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
线缆混合输电线路故障时将出现更加复杂的行波折反射现象,对于故障测距带来不小的难度。为解决此类问题,根据电缆与架空线各自的结构、特性的不同,在输电线路上安装分布式的行波检测装置将线路分成若干区间。应用皮尔逊相关系数的相关...线缆混合输电线路故障时将出现更加复杂的行波折反射现象,对于故障测距带来不小的难度。为解决此类问题,根据电缆与架空线各自的结构、特性的不同,在输电线路上安装分布式的行波检测装置将线路分成若干区间。应用皮尔逊相关系数的相关性原理,确定故障发生的区间。通过详细的公式推导,抵消掉波速对测距精度的影响,利用第二个SVD(singular value decomposition)分量标定出信号奇异点的脉冲模极大值,推导出分区间不含波速的混合线路故障定位算法。通过PSCAD仿真及MATLAB数据处理结果表明,与常规的单双端测距法应用于线缆组成的混合输电线路相比,可进一步提高测距精度。展开更多
为了解决滚动轴承振动信号中微弱故障信息难以提取的问题,提出了一种基于奇异值分解(Singular Value Decomposition,SVD)和Teager-Kaiser能量算子(Teager-Kaiser Energy Operator,TKEO)的轴承振动信号特征提取方法。采用SVD将突变信息...为了解决滚动轴承振动信号中微弱故障信息难以提取的问题,提出了一种基于奇异值分解(Singular Value Decomposition,SVD)和Teager-Kaiser能量算子(Teager-Kaiser Energy Operator,TKEO)的轴承振动信号特征提取方法。采用SVD将突变信息从背景噪声和光滑信号中分离,提取信号的突变信息;利用TKEO计算突变信息的瞬时能量,对该能量信号进行频谱分析,从而提取出轴承振动信号的能量频谱特征,用于故障检测。将该方法应用于轴承外圈、内圈局部故障状态下的振动信号特征提取,利用特征信息能够准确检测并识别出故障类型,表明了该方法的可行性和有效性。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。
文摘线缆混合输电线路故障时将出现更加复杂的行波折反射现象,对于故障测距带来不小的难度。为解决此类问题,根据电缆与架空线各自的结构、特性的不同,在输电线路上安装分布式的行波检测装置将线路分成若干区间。应用皮尔逊相关系数的相关性原理,确定故障发生的区间。通过详细的公式推导,抵消掉波速对测距精度的影响,利用第二个SVD(singular value decomposition)分量标定出信号奇异点的脉冲模极大值,推导出分区间不含波速的混合线路故障定位算法。通过PSCAD仿真及MATLAB数据处理结果表明,与常规的单双端测距法应用于线缆组成的混合输电线路相比,可进一步提高测距精度。
文摘为了解决滚动轴承振动信号中微弱故障信息难以提取的问题,提出了一种基于奇异值分解(Singular Value Decomposition,SVD)和Teager-Kaiser能量算子(Teager-Kaiser Energy Operator,TKEO)的轴承振动信号特征提取方法。采用SVD将突变信息从背景噪声和光滑信号中分离,提取信号的突变信息;利用TKEO计算突变信息的瞬时能量,对该能量信号进行频谱分析,从而提取出轴承振动信号的能量频谱特征,用于故障检测。将该方法应用于轴承外圈、内圈局部故障状态下的振动信号特征提取,利用特征信息能够准确检测并识别出故障类型,表明了该方法的可行性和有效性。
