一、基于高阶统计量的非高斯ARMA模型辨识方法的研究(论文文献综述)
侯慧娟[1](2014)在《基于电磁波天线阵列的变电站局部放电信号处理及定位方法》文中研究表明局部放电(Partial discharge, PD){言号包含了丰富的绝缘状态信息,同时局部放电既是绝缘劣化的征兆和表现形式,又是绝缘进一步劣化的原因,因此局部放电监测是及时发现电力设备绝缘缺陷,避免绝缘击穿故障的有效手段。对局部放电源进行定位,可达到快速查找故障点及提高检修效率的目的。特高频(Ultra-high frequency, UHF)电磁波方法具有灵敏度高、抗干扰能力强且适合于在线检测的优点,且电磁波在空气中的传播速度稳定,因此可对UHF信号进行分析处理,实现变电站内局部放电源的定位。从变电站现场釆集的UHF信号中包含有白噪声、窄带周期性信号、脉冲信号等干扰,给信号时延估计、局部放电源定位、分离等问题带来了巨大的困难。本文首先介绍了基于天线阵列的变电站局部放电检测系统组成与原理,深入讨论了基于时延序列的变电站空间局部放电源定位算法,理论推导和定量分析了在相同的时延序列误差下,定位结果误差与天线阵列布置的关系,最终给出了射频天线阵列布置的优化方法。现代信号处理及高阶统计量理论的发展,为局部放电中关键问题的解决提供了新的思路。本文以高阶统计量理论为基础,研究了基于四阶累积量和双谱的局部放电超高频信号时延估计算法,该算法解决了混杂在局部放电信号中相关特性未知的高斯噪声及周期性窄带干扰问题。对变电站现场釆集得到的信号进行分析验证,利用该算法求得的时延序列对变电站内局部放电源进行定位,结果表明定位误差在Im以内,精度高于利用信号阈值、能量累积函数、相关分析等常用的信号时延估计算法,满足变电站全站范围局部放电源的定位精度。本文分析了局部放电iff射电磁场的传播特性,及接收天线的天线因子,并以此为理论基础,提出基于电磁波衰减的变电站局部放电定位算法,该算法不需要计算信号时延,故降低了对信号采集系统采样率的要求。基于L型天线阵列信号处理,结合旋转不变技术(Estimating signal parameter via rotational invariance techniques, ESPRIT)求取信号到达方向角(Direction of arrival,DO A)及高阶累积量的思想,论文提出一种基于L型天线阵列信号处理的变电站局部放电定位方法,该方法通过求解两个波达方向上的直线交点得到局部放电源的平面坐标,避免了求解非线性方程组,对变电站现场采集得到的信号进行分析验证,该算法的局部放电源定位误差在Im以内。将局部放电福射的特高频电磁波信号建模为自回归-滑动平均(Autoregressivemoving average, ARM A)模型,利用高阶累积量有效地从高斯噪声和窄带同期干扰的信号中辨识局部放电信号的模型阶数和参数。利用信号模型辨识得到的AR参数和MA参数,及双谱估计可以有效地重构出只相差常数幅值因子和线性相位差的原始信号的Fourier变换幅值和相位,从而重构只相差常数因子和时间移位的时域信号;利用Fisher可分离度选择具有最强类可分离度的频谱重构值或双谱,作为信号的特征参数,并利用特征参数训练径向基神经网络来判断信号的类型的方法,对变电站现场釆集得到的信号进行分析验证,该算法对局部放电源分离的正确率在70%以上。论文最后给出了变电站局部放电监测和故障预警系统的样机研制,及其在实验室及变电站现场安装测试的试验结果,初步验证了系统对变电站全站空间内局部放电源定位的可行性。
徐玉韬[2](2012)在《基于广域测量系统在线检测电网扰动信号及辨识低频振荡模式》文中进行了进一步梳理电网规模的不断扩大带来了潜在的安全性问题,电网扰动和低频振荡现象时有发生,成为限制互联电网功率传输和危及电网安全稳定运行的关键因素,电网的安全可靠运行面临新的挑战,电网扰动在线检测以及电力系统低频振荡模式在线辨识非常必要。因此,本文基于广域测量系统(WAMS)和归一化峰度指标,依据同步相量测量单元(PMU)信号的概率分布特性,提出一种电网扰动信号在线检测方法,提出一种低频振荡模式在线辨识新方案。阐述了适合于分析稳态信号的常规自回归滑动平均(ARMA)方法以及适合于分析动态信号的Prony方法,分析探讨了这两种方法结合使用的常规低频振荡模式在线辨识方案的不足之处:扰动检测和算法切换的困难。基于归一化峰度指标,对标准化PMU信号的概率分布特性进行测试分析。电网实测信号测试分析表明:稳态信号、动态信号的归一化峰度指标数值大约为3,为近似高斯信号,稳态和动态混合信号的归一化峰度指标数值远远大于3,为超高斯信号。在上述研究基础上,结合滑动窗技术,提出一种电网扰动信号在线检测方法:依据滑动窗的移动,实时更新滑动窗内PMU信号,在线计算滑动窗内标准化PMU信号的归一化峰度,将计算结果与扰动阈值进行比较,根据比较结果判断是否存在扰动信号,以实现电网扰动信号在线检测。为解决常规低频振荡模式在线辨识方案的不足,给出了适合于分析稳态和动态混合信号的高阶ARMA方法,提出一种低频振荡模式在线辨识的新方案,即:通过归一化峰度计算结果判断信号类型,对稳态信号采用常规ARMA方法分析,对稳态和动态混合信号采用高阶ARMA方法分析,以实现两种辨识方法之间的自适应切换,确保了低频振荡模式在线辨识方案的可靠有效。对电网实测信号进行了测试分析,结果证明了本文所提出的电网扰动信号在线检测方法和低频振荡模式在线辨识方案的可行性。
胡啸[3](2011)在《基于二阶及高阶统计量的数字接收机非线性盲辨识技术》文中提出本文主要研究数字接收机的非线性盲辨识技术。按照控制科学中的系统辨识思想,利用“黑盒”模型的思路对数字接收机的非线性进行辨识,即不考虑接收机中各模块的具体电路结构及其非线性特性,而是将整个接收机视为一个非线性系统,从而对非线性加以盲辨识与补偿。在基于二阶统计量(Second-Order-Statistic,SOS)的算法框架下,比较了Volterra及Hammerstein模型对数字接收机进行非线性辨识的性能;利用高阶统计量(Higher-Order-Statistic,HOS)作为辨识工具,分别针对Hammerstein模型的记忆效应及非线性效应实现“盲”辨识。归纳起来,本文的主要内容包括以下几个方面:1、对典型的非线性函数模型进行了详细地分析与总结,包括无记忆非线性模型和记忆非线性模型,如幂级数模型、多种正交多项式模型、Volterra模型和模块化模型等。分析对比了这些模型的特性,如计算复杂度、相互关系、正交性等;总结了以上模型的求逆方法,并指出了利用这些求逆方法进行非线性补偿时所面临的问题;推导了非线性辨识与补偿算法对于采样率的要求,理论及仿真结果表明:尽管系统的非线性特性会导致输出信号的频谱扩展,但是利用输入信号的奈奎斯特采样频率对输出信号实现采样的结果并不影响非线性辨识与补偿。此外本文还结合正交多项式的性质,阐明了利用正交多项式模型实现非线性多址接入技术的潜在应用价值。2、在一种“基于带外功率最小”的盲辨识算法框架下,分析对比了Volterra模型和Hammerstein模型对数字接收机的辨识性能;该算法的思路是:利用关心频带以外的信号功率表征系统的非线性,并以带外功率最小作为准则对非线性模型进行参数提取,同时改善关心频带内的非线性失真情况;针对有记忆和无记忆非线性模型及其逆模型的特点,分析了“带外功率最小”准则的性能;分别采用实际平台测试及计算机仿真的方法对Volterra模型和Hammerstein模型的辨识性能进行了比较。仿真及利用实际数据计算的结果表明,对数字接收机进行非线性辨识时,Hammerstein模型不仅具有结构简单的优势,而且比Volterra模型具有更佳的辨识与补偿效果。3、研究了基于高阶统计量的非线性辨识方法,通过计算机仿真对比了两类典型解析与迭代算法的优劣,并且指出传统的基于高阶统计量的辨识方法只能针对已知记忆深度和非线性阶数的模型参数提取。为此,针对未知记忆深度及非线性阶数的Hammerstein模型,进一步提出了一种基于高阶累积量的记忆效应盲辨识方法,此方法可以确定Hammerstein模型的未知记忆深度,并提取线性记忆模块的系数。首先从理论上证明了Hammerstein模型的记忆深度等于模型输出信号高阶累积量组成的扩展矩阵的秩;提出了非线性对角线乘积方法(Nonlinear Product of Diagonal Entry,简称NPODE)以确定记忆深度,并分别比较了此方法和GM直接定阶法和拐点法的鲁棒性。最后结合提出的记忆深度估计算法,给出了线性记忆模块系数的直接提取方法。理论推导与仿真结果表明,线性记忆模块系数的提取过程不受无记忆非线性效应的影响。为了进一步增强记忆参数提取算法的精度与鲁棒性,本文还提出了改进的系数提取方法,即利用模型输出信号的高阶累积量建立两个线性方程组,在求解两个线性方程组得到的参数中选择最优的记忆模块系数。改进的系数提取方法同样不受Hammerstein模型的无记忆非线性效应影响。最后的仿真结果表明,在高斯(有色或无色)噪声存在情况下,此类辨识方法比直接提取参数法具有更高的精度。4、研究了信号的归一化峰度及其在弱非线性系统辨识中的应用策略问题。给出了信号的归一化峰度定义及重要性质;在此基础上,分别针对非线性系统的记忆效应和非线性阶数对系统输出信号归一化峰度的影响进行了理论推导和仿真分析,揭示了该参数随系统特性的变化规律,表明归一化峰度具备精确辨识弱非线性系统的潜力。利用归一化峰度作为准则,提出了针对中等强度的非线性系统辨识与补偿的方法,并与P阶逆方法的辨识效果进行了对比;最后,针对SFDR(无杂散动态范围)高达80dBFS(dB Full Scale)的记忆弱非线性系统,提出了一种分步辨识的方法,并结合基于高阶累积量的方法对极弱非线性强度的Hammerstein模型进行了整体辨识。
王少水[4](2010)在《参数化地震子波模型定阶方法研究》文中进行了进一步梳理高分辨率地震子波提取技术是油气地震勘探领域高分辨率处理技术亟待解决的重要研究课题。针对目前子波提取技术所存在的子波求解精度不高和运算成本过高的缺陷,本文深入研究地震记录特性及假设条件和边界约束,详细分析地震子波的各种属性和特征,突破MA(Moving Average)模型假设的地震子波提取技术,提出一种阶数吝啬的ARMA(Autoregressive Moving Average)模型对地震子波进行参数化准确建模的方法。其中对子波ARMA模型定阶方法进行深入研究,首先采用基于自相关的奇异值分解法确定AR(Autoregressive)部分阶数,然后将信息量准则函数融入高阶累积量MA定阶法中,提出一种新的MA定阶方法,提高子波ARMA模型MA定阶准确率。在保证子波精度的前提下尽可能地降低模型阶数,提高运算效率,最终实现高效率高精度的子波模型定阶。高阶累积量理论上可以完全抑制高斯噪声,保留信号的相位信息等特点,但是高阶累积量对特殊切片敏感,在确定ARMA模型AR阶数时需采用特殊切片构造矩阵,将AR定价转换为求解矩阵的有效秩,此时切片选择困难,AR定阶不稳定。而基于自相关函数的SVD法确定ARMA模型AR阶数成熟且易操作,仿真实验表明该方法运算速度快,可在适宜的噪声环境中使用。高阶累积量在数据充足的情况下样本估计值较理想,但是实际资料数据总是有限的,导致应用高阶累积量确定ARMA模型MA阶数时稳定性差。为此本文提出一种新的MA模型定阶方法,将基于自相关函数的信息量准则函数引入到基于累积量的MA定阶方法中,修正由高阶累积量引起的定阶偏差。仿真实验表明,新方法可有效提高MA定阶的稳定性及准确性。在模型定阶的基础上,分别采用SVD-TLS算法和累积量法估计ARMA模型AR参数及MA参数。由于在短时数据下高阶累积量对模型定阶及参数估计效果不理想、ARMA模型的反因果部分定阶不稳定等,导致地震子波ARMA模型参数估计存在一定的偏差,本文采用非线性优化算法对模型阶数所对应的参数进行优化,进一步提高模型参数估计值的准确性。
张璋[5](2009)在《基于高阶统计量方法的亚健康脉象信号分析与研究》文中研究指明亚健康是指无器质性病变的一些功能性改变,是人体介于健康与疾病之间的一种中间状态,即过渡状态,其身体上和心理上均没有疾病,但主观上却有许多不适的症状和心理体验。中医学认为亚健康状态是人体阴阳失衡、脏腑功能失调的初始状态,脉象信号中蕴涵着丰富的人体生理病理信息,是传递和窥视体内功能变化的窗口。因此做为中医诊断中最重要的脉诊是诊断亚健康状态的最佳诊断方法,通过脉象信号的分析对亚健康状态进行评估也是本文的研究目的。本文从理论上论证了基于脉象信号分析对亚健康评估的可行性,并提出了一种通过分析与研究脉象信号来识别亚健康状态的方法。针对健康状态和亚健康状态的脉象信号的特征差异,本文成功地应用传统双谱估计和参数化双谱估计对10例健康状态和10例亚健康状态的脉象信号进行了分析研究。根据脉象信号双谱估计的相位特征图,发现在特定范围内健康状态的双谱估计相位值均明显低于亚健康状态的对应值。因此以平均相位值为特征参量,初步提出了用于划分健康状态与亚健康状态的临界参数。在参数化双谱估计中,对脉象信号整个数据段进行阶次辨识和参数估计,然后应用残差时间序列法和q切片法对脉象信号进行了双谱估计,并在此基础上使用平均相位法对脉象信号的双谱估计值进行了分析。研究结果表明,传统双谱估计和参数化双谱估计都能够对脉象信号进行较好的分类识别,二者的识别率都较高。本论文对高阶统计量的基础概念做了较系统的阐述,对双谱的基本理论进行了详细的阐述,探讨了其物理意义,并通过实例对传统算法和模型参数算法进行了验证和应用。
徐大平,高峰,吕跃刚[6](2008)在《应用高阶统计量对风电场风速建模与仿真》文中进行了进一步梳理研究风力发电仿真首先要研究风能特性的仿真。针对某风电场实测风速标本进行了基于高阶统计量时间序列的风速建模与仿真,不但解决了统计学风速模型不易实现且无法建立多种变化风速模型的问题,而且高阶统计量理论的应用消除了传统时间序列风速建模中把自然风完全等同于理想高斯过程所带来的误差,同时去除了测量噪声的影响。
王俊岭[7](2008)在《基于高阶统计量的地震子波建模提取方法研究》文中认为准确的地震子波估计是波阻抗反演及正演模拟的基础,对高精度地震勘探有着重要的意义。近年来,高阶统计理论在实际地震资料处理中得到了广泛应用,这些方法利用信号高阶统计量包含信号相位信息及对任意高斯噪声“盲”的特点,突破了传统统计性子波估计中子波相位和加性噪声为高斯白噪声的假设,展现出强大的应用潜力。本文从地震褶积模型出发,重点研究地震子波的准确模型的建立和高阶累积量在混合相位地震子波提取中的应用。根据地震记录的统计特征和相应假设,本文采用ARMA模型描述地震子波,基于高阶累积量的ARMA模型地震子波提取方法不仅可在压制高斯色噪声的同时保留所需地震信号的相位信息,相对于MA模型,该方法对地震子波的描述还具有参数吝啬的特点。现有的基于累积量的地震子波提取方法为累积量矩阵方程法,本文通过对该方法的理论分析和数据仿真发现,由于该方法仅利用了地震记录累积量的特殊切片信息,虽然在理论上是有效的,但在对高噪信比、短数据地震记录进行子波提取时,结果并不十分稳定。对此,本文引入ARMA模型的累积量拟合定理,并结合地震褶积模型,构建地震子波的ARMA模型拟合目标函数,提出基于累积量拟合的ARMA模型地震子波提取方法。仿真结果表明:该方法可以稳定的提取出观测数据中的模型参数,其参数估计结果受数据量大小以及噪声强度的影响较小,适用于短数据、强噪声污染的地震子波的提取,但由于该目标函数是一个多维多峰值的高度非线性函数,其函数值对模型参数有很高的敏感性,模型参数的求解严重依赖于对初始参数范围的准确估计。针对累积量矩阵方程法和累积量拟合法的缺陷,本文进一步提出一种基于累积量的线性非线性混合的ARMA模型地震子波提取方法。该方法利用累积量拟合误差的大小反馈调整累积量矩阵方程法的估计参数及阈值,并根据调整过的参数利用累积量矩阵方程法重新确定参数寻优空间,进而求得模型的全局最优解。理论分析和仿真结果表明,该方式有较好的适应性:一方面可提高子波估计精度,避免在短数据地震记录情况下单独使用矩阵方程法可能带来的估计误差;另一方面可提高子波提取方法的运算效率,降低ARMA模型拟合方法的参数范围确定的复杂性。
王俊元[8](2008)在《基于ICA的工作模态参数辨识方法研究》文中研究表明机械结构模态参数的提取是机械结构动力学分析的基础。常用的模态参数提取方法有实验模态分析法和工作模态分析法,这两种方法在工程应用中都有各自的局限性。实验模态分析(EMA)法需要对结构施加激励,这对于大型复杂机械系统是非常困难的。工作模态分析(OMA)法无需外加激励,仅依靠机械结构工作状态下的振动响应信号提取结构模态参数。这种分析方法更接近实际工作状态,然而由于其理论分析计算中假设系统所受载荷为白噪声,与大多数实际情形有或多或少的距离,导致计算结果误差较大。近年来,盲信号处理中的独立分量分析(ICA)法在盲源分离的工程应用中获得广泛应用。本文在回顾了OMA分析理论与方法的基础上,详细研究了ICA的基本算法原理,发现此二者的密切联系。在解释了ICA基向量的模态含义的基础上,提出了将ICA算法应用于机械结构动力学分析中的模态参数识别。讨论了ICA计算模态与机械振动模态的一致性,为ICA在机械结构动力学中的应用提供了理论依据。通过计算机数字仿真和实验室物理模拟,详细研究了ICA技术在机械结构动力学分析中的理论基础、算法实现以及对不同激励和噪声背景的适应性。为衡量ICA分量的分离效果,提出了独立性指数的概念。借助于三自由度弹簧质量系统模型的响应数据,进行ICA数字仿真的研究结果表明,ICA分离的模态频率与结构进行动力学分析得到的固有频率是吻合的。在对集中质量系统研究的基础上,以悬臂梁为例研究了连续系统模型。通过实施在不同激励、不同比例的混合噪声及不同长度数据量的输出响应的ICA分解,系统研究了ICA的模态参数提取能力。在实验室用锤击法获取了悬臂梁的模态参数后,又用B&K的OMA软件与自主研发的ICA软件分别对实验装置的振动响应信号进行了模态参数识别。研究结果表明ICA中的JADE、MSNR、GOSA三种算法均可提取试验模型的结构模态参数,它与OMA提取的模态参数具有良好的一致性。其中MSNR算法优于GOSA和JADE算法。与OMA法相比较,ICA算法具有较好的结构模态分离性能,特别是对短响应数据具有更好的适应性。在理论和实验研究的基础上,将所提出的基于ICA技术的模态参数识别方法成功地应用于立体仓库堆垛机动态设计中。利用ICA方法获得了堆垛机的模态参数。通过对比OMA方法获取的模态参数,ICA方法剔除了虚假模态,提高了模态参数的可信度,为在此基础上完成的堆垛机的动态设计奠定了基础。
魏磊[9](2007)在《高分辨率地震子波估计建模及提取技术研究》文中认为准确的地震子波估计对于高分辨率、高信噪比、高保真度的油气勘探数据处理有极为重要的意义。近年来,统计性子波提取技术在实际地震数据处理中得到了广泛应用。本文重点研究了统计性方法中,地震记录准确模型的建立和基于高阶累积量的子波提取方法。实际地震子波可能是非因果和混合相位的,本文从褶积模型出发,分别应用MA(滑动平均)和ARMA(自回归滑动平均)模型对地震记录进行建模,并采用基于高阶累积量的矩阵方程法和拟合优化法进行子波提取研究。仿真和真实数据处理结果表明,ARMA模型在描述地震记录时具有参数节简、模型更为高效的特点;基于高阶统计量的子波提取方法不仅可以保留地震信号中的幅值、频率、相位信息,而且能够有效地消除高斯色噪声,提取出较为准确的子波。本文进一步研究了将矩阵方程法与拟合优化法相结合的子波提取方法。矩阵方程法是一种线性化方法,在地震记录数据长度较短时具有较大的子波估计误差。而在拟合优化法中,初值范围估计的准确度严重影响参数估计的效率。于是可以将矩阵方程法得到的子波参数用于拟合优化法初始解范围的确定,在此基础上用拟合优化法寻找精确解。该方法综合了两种方法的优点,提高了整体的运算效率。此外,本文改进了拟合优化法子波提取中所用到的非线性寻优方法,将免疫遗传算法与小邻域搜索算法结合,提高了寻优效率和精度。通过上述新方法的应用,子波提取准确度和效率得到了显着提高,同时也预示着高阶统计量方法在地震信号处理领域有广阔的应用潜力。
许继勇[10](2007)在《高阶谱估计在脉象信号分析中的应用》文中研究说明中医独特的诊断方法及治病的疗效是令人惊叹的。随着现代科学技术的发展,对脉象信号越来越多地采用生物医学信号处理技术进行分析,以便更科学、更客观地揭示脉象的实质与特征。本论文的研究主要是基于这方面来进行的。高阶统计量分析是信号处理领域内的前沿性研究方向。高阶统计量描述了信号的高阶数字特征,不仅可以显示信号的幅度信息,也可以显示其相位信息,能解决非高斯,非线性问题,在理论上可以完全抑制高斯有色噪声的影响。其中,双谱估计是高阶统计量分析中最常用的一种方法,它包括非参数化法和参数化法两种。本文应用双谱估计直接法和参数化双谱估计三阶递归(TOR)法对15例吸毒者和22例正常人的脉象信号进行了分析。采用直接法对脉象信号进行了双谱估计,计算每个样本的双谱幅值归一化对角切片并将其作为特征向量来提取脉象信号的双谱幅值特征,应用主成分分析法提取主成分,用BP神经网络进行模式分类。据此判据,除正常人z14、z22和吸毒者b14被误判外,其余信号全被正确检测出来。采用参数化双谱估计三阶递归(TOR)法进行了双谱估计,计算每个样本的双谱幅值归一化对角切片并将其作为特征向量来提取脉象信号的双谱幅值特征,应用主成分分析法提取主成分,用BP神经网络进行模式分类,据此判据, 22例正常人全被检测出来,吸毒者中仅吸毒者b14被误判,识别率达到97.3%。分析结果表明,采用双谱估计并提取双谱对角切片来判别吸毒者和正常人的脉象信号,具有较高的识别率。本论文除对上述二种双谱估计方法的理论和算法进行了详细的阐述,还对主成分分析和BP神经网络的相关基础理论作了归纳。
二、基于高阶统计量的非高斯ARMA模型辨识方法的研究(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、基于高阶统计量的非高斯ARMA模型辨识方法的研究(论文提纲范文)
(1)基于电磁波天线阵列的变电站局部放电信号处理及定位方法(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 变电站局部放电监测和定位的意义 |
1.2 常用的局部放电检测及定位方法 |
1.3 基于特高频电磁波方法的局部放电定位研究现状 |
1.3.1 国内外电气设备局部放电在线监测与定位现状 |
1.3.2 国内外变电站全站局部放电在线监测与定位现状 |
1.3.3 用于局部放电信号时延估计的算法 |
1.3.4 局部放电信号干扰抑制及重构方法 |
1.3.5 多局部放电源识别与分离方法研究 |
1.4 现代信号处理相关关键技术研究现状 |
1.4.1 高阶统计量用于信号时延估计 |
1.4.2 基于传感器阵列的定位算法 |
1.4.3 阵列信号处理用于信号源定位 |
1.4.4 高阶统计量用于信号模型参数辨识及重构 |
1.4.5 高阶统计量用于多信号源分离 |
1.5 本文的主要研究内容 |
1.5.1 问题的提出 |
1.5.2 本文章节安排及创新点 |
第二章 基于时延序列的变电站局部放电源定位方法研究 |
2.1 变电站全站局部放电在线监测与定位的可行性 |
2.2 基于天线阵列的变电站局部放电检测系统组成与结构 |
2.3 基于时延序列的定位算法原理 |
2.3.1 利用能量积累函数确定信号起始时刻 |
2.3.2 能量积累函数的平滑滤波处理 |
2.3.3 FIR数字带通滤波器的应用 |
2.3.4 利用时延计算放电点位置 |
2.4 牛顿迭代法与网格搜索结合求解非线性方程组 |
2.4.1 牛顿迭代法求解非线性方程组原理 |
2.4.2 逐层网格搜索法求解非线性方程组 |
2.5 基于时延序列的三维定位算法误差分析 |
2.6 天线阵列布置对定位结果影响的定量分析 |
2.6.1 天线阵列布置形式对定位误差的影响 |
2.6.2 天线阵列布置分散度对定位误差的影响 |
2.7 定位算法的实验室及现场测试 |
2.7.1 实验室测试 |
2.7.2 现场测试 |
2.8 本章小结 |
第三章 基于高阶统计量的局部放电特高频信号时延估计 |
3.1 基于高阶统计量的信号时延估计原理 |
3.1.1 高阶累积量及高阶谱的定义及性质 |
3.1.2 基于四阶累积量的信号时延估计算法 |
3.1.3 频域双谱时延估计算法原理 |
3.1.4 参数化双谱时延估计算法 |
3.2 高阶统计量用于离散时间信号时延彳古计的计算方法 |
3.2.1 四阶累积量用于信号时延估计实现方法 |
3.2.2 双谱时延{古计算法的数值实现 |
3.3 基于高阶统计量的信号时延估计算法仿真验证 |
3.3.1 基于四阶累积量的时延估计算法仿真验证 |
3.3.2 双谱估计信号时延估计算法的仿真 |
3.4 变电站现场测试 |
3.4.1 基于四阶累积量的时延估计算法仿真验证 |
3.4.2 双谱估计信号时延估计算法的现场测试 |
3.5 本章小结 |
第四章 基于电磁波信号传播衰减模型的局部放电定位理论与方法 |
4.1 基于电磁波信号传播衰减模型的局部放电定位方法基本原理 |
4.1.1 局部放电福射电磁场的分布特性 |
4.1.2 接收天线的灵敏度系数 |
4.1.3 建立基于电磁波信号传播衰减模型的局部放电定位方程组 |
4.2 算法仿真验证 |
4.3 算法实验室测试 |
4.4 本章小结 |
第五章 基于L型天线阵列信号处理的局部放电定位技术 |
5.1 基于L型天线阵列信号处理的局部放电定位方法基本原理 |
5.1.1 L型阵列信号模型 |
5.1.2 信号二维波达方向的计算 |
5.2 基于阵列信号到达方向角的局放定位算法 |
5.3 仿真验证 |
5.4 变电站现场测试 |
5.5 本章小结 |
第六章 基于信号模型参数辨识的局部放电电磁波信号重构 |
6.1 信号模型 |
6.2 模型参数辨识 |
6.2.1 Yule-Walker方程和BBR公式 |
6.2.2 AR阶数的确定及参数估计 |
6.2.3 MA阶数的确定及参数估计 |
6.3 信号重构 |
6.3.1 幅值重构 |
6.3.2 相位重构 |
6.4 仿真验证 |
6.5 变电站现场测试 |
6.6 本章小结 |
第七章 基于信号重构及选择双谱的变电站多局部放电源分离 |
7.1 基于信号频谱重构的多局部放电源分离 |
7.1.1 信号分类原理 |
7.1.2 离线训练算法 |
7.2 基于选择双谱的多局部放电源分离 |
7.3 仿真验证 |
7.3.1 基于频谱重构方法的多局部放电源分离方法仿真验证 |
7.3.2 基于选择双谱的多局部放电源分离方法仿真验证 |
7.4 现场验证 |
7.4.1 基于频谱重构的多局部放电源分离方法现场测试 |
7.4.2 基于选择双谱的多局部放电源分离方法现场测试 |
7.5 本章小结 |
第八章 变电站全站局部放电定位装置的研制和测试 |
8.1 系统硬件组成及软件设计 |
8.2 系统实验室测试 |
8.2.1 实验楼平台测试 |
8.2.2 GIS真型设备内置局放放电模型定位测试 |
8.3 变电站现场测试 |
8.3.1 岳东220kV变电站现场测试 |
8.3.2 高余220kV变电站现场安装测试 |
8.4 本章小结 |
第九章 结论与展望 |
9.1 本文主要结论 |
9.2 研究展望 |
参考文献 |
致谢 |
攻读博士学位期间已发表或录用的论文 |
攻读博士学位期间参与的科研项目 |
(2)基于广域测量系统在线检测电网扰动信号及辨识低频振荡模式(论文提纲范文)
摘要 |
ABSTRACT |
1 绪论 |
1.1 课题的提出和意义 |
1.2 电网扰动信号检测及低频振荡模式辨识研究现状 |
1.2.1 电网扰动信号在线检测研究现状 |
1.2.2 低频振荡定义 |
1.2.3 低频振荡模式辨识研究现状 |
1.3 本文研究的主要内容 |
2 常规低频振荡模式在线辨识方案研究 |
2.1 引言 |
2.2 广域测量系统 |
2.2.1 广域测量系统简介 |
2.2.2 算法输入信号的选取 |
2.2.3 实测信号预处理 |
2.3 二阶统计量 |
2.3.1 二阶统计量简介 |
2.3.2 自相关函数、自协方差函数与功率谱密度 |
2.3.3 互相关函数、互协方差函数与互功率谱密度 |
2.4 稳态信号辨识的 ARMA 方法 |
2.4.1 ARMA 模型简介 |
2.4.2 ARMA 模型参数确定 |
2.4.3 ARMA 模型阶数确定 |
2.4.4 基于 ARMA 模型的低频振荡模式辨识 |
2.4.5 低频振荡主导模式提取 |
2.5 动态信号辨识的 Prony 方法 |
2.6 常规低频振荡模式在线辨识方案存在的问题 |
2.7 本章小结 |
3 电网扰动信号在线检测方法 |
3.1 引言 |
3.2 信号概率分布特性 |
3.2.1 随机变量及其概率分布 |
3.2.2 高斯分布模型 |
3.3 基于归一化峰度判断 PMU 信号类型 |
3.4 PMU 信号测试分析 |
3.4.1 罗百线 PMU 信号分析 |
3.4.2 罗马线 PMU 信号分析 |
3.4.3 金换线 PMU 信号分析 |
3.5 滑动窗技术 |
3.6 电网扰动信号在线检测方案 |
3.7 算例分析 |
3.7.1 罗百线信号分析 |
3.7.2 罗马线信号分析 |
3.7.3 金换线信号分析 |
3.8 本章小结 |
4 低频振荡模式在线辨识新方案 |
4.1 引言 |
4.2 高阶统计量 |
4.2.1 高阶统计量简介 |
4.2.2 高阶矩、高阶累积量及其性质 |
4.2.3 高阶谱及其性质 |
4.3 稳态动态混合信号辨识的高阶 ARMA 方法 |
4.4 低频振荡模式辨识新方案 |
4.5 算例分析 |
4.5.1 算例1 |
4.5.2 算例 2 |
4.6 本章小结 |
5 结论及展望 |
致谢 |
参考文献 |
附录 |
A. 作者在攻读硕士学位期间发表的论文 |
B. 作者在攻读硕士学位期间参加的科研项目 |
C. 作者在攻读硕士学位期间取得的科研成果 |
(3)基于二阶及高阶统计量的数字接收机非线性盲辨识技术(论文提纲范文)
摘要 |
Abstract |
1 绪论 |
1.1 研究背景及意义 |
1.2 非线性模型的研究现状 |
1.3 非线性盲辨识及补偿方法研究现状 |
1.4 本文的研究内容和安排 |
2 用于数字接收机盲辨识的非线性模型 |
2.1 数字接收机的非线性失真 |
2.2 无记忆非线性模型 |
2.3 记忆非线性模型 |
2.4 非线性辨识与补偿对采样率的要求 |
2.5 本章小结 |
3 Volterra模型与Hammerstein模型的辨识性能 |
3.1 带外功率最小辨识准则 |
3.2 盲辨识及补偿算法 |
3.3 实验结果及分析 |
3.4 本章小结 |
4 基于高阶统计量的非线性模型记忆效应盲辨识 |
4.1 基于高阶统计量的Volterra模型辨识 |
4.2 高阶白噪声对线性系统的辨识 |
4.3 Hammerstein模型的记忆效应盲辨识 |
4.4 本章小结 |
5 基于峰度的Hammerstein模型非线性效应辨识 |
5.1 归一化峰度及性质 |
5.2 Hammerstein模型输出信号的归一化峰度 |
5.3 中等强度非线性系统的盲辨识与补偿 |
5.4 弱非线性系统盲辨识的策略 |
5.5 本章小结 |
6 全文总结与展望 |
6.1 全文总结 |
6.2 展望 |
致谢 |
参考文献 |
附录1 攻读学位期间发表论文目录 |
附录2 高阶统计量基础理论 |
(4)参数化地震子波模型定阶方法研究(论文提纲范文)
摘要 |
Abstract |
第1章 前言 |
1.1 课题的背景及研究意义 |
1.2 国内外研究现状 |
1.3 课题的主要研究内容 |
第2章 地震子波ARMA建模 |
2.1 地震勘探原理 |
2.1.1 反射法地震勘探 |
2.1.2 地震记录褶积模型 |
2.1.3 地震记录反褶积 |
2.2 地震子波提取 |
2.3 参数化地震子波建模 |
2.3.1 地震子波MA模型 |
2.3.2 地震子波ARMA模型 |
2.3.3 地震子波MA、ARMA模型的优缺点 |
2.4 本章小结 |
第3章 随机信号统计理论及其在地震子波提取中的应用 |
3.1 随机过程及其特征函数 |
3.2 随机过程的二阶统计特性 |
3.2.1 自相关函数 |
3.2.2 平稳时间序列偏相关函数 |
3.3 随机过程的高阶统计量 |
3.3.1 高阶矩和高阶累积量的定义 |
3.3.2 累积量与矩的转换关系 |
3.3.3 矩和累积量的性质 |
3.3.4 高阶累积量在地震子波估计问题中的适用性 |
3.4 本章小结 |
第4章 因果ARMA子波模型系统辨识 |
4.1 相关分析法识别模型 |
4.2 基于SVD的AR定阶方法 |
4.3 MA 模型定阶 |
4.4 ARMA模型参数估计 |
4.4.1 AR模型参数估计 |
4.4.2 MA模型参数估计 |
4.4.3 数据仿真实验 |
4.5 真实地震资料的子波提取 |
4.5.1 地震子波模型类别辨识 |
4.5.2 实际地震子波ARMA模型定阶及参数估计 |
4.6 本章小结 |
第5章 线性非线性结合法辨识非因果ARMA子波模型 |
5.1 非因果子波ARMA模型辨识 |
5.2 数据仿真实验 |
5.2.1 线性法提取子波 |
5.2.2 非线性优化模型参数 |
5.3 实际地震资料的子波提取 |
5.4 本章小结 |
总结与展望 |
参考文献 |
攻读硕士学位期间取得的学术成果 |
致谢 |
(5)基于高阶统计量方法的亚健康脉象信号分析与研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 课题研究背景及意义 |
1.2 国内外研究现状 |
1.3 高阶统计量理论的发展及研究现状 |
1.4 本文的主要研究内容及结构安排 |
第2章 亚健康与脉象信号 |
2.1 亚健康基本知识 |
2.1.1 亚健康的研究思路 |
2.1.2 中医对亚健康状态的认识 |
2.2 脉搏、脉象与脉象图 |
2.2.1 脉搏、脉象信号的基本特性 |
2.2.2 脉图的基础 |
2.2.3 最佳脉图 |
2.3 本文所取的脉象信号 |
2.3.1 脉象信号的采集与选取 |
2.3.2 脉象信号的除噪 |
2.3.3 脉象信号的预处理 |
2.4 本章小结 |
第3章 高阶统计量 |
3.1 高阶矩和高阶累积量 |
3.1.1 高阶矩与高阶累积量的定义 |
3.1.2 高阶矩与高阶累积量的关系 |
3.1.3 高阶累积量的性质 |
3.1.4 高斯过程的高阶累积量 |
3.2 高阶累积量谱 |
3.2.1 矩谱和累积量谱的定义 |
3.2.2 高阶谱的性质 |
3.3 双谱估计 |
3.4 本章小结 |
第4章 传统双谱估计及在脉象信号分析中的应用 |
4.1 概述 |
4.1.1 非参数法谱估计的基本思路 |
4.1.2 二维窗函数 |
4.2 非参数法双谱估计算法 |
4.2.1 双谱估计直接法 |
4.2.2 双谱估计间接法 |
4.2.3 双谱估计的性能 |
4.2.4 Hinich 检验 |
4.2.5 几种特殊波形的双谱估计 |
4.3 应用非参数法双谱估计分析脉象信号 |
4.3.1 直接算法与间接算法分析脉象信号 |
4.3.2 双谱相位研究 |
4.4 本章小结 |
第5章 参数法双谱估计及在脉象信号分析中的应用 |
5.1 概述 |
5.1.1 非高斯参数模型的描述 |
5.1.2 BBR 公式 |
5.2 ARMA 模型的AR 阶次辨识和参数估计 |
5.2.1 基于高阶累积量的高阶Yule-Walker 方程 |
5.2.2 AR 参数的唯一可识别性定理 |
5.2.3 AR 阶数确定 |
5.2.4 AR 参数估计 |
5.3 ARMA 模型的MA 阶次辨识和参数估计 |
5.3.1 MA 阶数确定 |
5.3.2 MA 参数估计 |
5.4 实例分析 |
5.5 应用ARMA 模型分析脉象信号 |
5.5.1 AR 阶次辨识及参数估计 |
5.5.2 MA 阶次辨识及参数估计 |
5.5.3 应用ARMA 模型分析脉象信号 |
5.5.4 ARMA 模型双谱相位研究 |
5.6 本章小结 |
结论 |
附录 亚健康状态自评表(SRSHS) |
参考文献 |
攻读硕士学位期间承担的科研任务与主要成果 |
致谢 |
作者简介 |
(6)应用高阶统计量对风电场风速建模与仿真(论文提纲范文)
0 引 言 |
1 风能特性模型 |
1.1 平均风速 |
1.2 脉动风速 |
2 基于时间序列的风速建模 |
3 应用高阶统计量进行风速ARMA模型的辨识与仿真 |
4 结 论 |
(7)基于高阶统计量的地震子波建模提取方法研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪言 |
1.1 课题背景及研究意义 |
1.2 地震子波提取技术研究现状 |
1.3 本文研究主要内容 |
第2章 高阶统计理论简介 |
2.1 随机过程及特征函数 |
2.2 高阶统计量的定义 |
2.2.1 随机变量的高阶矩和高阶累积量 |
2.2.2 随机过程的高阶矩和高阶累积量 |
2.2.3 随机过程的高阶累积量谱和高阶矩谱 |
2.3 随机过程高阶累积量的特点 |
2.3.1 高阶累积量和高阶矩的性质 |
2.3.2 高阶累积量对高斯噪声的压制作用 |
2.3.3 高阶累积量的BBR 公式 |
2.3.4 高阶累积量在参数估计中的缺陷 |
2.4 本章小结 |
第3章 地震子波参数化建模 |
3.1 地震勘探原理 |
3.1.1 反射法地震勘探 |
3.1.2 地震褶积模型 |
3.1.3 地震反射系数序列的求取 |
3.2 地震子波模型 |
3.2.1 地震子波的MA、ARMA 模型描述 |
3.2.2 矩阵方程法与累积量拟合法的优缺点 |
3.2.3 MA 及ARMA 描述下地震子波提取的特点 |
3.3 本章小结 |
第4章 基于高阶累积量的ARMA 模型地震子波提取 |
4.1 ARMA 累积量矩阵方程法地震子波提取原理 |
4.2 ARMA 矩阵方程法地震子波提取仿真 |
4.2.1 数据长度对子波提取的影响 |
4.2.2 噪声强度对子波提取的影响 |
4.3 ARMA 累积量拟合方法地震子波提取 |
4.3.1 ARMA 模型拟合定理 |
4.3.2 地震子波ARMA 模型拟合目标函数的建立 |
4.3.3 累积量拟合目标函数特点 |
4.4 遗传算法基本原理 |
4.4.1 遗传算法的结构 |
4.4.2 遗传算法的改进 |
4.5 基于ARMA 拟合定理的模型参数估计仿真 |
4.6 本章小结 |
第5章 累积量地震子波提取方法的融合 |
5.1 线性与非线性融合的ARMA 模型参数提取 |
5.2 仿真结果 |
5.2.1 数据长度对子波提取的影响 |
5.2.2 噪声对子波提取的影响 |
5.2.3 非准确定阶对子波提取的影响 |
5.3 实际地震资料的子波提取 |
5.4 本章小结 |
总结及展望 |
参考文献 |
攻读硕士学位期间取得的学术成果 |
致谢 |
(8)基于ICA的工作模态参数辨识方法研究(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 研究问题概述 |
1.1.1 工作模态分析基本原理及技术特点 |
1.1.2 独立分量分析在机械结构动力学分析中的应用背景及研究意义 |
1.1.3 课题来源与研究目标 |
1.2 文献综述 |
1.2.1 基于输出响应的工作模态分析技术回顾 |
1.2.2 基于盲信号处理的信号分析技术回顾 |
1.3 本文的体系结构 |
第二章 独立分量分析的原理及算法研究 |
2.1 ICA概述 |
2.2 独立性度量基础 |
2.2.1 统计量的概念与二阶统计量 |
2.2.2 独立与相关 |
2.2.3 特征函数 |
2.2.4 高阶统计量 |
2.2.5 信息论特征参数 |
2.2.6 概率密度函数的级数展开 |
2.2.7 白化与预处理 |
2.3 ICA问题的一般提法与优化判据 |
2.3.1 互信息极小化判据 |
2.3.2 信息极大化判据 |
2.3.3 极大似然判据 |
2.3.4 高阶统计量判据 |
2.3.5 判据的近似逼近 |
2.4 独立分量分解的优化算法 |
2.4.1 特征矩阵的联合近似对角化法 |
2.4.2 全局最优盲源分离算法 |
2.4.3 基于最大信噪比的盲分离算法 |
2.5 ICA分离分量独立性评价 |
2.6 ICA分析软件设计 |
2.7 小结 |
第三章 ICA在机械结构动力学分析中的应用原理研究 |
3.1 引言 |
3.2 ICA基向量的模态含义 |
3.3 系统标准模态的独立性 |
3.4 ICA计算模态与系统振动模态的一致性验证 |
3.5 小结 |
第四章 ICA在工作模态参数辨识中的仿真研究 |
4.1 仿真环境与系统 |
4.2 不同激励力的输出响应采用不同算法的ICA分析 |
4.3 不同背景噪声下输出响应的ICA分析 |
4.4 不同数据量的输出响应ICA分析 |
4.5 小结 |
第五章 ICA在工作模态参数辨识中的实验研究 |
5.1 实验系统配置 |
5.2 输出响应的ICA分析 |
5.2.1 长数据下的ICA分析 |
5.2.2 短数据长度下的ICA分解 |
5.3 不同载荷下输出响应的OMA分析 |
5.3.1 长数据分析 |
5.3.2 短数据分析 |
5.4 小结 |
第六章 ICA在大型立体仓库高速堆垛机动力学分析中的应用 |
6.1 高速堆垛机动态测试方法与条件 |
6.2 基于ICA算法的高速堆垛机模态参数识别 |
6.3 基于OMA的高速堆垛机模态参数识别 |
6.4 ICA与OMA辨识结果分析 |
6.5 小结与结论 |
第七章 主要结论与展望 |
7.1 课题的主要研究工作 |
7.2 研究课题的主要创新点 |
7.3 有待继续研究的课题 |
参考文献 |
致谢 |
攻读学位期间发表的学术论文 |
作者在攻读博士期间的科研情况 |
(9)高分辨率地震子波估计建模及提取技术研究(论文提纲范文)
中文摘要 |
英文摘要 |
第1章 前言 |
1.1 课题背景及研究意义 |
1.2 研究现状 |
1.3 课题研究的主要内容 |
第2章 高阶统计量方法简介 |
2.1 随机过程及特征函数 |
2.2 高阶统计量的定义 |
2.2.1 随机变量的高阶矩和高阶累积量 |
2.2.2 随机过程的高阶矩和高阶累积量 |
2.2.3 随机过程的高阶累积量谱和高阶矩谱 |
2.3 高阶累积量和高阶矩的性质 |
2.4 高阶累积量在地震子波估计问题中的适用性 |
2.5 高阶累积量在地震子波估计中的应用现状 |
2.6 本章小结 |
第3章 地震子波谱估计参数化模型分析 |
3.1 地震记录褶积模型 |
3.2 平稳随机过程基本模型介绍 |
3.3 地震记录MA 模型描述 |
3.4 地震记录ARMA 模型描述 |
3.5 本章小结 |
第4章 基于MA 模型假设的子波提取 |
4.1 基于高阶累积量矩阵方程法的子波提取研究 |
4.2 高阶累积量拟合优化法子波提取目标函数的建立 |
4.3 高阶累积量拟合优化法子波提取非线性优化方法研究 |
4.3.1 遗传算法 |
4.3.2 自适应免疫遗传算法 |
4.3.3 小邻域搜索 |
4.4 子波提取实验 |
4.5 本章小结 |
第5章 基于ARMA 模型假设的子波提取 |
5.1 基于高阶累积量矩阵方程法的子波提取研究 |
5.1.1 反因果系统的AR 参数辨识 |
5.1.2 非因果系统AR、MA 参数辨识过程 |
5.1.3 子波提取实验 |
5.2 基于高阶累积量ARMA 模型拟合方法分析 |
5.2.1 模型阶数预估计 |
5.2.2 拟合目标函数的建立 |
5.2.3 模型阶数的准确辨识 |
5.3 基于高阶累积量的线性与非线性混合子波提取方法 |
5.4 子波提取实验 |
5.5 本章小结 |
第6章 结论 |
参考文献 |
个人简历、在学期间的研究成果 |
(10)高阶谱估计在脉象信号分析中的应用(论文提纲范文)
摘要 |
ABSTRACT |
1 绪论 |
1.1 课题研究的目的和意义 |
1.2 脉象信号分析的发展及其国内外现状 |
1.3 高阶统计量的发展及国内外研究现状 |
1.4 本文论文的研究工作 |
2 脉象信号 |
2.1 脉搏、脉象与脉象图 |
2.2 脉象信号的采集 |
2.3 脉象信号的分析 |
3 高阶统计量 |
3.1 高阶矩和高阶累积量 |
3.1.1 高阶矩和高阶累积量的定义 |
3.1.2 高阶矩和高阶累积量的关系 |
3.1.3 高阶累积量的性质 |
3.1.4 平稳随机过程的矩和累积量 |
3.1.5 高斯过程的高阶矩和高阶累积量 |
3.2 高阶累积量谱 |
3.2.1 矩谱和累积量谱的定义 |
3.2.2 双谱的对称关系 |
3.2.3 非高斯白噪声过程的高阶累积量谱 |
3.2.4 非高斯线性过程的高阶累积量谱 |
4 基于主成分分析的特征提取方法 |
4.1 主成分分析概述 |
4.2 主成分分析的方法原理 |
4.3 主成分分析方法步骤 |
4.4 MATLAB 的统计工具箱 |
5 反向传播神经网络 |
5.1 反向传播神经网络(BP 网络)及其算法 |
5.1.1 性能函数 |
5.1.2 偏导数的链法则 |
5.1.3 灵敏度的反向传播 |
5.1.4 BP 算法总结 |
5.1.5 BP 网络中所用的传输函数 |
5.2 BP 网络的设计 |
5.3 BP 网络的训练过程 |
6 非参数双谱估计及在脉象信号分析中的应用 |
6.1 非参数双谱估计 |
6.1.1 概述 |
6.1.2 间接法 |
6.1.3 直接法 |
6.1.4 Hinich 检验 |
6.2 双谱特征提取技术研究 |
6.2.1 概述 |
6.2.2 双谱一维切片研究 |
6.3 脉象信号的双谱估计及其特征提取 |
6.3.1 应用双谱估计直接法分析脉象信号 |
6.3.2 双谱特征提取及其分类 |
6.4 软件编制 |
6.5 结论 |
7 参数双谱估计及在脉象信号分析中的应用 |
7.1 概述 |
7.2 三阶递归法(TOR)及在脉象信号分析中的应用 |
7.2.1 三阶递归法(TOR) |
7.2.2 参数化双谱估计步骤 |
7.2.3 非高斯AR 模型在脉象信号分析中的应用 |
7.3 软件编制 |
7.4 结论 |
8 结论与展望 |
致谢 |
参考文献 |
附录:作者在攻读硕士学位期间发表的论文目录 |
四、基于高阶统计量的非高斯ARMA模型辨识方法的研究(论文参考文献)
- [1]基于电磁波天线阵列的变电站局部放电信号处理及定位方法[D]. 侯慧娟. 上海交通大学, 2014(07)
- [2]基于广域测量系统在线检测电网扰动信号及辨识低频振荡模式[D]. 徐玉韬. 重庆大学, 2012(03)
- [3]基于二阶及高阶统计量的数字接收机非线性盲辨识技术[D]. 胡啸. 华中科技大学, 2011(10)
- [4]参数化地震子波模型定阶方法研究[D]. 王少水. 中国石油大学, 2010(04)
- [5]基于高阶统计量方法的亚健康脉象信号分析与研究[D]. 张璋. 燕山大学, 2009(07)
- [6]应用高阶统计量对风电场风速建模与仿真[J]. 徐大平,高峰,吕跃刚. 华北电力大学学报(自然科学版), 2008(03)
- [7]基于高阶统计量的地震子波建模提取方法研究[D]. 王俊岭. 中国石油大学, 2008(06)
- [8]基于ICA的工作模态参数辨识方法研究[D]. 王俊元. 太原理工大学, 2008(10)
- [9]高分辨率地震子波估计建模及提取技术研究[D]. 魏磊. 中国石油大学, 2007(03)
- [10]高阶谱估计在脉象信号分析中的应用[D]. 许继勇. 重庆大学, 2007(05)