CN110807524B - 单通道信号盲源分离幅度校正方法 - Google Patents
单通道信号盲源分离幅度校正方法 Download PDFInfo
- Publication number
- CN110807524B CN110807524B CN201911104698.0A CN201911104698A CN110807524B CN 110807524 B CN110807524 B CN 110807524B CN 201911104698 A CN201911104698 A CN 201911104698A CN 110807524 B CN110807524 B CN 110807524B
- Authority
- CN
- China
- Prior art keywords
- signal
- amplitude
- neural network
- amplitude correction
- blind source
- 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.)
- Active
Links
- 238000012937 correction Methods 0.000 title claims abstract description 78
- 238000000926 separation method Methods 0.000 title claims abstract description 65
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000013528 artificial neural network Methods 0.000 claims abstract description 59
- 230000006870 function Effects 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 13
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 abstract description 22
- 230000000694 effects Effects 0.000 abstract description 2
- 238000012880 independent component analysis Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Classifications
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Filters That Use Time-Delay Elements (AREA)
Abstract
一种单通道信号盲源分离幅度校正方法,属于非平稳随机数据处理领域,为了解决盲源分离幅度不确定性问题,要点包括对于单通道信号首先利用经验模态分解将其分解获得多个本征模态函数,利用获得的多个本征模态函数采用FastICA方法进行盲源分离,得到分离后信号;采用BP神经网络并基于原单通道信号的功率设计对应的目标函数,在神经网络输入端加入一组配准信号,以配准信号的幅度校正来对结果进行判定,通过训练神经网络,获得分离信号的幅度校正系数,利用校正系数对分离后信号的幅度进行校正从而得到最终结果,效果是实现了单通道盲源分离信号幅度的校正。
Description
技术领域
本发明属于非平稳随机数据处理领域,是一种为单通道信号盲源分离幅度校正的方法,涉及校正过程中的非平稳信号处理算法和应用。
背景技术
盲源分离技术在非平稳随机数据处理领域有着广泛应用,典型的如语音信号处理。目前,盲源分离技术所采用算法存在两大技术瓶颈问题,即顺序不确定性和幅度不确定性。顺序不确定性一般不影响对数据处理结果的分析,而幅度不确定性对于需要确知信号统计特征的处理工程问题则具有严重影响,典型的如飞行器遥测信号处理和机械故障诊断等工程应用。更为普遍的情况是所处理数据对象为单通道来源,即单通道多分量非平稳信号,对单通道信号进行盲源分离获得较为简单的单分量信号,并在单分量信号基础上进行信号的处理和分析,可更方便和简单的得到信号的特征信息,如统计信息和时频信息等。因此,单通道信号盲源分离方法在涉及非平稳信号处理的工程领域具有实际应用价值。但是,盲源分离的幅度不确性制约了单通道盲源分离进行非平稳信号处理和分析的有效性,导致无法准确获得非平稳信号的特征信息。因为,本发明研究提出了一种单通道盲源分离幅度校正新方法,解决单通道盲源分离方法在非平稳信号处理领域应用中的幅度不确定性问题。
发明内容
为了解决单通道盲源分离幅度的不确定性问题,本发明提出一种基于神经网络和配准信号的幅度校正方法,使得单通道盲源分离能够有效的应用于非平稳信号的处理和分析领域。
为了实现上述目的,本发明提出如下技术方案:一种单通道信号盲源分离幅度校正方法,其特征在于,包括如下步骤:
1)设单通道多分量非平稳信号作为源信号为x(n),对其使用EMD分解和FastICA方法进行单通道信号的盲源分离,分离后信号是yi(n),i=1,2,…,m,m是分离后获得的信号的个数,分离后信号yi(n)的幅度与源信号x(n)中所包含的分量的幅度不一致;
