非高斯随机振动的模拟方法

随机振动台根据功率谱密度（PSD,Power Spectral Density）生成的信号为高斯信号,而实际振动环境有时是非高斯的,因此随机振动实验常常无法准确模拟产品在真实振动环境下的失效情况。通过两个案例分别对均方根值（RMS,Root Mean Square）不随时间变化和随时间变化的非高斯随机振动进行了模拟方法研究。案例1利用Hermite多项式法对高斯信号进行了转换,在保证功率谱密度不变的同时得到了具有指定峭度的RMS不随时间变化的非高斯信号,但该方法对于输入的峭度有限制,当输入峭度大于10时,误差达到了20%。案例2利用一种新方法对实测的RMS随时间变化的非高斯振动进行了模拟,模拟后得到的非高斯信号和实测信号具有相同的功率谱密度、峭度以及概率分布,验证了新方法的准确性。     

基于谱峭度与双谱的轴承故障诊断方法

针对强背景噪声情况下的轴承故障诊断问题,提出了一种基于谱峭度与双谱的轴承故障诊断方法。该方法采用谱峭度检测振动信号瞬态频带,利用最优带通滤波器抑制振动信号中的噪声得到滤波后信号。由带通滤波器的带宽确定低频矩形区域,计算落于该区域内的信号包络的局部双谱图,依据局部双谱图诊断轴承故障。仿真分析表明,强背景噪声和滚动体滑动会造成传统轴承故障诊断方法（如峭度、功率谱、包络谱）失效,而该方法能够有效地抑制噪声,更准确地诊断轴承故障,并通过6205-2RS JEM SKF轴承诊断实例,说明了该方法的有效性。     

基于PHD未知杂波密度多机动目标跟踪

基于随机有限集（RFS）的跳变马尔可夫系统（JMS）是多机动目标跟踪的有效方法。但现有的方法假设杂波密度是先验已知的,而实际中杂波密度是未知且可能随着环境的改变而变化。针对这一问题,提出了一种适用于线性高斯模型的未知杂波密度下多机动目标跟踪算法。该算法以未知杂波密度高斯混合概率假设密度（λ-GMPHD）滤波为基础建模杂波和真实目标,采用线性高斯JMS模型描述目标机动,推导了未知杂波密度下多机动目标跟踪的GMPHD迭代解析表达式。仿真结果表明,所提算法可实现对于杂波密度以及目标数和目标状态的准确估计。      

基于改进HHT的非高斯噪声中瞬态通信信号检测

根据瞬态通信信号和非高斯噪声的特点,建立了相应的信号模型,并利用希尔伯特-黄变换（HHT）处理非线性非平稳信号的优势,提出了基于改进HHT的非高斯噪声中瞬态通信信号的检测算法。该检测算法分为集合经验模式分解（EEMD）和固有模态函数（IMF）分量筛选两部分,首先经过加入随机白噪声多次试验取均值得到待检测信号的IMF分量,再结合各个分量与原信号的能量差异和相关性剔除虚假IMF分量,从而实现对混叠在非高斯噪声中的瞬态通信信号的有效检测。仿真在不同的条件下对比了本文算法与其他算法对信号的检测效果,结果证明本文算法能够有效克服HHT中存在的缺陷,实现对瞬态信号更为准确的分析和检测。     

一种基于小波变换的多分形布朗运动合成算法

为了更有效地描述点状奇异性指数沿样本路径变化的信号,利用多分形的概念,在基于离散小波变换技术的基础上,提出了一种合成多分形布朗运动的新算法.该算法通过控制高斯白噪声的小波系数权来获得期望的信号局部正则性,而合成过程的收敛性由收敛因子保证.通过与基于Durbin-Levinson 和轮换矩阵嵌入技术算法的比较以及数字仿真试验,表明提出的算法不仅计算复杂度低,而且适用于生成非高斯的、自协方差函数事先未知的多分形过程.      

导弹弹性振动在线辨识及自适应抑制

新一代导弹具有大空域宽速域等特点,飞行环境的剧烈变化及自身长细比结构特性,导致导弹的弹性振动模态参数变化范围大,传统的固定参数陷波滤波器难以适应这种剧烈的参数变化。本文提出了一种自适应弹性振动抑制算法,首先通过调制滑动傅里叶变换算法对速率陀螺的输出信号进行时频分析,实时辨识出各阶弹性振动信号的频率和幅值,并根据辨识结果设计了一种陷波滤波器参数在线整定方法,从而保证陷波滤波器能快速准确滤除弹性振动信号。仿真实验结果表明,该算法能够快速有效地辨识出弹性振动信号,并且对于频率突变和频率线性变化的非平稳信号也有较好的适应能力,能够满足实际工程需求。     

