CN107194135A - 基于改进小波算法的反应堆中子噪声频谱计算方法 - Google Patents
基于改进小波算法的反应堆中子噪声频谱计算方法 Download PDFInfo
- Publication number
- CN107194135A CN107194135A CN201710601143.1A CN201710601143A CN107194135A CN 107194135 A CN107194135 A CN 107194135A CN 201710601143 A CN201710601143 A CN 201710601143A CN 107194135 A CN107194135 A CN 107194135A
- Authority
- CN
- China
- Prior art keywords
- node
- carried out
- frequency
- carry out
- convolution
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
- G06F17/141—Discrete Fourier transforms
- G06F17/142—Fast Fourier transforms, e.g. using a Cooley-Tukey type algorithm
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/10—Noise analysis or noise optimisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
- G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Data Mining & Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- Discrete Mathematics (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Algebra (AREA)
- Geometry (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Monitoring And Testing Of Nuclear Reactors (AREA)
Abstract
本发明公开了一种基于改进小波算法的反应堆中子噪声频谱计算方法,通过对反应堆中子噪声通道信号进行小波节点离散,并消除取得节点过程中的频率混淆,然后对小波离散节点进行信号重建,得到反应堆噪声通道分频段信号,最后依次对反应堆噪声通道各分频段信号进行频谱计算,得到该频段频谱信息。本发明基于改进小波算法的反应堆中子噪声频谱分析方法,能更好的实现反应堆中子噪声频谱各频段精细划分和局部特征提取,极大地提高了分析能力和分析精度,为反应堆的运行监测和故障诊断提供输入条件,对反应堆的安全运行和专家系统的建设具有显著的进步意义。
Description
技术领域
本发明属于核反应堆监测及故障诊断技术领域,尤其是涉及一种基于改进小波算法的反应堆中子噪声频谱计算方法。
背景技术
反应堆噪声分析始于研究堆芯物理特性,逐渐发展到用于反应堆工程技术的其他领域。特别是经过了近30年的研究发展,已经成为了动力堆特别是压水堆运行工况辅助监测的有力工具,已被列入设计规范和有关安全法规导则中,新近运行和建造中的压水堆核电厂,例如田湾核电站和AP1000都装有不同功能的噪声分析诊断系统。
基于傅立叶分析的第一代反应堆噪声分析方法可以获取反应堆核噪声的基本频谱特性,但是无法捕捉反应堆核噪声频谱的细微变化。傅里叶分析方法的不足主要表现在:
1)适应平稳信号,不适应非平稳信号;
2)为得到一个时域信号的频域特征,必须使用信号在时域中的全部信息;
3)算法对信号的奇异性不敏感,但工程中用户关心信号的奇异性;
4)工程中信号既包含高频信息又包含低频信息,这就要求对高频信息时间间隔应相对变小以给出精确的高频信息,对低频信息时间间隔应相对变宽以给出一个周期内的完整信息,傅立叶分析无法进行多分辨率分析;
小波分析是时频分析的另一种方法,小波分析具有以下特点:
1)既适应平稳信号又适应非平稳信号,在高频范围内时间分辨率高,在低频范围内频率分辨率高,可进行多分辨率分析;
2)可将信号分解到各个频带尺度上;
综上所述,现有成熟的反应堆中子噪声频谱分析方法只能获取噪声频谱宏观特性,对频谱局部特性的分辨率很差。针对这个问题,本发明基于小波算法开发一套反应堆核噪声频谱分析程序,从精细频谱分析的角度对冷却剂局部沸腾事故进行预判和规避,同时为了处理传统的小波算法在节点分解及重建过程中引入的频率混淆的问题,本发明对传统小波算法进行了改进。
本发明的目的在于解决现有反应堆中子噪声频谱分析方法只能获取噪声频谱宏观特性,但无法捕捉频谱局部特征这一问题。与传统的反应堆中子噪声频谱分析方法相比,基于改进小波算法的反应堆中子噪声频谱分析方法具有更加实用的工程价值。
发明内容
为了克服现有技术的上述缺点,本发明提供了一种基于改进小波算法的反应堆中子噪声频谱计算方法,本发明利用小波算法可以很好的处理非平稳过程的特点,建立基于改进小波算法的反应堆中子噪声频谱分析方法,通过改进的小波算法,实现反应堆中子噪声频谱的各频段精细划分,得到反应堆任意频段的频谱,从而为反应堆的运行监测和故障诊断提供输入条件。
本发明解决其技术问题所采用的技术方案是:一种基于改进小波算法的反应堆中子噪声频谱计算方法,包括如下步骤:
步骤一、对反应堆中子噪声通道信号进行小波节点离散,并消除取得节点过程中的频率混淆;
步骤二、对小波离散节点进行信号重建,得到反应堆噪声通道分频段信号;
步骤三、依次对反应堆噪声通道各分频段信号进行频谱计算,得到该频段频谱信息。
与现有技术相比,本发明的积极效果是:
现有方法基于傅立叶频谱分析技术进行反应堆噪声分析,但是实际反应堆堆芯极其复杂,反应堆噪声信号是非平稳信号,傅立叶分析技术处理非平稳信号存在着先天的不足,因而本发明基于改进小波算法的反应堆中子噪声频谱分析方法,能更好的实现反应堆中子噪声频谱各频段精细划分和局部特征提取,极大地提高了分析能力和分析精度,为反应堆的运行监测和故障诊断提供输入条件,对反应堆的安全运行和专家系统的建设具有显著的进步意义。
附图说明
本发明将通过例子并参照附图的方式说明,其中:
图1反应堆中子噪声两通道信号频谱傅立叶分析结果(0rad/s到314.16rad/s)。
图2基于改进小波算法的反应堆中子噪声信号小波分解算法。
图3基于改进小波算法的反应堆中子噪声信号小波节点重建算法。
图4反应堆中子噪声两通道节点(2,0)重建信号频谱基于改进小波算法的分析结果(0rad/s到78.54rad/s)。
图5反应堆中子噪声两通道节点(2,1)重建信号频谱基于改进小波算法的分析结果(78.54rad/s到157.08rad/s)。
图6反应堆中子噪声两通道节点(2,2)重建信号频谱基于改进小波算法的分析结果(157.08rad/s到235.62rad/s)。
图7反应堆中子噪声两通道节点(2,3)重建信号频谱基于改进小波算法的分析结果(235.62rad/s到314.16rad/s)。
具体实施方式
准备反应堆噪声两通道信号的数据文件,根据奈奎斯特判据,将采样频率设定为待分析频域上限的2倍以上。
步骤一、基于数据文件,对反应堆中子噪声通道信号进行小波节点离散:
小波分解算法的流程如图2所示:
其中,算子OL的数学表达式为:
S(k)=0(N/4<k<3N/4)
其中,W=e-j2π/N,N表示当前分析尺度上的数据长度,s(n)是算子OL的输出。
算子OH的数学表达式为:
S(k)=0(0≤k<N/4)∪(3N/4<k≤N)
其中,W=e-j2π/N,N表示当前分析尺度上的数据长度,S(n)是算子OH的输出。
令节点[0,0]为xj-1,节点[1,0]为xj,消除取得节点[1,0]过程中频率混淆的算法:
(1)xj-1与h卷积后,设结果为先对进行快速傅立叶变换;
(2)将快速傅立叶变换的结果中频率大于fs/2j+1的部分谱置零;
(3)对置零后的结果进行快速傅立叶逆变换;
(4)对快速傅立叶逆变换的结果进行隔点采样,采样后的结果作为xj再进行下一步分解。
令节点[0,0]为xj-1,节点[1,1]为xj,消除取得节点[1,1]过程中频率混淆的算法:
(1)xj-1与g卷积后,设结果为先对进行快速傅立叶变换;
(2)将快速傅立叶变换的结果中频率小于fs/2j+1的部分谱置零;
(3)对置零后的结果进行快速傅立叶逆变换;
(4)对快速傅立叶逆变换的结果进行隔点采样,采样后的结果为xj。
令节点[1,0]为xj,节点[2,0]为xj+1,消除取得节点[2,0]过程中频率混淆的算法:
(1)xj与h卷积后,设结果为先对进行快速傅立叶变换;
(2)将快速傅立叶变换的结果中频率大于fs/2j+2的部分谱置零;
(3)对置零后的结果进行快速傅立叶逆变换;
(4)对快速傅立叶逆变换的结果进行隔点采样,采样后的结果为xj+1。
令节点[1,0]为xj,节点[2,1]为xj+1,消除取得节点[2,1]过程中频率混淆的算法:
(1)xj与g卷积后,设结果为先对进行快速傅立叶变换;
(2)将快速傅立叶变换的结果中频率小于fs/2j+2的部分谱置零;
(3)对置零后的结果进行快速傅立叶逆变换;
(4)对快速傅立叶逆变换的结果进行隔点采样,采样后的结果为xj+1。
令节点[1,1]为xj,节点[2,2]为xj+1,消除取得节点[2,2]过程中频率混淆的算法:
(1)xj与h卷积后,设结果为先对进行快速傅立叶变换;
(2)将快速傅立叶变换的结果中频率大于3fs/2j+2的部分谱置零;
(3)对置零后的结果进行快速傅立叶逆变换;
(4)对快速傅立叶逆变换的结果进行隔点采样,采样后的结果为xj+1。
令节点[1,1]为xj,节点[2,3]为xj+1,消除取得节点[2,3]过程中频率混淆的算法:
(1)xj与g卷积后,设结果为先对进行快速傅立叶变换;
(2)将快速傅立叶变换的结果中频率小于3fs/2j+2的部分谱置零;
(3)对置零后的结果进行快速傅立叶逆变换;
(4)对快速傅立叶逆变换的结果进行隔点采样,采样后的结果为xj+1。
步骤二、对小波离散节点进行信号重建,得到反应堆噪声通道分频段信号:
小波节点重建算法的流程如图3所示。
对节点[2,0]进行信号重建的算法:
(1)对节点[2,0]进行隔点插零;
(2)插零后与h_inv卷积,先对该卷积的结果进行快速傅立叶变换;
(3)将快速傅立叶变换的结果中频率大于fs/2j+2的部分谱置零;
(4)对置零后的结果进行快速傅立叶逆变换;
(5)对快速傅立叶逆变换的结果进行隔点插零;
(6)将隔点插零结果与h_inv卷积,对卷积结果进行快速傅立叶变换;
(7)将快速傅立叶变换的结果中频率大于fs/2j+1的部分谱置零;
(8)对置零后的结果进行快速傅立叶逆变换,结果即为正确的重建信号;
对节点[2,1]进行信号重建的算法:
(1)对节点[2,1]进行隔点插零。
(2)插零后与g_inv卷积,先对该卷积的结果进行快速傅立叶变换;
(3)将快速傅立叶变换的结果中频率小于fs/2j+2的部分谱置零;
(4)对置零后的结果进行快速傅立叶逆变换;
(5)对快速傅立叶逆变换的结果进行隔点插零;
(6)将隔点插零结果与h_inv卷积,对卷积结果进行快速傅立叶变换;
(7)将快速傅立叶变换的结果中频率大于fs/2j+1的部分谱置零;
(8)对置零后的结果进行快速傅立叶逆变换,结果即为正确的重建信号;
对节点[2,2]进行信号重建的算法:
(1)对节点[2,2]进行隔点插零。
(2)插零后与h_inv卷积,先对该卷积的结果进行快速傅立叶变换;
(3)将快速傅立叶变换的结果中频率大于3fs/2j+2的部分谱置零;
(4)对置零后的结果进行快速傅立叶逆变换;
(5)对快速傅立叶逆变换的结果进行隔点插零;
(6)将隔点插零结果与g_inv卷积,对卷积结果进行快速傅立叶变换;
(7)将快速傅立叶变换的结果中频率小于fs/2j+1的部分谱置零;
(8)对置零后的结果进行快速傅立叶逆变换,结果即为正确的重建信号;
对节点[2,3]进行信号重建的算法:
(1)对节点[2,3]进行隔点插零。
(2)插零后与g_inv卷积,先对该卷积的结果进行快速傅立叶变换;
(3)将快速傅立叶变换的结果中频率小于3fs/2j+2的部分谱置零;
(4)对置零后的结果进行快速傅立叶逆变换;
(5)对快速傅立叶逆变换的结果进行隔点插零;
(6)将隔点插零结果与g_inv卷积,对卷积结果进行快速傅立叶变换;
(7)将快速傅立叶变换的结果中频率小于fs/2j+1的部分谱置零;
(8)对置零后的结果进行快速傅立叶逆变换,结果即为正确的重建信号;
步骤三、依次对反应堆噪声通道各分频段信号进行频谱计算,得到该频段频谱信息。
如图4至图7所示,反应堆中子噪声两通道节点(2,0)、(2,1)、(2,2)、(2,3)的重建信号频谱基于改进小波算法的分析结果,与图1所示的反应堆中子噪声两通道信号频谱傅立叶分析结果相比,实现了反应堆中子噪声频谱各频段精细划分和局部特征提取这一目标。
实际应用结果表明,本发明方法,改进了傅立叶分析方法只能获取反应堆中子噪声频谱宏观特性而无法获取反应堆中子噪声频谱局部特征这一问题。与传统的反应堆中子噪声频谱分析方法相比,本发明方法具有更加实用的工程价值,可以为反应堆的运行监测和故障诊断提供输入条件,对反应堆的安全运行和专家系统的建设具有显著的进步意义。
Claims (9)
1.一种基于改进小波算法的反应堆中子噪声频谱计算方法,其特征在于:包括如下步骤:
步骤一、对反应堆中子噪声通道信号进行小波节点离散,并消除取得节点过程中的频率混淆;
步骤二、对小波离散节点进行信号重建,得到反应堆噪声通道分频段信号;
步骤三、依次对反应堆噪声通道各分频段信号进行频谱计算,得到该频段频谱信息。
2.根据权利要求1所述的基于改进小波算法的反应堆中子噪声频谱计算方法,其特征在于:步骤一所述消除取得节点过程中的频率混淆的方法为:
(一)消除取得节点[1,0]过程中的频率混淆:先将节点[0,0]与h卷积,然后进行OL运算,最后进行隔点采样得到节点[1,0];
(二)消除取得节点[1,1]过程中的频率混淆:先将节点[0,0]与g卷积,然后进行OH运算,最后进行隔点采样得到节点[1,1];
(三)消除取得节点[2,0]过程中的频率混淆:先将节点[1,0]与h卷积,然后进行OL运算,最后进行隔点采样得到节点[2,0];
(四)消除取得节点[2,1]过程中的频率混淆:先将节点[1,0]与g卷积,然后进行OH运算,最后进行隔点采样得到节点[2,1];
(五)消除取得节点[2,2]过程中的频率混淆:先将节点[1,1]与h卷积,然后进行OL运算,最后进行隔点采样得到节点[2,2];
(六)消除取得节点[2,3]过程中的频率混淆:先将节点[1,1]与g卷积,然后进行OH运算,最后进行隔点采样得到节点[2,3]。
3.根据权利要求2所述的基于改进小波算法的反应堆中子噪声频谱计算方法,其特征在于:步骤二所述对小波离散节点进行信号重建的方法为:
(一)对节点[2,0]进行信号重建:先对节点[2,0]进行隔点插零并与h_inv卷积后进行OL运算,然后再次进行隔点插零并与h_inv卷积,最后进行OL运算,得到正确的重建信号;
(二)对节点[2,1]进行信号重建:先对节点[2,1]进行隔点插零并与g_inv卷积后进行OH运算,然后再次进行隔点插零并与h_inv卷积,最后进行OL运算,得到正确的重建信号;
(三)对节点[2,2]进行信号重建:先对节点[2,2]进行隔点插零并与h_inv卷积后进行OL运算,然后再次进行隔点插零并与g_inv卷积,最后进行OH运算,得到正确的重建信号;
(四)对节点[2,3]进行信号重建:先对节点[2,3]进行隔点插零并与g_inv卷积后进行OH运算,然后再次进行隔点插零并与g_inv卷积,最后进行OH运算,得到正确的重建信号。
4.根据权利要求3所述的基于改进小波算法的反应堆中子噪声频谱计算方法,其特征在于:消除取得节点[1,0]过程中频率混淆的OL运算、对节点[2,0]进行信号重建时再次进行隔点插零并与h_inv卷积后的OL运算、对节点[2,1]进行信号重建时的OL运算,均包括如下步骤:先进行快速傅立叶变换,然后将快速傅立叶变换的结果中频率大于fs/2j+1的部分谱置零,最后对置零后的结果进行快速傅立叶逆变换。
5.根据权利要求3所述的基于改进小波算法的反应堆中子噪声频谱计算方法,其特征在于:消除取得节点[2,0]过程中频率混淆的OL运算、对节点[2,0]进行信号重建时先对节点[2,0]进行隔点插零并与h_inv卷积后的OL运算,均包括如下步骤:先进行快速傅立叶变换,然后将快速傅立叶变换的结果中频率大于fs/2j+2的部分谱置零,最后对置零后的结果进行快速傅立叶逆变换。
6.根据权利要求3所述的基于改进小波算法的反应堆中子噪声频谱计算方法,其特征在于:消除取得节点[2,2]过程中频率混淆的OL运算、对节点[2,2]进行信号重建时的OL运算,均包括如下步骤:先进行快速傅立叶变换,然后将快速傅立叶变换的结果中频率大于3fs/2j+2的部分谱置零,最后对置零后的结果进行快速傅立叶逆变换。
7.根据权利要求3所述的基于改进小波算法的反应堆中子噪声频谱计算方法,其特征在于:消除取得节点[1,1]过程中频率混淆的OH运算、对节点[2,2]进行信号重建时的OH运算、对节点[2,3]进行信号重建时再次进行隔点插零并与g_inv卷积后的OH运算,均包括如下步骤:先进行快速傅立叶变换,然后将快速傅立叶变换的结果中频率小于fs/2j+1的部分谱置零,最后对置零后的结果进行快速傅立叶逆变换。
8.根据权利要求3所述的基于改进小波算法的反应堆中子噪声频谱计算方法,其特征在于:消除取得节点[2,1]过程中频率混淆中的OH运算、对节点[2,1]进行信号重建时的OH运算,均包括如下步骤:先进行快速傅立叶变换,然后将快速傅立叶变换的结果中频率小于fs/2j+2的部分谱置零,最后对置零后的结果进行快速傅立叶逆变换。