2)根据原始多分量非平稳信号和分离后信号yi(n)的方差设计神经网络目标函数,以分离后信号yi(n)和配准信号ym+1(n)作为神经网络输入,对神经网络进行训练,输出是幅度校正系数bi+1(n),其中配准信号ym+1(n)时间维度与分离后信号yi(n)一致;
3)神经网络输出的配准信号的幅度校正系数bm+1(n)≈1,则满足精度要求,否则,改变神经网络的学习步长和/或网络拓扑结构重新训练,直到配准信号的幅度校正系数bm+1(n)满足精度要求为止,得到满足精度要求的幅度校正系数bi(n);
4)幅度校正系数bi(n)分别对相对应的分离后信号yi(n)进行幅度校正。
进一步的,前馈神经网络的输入层单元和输出层单元均为m+1,神经网络目标函数为:
对神经网络训练,直到网络收敛满足设定的精度指标或达到设定的最大迭代次数。
进一步的,配准信号的中心频率为各分量信号中心频率之和的均值,配准信号的幅度相对于观测信号的幅度属于同一量级。
进一步的,步骤4)中,使用幅度校正系数bi(n)乘以对应的分离后信号yi(n)完成幅度校正。
本发明的效果和益处是:实现了单通道盲源分离信号幅度的校正,解决了制约单通道盲源分离幅度不确定性的技术瓶颈问题。单通道盲源分离信号幅度校正后,可将该发明应用于单通道多分量非平稳信号处理领域,以准确的获取信号的统计特征信息。
附图说明
图1单通道信号盲源分离原理框图;
图2神经网络盲源分离信号幅度校正原理框图;
图3仿真单通道多分量非平稳信号;
图4仿真单通道多分量非平稳信号EMD分解结果;
图5仿真信号盲源分离结果;
图6仿真信号幅度校正结果;
图7某次飞行器试验某传感器采集遥测振动信号;
图8实测信号EMD分解结果;
图9实测信号盲分离结果;
图10实测信号幅度校正结果;
图11方法流程图。
具体实施方式
以下结合技术方案和附图说明本发明的具体实施方式,单通道信号盲源分离幅度校正方法,简要概括为以下两个步骤:
首先将单通道多分量非平稳信号利用经验模态分解(Empirical ModeDecomposition,简称EMD)获得一系列本征模态函数(Instrinsic Mode Function,简称IMF),组织IMF分量作为盲分离方法的观测信号,采用快速独立分量分解算法(FastIndependent ComponentAnalysis,简称FastICA)进行盲分离,得到分离后信号。
其次,根据盲分离后信号维数设计神经网络,并依据源信号方差设计神经网络目标函数,同时在分离后信号中加入同长度的配准信号,一同作为神经网络的输入向量,通过神经网络训练得到盲源分离后信号的幅度校正系数,利用配准信号可以评估校正系数精度,当判定精度满足幅度校正要求时可以采用校正系数对盲源分离后信号进行幅度校正。
在一种实施例中,单通道信号盲源分离幅度校正方法是:对单通道多分量非平稳信号进行EMD分解,得到一系列IMF分量;以IMF分量作为观测信号,采用FastICA算法进行盲源分离,得到分离后信号;设计神经网络和配准信号,根据原始多分量非平稳信号和分离后信号方差设计神经网络目标函数,以分离后信号和配准信号作为神经网络的输入,对神经网络进行训练得到幅度校正系数;利用配准信号校验幅度校正系数的精度,当精度满足要求时,利用幅度校正系数对分离后信号的幅度进行校正,从而实现单通道信号盲源分离幅度的校正。
该方法中,为了能够有效保证分解信号的正交性,进行了ICA处理,导致了分离后信号的幅度与源信号中所包含的分量的幅度不一致,使得多分量非平稳信号的统计信息无法准确获得,而使用的配准信号没有经过ICA处理,所以幅度没有发生畸变,神经网络目的是找到一组校正系数,对于观测信号而言,校正系数是未知的,对于配准信号的幅度校准是确知的,因而在实现单通道盲源分离幅度校正的基础上,可以准确的获得多分量非平稳信号的统计信息。
在一种实施例中,单通道信号盲源分离幅度校正方法属于非平稳随机数据处理领域,为了解决盲源分离幅度不确定性问题,要点包括对于单通道信号首先利用经验模态分解将其分解获得多个本征模态函数,利用获得的多个本征模态函数采用FastICA方法进行盲源分离,得到分离后信号。为校正分离后信号的幅度不确定性问题,采用BP神经网络并基于原单通道信号的功率设计对应的目标函数,为保证校正分离信号幅度的准确性,在神经网络输入端加入一组配准信号,以配准信号的幅度校正来对结果进行判定。通过训练神经网络,获得分离信号的幅度校正系数,利用校正系数对分离后信号的幅度进行校正从而得到最终结果。
该方法具体包括如下步骤:
1)使用EMD分解和FastICA方法实现单通道信号的盲源分离,利用EMD将单通道信号分解为以系列IMF分量,使得单通道盲源分离问题转化为正定或超定盲源分离问题,在此基础上,采用FastICA方法实现单通道的盲源分离;
2)利用神经网络并在分离后信号中加入配准信号的方法,给出神经网络目标函数,根据神经网络收敛性能和配准信号的幅度恢复质量来确定对盲源分离幅度不确定性的校正精度;
利用神经网络实现单通道盲源分离信号的幅度校正。设单通道源信号为x(n),经过EMD分解和FastICA分离后得到分离后信号yi(n)i=1,2,…,m,其中m为分离后获得的信号的个数。由于FastICA方法的幅度不确定性,yi(n)的幅度与源信号中所包含的该分量的实际幅度不一致。设计一配准信号,设其为ym+1(n),其时间维度与yi(n)一致。设计前馈神经网络,其中输入层单元和输出层单元均为m+1,神经网络的输入为yi(n)和配准信号ym+1(n),输出为幅度校正系数bi+1(n)。设计神经网络目标函数为
