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
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
对矩阵的奇异值分解(SVD,Singular Value Decomposition)进行了分析。推导证明了奇异值分解和M-P广义逆矩阵之间的关系,得出奇异值分解的广义逆矩阵为矩阵的M-P广义逆;分析了奇异值分解和线性方程组最小范数最小二乘解的关系,推导了应...对矩阵的奇异值分解(SVD,Singular Value Decomposition)进行了分析。推导证明了奇异值分解和M-P广义逆矩阵之间的关系,得出奇异值分解的广义逆矩阵为矩阵的M-P广义逆;分析了奇异值分解和线性方程组最小范数最小二乘解的关系,推导了应用奇异值分解进行秩亏网平差解算的平差解算公式和精度估算公式;推导了加权最小二乘最小范数解的奇异值分解解算问题,扩展了奇异值分解求解未知参数最小范数最小二乘解;最后通过秩亏网算例进行了解算,验证了方法的正确性和矩阵分解的有效性。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。
文摘对矩阵的奇异值分解(SVD,Singular Value Decomposition)进行了分析。推导证明了奇异值分解和M-P广义逆矩阵之间的关系,得出奇异值分解的广义逆矩阵为矩阵的M-P广义逆;分析了奇异值分解和线性方程组最小范数最小二乘解的关系,推导了应用奇异值分解进行秩亏网平差解算的平差解算公式和精度估算公式;推导了加权最小二乘最小范数解的奇异值分解解算问题,扩展了奇异值分解求解未知参数最小范数最小二乘解;最后通过秩亏网算例进行了解算,验证了方法的正确性和矩阵分解的有效性。
