一、基于频域“CLEAN”Wigner-Ville分布中交叉项的抑制（论文文献综述）
魏久晰[1]（2021）在《时变滤波算法研究及其在通信信号识别中的应用》文中研究说明通信技术不断发展的同时,通信信号的调制类型也日趋复杂,如何快速、准确地识别通信信号的调制类型在军事和民用领域都具有重要的意义。在低信噪比环境下,噪声对通信信号的特征提取和识别造成了干扰,严重影响了通信信号识别效果,有必要对信号进行去噪预处理。传统的滤波方法只能实现时域或频域的单一滤波,无法结合通信信号的时变特性,其滤波效果不理想。因此如何设计合适的时变滤波算法,在保留信号特征的同时,滤除其中的噪声,对提高通信信号识别率具有重要研究意义。针对低信噪比条件下噪声严重影响通信信号识别性能的问题,本文设计时变滤波算法,在通信信号预处理阶段滤除噪声,利用基于卷积神经网络的信号识别分类器实现低信噪比下通信信号调制模式识别。本文首先对通信信号的调制原理和时频特征提取进行研究和分析,并介绍了卷积神经网络的相关基础理论,为后续基于卷积神经网络的通信信号识别算法设计提供理论基础;然后对通信信号时变滤波算法进行了研究,分别针对频移键控信号类内识别和幅度键控信号、频移键控信号、相移键控信号三种通信信号类间识别提出了基于时变频率提取的时变滤波算法和基于时变频率掩码的时变滤波算法,消除噪声对信号时频特征的干扰;最后通过对卷积神经网络模型进行搭建、训练以及性能分析,设计了基于卷积神经网络的信号识别分类器。本文最后通过所设计的基于卷积神经网络的通信信号识别算法,分别对时变滤波处理前后的频移键控信号类内识别和幅度键控信号、频移键控信号、相移键控信号三种通信信号类间识别进行仿真验证和性能对比分析。实验结果表明:本文设计的时变滤波算法有效地滤除了噪声对信号时频特征的干扰,显着地提高了通信信号调制类型的识别率,对通信信号识别领域的研究和发展具有重要的参考价值。
诸葛航[2]（2021）在《空间时频分布方法及其在机械故障诊断中的应用》文中研究指明在实际的工业环境中,齿轮箱由于工作强度高且工作环境恶劣,在使用过程中容易发生故障。对齿轮箱的振动信号进行分析是一种实用且有效的检测故障的方法。但使用传感器采集到的振动信号不仅包含齿轮、轴承等关键部件的耦合振动信息,还包含背景噪声及其它干扰信息。尤其是齿轮箱同时发生多种故障时,对齿轮箱故障的检测与诊断更为困难。本文针对机械设备中的多故障问题提出了基于空间时频分布（STFD）的欠定盲源分离方法,并将其应用于轴承的多故障诊断。具体研究内容如下:（1）首先研究了盲源分离方法的基础理论以及线性混合与卷积混合两种数学模型;其次研究分析了一种经典的盲源分离算法——Fast ICA算法。另外,对机械设备中常见的故障类型、形成的原因及它们在时频域的特点进行了分析。（2）在使用盲源分离算法分离故障信号时,通常需要对故障源的数量进行准确估计。针对这个问题,根据轴承故障信号在时频域的特性,设计了一种基于紧凑内核分布（CKD）与峰值搜索算法的轴承故障源数估计算法。该方法首先利用紧凑内核分布得到信号的时频分布,再将时频分布在时域进行求和,得到信号在频域的能量分布。通过峰值搜索算法找到能量较高处对应的频带,将该频带与轴承的特征故障频率比较,初步判断观测信号中故障源的数量。最后通过仿真实验验证了方法的有效性。（3）针对故障源数量大于传感器数量的欠定情况,提出了基于STFD的欠定盲源分离方法,该方法首先使用紧凑内核分布得到观测信号的STFD矩阵;对STFD矩阵进行预处理后,进行自项选择与聚类处理,得到估计的故障源的时频分布;之后根据Wigner-Ville分布（WVD）的反演特性,利用估计的时频分布重建源信号。最后进行了仿真实验,结果表明该方法有很好的效果。（4）设计并进行实验,得到实测数据。将基于CKD与峰值搜索算法的故障源数估计方法和基于STFD的欠定盲源分离方法结合,对实测信号进行了分析。实验结果表明,本文提出的方法能有效估计故障源数与分离故障信号。与Fast ICA算法相比,本文提出的方法效果更好。
马鸿盛[3]（2021）在《基于二次时频分析的结构模态参数识别》文中研究表明结构模态参数识别是结构损伤识别的基础性工作,同时也是结构健康监测系统中的重要环节。目前仅利用结构振动响应的运营模态识别方法受到广泛关注,其无需激励信息的优势在运营结构健康监测中具有重要价值。以盲源分离理论为基础的时频分析技术成为运营模态辨识的热门方法。但是现有的时频方法大多只能解决结构模态识别中的正定问题,无法处理实际工程中欠定盲源分离问题。为了改善这个难题,本文提出一种基于二次时频分布和智能聚类的结构模态参数识别方法,将时频分布矩阵的应用范围从正定盲模态识别问题拓展至欠定盲模态识别问题,并围绕时频面内去除多源时频点、结构中活跃模态数量确定以及窗函数参数选择等问题进行了研究。具体的研究内容和成果如下:（1）利用平滑伪维格纳分布构造时频分布矩阵提出了基于二次时频分析的欠定盲模态识别方法。首先计算结构振动响应信号的平滑伪维格纳分布,然后提出一种基于时频矩阵奇异值分解的阈值准则以去除时频面内多源时频点和噪声点,进而挑选仅含单阶模态信息的时频点。随后借助聚类算法识别结构的各阶振型。最后从重构的模态时频域中直接提取结构的模态频率和模态阻尼比。数值算例结果表明所提方法可以准确地识别结构的各阶振型、频率以及阻尼比,同时钢框架振动试验的实测数据分析结果证明了所提方法的有效性,不同识别方法的结果对比展现了所提方法的优越性。（2）针对基于盲源分离理论的结构模态参数识别方法中难以准确地识别活跃的模态数量这个难题,本文提出了一种确定振动模态阶数的方法,利用该方法无需预先假设结构中活跃的模态数量。首先利用本文提出的去除多源时频点准则筛选出单源点的时频分布矩阵;然后通过特征值分解提取所有单源点的主特征向量;随后引入峰值密度聚类算法,将主特征向量作为待聚类的数据集;最后将分析结果绘制成决策图,从决策图中自动地辨识结构中活跃的模态数量。数值算例分析表明所提方法即使在低信噪比的情况下,依然可以准确地识别结构中参与振动的模态阶数。（3）本文研究了当窗函数宽度不同时,振动响应信号的平滑伪维格纳分布的变化规律。首先从维格纳分布的交叉项出发阐述了时频平滑窗的作用;然后探究了不同时域窗宽和频域窗宽组合时,平稳振动响应信号和时变信号的时频分辨率变化情况以及单源时频点分布的变化情况;最后提出了一种基于熵测度确定振动响应信号时频分布最佳窗宽组合的方法。时变信号的盲源分离算例分析表明优化后的时域平滑窗可以增强时频面内时间分辨率,提高瞬时频率识别值的精度。
张旗[4]（2020）在《非平稳信号的改进时频分析方法研究》文中指出时频分析是非平稳信号分析的有力工具,可分为线性方法和非线性方法及其各自衍生类等。以短时傅里叶变换（Short-Time Fourier transform,STFT）为代表的线性时频分析方法计算简单易于实现,但分辨率较低,而以Wigner-Ville分布（Wigner-Ville distribution,WVD）为代表的非线性方法聚集性高,却受交叉项干扰性能降低。多年来,研究者针对各方法特点改进优化,提出很多分析方法,但这些方法大都根据特定应用需求提出,其适用范围仍需进一步扩展。因此,在现有方法理论基础上,仍需不断改进并探索新方法。本文在分析现有时频分析方法特点的基础上,针对不同方法的缺点提出改进,主要工作如下:1、针对S变换（S-transform,ST）固定多分辨率缺点,将ST中高斯窗标准差构造为时间与频率的函数,称之为改进广义S变换（Improved Generalized S-transform,IGST）,并利用STFT与IGST间的关系,研究了STFT支撑域最小时的高斯窗标准差决定因子,给出IGST中高斯窗最优标准差决定因子。此外,为解决调频斜率估计过程中信号各分量频率相交处易出现较大估计误差的问题,提出一种频率重组方法。仿真分析表明,频率重组方法可准确估计信号各分量瞬时频率,提高调频斜率估计精度。IGST实现了信号不同时间与频率处的更优分析,具有与传统STFT相似的抗噪性能。2、为剔除WVD中交叉项干扰,研究了线性调频信号模糊函数分布特点,在此基础上分析了一般非平稳信号模糊域分布特点,将模糊域原点周围距原点最近的极小值点作为自项与交叉项分布边界,同时,结合边缘检测与数学形态学提取出边界内的信号信息,再根据压缩感知理论,利用所选信号信息恢复重建信号时频分布。仿真结果表明,重新定义的自项分布区域包含更多信号自项信息,可用其恢复重建出聚集性更高的时频分布。此外,与传统时频分析方法相比,新方法抗噪性能更强。3、研究了常见参数化时频分析方法特点,据此提出广义参数化时频分析（General Parameterized Time-Frequency Analysis,GPTFA）方法,避免了非参数化时频分析方法时频聚集性不高的问题。此外,基于信号频率重组,提出多分量信号分离方法。仿真表明,相比于非参数化方法,参数化时频分析方法可在参数趋近理论值时得到聚集性更高的时频分布,本文所提信号分离方法能够实现多分量信号分离,并将分离结果叠加得到多分量信号的高聚集性时频分布。最后,由于采用迭代估计使参数估计性能更优,因而在低信噪比环境下,GPTFA方法仍可得到高聚集性时频分布。
韩文贝[5]（2020）在《基于时频图像特征提取的煤矿压风供水管网监控算法研究》文中指出煤炭开采过程中最重要的问题就是开采安全,为了保持供水和通风,煤矿井下铺设了众多管道。这些管道纵横交错,一旦发生泄漏,依靠人工很难发现,如不能及时检测到泄漏将会严重威胁井下工作人员的生命安全,因此对煤矿井下压风供水管道进行泄漏检测是非常必要的。传统管道泄漏检测方法大多都是对一维的振动或者压力信号进行处理,得到泄漏信号的部分特征,从而判断管道是否发生泄漏。二维信号相比一维信号更能突显信号的微小特征,所以本研究以煤矿井下压风供水管道为背景,运用时频分析的方法得到信号的二维图像,通过提取二维图像的特征判断管道是否发生泄漏。首先,对采集的管道振动信号进行时频分析。通过对传统时频分析方法的研究发现,短时傅里叶变换受时间和频率分辨率的限制,而小波变换的小波基无法简单的进行选择。Wigner-Ville分布是时频分析方法中最基础和应用最广泛的方法,相比于其他方法能够显示信号的能量分布情况。对于交叉项的干扰可以通过添加核函数的方法,即平滑伪Wigner-Ville分布进行抑制与消除。所以文章在Wigner-Ville分布的基础上利用平滑伪Wigner-Ville分布对管道振动信号进行时频分析。其次,运用灰度共生矩阵提取时频图像的特征。通过灰度化处理将时频图转化为灰度图,为了对管道是否发生泄漏进行诊断,需要对图像进行特征提取,本文选择了灰度共生矩阵的方法。然后,计算灰度共生矩阵的能量、相关性、对比度三个特征参数,输入支持向量机（Support Vector Machines,SVM）进行训练和诊断。最后,将最小熵反褶积（Minimum Entropy Deconvolution,MED）算法和互相关算法相结合对管道泄漏点进行定位。在传统管道定位方法的基础上,添加了信号降噪处理。文章研究了多种信号降噪方法,并发现MED算法相比于其他算法能够在降低噪声干扰的同时突出信号的有效成分,使管道定位更加精准。依据煤矿井下管网结构,搭建管网系统模型,通过模拟管道泄漏,对检测算法和定位方法进行实验测试,并对测试数据进行分析。实验结果表明,该系统性能良好,能够满足煤矿流体管网的泄漏检测与定位要求。
张亚楠[6]（2020）在《基于声发射信号处理的风力机叶片损伤演化研究》文中认为叶片是风力机获取风能的关键部件,在叶片的生产过程中,往往因为其制作工艺的特殊,自动化程度不高,使生产出来的叶片存在内部缺陷,如褶皱、分层、缺胶等。由于这些随机分布的工艺缺陷存在,导致复合材料的疲劳破坏通常从缺陷处开始,并在随机交变应力作用下逐步扩展贯通成为宏观裂纹,继而逐步扩展到界面上引发疲劳损伤,对叶片结构造成破坏。考虑风电场大多位于偏远地区,存在维护、监测困难的问题,如果早期损伤未被及时发现,有可能在恶劣工况下发展为恶性事故而造成巨大的经济损失。因此,研究风力机叶片的损伤演化识别,对于保障叶片长时间安全运行具有重要意义。本文研究采用声发射技术对叶片复合材料损伤演化状态进行识别和预测,为风力机叶片健康状态监测提供新思路,论文的主要研究内容如下:（1）以损伤力学理论为基础,通过分析不同阶段损伤演化的能量耗散,建立了风力机叶片复合材料的损伤演化模型,从而明晰声发射能量耗散和复合材料损伤演化规律的关系。通过复合材料层合板Lamb理论讨论了不同类型的Lamb频散控制方程以及频散特性。利用声发射断铅实验分析了不同Lamb波传播方式,并讨论了不同损伤程度对Lamb波的影响,为损伤演化过程中声发射信号波形分析提供理论依据。（2）依据风电发电机组风轮叶片质量标准中对叶片质量影响最大的褶皱和分层工艺缺陷,针对性的建立了GFRP复合材料声发射实验平台,并详细阐述了实验步骤和人工缺陷制作方法。实验分析了分层缺陷位置、大小和不同高宽比褶皱缺陷对复合材料力学性能的影响。使用聚类分析算法识别了复合材料损伤模式,并利用电镜扫描验证的损伤模式识别的正确性。通过对不同缺陷复合材料的声发射特征分析,明晰了缺陷类型和几何参数对叶片损伤规律的影响,为缺陷复合材料损伤模式识别和状态监测提供依据。（3）褶皱缺陷在损伤演化过程中,由于损伤模式的多样性使得观测AE信号源的数目小于声发射源信号数目,本文提出一种改进的K-means欠定盲源分离方法,有效提取了褶皱缺陷损伤演化过程中基体开裂,纤维剥离,界面分层和纤维断裂的频率特征,最后计算并分析疲劳损伤演化中各类损伤特征的声能耗散趋势。研究结果表明,褶皱缺陷在稳定损伤阶段,纤维及纤维束纵向所产生的纤维剥离是能量耗散的主要来源,失稳破坏阶段出现的裂纹和脱粘以及纤维断裂为主要的声发射激励源,并呈现高幅值能量释放的态势,从而明晰了褶皱缺陷的损伤演化机理。（4）针对叶片层合板分层缺陷损伤演化中多组分材料所导致交叉项干扰问题,提出了一种基于自适应VMD-WVD时频分析方法,通过利用交替方向乘子法迭代搜索求取增广Lagrange函数的鞍点,获取声发射模态分量和中心频率。实验结果表明,通过二维时频分布相关系数和时频分辨率对算法性能进行评价,该方法使得交叉项干扰有效降低,还能保证较高的时频聚集性和时频分辨率,能够细致地刻画声发射信号在时频平面上所发生的变化过程,表征分层缺陷损伤的复杂动态过程。（5）考虑叶片复合材料在应力达到最大之前便已经发展为宏观失效,造成失稳破坏的识别和预测难度较大。针对该问题,提出一种基于声发射信号聚类分析和神经网络的复合材料失稳破坏前兆特征识别和预测方法,通过对比每种声发射信号类型的时序演化特征,筛选出合适的前兆特征信号建立神经网络预测模型。结果表明,该方法相比于声发射积累能量和积累计数等参数可有效的对其失稳破坏状态进行识别和预测。
杨雯婷[7]（2020）在《针对未知雷达辐射源信号的脉内调制识别》文中研究说明在日趋复杂的电磁环境背景下,传统的工程算法已无法满足当今电子战信息处理的需求。针对密集雷达信号在复杂电磁环境下难以直接识别的问题,本文提出先分选后识别的算法流程。首先提出一种以脉冲幅度为主要参数的雷达信号预分选算法,以提高后续雷达信号识别的准确率和运算效率。预分选后,提出了基于深度学习框架的雷达辐射源信号脉内调制方式识别算法。本文主要工作如下:（1）信号调制类型对比分析及特征提取。本文研究了九种不同调制方式的雷达信号,其中包括线性调频信号、频移键控信号、相移键控信号等,分别建立信号的数学模型,分析了不同调制信号的时域、频域以及相位域的特征。此外,本文对比了不同的时频变换方法对信号特征提取的效果,经过比较最终选取ChoiWilliams分布对信号进行时频变换,提取信号的时频域特征。（2）脉冲幅度预分选。针对在复杂电磁环境下信号密集,难以直接识别的问题,在识别前提出一种以脉冲幅度为主要参数的雷达辐射源信号预分选算法。根据脉冲幅度的变化特性,采用K-Means聚类算法对雷达辐射源信号进行粗分选,并利用分段埃尔米特插值法及幅度差提取包络算法对雷达辐射源信号的脉冲幅度进行包络提取,实现在交叠严重的情况下雷达辐射源信号的分选。通过预分选算法,对信号进行稀释,能够有效提升后续识别算法的准确率。（3）基于深度置信网络的脉内调制识别算法。由于传统的识别方法在低信噪比时准确率低,本文提出了基于深度置信网络的雷达信号调制方式识别算法以提高准确率。在脉冲幅度预分选后,根据（1）中的理论基础,生成九种调制信号的时频图像数据集,通过对深度置信网络进行训练及测试,使深度置信网络具备识别雷达信号调制方式的能力。经过实验证明,本算法能够在提高未知雷达辐射源信号识别准确率的同时提高识别效率,同时该方法具有良好的普适性。（4）基于残差神经网络的脉内调制识别算法。由于人工提取信号特征的计算量大、主观性强且会丢失信号原本的信息,因此提出直接以雷达的时域信号为输入,由残差神经网络提取特征进行识别的雷达信号脉内调制算法。算法建立九种雷达信号的时域信号数据集,输入到残差神经网络进行训练、分类及识别。经实验证明,算法节省了生成时频图像特征的大量时间,抗噪声能力更强。
刘凯[8]（2020）在《基于时频域联合分析的电力电缆故障定位方法研究》文中研究指明国家电网在2019年提出建设“三型两网”的战略目标,坚定发展坚强智能电网建设运营,深入研究泛在电力物联网中的新型技术。电网作为连接能源生产和消费的枢纽,被广泛应用生产生活中的各个领域。在长期运行过程中不可避免的要受到包括高温、机械拉力、化学腐蚀等侵袭,一旦发生电力电缆故障事故将会给社会带来巨大的经济损失。电缆故障定位作为维护电网正常运行重要技术,对电缆故障定位的精度和可靠性要求日益提高。针对现有电缆故障定位技术时域反射法和频域反射法各自存在的缺陷,考虑使用时频域反射法（Time Frequency Domain Reflectometry,TFDR）对电力电缆进行故障检测。TFDR采用高斯包络的线性啁啾（Gaussian Envelope Linear Chirp,GELC）信号作为入射信号,可根据电缆的信道传输特性设计CELC信号,使用维格纳分布（Wigner-Ville Distribution,WVD）计算CELC信号的时频互相关特性并进行时频分析,提高故障定位精度。本文围绕TFDR在电力电缆中故障定位,从以下两个部分进行研究:第一部分,对TFDR在电力线信道噪声特性下的故障定位研究,考虑到电力线信道复杂性,脉冲噪声才是影响电力线通信质量的主要因素,这势必会导致TFDR中WVD中交叉项干扰,针对这一问题,对比采用不同窗函数下的伪维格纳分布、平滑伪维格纳分布（Smooth Pseudo Wigner-Ville Distribution,SPWVD）和崔-威廉斯分布抑制交叉项干扰性能,提出基于SPWVD和时频滤波分别对交叉项干扰和脉冲噪声进行消除,针对CELC信号的时频分布特性,利用Hough变换对SPWVD下的CELC信号进行特征识别并定位故障。通过仿真和时频分析,证明了该方法的有效性。第二部分,对TFDR的电力电缆故障定位方法进行设计并实现,考虑实际TFDR下的实际故障定位流程,将该实现设计方案分成4个模块,针对其中的CELC信号生成模块、DA模块和WVD计算模块,应用System Generator、Vivado等快速设计工具,对不同模块进行IP设计,在Zynq-7000开发板实现硬件加速。通过实际测试验证整个方案的可行性。
杜岩[9]（2020）在《基于时频图像识别的滚动轴承故障诊断方法研究》文中研究表明滚动轴承是各类机械设备中最常用的关键零部件之一,也是易损零部件。滚动轴承的运行状态直接影响到整台设备的性能及其运行的安全性与可靠性。因此,开展滚动轴承的故障诊断研究,对保障机械设备安全可靠地运行,避免重大及灾难事故的发生具有非常重要的科学意义和工程应用前景。由于运行过程中负载、转速等因素的变化,滚动轴承的振动信号表现出非平稳特性,而且这种非平稳特性会随着故障的发生变得更为明显。相比传统的时域分析和频域分析方法,时频分析能够更好地揭示非平稳信号在时频域中的幅值/能量分布及局部时变特征。因此,采用时频分析构建的振动信号时频图像蕴含了更加丰富的滚动轴承状态信息,通过对时频图像进行深入分析识别,可以更好地实现滚动轴承故障诊断。常见的基于时频图像识别的故障诊断方法大致可分为三类,分别为:基于人工分析的方法、基于传统机器学习的方法和基于深度学习的方法。其中,基于人工分析的方法是由专业人员分析时频图像揭示出的时频域特征来实现故障诊断,而其他两类诊断方法则是采用计算机对时频图像进行自动分类识别实现故障诊断。显然,基于人工分析的方法费时费力,其诊断结果也会受到人的主观因素影响。而且,由于时频图像的精准性会对专业人员的分析判断产生很大的影响,该类方法对时频分析的性能依赖最为严重。其他两类方法能够将专业人员从繁杂的图像分析识别中解放出来,诊断结果也更为客观。但基于人工分析的方法具有对数据量要求很低的优点,而其他两种方法都需要一定的数据量来训练模型,尤其是基于深度学习的方法更是需要大量的数据用于训练。此外,这三类方法的识别率及稳定性都有待进一步提高。