利用反向传播算法对神经网络训练,直到网络收敛满足设定的精度指标或达到设定的最大迭代次数。
分析配准信号对应的幅度校正系数bm+1(n),如果神经网络幅度校正方法满足精度要求,那么配准信号的幅度校正系数bm+1(n)≈1,如果校正精度不满足,则改变神经网络学习步长和网络拓扑结构进行重新训练,直到配准信号幅度校正系数满足精度要求为止。
3)利用满足精度要求的幅度校正系数bi(n)分别对相对应的分离信号yi(n)进行幅度校正,完成盲源分离的幅度校正工作。
在一种实施例中,单通道信号盲源分离幅度校正方法可采用计算机软件实现,并辅以人工介入的方法。方法流程如附图11所示,方法具体的步骤如下:
(1)将单通道多分量非平稳信号利用EMD分解为一系列IMF分量,将IMF分量作为观测信号,利用盲源分离FastICA算法进行分离。EMD方法可以将多分量非平稳信号依据尺度进行分解,得到具有内蕴物理意义IMF分量,而EMD方法不具有全局正交性,因此单通道多分量非平稳信号分解后,在IMF分量基础上可获得正定或超定盲源分离模型,此时利用FastICA进行分离,有效保证分解信号的正交性。单通道信号盲源分离原理框图如图1所示。
(2)利用神经网络实现单通道盲源分离信号的幅度校正。设单通道源信号为x(n),经过EMD分解和FastICA分离后得到分离后信号yi(n)i=1,2,…,m,其中m为分离后获得的信号的个数。由于FastICA方法的幅度不确定性,yi(n)的幅度与源信号中所包含的该分量的实际幅度不一致。设计一配准信号,设其为ym+1(n),其时间维度与yi(n)一致)设计前馈神经网络,其中输入层单元和输出层单元均为m+1,神经网络的输入为yi(n)和配准信号ym+1(n),输出为幅度校正系数bi+1(n)。设计神经网络目标函数为
利用反向传播算法对神经网络训练,直到网络收敛满足设定的精度指标或达到设定的最大迭代次数。该方案中,配准信号的幅度相对于观测信号的幅度最好在一个量级,不然太大或者太小,影响神经网络的训练,作为优选方案,幅度可以设置为源信号的方差,而配准信号的中心频率为各分量信号中心频率之和的均值。
(3)分析配准信号对应的幅度校正系数bm+1(n),如果神经网络幅度校正方法满足精度要求,那么配准信号的幅度校正系数bm+1(n)≈1(其中约等于可以理解为为0.9~1.1的范围,优选方案是等于1),如果校正精度不满足,则改变神经网络学习步长和网络拓扑结构进行重新训练,直到配准信号幅度校正系数满足精度要求为止。
(4)利用满足精度要求的幅度校正系数bi(n)分别对相对应的分离信号yi(n)进行幅度校正,完成盲源分离的幅度校正工作。即利用神经网络训练后得到的幅度校正系数,乘以对应的观测信号,即完成了幅度校正。
上述方法,仿真信号和实测信号处理结果证明了本发明方法的有效性,该方法可在故障检测、目标识别等涉及非平稳随机数据处理领域得到推广应用。利用仿真信号对所设计方法进行验证,如图3-图6所示,仿真信号由三个中心频率分别为5Hz,20Hz和30Hz的正弦信号叠加模拟,采样频率为1024Hz。为了简便三分量信号幅度均设置为1,由于20Hz和30Hz信号的中心频率距离较近,EMD无法将其完全分解,两分量成分在IMF中出现耦合。利用FastICA可以将各分量信号进行分离,由于FastICA方法的幅度不确定性,幅度产生畸变。设计一配准信号,配准信号的设计准则为其中心频率为各分量信号中心频率之和的均值,幅度同样设置为1。神经网络为(4,6,4)结构的三层前馈神经网络,学习步长设置为0.002;利用某次飞行器试验中某传感器采集的遥测振动信号对所设计方法进行验证,该信号采样频率为5kHz,配准信号为该振动信号频率估计范围的中值,幅度为该振动信号的方差所构成的正弦信号。处理结果如图7-10所示。仿真和实测数据处理结果均证明所设计的方法可以有效解决单通道盲源分离中的幅度不确定性这一瓶颈技术问题,在单通道非平稳信号的处理和分析中具有重要的应用价值。
以上所述,仅为本发明创造较佳的具体实施方式,但本发明创造的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明创造披露的技术范围内,根据本发明创造的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明创造的保护范围之内。
Claims (4)
1.一种单通道信号盲源分离幅度校正方法,其特征在于,包括如下步骤:
1)设单通道多分量非平稳信号作为源信号为x(n),对其使用EMD分解和FastICA方法进行单通道信号的盲源分离,分离后信号是yi(n),i=1,2,…,m,m是分离后获得的信号的个数,分离后信号yi(n)的幅度与源信号x(n)中所包含的分量的幅度不一致;利用神经网络实现单通道盲源分离信号的幅度校正,设计一配准信号,设其为ym+1(n),其时间维度与yi(n)一致,设计前馈神经网络,其中输入层单元和输出层单元均为m+1,神经网络的输入为yi(n)和配准信号ym+1(n),输出为幅度校正系数bi+1(n),设计神经网络目标函数为
