CN101655520B - 对电力系统中雷击信号与暂态谐波信号的提取方法 - Google Patents
对电力系统中雷击信号与暂态谐波信号的提取方法 Download PDFInfo
- Publication number
- CN101655520B CN101655520B CN2009100728592A CN200910072859A CN101655520B CN 101655520 B CN101655520 B CN 101655520B CN 2009100728592 A CN2009100728592 A CN 2009100728592A CN 200910072859 A CN200910072859 A CN 200910072859A CN 101655520 B CN101655520 B CN 101655520B
- Authority
- CN
- China
- Prior art keywords
- wavelet
- signals
- entropy
- reconstruction signal
- decomposition
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Images
Landscapes
- Complex Calculations (AREA)
Abstract
对电力系统中雷击信号与暂态谐波信号的提取方法,它涉及一种对电力系统中雷击信号与暂态谐波信号的提取方法,它克服了已有技术对电力系统中雷击信号与暂态谐波信号的提取方法中存在的提取不准确的问题。首先将采集到的电流信号转换为数字信号,再将数字信号进行快速傅立叶变换并根据变换结果确定小波分解的采样频率和分解尺度,然后对数字信号作小波分解并对分解后的小波系数或单支小波重构信号依次进行模极大值提取和奇异性检测以及广义小波熵运算,最后根据运算结果对雷击信号与暂态谐波信号进行提取。本发明克服了已有技术的不足,适合表征雷击信号与暂态谐波信号在时频域的信息特征。
Description
技术领域
本发明涉及一种对电力系统中雷击信号与暂态谐波信号的提取方法。
背景技术
雷击信号与暂态谐波信号属于电力系统暂态信号,是典型的短时非平稳随机过程,传统傅立叶变换等信号分析方法无法对其正确表征。由于小波变换能够同时在时频域对信号进行多尺度变换,具有多分辨率分析的特点,近年来,小波变换大量被应用于电力系统暂态信号的检测与分类。然而研究表明,实际采集的电力系统暂态信号具有噪声成分复杂、数据相关性强及空间维数高等特点,因此单纯依靠多层小波分解的方法提取电力系统暂态信号特征不但运算量大、变换后小波系数或单支小波重构信号众多,而且由于小波分解过程中相邻小波尺度间存在能量泄漏及混叠,信号特征提取效果也将受到影响。
在2006年10月18日公开的、公开号为CN 1847867A的专利申请文件《电力暂态信号小波分析后处理方法及其装置》中,发明人以Shannon熵理论为基础,将小波分析与Shannon熵结合,提出Shannon小波熵的概念并将其应用于电力系统暂态信号的检测与分类,仿真结果表明利用Shannon小波熵算法在一定程度上能够提取电力系统暂态信号的特征并进行分类。然而,Shannon熵属于B-G广延熵在信息统计领域的推广,因此具有广延特性。实验证明雷击信号与暂态谐波信号的小波分解系数或单支小波重构信号具有非广延特性,所以利用Shannon小波熵对雷击信号与暂态谐波信号的提取与分析并不准确。
发明内容
本发明的目的是解决目前电力系统中对雷击信号与暂态谐波信号的提取方法中存在的提取不准确的问题,提供了一种对电力系统中雷击信号与暂态谐波信号的提取方法。
对电力系统中雷击信号与暂态谐波信号的提取方法,它的具体过程如下:
一、采集电力系统中的电网电流信号,并将所述电流信号转换为12位数字信号;
二、对获得的12位数字信号进行快速傅立叶变换,根据快速傅立叶变换的结果选取选取小波分解的采样频率和分解尺度;
三、对所述12位数字信号进行小波分解,使12位数字信号的不同频率分量相应地分布在不同的小波尺度中,再对小波分解得到的小波系数或单支小波重构信号进行特征信息评估,所述特征信息评估的具体过程为:
三一、对小波系数或单支小波重构信号进行模极大值提取和奇异性检测:对各小波尺度内的小波系数或单支小波重构信号求取模的极大值,各小波尺度内的模极大值点汇聚为奇异点,将模极大值用来进行信号去噪并利用阈值法筛选出奇异度异常的小波系数或单支小波重构信号;