总之,三类方法各有优缺点,都还存在一些问题有待进一步研究。本文主要研究工作包括以下三个方面:（1）滚动轴承振动信号时频分析方法研究基于人工分析的方法对时频分析的性能依赖最为严重,而常用时频分析方法存在分析结果不稀疏、分辨率低、受交叉项干扰的问题,为此,提出了一种基于一阶原始对偶算法的稀疏时频分析方法。该方法基于稀疏表示理论构建稀疏时频分析模型,并采用一阶原始对偶算法对模型进行求解。由于该方法本质上是一种线性时频分析方法,且引入了稀疏约束,因此能够获得比传统方法更高的时频分辨率和时频聚集性,且不存在交叉干扰项。对仿真信号的分析结果表明,该方法能克服传统时频分析方法结果不稀疏、分辨率低、交叉项干扰等缺点,且具有更好的去噪能力。利用西储大学轴承数据进行了实验分析,结果表明,相比传统时频分析方法,本文方法能够获得稀疏性更好、时频分辨率和聚集性更高的轴承振动信号时频图像,在准确地反映出信号时频特征的同时也使得故障冲击特征更为明显,为专业人员进行故障诊断提供更精确的信息。（2）基于时频图像纹理特征迁移的滚动轴承故障诊断方法研究针对变工况条件下训练数据和测试数据的特征分布存在差异,导致基于传统机器学习的方法诊断性能下降的问题,提出了一种基于时频图像纹理特征迁移的滚动轴承故障诊断方法。该方法首先采用时频分析将振动信号转换为时频图像,接着提取时频图像的灰度共生矩阵纹理特征作为反映轴承状态的特征向量,之后利用联合分布适配算法将不同工况下的纹理特征映射到低维潜在空间,最后将得到的分布差异小的公共迁移特征作为最近邻分类器的输入,实现对轴承故障的准确诊断。由于采用了联合分布适配算法进行特征迁移学习,该方法能够利用来自一种工况的数据进行训练来实现对其他工况数据的准确分类诊断。利用西储大学轴承数据进行了实验,结果表明该方法能很好地提取出不同工况样本数据的公共迁移特征,从而显着提高变工况条件下的诊断性能。（3）基于深度迁移学习的滚动轴承故障诊断方法研究针对传统深度学习诊断方法在变工况条件下诊断性能出现下降,以及少量单一工况数据无法有效训练深度网络的问题,提出了一种基于深度迁移学习的滚动轴承故障诊断方法。该方法采用时频分析将振动信号转换为时频图像,结合深度迁移学习和残差学习理论提出了一种迁移深度残差卷积神经网络（Transfer Deep Residual Convolutional Neural Networks,TDRCNN）用于自动学习时频图像特征同时完成分类诊断。由于采用了深度迁移学习方法,TDRCNN能够充分利用从来自一种工况（源领域）的大量数据和另一种工况（目标领域）的少量数据中学习到的知识对目标领域数据进行准确分类诊断。此外,残差结构的引入还解决了传统卷积神经网络存在的训练难度大和性能下降问题。采用西储大学轴承数据进行了实验验证,结果表明本文提出的TDRCNN在训练、故障识别、可视化特征聚类与分离方面都优于无迁移网络和没有采用残差结构的迁移网络。同时,实验结果也验证了所提出方法在不同时频分析方法、不同工况差异下的有效性。
张哲[10]（2020）在《基于FRFT的雷达信号识别与参数估计》文中提出当今世界形势瞬息万变,现代化军事实力影响了各方博弈的结果,因此直接决定了电子对抗技术领域的发展所向。战场的电磁环境日益复杂,传统的雷达信号分析方法逐渐难以有效地完成任务,受到的挑战迫在眉睫,寻找应对之策的任务如矢在弦。分数阶傅里叶变换（Fractional Fourier Transform,FRFT）作为传统傅里叶变换的广义形式,可以促使信号在时频平面内任意旋转,从中获得为全面的信号特征,适合用于分析非平稳信号的特征。本文围绕基于FRFT的雷达信号识别与参数估计方法展开研究,工作内容归纳为以下三个部分:首先,对FRFT的基本理论进行了研究,针对典型的单一调制信号的识别问题,提出一种基于FRFT的单一调制识别方法,通过信号及信号瞬时自相关的FRFT谱包络曲线特征,结合分类树思想,实现了4种单一调制信号的识别。针对复合调制信号的识别问题,提出一种基于FRFT与相位跳变检测的复合调制识别方法,该算法中采用信号平方的FRFT谱包络曲线特征与相位特征由粗到细地实现了5种调制信号的识别。然后,对单分量LFM信号,针对基于FRFT的参数估计中全域搜索导致的计算冗余问题,提出一种基于连续域蚁群优化（Continuous Ant Colony Optimization,CACO）的FRFT极值搜索方法,该算法中通过二维粗搜索得到FRFT阶次的粗略估计值,以此限定搜索区间并作为先验值带入CACO算法进行寻优,达到提高搜索效率的目的,仿真结果表明该算法在提高搜索效率的同时,能够保证估计精度。最后,对多分量LFM信号,针对基于FRFT的参数估计中重复搜索与估计精度问题,提出一种基于吕分布（Lv’s Distribution,LVD）与高分辨的FRFT计算（Zoom-FRFT）的多分量LFM信号参数估计方法,该算法中通过LVD实现分量检测与参数粗估计,以粗估计值作为先验值限定FRFT搜索区间,达到减少计算次数的目的,并通过Zoom-FRFT细化最佳阶数下的FRFT谱,提高参数估计精度,仿真结果验证了新算法的有效性。针对信号局部特征的获取问题,对短时分数阶傅里叶变换（Short Time Fractional Fourier Transform,STFRFT）的基本原理与实现方法进行了详细分析,介绍了一种基于STFRFT的多分量LFM信号检测与参数估计算法,该算法结合CLEAN思想逐步处理信号分量,实现了良好的估计效果。
二、基于频域“CLEAN”Wigner-Ville分布中交叉项的抑制（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、基于频域“CLEAN”Wigner-Ville分布中交叉项的抑制（论文提纲范文）
（1）时变滤波算法研究及其在通信信号识别中的应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 时变滤波研究现状 |
| 1.2.2 通信信号识别技术研究现状 |
| 1.3 本文主要内容及章节安排 |
| 第2章 通信信号识别理论基础 |
| 2.1 通信信号调制原理 |
| 2.2 调制识别相关基础理论 |
| 2.3 通信信号时频特征提取 |
| 2.3.1 短时傅里叶变换 |
| 2.3.2 Wigner-Ville分布 |
| 2.3.3 改进Wigner-Ville分布 |
| 2.4 卷积神经网络相关理论 |
| 2.4.1 卷积神经网络基本结构 |
| 2.4.2 卷积神经网络训练过程 |
| 2.4.3 卷积神经网络特性 |
| 2.4.4 常用的激活函数 |
| 2.5 本章小结 |
| 第3章 通信信号时变滤波算法研究 |
| 3.1 基于时变频率提取的时变滤波算法 |
| 3.1.1 基于时变频率提取的时变滤波基本原理 |
| 3.1.2 基于相关熵理论的滤波迭代次数分析 |
| 3.1.3 FSK信号时变滤波效果分析 |
| 3.2 基于时变频率掩码的时变滤波算法 |
| 3.2.1 基于时变频率掩码的时变滤波算法基本原理 |
| 3.2.2 三种常见通信信号时变滤波效果分析 |
| 3.3 本章小结 |
| 第4章 时变滤波算法在通信信号识别中的应用 |
| 4.1 通信信号识别总体流程 |
| 4.2 预处理 |
| 4.2.1 归一化处理 |
| 4.2.2 时频灰度特征图像生成 |
| 4.2.3 数据集生成 |
| 4.3 基于卷积神经网络的信号识别分类器设计 |
| 4.3.1 卷积神经网络模型结构设计 |
| 4.3.2 卷积神经网络模型训练与评估 |
| 4.4 基于卷积神经网络的调制识别分类器测试结果 |
| 4.4.1 FSK信号类内识别测试结果及分析 |
| 4.4.2 时变滤波对FSK信号类内识别性能影响仿真及分析 |
| 4.4.3 三种典型通信信号类间识别测试结果及分析 |
| 4.4.4 时变滤波对通信信号类间识别性能影响仿真及分析 |
| 4.5 本章小结 |
| 第5章 总结与展望 |
| 5.1 论文主要工作及总结 |
| 5.2 未来工作展望 |
| 参考文献 |
| 作者简介及研究成果 |
| 致谢 |
（2）空间时频分布方法及其在机械故障诊断中的应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题的研究背景及意义 |
| 1.2 国内外研究现状分析 |
| 1.2.1 机械设备多故障诊断的研究现状 |
| 1.2.2 盲源分离方法的研究现状 |
| 1.3 空间时频分布(STFD)算法 |
| 1.4 论文的主要研究内容和结构安排 |
| 1.4.1 论文的主要研究内容与技术路线 |
| 1.4.2 全文的结构安排 |
| 第2章 盲源分离方法理论与机械故障种类及特征 |
| 2.1 引言 |
| 2.2 盲源分离的数学模型 |
| 2.2.1 瞬时混合模型 |
| 2.2.2 卷积混合模型 |
| 2.3 独立分量分析 |
| 2.3.1 独立分量分析的假设条件与性质 |
| 2.3.2 预处理过程 |
| 2.3.3 FastICA算法 |
| 2.3.4 仿真实验 |
| 2.4 常见的轴承故障种类及特征 |
| 2.4.1 轴承的故障类型与成因 |
| 2.4.2 轴承故障信号的特征 |
| 2.5 本章小结 |
| 第3章 基于CKD与峰值搜索算法的轴承故障源数估计方法 |
| 3.1 引言 |
| 3.2 Wigner-Ville分布 |
| 3.2.1 Wigner-Ville分布原理 |
| 3.2.2 改进的WVD |
| 3.3 基于CKD与峰值搜索算法的源数估计方法 |
| 3.3.1 紧凑内核时频分布(CKD) |
| 3.3.2 峰值搜索算法的原理 |
| 3.3.3 故障源数估计方法 |
| 3.4 仿真实验 |
| 3.5 本章小结 |
| 第4章 基于空间时频分布的欠定盲源分离方法 |
| 4.1 引言 |
| 4.2 信号模型 |
| 4.3 空间时频分布(STFD)的原理 |
| 4.3.1 STFD矩阵的计算 |
| 4.3.2 时频点的分类 |
| 4.3.3 STFD矩阵的白化 |
| 4.4 基于STFD的轴承多故障信号盲源分离方法 |
| 4.4.1 计算观测信号的STFD矩阵 |
| 4.4.2 噪声阈值处理 |
| 4.4.3 自项点的选取 |
| 4.4.4 基于向量集群的源TFD估计 |
| 4.4.5 源信号重建与故障源的定位 |
| 4.4.6 子空间投影法 |
| 4.5 仿真实验 |
| 4.6 本章小结 |
| 第5章 基于空间时频分布的盲源分离方法在轴承多故障诊断中的应用 |
| 5.1 引言 |
| 5.2 实验设计与理论准备 |
| 5.2.1 实验设计思路 |
| 5.2.2 实验设备与参数 |
| 5.3 实测结果及分析 |
| 5.3.1 实测信号初步分析 |
| 5.3.2 基于STFD的欠定盲源分离方法结果及分析 |
| 5.3.2.1 利用基于CKD与峰值搜索算法估计轴承故障源数 |
| 5.3.2.2 盲源分离结果及分析 |
| 5.4 本章小结 |
| 第6章 总结与展望 |
| 6.1 全文工作总结 |
| 6.2 对将来研究的展望 |
| 致谢 |
| 参考文献 |
| 附录1 攻读硕士学位期间发表的论文 |
| 附录2 攻读硕士学位期间参加的科研项目 |
（3）基于二次时频分析的结构模态参数识别（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 传统模态识别方法研究进展 |
| 1.2.1 时域方法 |
| 1.2.2 频域方法 |
| 1.3 时频分析研究现状 |
| 1.4 基于时频分析的结构模态识别研究进展 |
| 1.5 本文主要研究内容及创新点 |
| 第2章 基于平滑伪魏格纳分布的模态参数识别 |
| 2.1 结构动力学基本理论 |
| 2.2 盲源分离理论 |
| 2.3 平滑伪魏格纳分布基本原理 |
| 2.3.1 时频分布矩阵 |
| 2.3.2 筛选单源点 |
| 2.4 基于聚类算法的振型识别 |
| 2.4.1 峰值密度聚类算法 |
| 2.4.2 振型识别 |
| 2.5 基于子空间理论的单阶模态时频域重构算法 |
| 2.5.1 子空间重构算法原理 |
| 2.5.2 基于重构时频域的频率识别 |
| 2.5.3 基于重构时频域的阻尼比识别 |
| 2.6 本章小结 |
| 第3章 振动信号时频分析的窗函数优化研究 |
| 3.1 魏格纳分布与Cohen类时频分布 |
| 3.1.1 魏格纳分布与交叉干扰项 |
| 3.1.2 Cohen类时频分布 |
| 3.2 窗函数优化研究 |
| 3.2.1 窗长对平稳信号时频分布的影响 |
| 3.2.2 窗长对时变信号时频分布的影响 |
| 3.3 基于Renyi熵的窗函数优化 |
| 3.3.1 Renyi熵测度的可行性研究 |
| 3.3.2 振动信号的时频窗优化 |
| 3.4 本章小结 |
| 第4章 数值算例和框架试验验证 |
| 4.1 平稳振动信号仿真与验证 |
| 4.1.1 算例介绍 |
| 4.1.2 振型识别 |
| 4.1.3 模态频率识别 |
| 4.1.4 模态阻尼比识别 |
| 4.1.5 不同识别方法对比 |
| 4.2 时变信号盲源分离仿真 |
| 4.3 框架试验验证 |
| 4.3.1 试验描述 |
| 4.3.2 模态参数识别 |
| 4.4 本章小结 |
| 第5章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 攻读硕士学位期间的学术活动及成果情况 |
（4）非平稳信号的改进时频分析方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号对照表 |
| 缩略语对照表 |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 线性时频分析方法 |
| 1.2.2 非线性时频分析方法 |
| 1.2.3 参数化时频分析方法 |
| 1.2.4 自适应分解类算法 |
| 1.2.5 重排和同步压缩 |
| 1.3 主要内容及章节安排 |
| 第二章 时频分析基础理论 |
| 2.1 时频分辨率及不确定性原理 |
| 2.2 传统时频分析方法 |
| 2.2.1 线性时频分析方法 |
| 2.2.2 双线性时频分析方法 |
| 2.2.3 Chirplet变换 |
| 2.3 本章小结 |
| 第三章 基于调频斜率的改进广义S变换 |
| 3.1 改进广义S变换 |
| 3.2 改进广义S变换最优参数选取 |
| 3.2.1 STFT的最小支撑域 |
| 3.2.2 调频斜率与高斯窗最优窗长关系仿真验证 |
| 3.2.3 改进广义S变换参数选取 |
| 3.3 基于频率重组的调频斜率估计 |
| 3.3.1 瞬时频率曲线重组 |
| 3.3.2 调频斜率估计 |
| 3.4 仿真实验分析 |
| 3.4.1 瞬时频率无相交信号仿真分析 |
| 3.4.2 瞬时频率存在相交信号分析 |
| 3.4.3 抗噪性能研究及ECM对比 |
| 3.5 本章小结 |
| 第四章 基于压缩感知的时频分析方法 |
| 4.1 压缩感知理论概述 |
| 4.1.1 压缩感知理论 |
| 4.1.2 基于模糊域稀疏重建的时频分析方法 |
| 4.2 信号模糊域分布特点 |
| 4.2.1 理论分析 |
| 4.2.2 LFM信号模糊域分布特点验证 |
| 4.3 基于边缘检测与数学形态学的自项区域选取 |
| 4.3.1 基于LOG算子的边缘检测 |
| 4.3.2 数学形态学 |
| 4.3.3 自项分布区域选取 |
| 4.4 仿真实验分析 |
| 4.4.1 频率无相交两分量LFM信号分析 |
| 4.4.2 频率相交两分量LFM信号 |
| 4.4.3 一般非平稳信号 |
| 4.4.4 抗噪性能分析及ECM对比 |
| 4.5 本章小结 |
| 第五章 基于频率重组的广义参数化时频分析 |
| 5.1 常用参数化时频分析方法 |
| 5.1.1 多项式Chirplet变换 |
| 5.1.2 样条Chirplet变换 |
| 5.1.3 广义Warblet变换 |
| 5.1.4 各方法性能对比 |
| 5.2 广义参数化时频分析方法 |
| 5.2.1 广义参数化时频分析方法 |
| 5.2.2 广义参数化时频分析方法系数确定 |
| 5.3 多分量信号的广义参数化时频分析及信号分离 |
| 5.4 仿真实验分析 |
| 5.4.1 单分量信号仿真分析 |
| 5.4.2 多分量信号仿真分析 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 本文总结 |
| 6.2 未来展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（5）基于时频图像特征提取的煤矿压风供水管网监控算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题背景和意义 |
| 1.2 管道泄漏分析 |
| 1.3 管道泄漏国内外研究现状 |
| 1.4 本文主要研究内容 |
| 2 煤矿管道泄漏信号时频分析算法研究 |
| 2.1 信号处理方法 |
| 2.2 时频分析算法研究 |
| 2.3 算法仿真 |
| 2.4 本章小结 |
| 3 基于灰度共生矩阵参数的煤矿管道泄漏诊断 |
| 3.1 图像纹理的表达方法 |
| 3.2 泄漏信号模式识别 |
| 3.3 算法实验 |
| 3.4 本章小结 |
| 4 煤矿管道泄漏信号定位算法研究 |
| 4.1 信号去噪方法 |
| 4.2 基本互相关算法 |
| 4.3 管道泄漏点定位 |
| 4.4 本章小结 |
| 5 系统测试 |
| 5.1 系统综述 |
| 5.2 系统模型搭建 |
| 5.3 实验测试 |
| 5.4 实验数据分析 |
| 5.5 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 作者简历 |
| 致谢 |
| 学位论文数据集 |
（6）基于声发射信号处理的风力机叶片损伤演化研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.2 研究的目的与意义 |
| 1.3 国内外研究现状 |
| 1.3.1 疲劳损伤演化研究现状 |
| 1.3.2 风力机叶片监测技术的发展与应用 |
| 1.3.3 声发射信号处理的研究现状 |
| 1.4 研究内容 |
| 第2章 GFRP复合材料疲劳损伤演化的理论基础 |
| 2.1 复合材料疲劳损伤力学 |
| 2.2 声发射能量耗散模型 |
| 2.2.1 疲劳损伤能量耗散理论 |
| 2.2.2 不同损伤阶段的能量耗散规律分析 |
| 2.2.3 声发射能量耗散半经验模型 |
| 2.3 声发射信号在复合材料中的传播 |
| 2.3.1 弹性应力波理论 |
| 2.3.2 Lamb波理论 |
| 2.3.3 非线性Lamb波频散控制方程 |
| 2.3.4 不同损伤程度对Lamb波的影响 |
| 2.4 本章小结 |
| 第3章 叶片主梁工艺缺陷损伤演化的AE信号特征分析 |
| 3.1 风力机叶片主梁的制造工艺缺陷 |
| 3.2 GFRP复合材料层合板声发射实验 |
| 3.2.1 试件制备 |
| 3.2.2 声发射监测系统 |
| 3.2.3 声发射实验方法 |
| 3.3 AE信号的K-means聚类分析 |
| 3.4 分层缺陷的声发射特征分析 |
| 3.5 褶皱缺陷的声发射特征分析 |
| 3.6 不同缺陷试件的损伤机制分析 |
| 3.7 本章小结 |
| 第4章 基于盲源分离的褶皱缺陷损伤演化特征提取 |
| 4.1 AE信号的盲源分离处理方法 |
| 4.1.1 褶皱缺陷AE信号的混叠特性分析 |
| 4.1.2 卷积混合模型 |
| 4.1.3 盲源分离性能指标改进方法 |
| 4.1.4 估计性能指标构造自适应步长函数 |
| 4.1.5 信号仿真分析 |
| 4.2 基于K-means聚类的欠定盲分离算法 |
| 4.2.1 K-means欠定盲分离算法 |
| 4.2.2 改进K-means聚类算法 |
| 4.2.3 信号仿真模拟 |
| 4.3 褶皱缺陷损伤演化的AE信号特征提取 |
| 4.3.1 疲劳试验和AE信号采集 |
| 4.3.2 AE信号的盲分离处理 |
| 4.3.3 微观形貌分析 |
| 4.4 基于声能耗散模型的褶皱缺陷损伤演化分析 |
| 4.5 本章小结 |
| 第5章 分层缺陷损伤识别的时频分析方法 |
| 5.1 双线性时频分析方法 |
| 5.1.1 WVD时频分布原理及不足 |
| 5.1.2 WVD时频分布交叉项抑制 |
| 5.2 AVMD-WVD时频分析方法 |
| 5.2.1 VMD算法理论 |
| 5.2.2 VMD-WVD自适应改进方法 |
| 5.2.3 谱相关分析 |
| 5.3 疲劳实验与AE信号处理 |
| 5.3.1 实验数据采集 |
| 5.3.2 分解信号算法对比 |
| 5.3.3 AE频率特征对比与验证 |
| 5.3.4 分层缺陷损伤演化机理分析 |
| 5.4 微观形貌分析 |
| 5.5 本章小结 |
| 第6章 基于神经网络的失稳状态识别和预测 |
| 6.1 BP神经网络概述 |
| 6.1.1 BP神经元基本原理 |
| 6.1.2 BP神经网络算法 |
| 6.1.3 BP神经网络的优势与不足 |
| 6.2 神经网络参数设置 |
| 6.2.1 神经网络学习速率 |
| 6.2.2 神经网络期望误差 |
| 6.2.3 神经网络激励函数选取 |
| 6.2.4 神经网络隐含层数设定 |
| 6.3 神经网络预测模型的建立 |
| 6.3.1 失稳破坏前兆特征提取 |
| 6.3.2 失稳破坏前兆预测模型 |
| 6.4 失稳破坏前兆识别与预测 |
| 6.4.1 实验数据采集 |
| 6.4.2 实验数据处理 |
| 6.4.3 预测结果分析 |
| 6.5 本章小结 |
| 第7章 结论与展望 |
| 7.1 结论和创新点 |
| 7.2 展望 |
| 参考文献 |
| 在学研究成果 |
| 致谢 |
（7）针对未知雷达辐射源信号的脉内调制识别（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 问题的提出与研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 雷达辐射源信号的脉冲幅度预分选现状 |
| 1.2.2 雷达辐射源信号脉内调制识别现状 |
| 1.2.3 存在的主要问题 |
| 1.3 本文的主要内容与结构安排 |
| 1.3.1 研究目标及主要任务 |
| 1.3.2 科研项目资助情况 |
| 1.3.3 主要研究问题 |
| 1.3.4 章节安排 |
| 第2章 雷达信号脉内调制识别理论基础 |
| 2.1 引言 |
| 2.2 辐射源信号的数学模型 |
| 2.2.1 线性调频信号 |
| 2.2.2 频移键控信号 |
| 2.2.3 相移键控信号 |
| 2.2.4 多相编码信号 |
| 2.3 时频分析基本理论 |
| 2.3.1 Cohen类时频分布 |
| 2.3.2 Wigner-Ville分布 |
| 2.3.3 Choi-Williams分布 |
| 2.4 本章小结 |
| 第3章 雷达辐射源信号的脉冲幅度预分选 |
| 3.1 引言 |
| 3.2 脉冲幅度模型的建立 |
| 3.3 脉冲幅度的包络提取算法 |
| 3.3.1 埃尔米特插值提取包络 |
| 3.3.2 幅度差提取包络 |
| 3.4 脉冲幅度分选算法的结构 |
| 3.5 实验及分析 |
| 3.5.1 包含混叠信号分选实验及分析 |
| 3.5.2 多种混叠方式的信号分选实验及分析 |
| 3.6 本章小结 |
| 第4章 基于深度置信网络的脉内调制识别 |
| 4.1 引言 |
| 4.2 深度学习理论基础 |
| 4.2.1 人工神经网络基础 |
| 4.2.2 网络学习基准 |
| 4.3 深度置信网络原理 |
| 4.3.1 受限玻尔兹曼机 |
| 4.3.2 改进的深度置信网络 |
| 4.4 实验及分析 |
| 4.4.1 实验数据及网络设置 |
| 4.4.2 网络参数对识别率的影响分析 |
| 4.4.3 信噪比对识别率的影响分析 |
| 4.5 本章小结 |
| 第5章 基于残差神经网络的脉内调制识别 |
| 5.1 引言 |
| 5.2 残差神经网络原理 |
| 5.2.1 卷积神经网络 |
| 5.2.2 残差神经网络 |
| 5.2.3 改进的残差神经网络 |
| 5.3 实验及分析 |
| 5.3.1 实验数据构成 |
| 5.3.2 单一信噪比训练对比试验 |
| 5.3.3 混合信噪比训练对比实验 |
| 5.4 本章小结 |
| 第6章 全文总结 |
| 参考文献 |
| 作者简介及研究成果 |
| 致谢 |
（8）基于时频域联合分析的电力电缆故障定位方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 注释表 |
| 第1章 绪论 |
| 1.1 研究背景、目的和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 阻抗法 |
| 1.2.2 行波法 |
| 1.2.3 反射法 |
| 1.3 本文主要工作内容 |
| 第2章 电力电缆故障定位原理分析 |
| 2.1 电力电缆传输特性 |
| 2.1.1 电力电缆参数模型 |
| 2.1.2 行波的反射与折射 |
| 2.2 反射法电力电缆故障测量方法分析 |
| 2.2.1 TDR/SSTDR故障测量方法分析 |
| 2.2.2 FDR故障测量方法分析 |
| 2.2.3 TFDR故障测量方法分析 |
| 2.3 本章小结 |
| 第3章 基于TFDR在电力线信道噪声特性下的故障定位研究 |
| 3.1 电力线信道噪声特性分析 |
| 3.2 WVD中的交叉项抑制分析 |
| 3.2.1 伪维格纳分布 |
| 3.2.2 平滑伪维格纳分布 |
| 3.2.3 崔-威廉斯分布 |
| 3.2.4 比较与分析 |
| 3.3 时频滤波算法 |
| 3.4 基于Hough变换椭圆检测的故障定位 |
| 3.4.1 Hough变换基本原理 |
| 3.4.2 检测椭圆中心故障定位 |
| 3.4.3 实验仿真对比和分析 |
| 3.5 本章小结 |
| 第4章 基于TFDR的电力电缆故障定位方法设计与实现 |
| 4.1 设计框图以及开发平台选择 |
| 4.1.1 设计框图 |
| 4.1.2 FPGA开发板 |
| 4.1.3 开发平台及流程 |
| 4.2 故障定位方法软硬件设计 |
| 4.2.1 CELC信号设计模块 |
| 4.2.2 CELC信号生成模块设计 |
| 4.2.3 DA模块设计 |
| 4.2.4 WVD计算模块设计 |
| 4.3 故障定位方法实现 |
| 4.3.1 CELC信号生成模块实现 |
| 4.3.2 WVD计算模块实现 |
| 4.3.3 误差与分析 |
| 4.4 本章小结 |
| 第5章 结束语 |
| 5.1 主要工作与创新 |
| 5.2 后续研究工作 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间从事的科研工作及取得的成果 |
（9）基于时频图像识别的滚动轴承故障诊断方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 课题背景及意义 |
| 1.2 机械设备故障诊断概述 |
| 1.2.1 机械设备故障诊断的发展概述 |
| 1.2.2 机械设备故障诊断技术研究内容 |
| 1.2.3 机械故障诊断的时频图像识别方法概述 |
| 1.3 国内外研究现状 |
| 1.3.1 时频分析方法研究现状 |
| 1.3.2 时频图像特征提取研究现状 |
| 1.3.3 故障模式识别方法研究现状 |
| 1.4 现有研究存在的问题 |
| 1.5 研究内容与技术路线 |
| 1.5.1 研究内容 |
| 1.5.2 技术路线 |
| 1.6 论文结构安排 |
| 2 理论基础 |
| 2.1 滚动轴承振动机理 |
| 2.1.1 滚动轴承基本参数 |
| 2.1.2 滚动轴承的故障失效 |
| 2.1.3 滚动轴承振动机理 |
| 2.1.4 小结 |
| 2.2 迁移学习基本理论 |
| 2.2.1 概述 |
| 2.2.2 领域自适应 |
| 2.2.3 深度迁移学习 |
| 2.3 深度学习基本理论 |
| 2.3.1 概述 |
| 2.3.2 人工神经网络 |
| 2.3.3 卷积神经网络 |
| 2.4 本章小结 |
| 3 滚动轴承振动信号时频分析方法 |
| 3.1 引言 |
| 3.2 传统时频分析方法 |
| 3.2.1 线性时频分析方法 |
| 3.2.2 非线性时频分析方法 |
| 3.3 稀疏时频分析方法 |
| 3.3.1 稀疏表示理论 |
| 3.3.2 稀疏时频分析模型 |
| 3.3.3 稀疏时频分析模型求解 |
| 3.4 仿真分析 |
| 3.5 实验分析 |
| 3.5.1 数据来源 |
| 3.5.2 振动信号分析 |
| 3.5.3 时频分析方法对比分析 |
| 3.6 本章小结 |
| 4 基于时频图像纹理特征迁移的滚动轴承故障诊断 |
| 4.1 引言 |
| 4.2 灰度共生矩阵纹理特征提取 |
| 4.3 联合分布适配 |
| 4.4 基于时频图像纹理特征迁移的故障诊断方法 |
| 4.5 实验分析 |
| 4.5.1 基于时频图像纹理特征的故障诊断实验分析 |
| 4.5.2 基于时频图像纹理特征迁移的故障诊断实验分析 |
| 4.6 本章小结 |
| 5 基于深度迁移学习的滚动轴承故障诊断 |
| 5.1 引言 |
| 5.2 残差学习 |
| 5.3 基于迁移深度残差卷积神经网络的故障诊断方法 |
| 5.3.1 深度残差卷积神经网络 |
| 5.3.2 迁移深度残差卷积神经网络(TDRCNN) |
| 5.3.3 基于TDRCNN的故障诊断方法 |
| 5.4 实验分析 |
| 5.4.1 单个迁移任务实验分析 |
| 5.4.2 不同工况差异的迁移任务实验分析 |
| 5.5 本章小结 |
| 6 结论与展望 |
| 6.1 全文工作总结 |
| 6.2 主要创新点 |
| 6.3 工作展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（10）基于FRFT的雷达信号识别与参数估计（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究课题背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 雷达信号识别与估计方法研究现状 |
| 1.2.2 基于FRFT的雷达信号识别与估计研究现状 |
| 1.3 研究内容及论文结构 |
| 第2章 分数阶傅里叶变换基本理论 |
| 2.1 FRFT的定义 |
| 2.2 FRFT的典型性质 |
| 2.3 离散FRFT的数值计算及实现 |
| 2.3.1 量纲归一化方法 |
| 2.3.2 FRFT的离散化 |
| 2.4 本章小结 |
| 第3章 基于FRFT的信号调制方式识别 |
| 3.1 调制信号及其FRFT |
| 3.2 基于FRFT的单一调制识别算法 |
| 3.2.1 算法流程 |
| 3.2.3 仿真实现与性能分析 |
| 3.3 基于FRFT与相位跳变检测的复合调制识别算法 |
| 3.3.1 相位跳变检测 |
| 3.3.2 算法流程 |
| 3.3.3 仿真实现与性能分析 |
| 3.4 本章小结 |
| 第4章 基于FRFT的 LFM信号参数估计 |
| 4.1 基于FRFT的 LFM参数估计算法 |
| 4.1.1 归一化方法对参数估计的影响 |
| 4.1.2 二维搜索法 |
| 4.1.3 拟牛顿迭代法 |
| 4.2 基于FRFT的 LFM参数估计改进算法 |
| 4.2.1 基于连续域蚁群算法的FRFT |
| 4.2.2 仿真实现及性能分析 |
| 4.3 本章小结 |
| 第5章 基于FRFT的多分量LFM信号参数估计 |
| 5.1 基于FRFT的多分量LFM信号参数估计 |
| 5.1.1 算法流程 |
| 5.1.2 仿真实现及性能分析 |
| 5.2 基于LVD与 ZOOM-FRFT联合的多分量LFM信号参数估计 |
| 5.2.1 LVD原理与离散计算 |
| 5.2.2 Zoom-FRFT原理与离散计算 |
| 5.2.3 算法流程 |
| 5.2.4 仿真实现及性能分析 |
| 5.3 基于STFRFT的多分量LFM信号参数估计改进算法 |
| 5.3.1 短时分数阶傅里叶变换 |
| 5.3.2 算法流程 |
| 5.3.3 仿真实现与性能分析 |
| 5.4 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表的论文和取得的科研成果 |
| 致谢 |
四、基于频域“CLEAN”Wigner-Ville分布中交叉项的抑制（论文参考文献）
- [1]时变滤波算法研究及其在通信信号识别中的应用[D]. 魏久晰. 吉林大学, 2021(01)
- [2]空间时频分布方法及其在机械故障诊断中的应用[D]. 诸葛航. 武汉科技大学, 2021(01)
- [3]基于二次时频分析的结构模态参数识别[D]. 马鸿盛. 合肥工业大学, 2021(02)
- [4]非平稳信号的改进时频分析方法研究[D]. 张旗. 西安电子科技大学, 2020(05)
- [5]基于时频图像特征提取的煤矿压风供水管网监控算法研究[D]. 韩文贝. 山东科技大学, 2020(06)
- [6]基于声发射信号处理的风力机叶片损伤演化研究[D]. 张亚楠. 沈阳工业大学, 2020
- [7]针对未知雷达辐射源信号的脉内调制识别[D]. 杨雯婷. 吉林大学, 2020(08)
- [8]基于时频域联合分析的电力电缆故障定位方法研究[D]. 刘凯. 重庆邮电大学, 2020(02)
- [9]基于时频图像识别的滚动轴承故障诊断方法研究[D]. 杜岩. 中国矿业大学(北京), 2020(01)
- [10]基于FRFT的雷达信号识别与参数估计[D]. 张哲. 哈尔滨工程大学, 2020(05)