基于小波变换熵值及高阶累积量联合的卫星信号调制识别算法

调制识别是信号检测与解调的关键环节，针对卫星调制中采用的MAPSK，MQAM，MFSK，MPSK方式，提出了一种计算小波变换熵值并结合高阶累积量的联合调制识别算法.根据小波变换对时频信息敏感的特点，不同调制方式高阶累积量计算结果的区分性以及不同复杂度的调制信号熵值结果不同，分析了以上4类调制信号的计算结果，提出了基于小波变换熵值及高阶累积量联合的卫星信号调制识别算法.计算调制信号小波系数，据此计算熵值，实现对调制信号的类别划分，使用高阶累积量实现类别内的信号分类.经过仿真分析，可实现在8dB以上达到0.9识别率的效果，该方法对高阶（64阶调制）信号识别具有一定借鉴意义.      

一种改进的数字信号调制方式自动识别算法

数字调制方式的识别对于通信信号分析有着重要的作用。针对数字信号(2ASK,4ASK,2PSK,4PSK,2FSK和4FSK信号)的调制方式,提出了一种改进的数字信号调制识别算法(DMRA),并且对该算法提出了最佳门限的设置方法,使其适用于信噪比在5 dB-30 dB范围内变化的信号。该算法能够快速、自动地识别出已调数字信号的调制方式。计算机仿真表明:当噪声采用高斯白噪声,该算法在信噪比不低于7 dB时,对实际信号的识别正确率不低于92%。     

基于EMD及PNN的航天器振动环境分析

针对航天器非平稳随机振动信号模态频率密集的特点,提出了基于经验模式分解EMD (Empirical Mode Decomposition)的多分量过程神经网络PNN(Process Neural Network)自回归模型.通过EMD对原始时间序列进行分解, 使之成为一组不同尺度的局部正交本征模函数IMF(Intrinsic Mode Functions),利用PNN对每个IMF分别进行时变参数分析并以此确定其时变自功率谱密度,对所有分量的时变自功率谱密度通过叠加进行重构, 以此得到原始信号的时变自功率谱密度.仿真结果和实例分析表明:和传统的时频分析法相比,该方法直接使用信号数据,避免了相关估计计算,减小了计算工作量;无交叉干扰项,提高了信号的时频分布特性,具有较高的时频分辨率;对各工况下航天器的振动信号能有效的进行分析,具有较强的信号特征提取能力.      

一种可靠性试验实测振动数据的处理方法

针对传统实测振动数据归纳方法只能处理正态分布数据的问题,引入选择约翰逊曲线的方法,采用约翰逊曲线对非正态情形的实测振动数据进行拟合,给出了非正态情形一定概率下的实测振动数据功率谱密度上限.在此基础上提出了一种可靠性试验实测振动数据的处理方法.将该方法用于某产品可靠性试验实测振动数据的处理中,计算结果表明,该方法不仅能给出任意分布实测振动数据功率谱密度概率上限,而且与传统方法比较,给出的数据上限能更真实反映产品振动环境条件.      

运载火箭飞行振动信号盲源分离方法

针对振动信号在火箭复杂结构传播过程中产生强卷积效应导致振动源信号提取精度低的难题,研究了一种基于卷积盲源分离的火箭振动信号自适应提取方法。该方法基于振动源之间的独立性,建立四阶统计量的目标函数,并采用随机梯度法实现参数的自适应更新,优化建立火箭复杂结构系统的逆滤波器结构,进而得到原始的振动源信号。通过对某运载火箭发动机的高频振动数据进行分析,结果表明：相比于线性自适应盲源分离方法、非线性自适应盲源分离方法,卷积自适应盲源分离由于考虑了实际中的卷积效应和欠定情况,分离结果中能够明显找到与涡轮转动和燃烧对应的频率,以及一些宽频激励,验证了提出方法的有效性。     

卷积线性混合模型下的复非高斯信号盲源提取

雷达信号的多径效应导致基于瞬时线性混合模型的盲源分离算法不再适用。为此，提出了一种基于FastICA的复非高斯信号盲源提取方法。该方法将混合系统建模为卷积线性混合模型，使得信号模型中不需要将每个多径信号都看作一个独立的源信号，既节约了接收通道数量，又降低了盲源分离过程的复杂度，利用待提取信号的非高斯性实现高斯背景下复非高斯信源的提取。实验结果表明：在信干比为-30 dB时，所提方法能够快速、有效地处理卷积线性混合模型下复非高斯信源的提取问题，为该场景下的微弱信号提取提供了一种新的方法。