利用反向传播算法对神经网络训练,直到网络收敛满足设定的精度指标或达到设定的最大迭代次数,幅度设置为源信号的方差,而配准信号的中心频率为各分量信号中心频率之和的均值;
2)根据原始多分量非平稳信号和分离后信号yi(n)的方差设计神经网络目标函数,以分离后信号yi(n)和配准信号ym+1(n)作为神经网络输入,对神经网络进行训练,输出是幅度校正系数bi+1(n),其中配准信号ym+1(n)时间维度与分离后信号yi(n)一致;
3)神经网络输出的配准信号的幅度校正系数bm+1(n)≈1,则满足精度要求,否则,改变神经网络的学习步长和/或网络拓扑结构重新训练,直到配准信号的幅度校正系数bm+1(n)满足精度要求为止,得到满足精度要求的幅度校正系数bi(n);
4)幅度校正系数bi(n)分别对相对应的分离后信号yi(n)进行幅度校正。
2.如权利要求1所述的单通道信号盲源分离幅度校正方法,其特征在于,前馈神经网络的输入层单元和输出层单元均为m+1,神经网络目标函数为:
对神经网络训练,直到网络收敛满足设定的精度指标或达到设定的最大迭代次数。
3.如权利要求1所述的单通道信号盲源分离幅度校正方法,其特征在于,配准信号的中心频率为各分量信号中心频率之和的均值,配准信号的幅度相对于观测信号的幅度属于同一量级。
4.如权利要求1所述的单通道信号盲源分离幅度校正方法,其特征在于,步骤4)中,使用幅度校正系数bi(n)乘以对应的分离后信号yi(n)完成幅度校正。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911104698.0A CN110807524B (zh) | 2019-11-13 | 2019-11-13 | 单通道信号盲源分离幅度校正方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911104698.0A CN110807524B (zh) | 2019-11-13 | 2019-11-13 | 单通道信号盲源分离幅度校正方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110807524A CN110807524A (zh) | 2020-02-18 |
CN110807524B true CN110807524B (zh) | 2023-11-21 |
Family
ID=69502311
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911104698.0A Active CN110807524B (zh) | 2019-11-13 | 2019-11-13 | 单通道信号盲源分离幅度校正方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110807524B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113314137B (zh) * | 2020-02-27 | 2022-07-26 | 东北大学秦皇岛分校 | 一种基于动态进化粒子群屏蔽emd的混合信号分离方法 |
US20230223036A1 (en) * | 2020-05-15 | 2023-07-13 | Harman International Industries, Incorporated | Efficient blind source separation using topological approach |
CN112116922B (zh) * | 2020-09-17 | 2024-04-12 | 集美大学 | 一种噪声盲源信号分离方法、终端设备及存储介质 |
CN113674756B (zh) * | 2021-10-22 | 2022-01-25 | 青岛科技大学 | 基于短时傅里叶变换和bp神经网络的频域盲源分离方法 |
CN115691541B (zh) * | 2022-12-27 | 2023-03-21 | 深圳元象信息科技有限公司 | 语音分离方法、装置及存储介质 |
CN116089800B (zh) * | 2023-04-10 | 2023-06-27 | 武汉工程大学 | 激波流场动态压力测量信号振铃分量提取校正方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104463197A (zh) * | 2014-11-19 | 2015-03-25 | 天津大学 | 基于频谱校正与逆向组合的欠定盲信号分离方法及其装置 |
CN105845148A (zh) * | 2016-03-16 | 2016-08-10 | 重庆邮电大学 | 基于频点修正的卷积盲源分离方法 |
WO2019094562A1 (en) * | 2017-11-08 | 2019-05-16 | Google Llc | Neural network based blind source separation |
-
2019
- 2019-11-13 CN CN201911104698.0A patent/CN110807524B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104463197A (zh) * | 2014-11-19 | 2015-03-25 | 天津大学 | 基于频谱校正与逆向组合的欠定盲信号分离方法及其装置 |
CN105845148A (zh) * | 2016-03-16 | 2016-08-10 | 重庆邮电大学 | 基于频点修正的卷积盲源分离方法 |
WO2019094562A1 (en) * | 2017-11-08 | 2019-05-16 | Google Llc | Neural network based blind source separation |
Non-Patent Citations (3)
Title |
---|
徐洪涛 ; 王跃钢 ; 邓卫强 ; .基于自组织神经网络的非平稳信号盲分离.控制与决策.2011,(05),全文. * |
杨海兰 ; 刘以安 ; .单通道通信信号盲分离算法.计算机仿真.2015,(09),全文. * |
赵佳佳 ; 贾嵘 ; 武桦 ; 董开松 ; 党建 ; .基于FastICA-EEMD的振动信号特征提取.水力发电学报.2017,(03),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN110807524A (zh) | 2020-02-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110807524B (zh) | 单通道信号盲源分离幅度校正方法 | |
CN107884706B (zh) | 基于向量值正则核函数逼近的模拟电路故障诊断方法 | |
CN105373700B (zh) | 一种基于信息熵和证据理论的机械故障诊断方法 | |
CN110632572A (zh) | 基于无意调相特性的雷达辐射源个体识别方法及装置 | |
CN105355212B (zh) | 一种稳健的欠定盲分离源数及混合矩阵估计方法及装置 | |
CN109323754A (zh) | 一种列车车轮多边形故障诊断检测方法 | |
CN111312273A (zh) | 混响消除方法、装置、计算机设备和存储介质 | |
CN112014791B (zh) | 存在阵列误差的阵列pca-bp算法的近场源定位方法 | |
JP6099032B2 (ja) | 信号処理装置、信号処理方法及びコンピュータプログラム | |
CN106940688B (zh) | 一种emd虚假分量识别的数学模型建模方法 | |
Li et al. | An interpretable aerodynamic identification model for hypersonic wind tunnels | |
Yildirim et al. | 1D convolutional neural networks versus automatic classifiers for known LPI radar signals under white gaussian noise | |
US9668075B2 (en) | Estimating parameter values for a lumped parameter model of a loudspeaker | |
CN109597123B (zh) | 一种有效信号检测方法及系统 | |
Comunità et al. | Modelling black-box audio effects with time-varying feature modulation | |
CN113158907A (zh) | 基于小波和混沌理论的微弱舰船辐射特征信号检测方法 | |
Li et al. | Suboptimal adaptive tracking control for FIR systems with binary-valued observations | |
CN113156303A (zh) | 基于输出响应矩阵特性分析的模拟电路故障诊断和定位法 | |
Sum et al. | On objective function, regularizer, and prediction error of a learning algorithm for dealing with multiplicative weight noise | |
CN111289800B (zh) | 一种基于广义回归神经网络的小电阻振动监测方法 | |
CN117388383A (zh) | 基于敲击法的螺纹连接结构松动状态检测方法及装置 | |
CN108664936B (zh) | 一种基于机器故障的诊断方法及系统 | |
CN106098080A (zh) | 一种噪声环境下言语识别阈的确定方法及装置 | |
CN113674756B (zh) | 基于短时傅里叶变换和bp神经网络的频域盲源分离方法 | |
CN112185412A (zh) | 一种多目标声信号混叠下的识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |