚类中心的选取。最后通过K-means算法优化分类结果,得到伪码序列的估计值。该算法在聚类之前事先确定聚类数目,大大减少了迭代次数。同时实验结果表明,该算法在信息码元分组小于5 bit,信噪比大于-10 dB时可以准确估计出软扩频信号的伪码序列,性能较同类算法有所提升。
文摘近年来,基于张量补全的频谱制图得到了广泛研究.目前用于频谱制图的张量补全算法大多隐含地假设张量具有平衡特性,而对于非平衡张量,难以利用其低秩性估计完整的张量信息,导致补全算法性能受损.本文提出基于重叠Ket增强(Overlapping Ket Augmentation,OKA)和张量列车(Tensor Train,TT)的非平衡频谱制图算法,以解决非平衡张量在应用传统张量补全算法时性能下降的问题.首先使用OKA将低阶高维张量表示为高阶低维张量,在无信息损耗的情况下解决非平衡张量无法利用其低秩性进行张量补全的问题;然后使用TT矩阵化得到较平衡的矩阵,在维度较平衡条件下提高补全算法的精确度;最后利用高阶低维张量的低秩性,使用并行矩阵分解或基于F范数的无奇异值分解(Singular Value Decomposition Free,SVDFree)算法完成张量补全.仿真结果表明,针对非平衡张量,所提方案与现有的张量补全算法相比,可以获得更精确的无线电地图,同时所提SVDFree算法具有更低的计算复杂度.
文摘针对滚动轴承微弱故障特征信息易受噪声干扰提取困难的问题,提出一种新的滚动轴承故障特征提取方法,即协方差矩阵(covariance matrix,CM)、奇异值差分谱(singular value difference spectrum,SVDS)和奇异值中值分解(singular value median decomposition,SVMD)相结合。首先,考虑到旋转机械的故障特征,对轴承故障信号采用1步长方法构造Hankel矩阵;其次,考虑到信号的协方差矩阵对于信号自相关去噪的优势,进而计算Hankel的协方差矩阵并进行空间重构;再次,采用奇异值差分谱方法对重构后的协方差矩阵信号进行分解处理而实现初步降噪,通过奇异值中值分解方法对其进行分解和筛选处理而完成二次降噪,并根据处理后信号的频谱包络,实现轴承故障特征信息的提取;最后,通过滚动轴承仿真数据分析得出,所提方法能够有效提取出噪声信号的故障特征及其谐波,实现不同轴承故障类型特征的有效提取,为滚动轴承故障复杂信号处理和诊断提供了一种新的方法和途径。