9.根据权利要求3所述的基于改进小波算法的反应堆中子噪声频谱计算方法,其特征在于:消除取得节点[2,3]过程中频率混淆的OH运算、对节点[2,3]进行信号重建时先对节点[2,3]进行隔点插零并与g_inv卷积后的OH运算,均包括如下步骤:先进行快速傅立叶变换,然后将快速傅立叶变换的结果中频率小于3fs/2j+2的部分谱置零;最后对置零后的结果进行快速傅立叶逆变换。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710601143.1A CN107194135B (zh) | 2017-07-21 | 2017-07-21 | 基于改进小波算法的反应堆中子噪声频谱计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710601143.1A CN107194135B (zh) | 2017-07-21 | 2017-07-21 | 基于改进小波算法的反应堆中子噪声频谱计算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107194135A true CN107194135A (zh) | 2017-09-22 |
CN107194135B CN107194135B (zh) | 2020-06-23 |
Family
ID=59884534
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710601143.1A Active CN107194135B (zh) | 2017-07-21 | 2017-07-21 | 基于改进小波算法的反应堆中子噪声频谱计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107194135B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111640519A (zh) * | 2020-05-07 | 2020-09-08 | 中国工程物理研究院核物理与化学研究所 | 一种基于改进小波分形算法的反应堆中子噪声频谱分析方法 |
CN113312791A (zh) * | 2021-06-17 | 2021-08-27 | 中国核动力研究设计院 | 一种基于sp3方程的反应堆中子噪声分析方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103137224A (zh) * | 2013-01-25 | 2013-06-05 | 杭州电子科技大学 | 基于小波能量谱的核电站松动部件质量估计方法 |
CN105702305A (zh) * | 2016-02-03 | 2016-06-22 | 杭州电子科技大学 | 核电站松动部件多目标三维动态跟踪方法 |
CN103871525B (zh) * | 2012-12-13 | 2016-08-31 | 中国核动力研究设计院 | 基于卡尔曼滤波的铑自给能探测器信号延迟消除方法 |
CN105931685A (zh) * | 2016-06-14 | 2016-09-07 | 中广核工程有限公司 | 核电站一回路异物监控系统及其监控方法 |
-
2017
- 2017-07-21 CN CN201710601143.1A patent/CN107194135B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103871525B (zh) * | 2012-12-13 | 2016-08-31 | 中国核动力研究设计院 | 基于卡尔曼滤波的铑自给能探测器信号延迟消除方法 |
CN103137224A (zh) * | 2013-01-25 | 2013-06-05 | 杭州电子科技大学 | 基于小波能量谱的核电站松动部件质量估计方法 |
CN105702305A (zh) * | 2016-02-03 | 2016-06-22 | 杭州电子科技大学 | 核电站松动部件多目标三维动态跟踪方法 |
CN105931685A (zh) * | 2016-06-14 | 2016-09-07 | 中广核工程有限公司 | 核电站一回路异物监控系统及其监控方法 |
Non-Patent Citations (1)
Title |
---|
李彬: "时频分析技术在AP1000特殊监测系统中的应用研究", 《HTTP://WWW.WANFANGDATA.COM.CN/DETAILS/DETAIL.DO?_TYPE=DEGREE&ID=D749772》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111640519A (zh) * | 2020-05-07 | 2020-09-08 | 中国工程物理研究院核物理与化学研究所 | 一种基于改进小波分形算法的反应堆中子噪声频谱分析方法 |
CN111640519B (zh) * | 2020-05-07 | 2022-04-05 | 中国工程物理研究院核物理与化学研究所 | 一种基于改进小波分形算法的反应堆中子噪声频谱分析方法 |
CN113312791A (zh) * | 2021-06-17 | 2021-08-27 | 中国核动力研究设计院 | 一种基于sp3方程的反应堆中子噪声分析方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN107194135B (zh) | 2020-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110136731B (zh) | 空洞因果卷积生成对抗网络端到端骨导语音盲增强方法 | |
Han et al. | A recursive sparse representation strategy for bearing fault diagnosis | |
CN108714026A (zh) | 基于深度卷积神经网络和在线决策融合的细粒度心电信号分类方法 | |
US6862558B2 (en) | Empirical mode decomposition for analyzing acoustical signals | |
CN110069886A (zh) | 基于vmd和cnn的电缆早期故障识别与分类方法 | |
CN104900229A (zh) | 一种语音信号混合特征参数的提取方法 | |
CN110111803A (zh) | 基于自注意多核最大均值差异的迁移学习语音增强方法 | |
US20210193149A1 (en) | Method, apparatus and device for voiceprint recognition, and medium | |
CN106971740A (zh) | 基于语音存在概率和相位估计的语音增强方法 | |
CN111048071B (zh) | 语音数据处理方法、装置、计算机设备和存储介质 | |
CN105738109A (zh) | 基于稀疏表示与集成学习的轴承故障分类诊断方法 | |
CN106486131A (zh) | 一种语音去噪的方法及装置 | |
CN106653056A (zh) | 基于lstm循环神经网络的基频提取模型及训练方法 | |
CN104748961A (zh) | 基于svd分解降噪和相关性eemd熵特征的齿轮故障诊断方法 | |
CN111128209B (zh) | 一种基于混合掩蔽学习目标的语音增强方法 | |
CN110060701A (zh) | 基于vawgan-ac的多对多语音转换方法 | |
CN102664010B (zh) | 一种基于多因素频率位移不变特征的鲁棒说话人辨别方法 | |
CN103117059A (zh) | 一种基于张量分解的语音信号特征提取方法 | |
CN106707334B (zh) | 一种提高地震资料分辨率的方法 | |
CN102789779A (zh) | 一种语音识别系统及其识别方法 | |
CN104887263A (zh) | 一种基于心音多维特征提取的身份识别算法及其系统 | |
CN107194135A (zh) | 基于改进小波算法的反应堆中子噪声频谱计算方法 | |
CN107293306A (zh) | 一种基于输出的客观语音质量的评估方法 | |
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 | |
DE60220847T2 (de) | Spracherkennungssystem, System zur Ermittlung von Referenzmustern, sowie entsprechende Verfahren |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |