CN110796047A - 一种基于机器学习的自适应稀疏时频分析方法 - Google Patents
一种基于机器学习的自适应稀疏时频分析方法 Download PDFInfo
- Publication number
- CN110796047A CN110796047A CN201910993859.XA CN201910993859A CN110796047A CN 110796047 A CN110796047 A CN 110796047A CN 201910993859 A CN201910993859 A CN 201910993859A CN 110796047 A CN110796047 A CN 110796047A
- Authority
- CN
- China
- Prior art keywords
- time
- function
- imf
- neural network
- signal
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
- G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明提出一种基于机器学习的自适应稀疏时频分析方法,所述方法包括以下步骤:步骤1、传感器测量得到的信号经过滤波得到目标信号矩阵;步骤2、构建初始相位函数和初始基矩阵,作为整个方法的已知输入;步骤3、采用一个四层神经网络作为非凸最小二乘目标函数的求解器;步骤4、通过定义一个损失函数作为目标函数,训练网络权重,由权重计算得到时变频率,并积分更新相位函数和基矩阵,进行神经网络权重进一步优化。该方法结合了机器学习中神经网络和时频分析方法,可实现自动学习和优化求解非凸最小二乘问题,以及显著减少算法对初值的敏感性。
Description
技术领域
本发明属于信号处理技术领域,特别是涉及一种基于机器学习的自适应稀疏时频分析方法。
背景技术
时频分析方法是信号时频域的表示方法,相比于传统的时频分析方法通常将信号视为线性平稳或局部线性平稳来进行分析,时频分析方法为解决自然界中广泛存在的非线性、非平稳信号提供了有效手段,它能够挖掘数据内在的结构和关系,因此,广泛应用于数学、工程、医学以及音乐信号分析等诸多领域。
常见信号处理的时频分析方法主要包括短时傅里叶变换(Short-time FourierTransform)、小波变换(Wavelet Transform)、Stockwell变换(Stockwell Transform)、Wigner-Ville分布(Wigner-Ville Distribution)、希尔伯特-黄变换(Hilbert-HuangTransform,HHT),以及近年来广泛应用的基追踪(Basis Pursuit)、卡尔曼滤波(KalmanFilters)等。以傅里叶变换为基础的时频分析方法,采用时域内固定大小的窗函数,以滑窗内信号视为线性平稳信号进行分析,不断移动窗,得到整个信号对应的时变参数的分析。以小波变换为基础的时频分析方法在此基础上进行了改进,采用尺寸可变的窗函数,可以得到更接近真实解的时变参数。基于自然界中绝大多数信号具备非线性、非平稳的特点,基于傅里叶和小波变换的方法难以适用于复杂多变的信号,因此,自适应时频分析方法逐渐被提出。1998年,黄锷等人提出了希尔伯特-黄变换,包括经验模态分解法(Empirical ModeDecomposition)和已有的希尔伯特变换(Hilbert Transform)两步。在解析信号概念的基础上,提出了任意信号分解为一系列本征模函数(Intrinsic Mode Function,IMF)的经验模态分解法,首次提出了基于信号的自适应时频分析方法,由此得到时变参数的数值,在多数情况下具有较高精度。2013年,加州理工学院计算与应用数学系提出自适应稀疏时频分析算法(Adaptive Sparse Time-Frequency Analysis,ASTFA),旨在找寻对应信号的时频分析字典,并在字典中以最少最有效的成分表示原信号。此种方法在前人的基础上,进一步解决了某些情况下时变参数识别不够精确的问题,且方法具有对数据的自适应性。
时频分析方法在诸多领域应用广泛。在数学及信号分析中,时频分析可用于非线性系统信号处理,计算时变函数的求解,提取信号在特定时间和频率内具有的特征信息;在土木工程及机械工程领域,时频分析用于大跨建筑结构损伤识别及评估、安全评定、故障诊断、结构模态响应识别等方面;在地震工程领域,时频分析用于地震分频处理技术中,根据频谱分析,探究地震信号的时变特性和细微突变的数据特征。此外,利用时频分析手段可以清晰观察到有效信号和噪声信号的能量及频率;在生物医学领域,时频分析可用于捕捉随时间急速变化的信号特征,常用于非平稳心电图(ECG)信号中,在左右心房激动的情况下监测波形的变化;在音乐媒体领域,时频分析可用于音乐信息检索,进行声道分离或用于人声识别、乐器声识别中。
目前现有的时频分析方法存在一些弊端,使得多数的非线性、非平稳信号的时变参数仍难以精确分析。小波变换和傅里叶变换采用固定的小波基或傅里叶基,不具备对数据的自适应性,无法得到时变的频率;而HHT方法虽然提出了自适应基,采用了基于信号的自适应分解,但分解后的本征模函数存在末端效应和模态混叠的问题,且计算得到的时变频率可能因小于零而失去物理意义。ASTFA算法,一方面具备对信号的自适应性,另一方面极大改善了HHT算法中存在的末端效应和时变频率为负的问题。但同时,ASTFA算法由于目标函数非凸性,算法的收敛性对初值的选取较敏感。因此,结合现有的智能手段,研究一种基于机器学习的自适应稀疏时频分析方法(NN-ASTFA),降低初值对算法收敛性的影响,对结构时变频率的分析具有重要意义。
发明内容
本发明目的是为了解决现有技术中自适应稀疏时频分析算法对初值稳定性差的问题,提出了一种基于机器学习的自适应稀疏时频分析方法,为NN-ASTFA。该方法结合了机器学习中神经网络和时频分析方法,可实现自动学习和优化求解非凸最小二乘问题,以及显著减少算法对初值的敏感性。
本发明是通过以下技术方案实现的,本发明提出一种基于机器学习的自适应稀疏时频分析方法,所述方法包括以下步骤:
步骤1、传感器测量得到的信号经过滤波得到目标信号矩阵;
步骤2、构建初始相位函数和初始基矩阵,作为整个方法的已知输入;
步骤3、采用一个四层神经网络作为非凸最小二乘目标函数的求解器;
步骤4、通过定义一个损失函数作为目标函数,训练网络权重,由权重计算得到时变频率,并积分更新相位函数和基矩阵,进行神经网络权重进一步优化。
进一步地,所述步骤1具体为:
假设有一离散的信号f,所述离散的信号f表示成多个IMF的和,每个IMF有N个离散点,将信号f经傅里叶变换并在频域进行滤波得到M个IMF,构建神经网络的目标信号矩阵:
其中,表示为复数形式为:
进一步地,所述步骤2具体为:
初始频率选为每个IMF的频谱波峰中心处的值,对时间积分得到初始相位函数,M个IMF构成的初始相位函数矩阵为:
初始相位函数对应的初始傅里叶基为:
将基函数表示为实部与虚部的形式为:
进一步地,所述步骤3具体为:
神经网络首层为权重训练,二层和三层为复数运算,第四层为输出层;Φθ和Ψθ为神经网络输入,首层权重对应重构IMF基函数的系数,分别将Φθ和Ψθ对应的基系数记为A和B,分别对应于基函数中余弦项Φθ和正弦项Ψθ,表示成复数形式为:
神经网络各层神经元激活函数采用线性函数,即f(x)=x;经过神经网络第二、三层复数实部和虚部的运算,最终输出重构信号:
进一步地,所述步骤4具体为:
损失函数定义为:
即损失函数为:
其中,i表示离散时间点,k表示第k个重构IMF,μ为正则项系数,为1;
神经网络反向传播优化算法为随机梯度下降,参数的更新方式为:
一次网络训练后得到的优化的权重为:
第k个重构IMF的包络函数为:
对应的时变频率的变化值为:
每次迭代后更新的时变频率和相位函数为:
由新的相位函数更新Φθ和Ψθ,进行下一次网络训练和优化得到新的时变频率和相位函数,循环计算直至迭代到满足收敛准则。
进一步地,在步骤4中,网络的迭代收敛准则为:
附图说明
图1为基于机器学习的自适应稀疏时频分析方法框架图;
图2为基于机器学习的自适应稀疏时频分析算法的神经网络网络模型图;
图3为合成信号f1时域曲线示意图;
图4为合成信号f1频域曲线示意图;
图5为合成信号f1本征模函数IMF时域曲线示意图;(a)为合成信号f1成分IMF1时域曲线,(b)为合成信号f1成分IMF2时域曲线;
图6为NN-ASTFA方法求解合成信号f1的时变频率ω1(t)、ω2(t)及与理论值对比示意图,(a)为合成信号f1的时变频率ω1(t)时程曲线;(b)为合成信号f1的时变频率ω2(t)时程曲线;
图7为不同频率初值下,NN-ASTFA与ASTFA方法对合成信号f1的时变频率识别相对误差百分比示意图,(a)为合成信号f1的时变频率ω1(t)在NN-ASTFA与ASTFA方法下相对误差百分比;(b)为合成信号f1的时变频率ω2(t)在NN-ASTFA与ASTFA算法下相对误差百分比;
图8为索力传感器测得加速度时程曲线示意图;
图9为索力传感器测得加速度信号的频谱示意图;
图10为索力计、ASTFA方法、NN-ASTFA方法索力识别结果对比示意图;
图11为ASTFA方法、NN-ASTFA方法在不同初始频率下识别结果相对误差百分比示意图。
具体实施方式
下面将结合本发明实施例中的附图对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
结合图1和图2,本发明提出一种基于机器学习的自适应稀疏时频分析方法,所述方法包括信号前处理、初值设定、神经网络求解器、时变频率更新四个部分;所述方法具体包括以下步骤:
步骤1、传感器测量得到的信号经过滤波得到目标信号矩阵;
步骤2、构建初始相位函数和初始基矩阵,作为整个方法的已知输入;
步骤3、采用一个四层神经网络作为非凸最小二乘目标函数的求解器;
步骤4、通过定义一个损失函数作为目标函数,训练网络权重,由权重计算得到时变频率,并积分更新相位函数和基矩阵,进行神经网络权重进一步优化。
所述步骤1具体为:
假设有一离散的信号f,所述离散的信号f表示成多个IMF的和,每个IMF有N个离散点,将信号f经傅里叶变换并在频域进行滤波得到M个IMF,构建神经网络的目标信号矩阵:
所述步骤2具体为:
初始频率选为每个IMF的频谱波峰中心处的值,对时间积分得到初始相位函数,M个IMF构成的初始相位函数矩阵为:
初始相位函数对应的初始傅里叶基为:
将基函数表示为实部与虚部的形式为:
所述步骤3具体为:
神经网络首层为权重训练,二层和三层为复数运算,第四层为输出层;Φθ和Ψθ为神经网络输入,首层权重对应重构IMF基函数的系数,分别将Φθ和Ψθ对应的基系数记为A和B,分别对应于基函数中余弦项Φθ和正弦项Ψθ,表示成复数形式为:
神经网络各层神经元激活函数采用线性函数,即f(x)=x;经过神经网络第二、三层复数实部和虚部的运算,最终输出重构信号:
所述步骤4具体为:
重构信号和目标信号之间的损失函数定义为:
即损失函数为:
其中,i表示离散时间点,k表示第k个重构IMF,μ为正则项系数,为1;F为M个IMF在N个离散时刻点的传感器监测信号,fi,k为F中的第i行第k列,为Frec中的第i行第k列,和分别为A中的第i行第k列的实部和虚部,和分别为B中的第i行第k列的实部和虚部。
所述损失函数包括两部分,其一为重构信号与目标信号间的均方根误差;其二为使重构信号包含的IMF数量最少的l1范数。
神经网络反向传播优化算法为随机梯度下降(SGD),参数的更新方式为:
一次网络训练后得到的优化的权重为:
第k个重构IMF的包络函数为:
对应的时变频率的变化值为:
每次迭代后更新的时变频率和相位函数为:
其中n为迭代次数;
由新的相位函数更新Φθ和Ψθ,进行下一次网络训练和优化得到新的时变频率和相位函数,循环计算直至迭代到满足收敛准则。
在步骤4中,网络的迭代收敛准则为:
效果验证
定义NN-ASTFA方法求得的时变频率ωNN-ASTFA(t)与解析法求得的时变频率ωanalytical(t)间的相对误差为:
算例1为合成信号,形式为:
共有离散点1024个,时间归一化为[0,1]。f1为两个IMF时域叠加形成的时程信号,对应有两个时变频率,图3、图4展示了f1时域曲线和频域曲线。图5为滤波得到的f1的两个IMF成分IMF1、IMF2,通过频域滤波将IMF1与IMF2分离,分别对应一个时变频率。图6展示了经过NN-ASTFA方法得到对应的时变频率ω1(t)、ω2(t),并与真实时变频率进行对比。NN-ASTFA方法迭代至收敛,得到最优网络权重A和B,直接计算求得此方法的时变频率;理论时变频率值采用对相位函数直接求导。图7给出了NN-ASTFA方法与ASTFA方法在不同初始频率值下的相对误差值。可以看出NN-ASTFA方法对初值的稳定性效果更好,在两个IMF初始频率分别为0-650Hz、50-850Hz范围内,时变频率识别相对误差百分比均在1%以下。由此可知NN-ASTFA方法可以得到准确的时变频率值,当初值选取在较大范围内时方法仍能收敛,且相对误差在1%以内,相比于ASTFA对初值的敏感程度显著降低。
算例2为桥梁时变索力识别。索力加速度信号离散点数为56999,采样频率200Hz,时间归一化为[0,1],根据张紧弦理论,时变索力与时变频率之间的关系为:
其中,F(t)为时变索力(N),索单位长度质量密度m=1.33kg/m,n为频率阶数,索长L=14.03m,ωn(t)为第n阶时变频率(Hz),索的基频为2.493Hz,初始索力为6500N。图8为某传感器实测索加速度时程信号,图9为对应频谱中的前五阶频率成分。为了证实NN-ASTFA方法对于实测信号时变频率识别效果,采用ASTFA计算此索的时变索力,另用一索力计测量实时索力,并与NN-ASTFA计算得到的时变索力进行对比,结果见图10。可见NN-ASTFA能够准确地识别时变索力。为进一步探究ASTFA与NN-ASTFA方法对初值的稳定性,选取0-3.5Hz范围内任意频率为初始值,计算ASTFA与NN-ASTFA方法索力识别结果的相对误差:
其中,Fcal为NN-ASTFA或ASTFA算法的识别索力,Fmeasured为索力计测量索力。图11为两种方法的相对误差,当初值选取在接近真实基频范围内时,两种方法相对误差百分比均保持在3%范围内;当初值偏离较大时,ASTFA算法相对误差显著增大,而NN-ASTFA方法在初值稳定性方面有明显的优越性。
以上对本发明所提出的一种基于机器学习的自适应稀疏时频分析方法,进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (6)
1.一种基于机器学习的自适应稀疏时频分析方法,其特征在于:所述方法包括以下步骤:
步骤1、传感器测量得到的信号经过滤波得到目标信号矩阵;
步骤2、构建初始相位函数和初始基矩阵,作为整个方法的已知输入;
步骤3、采用一个四层神经网络作为非凸最小二乘目标函数的求解器;
步骤4、通过定义一个损失函数作为目标函数,训练网络权重,由权重计算得到时变频率,并积分更新相位函数和基矩阵,进行神经网络权重进一步优化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910993859.XA CN110796047B (zh) | 2019-10-18 | 2019-10-18 | 一种基于机器学习的自适应稀疏时频分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910993859.XA CN110796047B (zh) | 2019-10-18 | 2019-10-18 | 一种基于机器学习的自适应稀疏时频分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110796047A true CN110796047A (zh) | 2020-02-14 |
CN110796047B CN110796047B (zh) | 2022-08-09 |
Family
ID=69439411
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910993859.XA Active CN110796047B (zh) | 2019-10-18 | 2019-10-18 | 一种基于机器学习的自适应稀疏时频分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110796047B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113312996A (zh) * | 2021-05-19 | 2021-08-27 | 哈尔滨工程大学 | 一种混叠短波通信信号检测与识别方法 |
CN113935384A (zh) * | 2021-11-25 | 2022-01-14 | 中铁二院工程集团有限责任公司 | 一种信号自适应分解和识别的桥梁健康监测方法及系统 |
CN115105088A (zh) * | 2022-06-20 | 2022-09-27 | 山东省人工智能研究院 | 一种改进的基于小波域稀疏特性的心电信号去噪方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101714354A (zh) * | 2009-11-27 | 2010-05-26 | 江南大学 | 一种由时频原子聚合生成时频分子的方法 |
US20130163839A1 (en) * | 2011-12-27 | 2013-06-27 | Industrial Technology Research Institute | Signal and image analysis method and ultrasound imaging system |
CN105095559A (zh) * | 2014-05-09 | 2015-11-25 | 中央大学 | 实施全息希尔伯特频谱分析的方法与系统 |
CN105258789A (zh) * | 2015-10-28 | 2016-01-20 | 徐州医学院 | 一种振动信号特征频率带的提取方法及装置 |
CN107702908A (zh) * | 2017-10-12 | 2018-02-16 | 国网山东省电力公司莱芜供电公司 | 基于vmd自适应形态学的gis机械振动信号时频分析方法 |
CN108763155A (zh) * | 2018-04-28 | 2018-11-06 | 杨凯博 | 基于三角函数拟合的最小二乘时频分析方法 |
CN109347482A (zh) * | 2018-08-03 | 2019-02-15 | 西安电子科技大学 | 基于参数估计的跳频信号压缩感知重构方法 |
CN109784310A (zh) * | 2019-02-02 | 2019-05-21 | 福州大学 | 基于ceemdan及加权时频熵的配电开关机械故障特征提取方法 |
CN109948597A (zh) * | 2019-04-26 | 2019-06-28 | 福州大学 | 一种高压断路器机械故障诊断方法 |
US20190235105A1 (en) * | 2018-01-31 | 2019-08-01 | National Technology & Engineering Solutions Of Sandia, Llc | Method for enhancing a computer to estimate an uncertainty of an onset of a signal of interest in time-series noisy data |
-
2019
- 2019-10-18 CN CN201910993859.XA patent/CN110796047B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101714354A (zh) * | 2009-11-27 | 2010-05-26 | 江南大学 | 一种由时频原子聚合生成时频分子的方法 |
US20130163839A1 (en) * | 2011-12-27 | 2013-06-27 | Industrial Technology Research Institute | Signal and image analysis method and ultrasound imaging system |
CN105095559A (zh) * | 2014-05-09 | 2015-11-25 | 中央大学 | 实施全息希尔伯特频谱分析的方法与系统 |
CN105258789A (zh) * | 2015-10-28 | 2016-01-20 | 徐州医学院 | 一种振动信号特征频率带的提取方法及装置 |
CN107702908A (zh) * | 2017-10-12 | 2018-02-16 | 国网山东省电力公司莱芜供电公司 | 基于vmd自适应形态学的gis机械振动信号时频分析方法 |
US20190235105A1 (en) * | 2018-01-31 | 2019-08-01 | National Technology & Engineering Solutions Of Sandia, Llc | Method for enhancing a computer to estimate an uncertainty of an onset of a signal of interest in time-series noisy data |
CN108763155A (zh) * | 2018-04-28 | 2018-11-06 | 杨凯博 | 基于三角函数拟合的最小二乘时频分析方法 |
CN109347482A (zh) * | 2018-08-03 | 2019-02-15 | 西安电子科技大学 | 基于参数估计的跳频信号压缩感知重构方法 |
CN109784310A (zh) * | 2019-02-02 | 2019-05-21 | 福州大学 | 基于ceemdan及加权时频熵的配电开关机械故障特征提取方法 |
CN109948597A (zh) * | 2019-04-26 | 2019-06-28 | 福州大学 | 一种高压断路器机械故障诊断方法 |
Non-Patent Citations (10)
Title |
---|
PENG LI等: "Identification of electromagnetic interferences based on adaptive sparsest time — Frequency analysis", 《 2018 IEEE INTERNATIONAL SYMPOSIUM ON ELECTROMAGNETIC COMPATIBILITY AND 2018 IEEE ASIA-PACIFIC SYMPOSIUM ON ELECTROMAGNETIC COMPATIBILITY (EMC/APEMC)》 * |
PENG LI等: "Identification of electromagnetic interferences based on adaptive sparsest time — Frequency analysis", 《 2018 IEEE INTERNATIONAL SYMPOSIUM ON ELECTROMAGNETIC COMPATIBILITY AND 2018 IEEE ASIA-PACIFIC SYMPOSIUM ON ELECTROMAGNETIC COMPATIBILITY (EMC/APEMC)》, 25 June 2018 (2018-06-25), pages 761 - 765 * |
YAN YU等: "A Study on Data Loss Compensation of WiFi-Based Wireless Sensor Networks for Structural Health Monitoring", 《 IEEE SENSORS JOURNAL 》 * |
YAN YU等: "A Study on Data Loss Compensation of WiFi-Based Wireless Sensor Networks for Structural Health Monitoring", 《 IEEE SENSORS JOURNAL 》, 28 December 2015 (2015-12-28), pages 3811 - 3818 * |
任宜春等: "基于自适应最稀疏时频分析的钢筋混凝土梁非线性振动识别研究", 《应用力学学报》 * |
任宜春等: "基于自适应最稀疏时频分析的钢筋混凝土梁非线性振动识别研究", 《应用力学学报》, vol. 36, no. 4, 31 August 2019 (2019-08-31), pages 819 - 824 * |
周述美等: "基于结构灵敏度分析与稀疏约束优化的结构损伤识别方法", 《振动与冲击》 * |
周述美等: "基于结构灵敏度分析与稀疏约束优化的结构损伤识别方法", 《振动与冲击》, vol. 35, no. 9, 31 May 2016 (2016-05-31), pages 135 - 140 * |
彭延峰等: "基于初值优化的自适应最稀疏时频分析方法", 《湖南大学学报(自然科学版)》 * |
彭延峰等: "基于初值优化的自适应最稀疏时频分析方法", 《湖南大学学报(自然科学版)》, vol. 44, no. 8, 31 August 2017 (2017-08-31), pages 50 - 56 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113312996A (zh) * | 2021-05-19 | 2021-08-27 | 哈尔滨工程大学 | 一种混叠短波通信信号检测与识别方法 |
CN113935384A (zh) * | 2021-11-25 | 2022-01-14 | 中铁二院工程集团有限责任公司 | 一种信号自适应分解和识别的桥梁健康监测方法及系统 |
CN113935384B (zh) * | 2021-11-25 | 2023-05-23 | 中铁二院工程集团有限责任公司 | 一种信号自适应分解和识别的桥梁健康监测方法及系统 |
CN115105088A (zh) * | 2022-06-20 | 2022-09-27 | 山东省人工智能研究院 | 一种改进的基于小波域稀疏特性的心电信号去噪方法 |
CN115105088B (zh) * | 2022-06-20 | 2023-03-14 | 山东省人工智能研究院 | 一种改进的基于小波域稀疏特性的心电信号去噪方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110796047B (zh) | 2022-08-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110796047B (zh) | 一种基于机器学习的自适应稀疏时频分析方法 | |
AU2020214409A1 (en) | Structural damage identification method based on ensemble empirical mode decomposition and convolution neural network | |
CN109084186B (zh) | 基于改进的elmd多尺度熵的管道泄漏信号识别方法 | |
CN107702922B (zh) | 基于lcd与堆叠自动编码器的滚动轴承故障诊断方法 | |
CN108875706B (zh) | 基于滑动平均与能量归集的海洋结构时频分析方法 | |
Zhang et al. | Fault identification based on PD ultrasonic signal using RNN, DNN and CNN | |
CN113970420B (zh) | 一种基于深度学习的激波风洞测力信号频域分析方法 | |
CN107666322A (zh) | 一种基于字典学习的自适应微震数据压缩感知方法 | |
CN112213771A (zh) | 地震波阻抗反演方法及装置 | |
CN111772669B (zh) | 基于自适应长短时记忆网络的肘关节收缩肌力估计方法 | |
CN113111786A (zh) | 基于小样本训练图卷积网络的水下目标识别方法 | |
Zhang et al. | Temporal Transformer Networks for Acoustic Scene Classification. | |
CN113887360B (zh) | 一种基于迭代扩展频散模态分解的频散波提取方法 | |
CN110192864B (zh) | 一种跨域心电图生物特征身份识别方法 | |
CN117454100A (zh) | 一种面向工程结构的缺失数据重构方法 | |
CN112132328A (zh) | 一种光伏输出功率超短期局域情绪重构神经网络预测方法 | |
CN115598714B (zh) | 基于时空耦合神经网络的探地雷达电磁波阻抗反演方法 | |
CN115101149B (zh) | 材料微观结构总能量预测方法 | |
Pratama et al. | Human vocal type classification using MFCC and convolutional neural network | |
Stoynov | Structural spectral analysis of electrochemical impedance | |
Zhao et al. | A new method for separating longitudinal waves in a large diameter Hopkinson bar | |
CN111126659A (zh) | 一种电力负荷预测方法及系统 | |
CN117171934B (zh) | 一种基于pod-anns的架空输电线路舞动响应预测方法 | |
Chen et al. | Seismic Phase Picking Using Synchrosqueezed Transform and Attention Mechanism | |
Hai et al. | Short-term wind speed prediction based on the wavelet transformation and Adaboost neural network |
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 |