三二、对奇异度异常的小波系数或单支小波重构信号进行广义小波熵运算,根据运算结果对雷击信号与暂态谐波信号进行提取。
本发明的积极效果:
(1)本发明的广义小波熵具有非广延特性,且对小波混叠具有很好的抑制作用,避免了由于小波变换过程中相邻尺度能量泄漏、混叠导致的特征信息丢失,能够准确地提取电力系统中的雷击信号与暂态谐波信号;
(2)本发明的广义小波熵的运算量小,能够提高程序的运算速度,实用性强;
(3)本发明的广义小波熵是Shannon小波熵延拓,当非广延参数q→1时,其等价于Shannon小波熵,因此本发明的适用范围更广;通过对非广延参数q的调节,本发明的广义小波熵能够更灵活准确地刻画信号的复杂程度。
附图说明
图1是采用本发明的方法,在小波分解的采样频率为8800Hz时采集到的电力系统电网中A相电流iA的波形图;
图2是对图1所示的A相电流iA的第1小波尺度的小波系数或单支小波重构信号的归一化Shannon小波时间熵曲线图;
图3是对图1所示的A相电流iA的第1小波尺度的小波系数或单支小波重构信号的归一化Tsallis小波时间熵曲线图;
图4是对图1所示的A相电流iA的各个小波尺度的小波系数或单支小波重构信号的归一化Shannon小波能量熵曲线图;
图5是对图1所示的A相电流iA的各个小波尺度的小波系数或单支小波重构信号的归一化Tsallis小波能量熵曲线图。
具体实施方式
具体实施方式一:本具体实施方式的对电力系统中雷击信号与暂态谐波信号的提取方法,它的具体过程如下:
一、采集电力系统中的电网电流信号,并将所述电流信号转换为12位数字信号;
二、对获得的12位数字信号进行快速傅立叶变换,根据快速傅立叶变换的结果选取选取小波分解的采样频率和分解尺度;
三、对所述12位数字信号进行小波分解,使12位数字信号的不同频率分量相应地分布在不同的小波尺度中,再对小波分解得到的小波系数或单支小波重构信号进行特征信息评估,所述特征信息评估的具体过程为:
三一、对小波系数或单支小波重构信号进行模极大值提取和奇异性检测:对各小波尺度内的小波系数或单支小波重构信号求取模的极大值,各小波尺度内的模极大值点汇聚为奇异点,将模极大值用来进行信号去噪并利用阈值法筛选出奇异度异常的小波系数或单支小波重构信号;
三二、对奇异度异常的小波系数或单支小波重构信号进行广义小波熵运算,根据运算结果对雷击信号与暂态谐波信号进行提取。
其中步骤三中的步骤三一所述的将模极大值用来进行信号去噪,是指将模极大值用来除去非极值点。
具体实施方式二:本具体实施方式是对具体实施方式一所述的对电力系统中雷击信号与暂态谐波信号的提取方法的进一步说明,步骤三中的步骤三二所述的广义小波熵运算包括Tsallis小波时间熵运算和Tsallis小波能量熵运算,所述的对奇异度异常的小波系数或单支小波重构信号进行广义小波熵运算的具体过程如下:
多分辨分析的离散小波系数或单支小波重构信号矩阵为D={d(k),k=1,2,…,N},其中,d(k)为第k个离散小波系数或单支小波重构信号,k为离散小波系数或单支小波重构信号矩阵中元素位置变量,N为数据长度;
在小波系数或单支小波重构信号上定义一个滑动数据窗,窗宽为w∈N,滑动因子为δ∈N,该数据窗表示为
W(m,w,δ)={d(k),k=1+mδ,…,w+mδ};
上式中,m=1,2,…,Ma,Ma=(N-w)/δ∈N,其中m为滑动数据窗滑动次数,Ma为小波熵矩阵列长度,N为原始数据长度;
则Tsallis小波时间熵运算的过程为:
在第j小波尺度下的小波系数或单支小波重构信号上滑动上述数据窗W(m,w,δ),将该数据窗划分为L个区间,有
上式中,Zl={[sl-1,sl),l=1,2,…,L},其中,Zl为滑动数据窗W(m,w,δ)内划分出的第l个区间,L为划分滑动数据窗W(m,w,δ)的区间数,sl为Zl区间的上限,sl-1为Zl区间的下限,s0=min[W(m,w,δ)]为滑动数据窗W(m,w,δ)内小波系数或单支小波重构信号元素的最小值,sL=max[W(m,w,δ)]为滑动数据窗W(m,w,δ)内小波系数或单支小波重构信号元素的最大值,sl互不重叠且s0<s1<…<sL;
用pm=(Zl)表示数据窗内小波系数或单支小波重构信号d(k)落于区间Zl内的概率,将第j小波尺度下、(m+w/2)时刻的Tsallis小波时间熵WTE定义为
上式中,q为非广延参数,pm(j)为数据窗W(m,w,δ)内小波系数或单支小波重构信号落于区间Zl内的概率;
每一小波尺度均可计算对应的WTE j(m),并可描绘WTE j(m)曲线图{w/2+mδ,WTE j(m)},其中m=1,2,…,Mj,Mj为第j小波尺度对应的小波熵矩阵列长度;
当干扰噪声与特征信号频段相似且经小波变换处于同一尺度上时,在不增大分解尺度的前提下,小波时间熵具有较强的信号特征分辨能力,能准确地描述突变信号特征及发生时刻。
相应地,Tsallis小波能量熵运算的过程为:
令Pm(j)=Em(j)/E(m)且 则(m+w/2)时刻的Tsallis小波能量熵WEE为
根据需要,可对全部或部分尺度依照上式对WEE M(m)进行计算,并描绘WEE M(m)曲线图{w/2+mδ,WEE M(m)},其中m=1,2,…,Ma;
Tsallis小波能量熵够从宏观上复杂时变信号在各时频空间的能量分布进行量化,并以熵值变化的形式对信号频率组成复杂度进行描述。与Shannon小波能量熵相比,随着信号复杂程度和小波分解层数的增加,通过对非广延参数q的调节,Tsallis小波能量熵能够更灵活准确地对信号的复杂程度进行刻画。
具体实施方式三:本具体实施方式是对具体实施方式二所述的对电力系统中雷击信号与暂态谐波信号的提取方法的进一步说明:
在Tsallis小波时间熵的运算过程中,非广延参数q的选取范围为
(0,1)∪(1,2);
在Tsallis小波能量熵的运算过程中,非广延参数q的选取范围为
[0.05,0.2]。
具体实施方式四:本具体实施方式是对具体实施方式二或三所述的对电力系统中雷击信号与暂态谐波信号的提取方法的进一步说明,所述的滑动数据窗的相关参数的选取方法为:
a、Tsallis小波时间熵滑动数据窗相关参数的选取方法为:
a1、对电力系统中雷击信号的周期Tx进行测算;
a2、根据公式 计算滑动数据窗窗宽,其中Ts为小波变换采样周期,w为滑动数据窗窗宽;
a3、根据公式1≤δ≤w确定滑动数据窗步长,其中δ为滑动数据窗步长;
b、Tsallis小波能量熵滑动数据窗相关参数的选取方法为:
b1、根据步骤a所述的方法对小波分解后得到的含650Hz以上的高频成分的第1小波尺度内的小波系数或单支小波重构信号进行Tsallis小波时间熵运算,其中选择步长δ=1,滑动数据窗窗宽由步骤a确定;
b2、利用极大值公式求取暂态谐波信号的Tsallis小波时间熵的极大值;
b3、搜索相邻极大值的间距的最小值Td,根据公式 计算滑动数据窗窗宽,其中Ts为小波变换采样周期,w滑动数据窗窗宽;
b4、根据公式1≤δ≤w确定滑动数据窗步长,其中δ为滑动数据窗步长。
具体实施方式五:本具体实施方式是对具体实施方式一、二、三或四所述的任意一种对电力系统中雷击信号与暂态谐波信号的提取方法的进一步说明,步骤二所述的根据快速傅立叶变换的结果选取选取小波分解的采样频率和分解尺度的具体方法为:
对12位数字信号进行快速傅立叶变换后得到信号各频率的主要集中分布范围,令fmax表示该范围内的上限频率,则小波分解的采样频率f的选择条件为f>2fmax;根据小波分解后信号各主要频率应分布在不同分解尺度的原则,确定小波分解尺度。
在本具体实施方式中,基于Matlab仿真平台构建一个500kV自闭/贯通输电系统,该系统在时段0s~0.05s出现以下两种故障:
(1)雷击信号干扰
在0.02s时刻,线路发生非故障性雷击信号。
(2)暂态谐波信号污染
在0.01s~0.05s时段,线路注入7次谐波电流;
在0.04s~0.05s时段,线路注入13次谐波电流。
小波分解的采样频率为8800Hz,得到电力系统电网中A相电流iA,结果如图1所示。对iA进行三层小波分解,易知雷击信号的信息存在于第1小波尺度的小波系数或单支小波重构信号中,图2和图3分别为对A相电流iA的第1小波尺度的小波系数或单支小波重构信号的归一化Shannon小波时间熵运算与Tsallis小波时间熵运算的曲线图。对比图2和图3可以发现,它们的曲线表达基本一致(此时q=2),因此两种小波时间熵均成功地提取出了0.02s时刻的雷击信号。由于在0.01s和0.04s时刻分别由7次谐波和13次谐波信号注入电力系统,所以两种小波时间熵也以相应比例的尖峰信号对其进行了表征。
Tsallis小波时间熵运算过程中不牵扯对数运算,其运算量小于Shannon小波时间熵的运算量;当q=2时,Tsallis小波时间熵的程序复杂度明显小于Shannon小波时间熵,从而提高了运算速度。
图4和图5分别为A相电流iA的各个小波尺度的小波系数或单支小波重构信号的归一化Shannon小波能量熵与Tsallis小波能量熵曲线图,对比图4和图5可以发现,A相电流的Shannon小波能量熵与Tsallis小波能量熵(此时q=0.1)曲线表达存在明显差异。
首先,Shannon小波能量熵在0.028s处出现了明显的峰值为0.5的突变,而在此时刻原始信号并未有暂态信号介入,所以该突变并不能真实反映此时iA中的信号复杂程度。其次,Shannon小波能量熵没有准确地刻画雷击信号对工频电流的影响,雷击信号对输电线路中的工频电流的干扰呈双指数曲线快速衰减,所以从雷击信号发生到结束时段,小波能量熵曲线应瞬间上冲并随时间推移衰减,但Shannon小波能量熵并没有准确地反映雷击信号能量衰减的趋势,而Tsallis小波能量熵恰反映了该趋势。
同时,由于在0.01s和0.04s时刻分别加入了幅值不同的7次谐波和13次谐波电流,这将导致iA中的信号复杂程度的增加,所以小波能量熵应在0.01s和0.04s时刻附近出现两次不同比例的阶跃,但Shannon小波能量熵没能准确描述这两次不同比例的阶跃,而Tsallis小波能量熵出现了上述两次阶跃。
根据上述对比可知,带有非广延参数q的Tsallis小波熵(包括Tsallis小波时间熵和Tsallis小波能量熵)在对电力系统中雷击信号与暂态谐波信号的提取和信号复杂程度评估方面较Shannon小波熵更具灵活性和实用性。
Claims (3)
1.对电力系统中雷击信号与暂态谐波信号的提取方法,其特征在于它的具体过程如下:
一、采集电力系统中的电网电流信号,并将所述电流信号转换为12位数字信号;
二、对获得的12位数字信号进行快速傅立叶变换,根据快速傅立叶变换的结果选取小波分解的采样频率和分解尺度;
三、对所述12位数字信号进行小波分解,使12位数字信号的不同频率分量相应地分布在不同的小波尺度中,再对小波分解得到的小波系数或单支小波重构信号进行特征信息评估,所述特征信息评估的具体过程为:
三一、对小波系数或单支小波重构信号进行模极大值提取和奇异性检测:对各小波尺度内的小波系数或单支小波重构信号求取模的极大值,各小波尺度内的模极大值点汇聚为奇异点,将模极大值用来进行信号去噪并利用阈值法筛选出奇异度异常的小波系数或单支小波重构信号;
三二、对奇异度异常的小波系数或单支小波重构信号进行广义小波熵运算,根据运算结果对雷击信号与暂态谐波信号进行提取;
步骤三中的步骤三二所述的广义小波熵运算包括Tsallis小波时间熵运算和Tsallis小波能量熵运算,所述的对奇异度异常的小波系数或单支小波重构信号进行广义小波熵运算的具体过程如下:
多分辨分析的离散小波系数或单支小波重构信号矩阵为D={d(k),k=1,2,…,N},其中,d(k)为第k个离散小波系数或单支小波重构信号,k为离散小波系数或单支小波重构信号矩阵中元素位置变量,N为数据长度;
在小波系数或单支小波重构信号上定义一个滑动数据窗,窗宽为w∈N,滑动因子为δ∈N,该数据窗表示为
W(m,w,δ)={d(k),k=1+mδ,…,w+mδ};
上式中,m=1,2,…,Ma,Ma=(N-w)/δ∈N,其中m为滑动数据窗滑动次数,Ma为小波熵矩阵列长度,N为原始数据长度;
则Tsallis小波时间熵运算的过程为:
在第j小波尺度下的小波系数或单支小波重构信号上滑动上述数据窗W(m,w,δ),将该数据窗划分为L个区间,有
上式中,Zl={[sl-1,sl),l=1,2,…,L},其中,Zl为滑动数据窗W(m,w,δ)内划分出的第l个区间,L为划分滑动数据窗W(m,w,δ)的区间数,sl为Zl区间的上限,sl-1为Zl区间的下限,s0=min[W(m,w,δ)]为滑动数据窗W(m,w,δ)内小波系数或单支小波重构信号元素的最小值,sL=max[W(m,w,δ)]为滑动数据窗W(m,w,δ)内小波系数或单支小波重构信号元素的最大值,sl互不重叠且s0<s1<…<sL;
用pm=(Zl)表示数据窗内小波系数或单支小波重构信号d(k)落于区间Zl内的概率,将第j小波尺度下、(m+w/2)时刻的Tsallis小波时间熵WTE定义为
上式中,q为非广延参数,pm(j)为数据窗W(m,w,δ)内小波系数或单支小波重构信号落于区间Zl内的概率;
相应地,Tsallis小波能量熵运算的过程为:
为信号x(t)在以(m+w/2)时刻为中心、窗宽为w∈N的时间窗内的M个小波系数组或M个单支小波重构信号的能量和,其中时刻滑动时间窗W(m,w,δ)内、第j尺度小波系数或单支小波重构信号的能量和;其中,M为参与进行小波能量熵运算的小波系数组或单支小波重构信号的数量;
2.根据权利要求1所述的对电力系统中雷击信号与暂态谐波信号的提取方法,其特征在于在Tsallis小波时间熵的运算过程中,非广延参数q的选取范围为
(0,1)∪(1,2);
在Tsa11is小波能量熵的运算过程中,非广延参数q的选取范围为[0.05,0.2]。
3.根据权利要求1或2所述的对电力系统中雷击信号与暂态谐波信号的提取方法,其特征在于步骤二所述的根据快速傅立叶变换的结果选取小波分解的采样频率和分解尺度的具体方法为:
对12位数字信号进行快速傅立叶变换后得到信号各频率的主要集中分布范围,令fmax表示该范围内的上限频率,则小波分解的采样频率f的选择条件为f>2fmax;根据小波分解后信号各主要频率应分布在不同分解尺度的原则,确定小波分解尺度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2009100728592A CN101655520B (zh) | 2009-09-11 | 2009-09-11 | 对电力系统中雷击信号与暂态谐波信号的提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2009100728592A CN101655520B (zh) | 2009-09-11 | 2009-09-11 | 对电力系统中雷击信号与暂态谐波信号的提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101655520A CN101655520A (zh) | 2010-02-24 |
CN101655520B true CN101655520B (zh) | 2011-06-15 |
Family
ID=41709886
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2009100728592A Expired - Fee Related CN101655520B (zh) | 2009-09-11 | 2009-09-11 | 对电力系统中雷击信号与暂态谐波信号的提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101655520B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104749532B (zh) * | 2015-03-20 | 2018-01-09 | 南京航空航天大学 | 一种航天器电源系统故障检测方法及装置 |
CN105425172B (zh) * | 2015-12-21 | 2018-05-04 | 东北大学 | 基于多频段歪度分析的微网逆变器自适应故障诊断方法 |
CN106908663A (zh) * | 2017-03-07 | 2017-06-30 | 国网江苏省电力公司电力科学研究院 | 一种基于小波变换的电动汽车充电谐波辨识方法 |
CN108872732A (zh) * | 2018-04-16 | 2018-11-23 | 南京理工大学 | 一种基于小波变换模极大值法的避雷器老化程度诊断方法 |
CN108918994B (zh) * | 2018-06-11 | 2021-12-10 | 北京印刷学院 | 一种自适应拟合提升小波包降噪分析的电能质量扰动检测方法 |
CN109270410A (zh) * | 2018-11-28 | 2019-01-25 | 长沙理工大学 | 基于能量比法的输电线路故障检测 |
CN110381083B (zh) * | 2019-08-07 | 2022-02-18 | 浙江双成电气有限公司 | 一种基于时间序列的智能电网通信异常检测方法 |
CN113014552A (zh) * | 2021-02-09 | 2021-06-22 | 上海电机学院 | 基于射频信号精细画像的物理层认证方法 |
CN113065436B (zh) * | 2021-03-24 | 2024-05-28 | 南方电网科学研究院有限责任公司 | 基于小波包变换的间谐波检测方法、装置及电力系统 |
CN113552445B (zh) * | 2021-06-17 | 2023-03-14 | 昆明理工大学 | 一种多重雷击波形参数辨识方法 |
-
2009
- 2009-09-11 CN CN2009100728592A patent/CN101655520B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN101655520A (zh) | 2010-02-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101655520B (zh) | 对电力系统中雷击信号与暂态谐波信号的提取方法 | |
Abdelsalam et al. | Characterization of power quality disturbances using hybrid technique of linear Kalman filter and fuzzy-expert system | |
CN101291055B (zh) | 一种输电线路故障行波初始波头到达时刻精确标定方法 | |
CN103245832B (zh) | 基于快速s变换的谐波时频特性参数估计方法及分析仪 | |
CN105572501B (zh) | 一种基于sst变换和ls-svm的电能质量扰动识别方法 | |
CN102750543B (zh) | 一种基于bud谱峭度的暂态电能质量扰动分类识别方法 | |
CN106845010A (zh) | 基于改进SVD降噪和Prony的低频振荡主导模式辨识方法 | |
CN104765971B (zh) | 一种交联聚乙烯高压电缆局部放电特征提取方法 | |
CN103941254A (zh) | 一种基于地质雷达的土壤物性类别识别方法和装置 | |
CN106404399B (zh) | 基于自适应冗余提升小波包分解树的轴承故障诊断方法 | |
CN105426822A (zh) | 基于双树复小波变换的非平稳信号多重分形特征提取方法 | |
CN103220241A (zh) | 一种低信噪比条件下信号盒维数特征提取方法 | |
CN106908663A (zh) | 一种基于小波变换的电动汽车充电谐波辨识方法 | |
CN103018537B (zh) | 基于cwd谱峭度的暂态电能质量扰动分类识别方法 | |
CN104503432A (zh) | 一种基于小波能量的自主式水下机器人故障辨识方法 | |
CN106501602A (zh) | 一种基于滑窗频谱分离的基波参数测量方法 | |
CN105137373A (zh) | 一种指数信号的去噪方法 | |
CN103728135A (zh) | 一种非负矩阵分解的轴承故障特征提取和诊断方法 | |
CN112287796A (zh) | 基于VMD-Teager能量算子的辐射源识别方法 | |
CN115728612A (zh) | 变压器放电故障诊断方法及装置 | |
Zhu et al. | Complex disturbances identification: A novel PQDs decomposition and modeling method | |
CN102359815A (zh) | 一种基于小波分形组合的爆破振动信号特征提取方法 | |
CN103505189B (zh) | 基于小波包变换和隐马尔科夫模型的脉搏信号分类方法 | |
CN108197073A (zh) | 一种改进的电动汽车充电电能信号特征分析方法 | |
CN101828911B (zh) | 一种基于奇异谱熵的神经元动作电位特征提取方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
C17 | Cessation of patent right | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20110615 Termination date: 20130911 |