CN116150594B - 一种频谱测试数据中开关类要素特征的识别方法 - Google Patents

一种频谱测试数据中开关类要素特征的识别方法 Download PDF

Info

Publication number
CN116150594B
CN116150594B CN202310410789.7A CN202310410789A CN116150594B CN 116150594 B CN116150594 B CN 116150594B CN 202310410789 A CN202310410789 A CN 202310410789A CN 116150594 B CN116150594 B CN 116150594B
Authority
CN
China
Prior art keywords
parameters
test data
time domain
original signal
fundamental frequency
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
Application number
CN202310410789.7A
Other languages
English (en)
Other versions
CN116150594A (zh
Inventor
武嘉艺
刘焱
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Changying Hengrong Electromagnetic Technology Chengdu Co ltd
Original Assignee
Changying Hengrong Electromagnetic Technology Chengdu Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Changying Hengrong Electromagnetic Technology Chengdu Co ltd filed Critical Changying Hengrong Electromagnetic Technology Chengdu Co ltd
Priority to CN202310410789.7A priority Critical patent/CN116150594B/zh
Publication of CN116150594A publication Critical patent/CN116150594A/zh
Application granted granted Critical
Publication of CN116150594B publication Critical patent/CN116150594B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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
    • 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
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Algebra (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Genetics & Genomics (AREA)
  • Physiology (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Testing Electric Properties And Detecting Electric Faults (AREA)

Abstract

本发明公开了一种频谱测试数据中开关类要素特征的识别方法，包括以下步骤S1.对频谱测试数据进行重构，得到重构的原始信号；S2.将重构的原始信号进行宽带分量剔除，获得窄带分量，并进行分析得到多个谐波分量对应的基频值；S3.基于步骤S2得到的多个谐波分量对应的基频值，通过特征点拟合和遗传算法将开关类要素的时域参数进行辨识。本发明将电磁发射频谱数据进行域转化处理，然后利用压缩感知的方法对含噪信号的重构，降低数据的干扰噪声，并能够提高从测试数据识别开关类基本要素及时域频域参数的准确度。

Description

一种频谱测试数据中开关类要素特征的识别方法
技术领域
本发明涉及频谱测试数据中的特征识别，特别是涉及一种频谱测试数据中开关类要素特征的识别方法。
背景技术
在复杂系统研制过程中，需要进行多次电磁发射测量，用于指导电磁兼容性设计、整改，考核设备、系统的电磁兼容性。就电子设备的物理性质而言，无论其多么复杂，一定是因果系统，测试获得的电磁发射频谱是干扰源物理特性的外在表现。基于上述共识，从理论上而言，通过分析电磁发射数据可以获得设备和系统的电磁发射特性。
对具有电磁发射的复杂电子信息系统进行分析表明，其中普遍存在晶振、电源、放大器、数字处理电路等发射源，且源的形式具有内在联系，因此电磁发射要素理论提出使用基本发射要素 + 外围电路的形式进行分析。
从物理层面上分析，为了完成某项特定的任务，实际的电路模块，除了具有核心功能的电路外，必须有外围电路进行辅助，因此可以将电磁发射分解为基本发射源和扩展电路两种不同的分类。简单的说，扩展要素是在基本要素的基础上，决定了电磁发射的具体表现。对某一具体的电路模块而言，扩展要素对应的外围电路可以进行调整而不影响电路模块的既定功能。同一种基本要素可能面临多种不同扩展要素，不同基本要素可能面临相同的扩展要素。
对常见设备/系统的电气特征分析可以表明，电子系统普遍存在本振、晶振、开关和数字逻辑等电磁发射单元。通过对大量电子信息系统对外电磁发射频谱实测数据进行分类及特征分析，发现无论测试数据类型多么复杂，绝大多数的测试数据均具有一些典型的特征，这些典型特征的提取识别对电磁系统的分析具有着重要的意义，但是，目前在对这些数据进行提取时，会受到干扰噪声的影响，并且特征参数识别的准确率有待提升。
发明内容
本发明的目的在于克服现有技术的不足，提供一种一种频谱测试数据中开关类要素特征的识别方法，将电磁发射频谱数据进行域转化处理，然后利用压缩感知的方法对含噪信号的重构，降低数据的干扰噪声，并能够提高从测试数据识别开关类基本要素及时域频域参数的准确度。
本发明的目的是通过以下技术方案来实现的：一种频谱测试数据中开关类要素特征的识别方法，包括以下步骤：
S1.对频谱测试数据进行重构，得到重构的原始信号；
S2.将重构的原始信号进行宽带分量剔除，获得窄带分量，并进行分析得到多个谐波分量对应的基频值；
S3.基于步骤S2得到的多个谐波分量对应的基频值，通过特征点拟合和遗传算法将开关类要素的时域参数进行辨识。
本发明的有益效果是：本发明针对具有开关类要素频谱测试数据，我们先采用域变换方法，将电磁发射频谱数据进行域转化处理，然后利用压缩感知的方法对含噪信号的重构，降低数据的干扰噪声。可以高效提高从测试数据中提取、辨识和表征开关类基本要素及时域频域参数的准确度。整体算法计算复杂度低，储存量小，具有较好的识别效果。
附图说明
图1为本发明的方法流程图；
图2为典型的方波及其参数示意图；
图3为混合信号的频谱测试图；
图4为混合信号的频谱测试数据经压缩感知重构去噪后的数据示意图。
具体实施方式
下面结合附图进一步详细描述本发明的技术方案，但本发明的保护范围不局限于以下所述。
如图1所示，一种频谱测试数据中开关类要素特征的识别方法，包括以下步骤：
S1.对频谱测试数据进行重构，得到重构的原始信号；
压缩感知理论基于信号的稀疏性或可压缩性，不同于传统的先采样后压缩过程，其能够同时执行采样和压缩操作，并且通过解决欠定方程，系统能够精确的重构出原始信号。同时在重构过程中可以将一些非理想噪声进行剔除，提高测试数据的信噪比，从而提高从测试数据中提取、辨识和表征开关类基本要素及时域频域参数的准确度。
S101.将频谱测试数据进行傅里叶逆变换转换到时域，得到原始信号
Figure SMS_1
；
设原始信号
Figure SMS_3
，其中变换矩阵/>
Figure SMS_5
；系数向量
Figure SMS_7
，包含至多K个非零元，/>
Figure SMS_4
表示/>
Figure SMS_6
中的第i个元素，/>
Figure SMS_8
为变换矩阵/>
Figure SMS_9
中的第i个向量，i=1,2,…,N，N表示原始信号/>
Figure SMS_2
的长度；
S102.构建一个与
Figure SMS_10
不相干的大小为/>
Figure SMS_11
高斯随机矩阵/>
Figure SMS_12
，对原始信号/>
Figure SMS_13
进行线性测量，得到测量结果/>
Figure SMS_14
：
Figure SMS_15
其中，
Figure SMS_16
；
S103.计算传感矩阵
Figure SMS_17
；
所述传感矩阵A需要具备以下受限等距特性：
Figure SMS_18
即存在
Figure SMS_19
，对于所有的s的解，使得上述不等式成立；
S104. 构建以下的
Figure SMS_20
范数的最优化问题：
Figure SMS_21
其中，
Figure SMS_22
表示噪声；
将其转换为求解以下的
Figure SMS_23
范数最优化问题：
Figure SMS_24
该问题是一个线性规划问题，通过基追踪算法对
Figure SMS_25
范数最优化问题进行求解，得到最优系数向量/>
Figure SMS_26
；
S105.将最优系数向量
Figure SMS_27
与变换矩阵/>
Figure SMS_28
相乘，重构出原始信号并进行保存。
该重构过程，主要用于进行非理想噪声剔除，提高测试数据的信噪比，总体来说，待采样信号的稀疏化程度越高，测量矩阵与变换矩阵之间的不相干程度越高，信号重构效果以及去噪效果便会越好。这样经过重构的数据再次进行特征参数提取，可以有效提高参数的提取准确度。
S2.将重构的原始信号进行宽带分量剔除，获得窄带分量，并进行分析得到多个谐波分量对应的基频值；
针对开关类要素的电磁传导发射建模，需要对基本发射源进行的特征辨识。考虑到方波是包括开关电源在内的众多类型电磁发射中的重要组成部分，可以认为是大部分开关电源基本要素辨识的关键，也是开关电源电磁传导发射建模的重要基础。针对开关类要素而言，可以采用三次B样条的方式首先剔除宽带分量，得到窄带分量，然后通过自相关-最大熵谱分析法对窄带分量进行谐波基频值的分析，经过分析得到多个谐波分量，以及每一个谐波分量的基频值。
S3.基于步骤S2得到的多个谐波分量对应的基频值，通过特征点拟合和遗传算法将开关类要素的时域参数进行辨识。
基于特征点拟合和遗传算法可以将开关类要素的时域参数（也就是方波）进行辨识和表征，这些参数包括幅度，占空比以及上升沿、下降沿，共3类（4个）参数。同谐波基频参数类似，上述时域参数中有一些是电路的设计者已知的，但还有一些是设计者外购的成品或者一些寄生参数产生而未知的。这些参数对于电磁兼容工程师而言，都是难以直接获取的。对于频段较窄、幅度够大、干扰较少的数据，可以通过示波器进行测量并从时域获取方波的占空比等参数。但是受制于示波器的频带及灵敏度的限制，特别是随着高斯噪声及其他干扰信号的影响，使得直接从时域获取上述时域参数越来越困难。
一般的，现实中并不存在数学意义上完美的方波，实际的方波示意图如图2所示。方波的主要参数包括周期
Figure SMS_29
，幅度 />
Figure SMS_30
，上升沿/>
Figure SMS_31
，下降沿/>
Figure SMS_32
及脉冲宽度/>
Figure SMS_33
。其中上升沿和下降沿一般可能是相等的，同时使用脉冲宽度及周期定义方波的占空比为/>
Figure SMS_34
。
对于确定的时域信号
Figure SMS_35
而言，其傅里叶变换为：
Figure SMS_36
也可以使用离散信号的傅里叶变换建立时域和频域的关系，如
Figure SMS_37
其中
Figure SMS_38
为时域信号/>
Figure SMS_39
的离散化后的信号，且离散信号的傅里叶变换可以使用快速傅里叶变换（FFT）在计算机上快速实现。
对于方波形式的实际电磁发射信号
Figure SMS_40
，其基频通过随机选择一个谐波分量的基频值得到，记为 />
Figure SMS_41
，然后通过以下步骤完成基于特征点拟合的时域参数的获取：
（1）根据方波的基频
Figure SMS_42
，使用基频值确定电磁发射频谱中的谐波点/>
Figure SMS_43
，将n个谐波点/>
Figure SMS_44
作为频谱的特征点，其中：
Figure SMS_45
；
（2）产生原始参数种群：
所述原始参数种群中包含100组参数，每一组参数均包含随机的初始化幅度、占空比、上升沿和下降沿；
（3）对于任一组参数，
Figure SMS_48
、 />
Figure SMS_50
、/>
Figure SMS_52
、/>
Figure SMS_47
，以f作为频率，拟合时域波形/>
Figure SMS_51
；其中， />
Figure SMS_53
为初始化幅度，/>
Figure SMS_54
为占空比，/>
Figure SMS_46
为上升沿，/>
Figure SMS_49
为下降沿；
将构建的时域波形
Figure SMS_55
进行傅里叶变换，获取变换后的拟合结果/>
Figure SMS_56
；
（4）在
Figure SMS_57
时，重复步骤（2），得到/>
Figure SMS_58
；
同样，在
Figure SMS_59
时，将电磁发射信号/>
Figure SMS_60
记为/>
Figure SMS_61
；
使用特征点，从电磁发射频谱中提取方波时域参数的方法归纳为一个多目标优化问题，将时域参数作为决策变量，同时构建最优化问题的目标函数和约束条件：
定义特征点的拟合误差，即归一化均方根误差为
Figure SMS_62
：
Figure SMS_63
目标函数为：
Figure SMS_64
约束条件为：
Figure SMS_65
其中，k i 是预先设定的用于控制拟合误差的参数，表示在第i个特征点的拟合误差不能超过ki，i=1,2,…,n，单位为dB；所述目标函数需要在不超过约束条件规定的kidB 的情况下，寻找待辨识参数的值，使得特征点的拟合误差最小；
（5）定义适应度函数如下：
Figure SMS_66
其中，
Figure SMS_67
为预设的惩罚条件，远小于计算出来的/>
Figure SMS_68
，通常取/>
Figure SMS_69
；
根据
Figure SMS_70
以及是否满足约束条件计算适应度，计算得到的适应度越大，即表示所选特征点的拟合误差越小，越符合目标优化问题的目标；
（6）对于每一组参数重复执行步骤（3）~（5），得到100组参数对应的适应度，判断其中最大的适应度是否大于设定的适应度阈值：
若是，则将最大适应度对应的参数进行输出，进入步骤（8）；
若否，则进入步骤（7）；
（7）从100组参数中选择10组适应度最大的参数，然后通过遗传算法的交叉、变异产生新的100组参数，然后返回步骤（3）；
（8）将步骤（6）中输出参数中包含的初始化幅度、占空比、上升沿和下降沿作为开关类要素的识别结果。
适应度函数的选取直接影响到遗传算法的收敛速度以及能否找到最优解,因为遗传算法在进化搜索中基本不利用外部信息,仅以适应度函数为依据,利用种群每个个体的适应度来进行搜索。本处所提出的精度，也就是遗传算法的最优解与实际最优解的误差，在分析过程中精度小于10%即为精度要求。
在本申请的实施例中，混合信号的频谱测试图如图3所示，该图为方波分量和正弦分量同时存在的混合信号的频谱测试数据；
通过本申请的方法，先得到频谱数据的基频值f=240kHz
方波要素的时域参数提取结果为
Figure SMS_71
经过压缩感知方法重构后的数据如图4所示：
经对比，测试数据整体噪声水平显著降低，对重构数据重新进行时域参数提取后的结果相对误差都有显著降低，结果如下表所示：
Figure SMS_72
可见，针对具有相位修正的开关类要素频谱测试数据，我们先采用域变换方法，将电磁发射频谱数据进行域转化处理，然后利用压缩感知的方法对含噪信号的重构，降低数据的干扰噪声。可以高效提高从测试数据中提取、辨识和表征开关类基本要素及时域频域参数的准确度。整体算法计算复杂度低，储存量小，具有较好的识别效果。
上述说明示出并描述了本发明的一个优选实施例，但如前所述，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述发明构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。

Claims (3)

1.一种频谱测试数据中开关类要素特征的识别方法，其特征在于：包括以下步骤：
S1.对频谱测试数据进行重构，得到重构的原始信号；
S2.将重构的原始信号进行宽带分量剔除，获得窄带分量，并进行分析得到多个谐波分量对应的基频值；
S3.基于步骤S2得到的多个谐波分量对应的基频值，通过特征点拟合和遗传算法将开关类要素的时域参数进行辨识；
开关类要素的时域参数为方波参数，包括方波的周期
Figure QLYQS_1
，幅度/>
Figure QLYQS_2
,上升沿/>
Figure QLYQS_3
，下降沿/>
Figure QLYQS_4
及脉冲宽度/>
Figure QLYQS_5
；使用脉冲宽度及周期定义方波的占空比为/>
Figure QLYQS_6
；
所述步骤S3包括：
对于方波形式的实际电磁发射信号
Figure QLYQS_7
，其基频通过随机选择一个谐波分量的基频值得到，记为/>
Figure QLYQS_8
，然后通过以下步骤完成基于特征点拟合的时域参数的获取：
（1）根据方波的基频
Figure QLYQS_9
，使用基频值确定电磁发射频谱中的谐波点/>
Figure QLYQS_10
，将n个谐波点/>
Figure QLYQS_11
作为频谱的特征点，其中：
Figure QLYQS_12
；
（2）产生原始参数种群：
所述原始参数种群中包含100组参数，每一组参数均包含随机的初始化幅度、占空比、上升沿和下降沿；
（3）对于任一组参数，
Figure QLYQS_14
、/>
Figure QLYQS_16
、/>
Figure QLYQS_19
、/>
Figure QLYQS_15
，以f作为频率，拟合时域波形/>
Figure QLYQS_17
；其中，/>
Figure QLYQS_20
为初始化幅度，/>
Figure QLYQS_21
为占空比，/>
Figure QLYQS_13
为上升沿，/>
Figure QLYQS_18
为下降沿；
将构建的时域波形
Figure QLYQS_22
进行傅里叶变换，获取变换后的拟合结果/>
Figure QLYQS_23
；
（4）在
Figure QLYQS_24
时，重复步骤（2），得到/>
Figure QLYQS_25
；
同样，在
Figure QLYQS_26
时，将电磁发射信号/>
Figure QLYQS_27
记为/>
Figure QLYQS_28
；
使用特征点，从电磁发射频谱中提取方波时域参数的方法归纳为一个多目标优化问题，将时域参数作为决策变量，同时构建最优化问题的目标函数和约束条件：
定义特征点的拟合误差，即归一化均方根误差为
Figure QLYQS_29
：
Figure QLYQS_30
目标函数为：
Figure QLYQS_31
约束条件为：
Figure QLYQS_32
其中， k i 是预先设定的用于控制拟合误差的参数，表示在第i 个特征点的拟合误差不能超过 ki，i=1,2,…,n，单位为dB；所述目标函数需要在不超过约束条件规定的ki dB 的情况下，寻找待辨识参数的值，使得特征点的拟合误差最小；
（5）定义适应度函数如下：
Figure QLYQS_33
其中，
Figure QLYQS_34
为预设的惩罚条件，远小于计算出来的/>
Figure QLYQS_35
；
根据
Figure QLYQS_36
以及是否满足约束条件计算适应度，计算得到的适应度越大，即表示所选特征点的拟合误差越小，越符合目标优化问题的目标；
（6）对于每一组参数重复执行步骤（3）~（5），得到100组参数对应的适应度，判断其中最大的适应度是否大于设定的适应度阈值：
若是，则将最大适应度对应的参数进行输出，进入步骤（8）；
若否，则进入步骤（7）；
（7）从100组参数中选择10组适应度最大的参数，然后通过遗传算法的交叉、变异产生新的100组参数，然后返回步骤（3）；
（8）将步骤（6）中输出参数中包含的初始化幅度、占空比、上升沿和下降沿作为开关类要素的识别结果。
2.根据权利要求1所述的一种频谱测试数据中开关类要素特征的识别方法，其特征在于：所述步骤S1包括：
S101.将频谱测试数据进行傅里叶逆变换转换到时域，得到原始信号
Figure QLYQS_37
；
设原始信号
Figure QLYQS_38
，其中变换矩阵/>
Figure QLYQS_39
；系数向量/>
Figure QLYQS_40
，包含至多K个非零元，/>
Figure QLYQS_41
表示 s中的第i个元素，/>
Figure QLYQS_42
为变换矩阵/>
Figure QLYQS_43
中的第i个向量，i=1,2,…,N，N表示原始信号/>
Figure QLYQS_44
的长度；
S102.构建一个与
Figure QLYQS_45
不相干的大小为/>
Figure QLYQS_46
高斯随机矩阵/>
Figure QLYQS_47
，对原始信号/>
Figure QLYQS_48
进行线性测量，得到测量结果/>
Figure QLYQS_49
：
Figure QLYQS_50
其中，K<M<<N；
S103.计算传感矩阵
Figure QLYQS_51
；
所述传感矩阵A需要具备以下受限等距特性：
Figure QLYQS_52
即存在
Figure QLYQS_53
，对于所有的s的解，使得上述不等式成立；
S104. 构建以下的
Figure QLYQS_54
范数的最优化问题：
Figure QLYQS_55
其中，
Figure QLYQS_56
表示噪声；
将其转换为求解以下的
Figure QLYQS_57
范数最优化问题：
Figure QLYQS_58
该问题是一个线性规划问题，通过基追踪算法对
Figure QLYQS_59
范数最优化问题进行求解，得到最优系数向量/>
Figure QLYQS_60
；
S105.将最优系数向量s与变换矩阵
Figure QLYQS_61
相乘，重构出原始信号并进行保存。
3.根据权利要求1所述的一种频谱测试数据中开关类要素特征的识别方法，其特征在于：所述步骤S2包括：
对于重构的原始信号，采用三次B样条的方式首先剔除宽带分量，得到窄带分量；
对窄带分量采用自相关-最大熵谱分析法进行分析，得到多个谐波分量，以及每一个谐波分量的基频值。
CN202310410789.7A 2023-04-18 2023-04-18 一种频谱测试数据中开关类要素特征的识别方法 Active CN116150594B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310410789.7A CN116150594B (zh) 2023-04-18 2023-04-18 一种频谱测试数据中开关类要素特征的识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310410789.7A CN116150594B (zh) 2023-04-18 2023-04-18 一种频谱测试数据中开关类要素特征的识别方法

Publications (2)

Publication Number Publication Date
CN116150594A CN116150594A (zh) 2023-05-23
CN116150594B true CN116150594B (zh) 2023-07-07

Family

ID=86350961

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310410789.7A Active CN116150594B (zh) 2023-04-18 2023-04-18 一种频谱测试数据中开关类要素特征的识别方法

Country Status (1)

Country Link
CN (1) CN116150594B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117313623B (zh) * 2023-11-22 2024-02-20 长鹰恒容电磁科技(成都)有限公司 基于rc吸收回路的功率器件电磁干扰特征参数确定方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106597101A (zh) * 2017-01-10 2017-04-26 北京航空航天大学 一种基于电磁发射要素的频谱特征复现装置及方法
CN108427145A (zh) * 2018-01-26 2018-08-21 吉林大学 地空频率域电磁法可控频率源探测信号脉宽调制方法
CN112213665A (zh) * 2020-08-14 2021-01-12 山东科技大学 一种z源逆变器功率管的开路故障诊断方法、系统及应用
CN113364381A (zh) * 2021-05-24 2021-09-07 西安理工大学 一种表贴式永磁同步电机无位置传感器分段延时补偿策略
CN114781196A (zh) * 2022-06-20 2022-07-22 四川大学 一种基于稀疏采集模型的谐波检测方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9104189B2 (en) * 2009-07-01 2015-08-11 Mario E. Berges Gonzalez Methods and apparatuses for monitoring energy consumption and related operations
CN105550636B (zh) * 2015-12-04 2019-03-01 中国电子科技集团公司第三研究所 一种目标类型识别的方法及装置
CN106443183B (zh) * 2016-09-07 2018-02-02 北京航空航天大学 一种从电磁频谱中提取频率源数量及基频值的方法
CN106526380B (zh) * 2016-11-18 2018-03-16 北京航空航天大学 电磁发射要素检测分析系统
CN108152586B (zh) * 2017-12-07 2020-01-14 北京四方继保自动化股份有限公司 一种电力系统宽频带多振荡模式分量的辨识方法
JP7486323B2 (ja) * 2020-02-17 2024-05-17 エドワーズ株式会社 高調波除去回路、位置検出装置、磁気軸受装置、及び真空ポンプ
CN111709445A (zh) * 2020-05-14 2020-09-25 北京航空航天大学 一种基于频谱特征的电磁发射要素识别方法
CN114721054A (zh) * 2022-03-18 2022-07-08 吉林大学 一种地空电磁探测深度聚焦波形发射方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106597101A (zh) * 2017-01-10 2017-04-26 北京航空航天大学 一种基于电磁发射要素的频谱特征复现装置及方法
CN108427145A (zh) * 2018-01-26 2018-08-21 吉林大学 地空频率域电磁法可控频率源探测信号脉宽调制方法
CN112213665A (zh) * 2020-08-14 2021-01-12 山东科技大学 一种z源逆变器功率管的开路故障诊断方法、系统及应用
CN113364381A (zh) * 2021-05-24 2021-09-07 西安理工大学 一种表贴式永磁同步电机无位置传感器分段延时补偿策略
CN114781196A (zh) * 2022-06-20 2022-07-22 四川大学 一种基于稀疏采集模型的谐波检测方法

Also Published As

Publication number Publication date
CN116150594A (zh) 2023-05-23

Similar Documents

Publication Publication Date Title
He et al. Wavelet neural network approach for fault diagnosis of analogue circuits
Song et al. Statistical property feature extraction based on FRFT for fault diagnosis of analog circuits
CN107102255B (zh) 单一adc采集通道动态特性测试方法
CN116150594B (zh) 一种频谱测试数据中开关类要素特征的识别方法
Hu et al. A fast and accurate reconstruction algorithm for compressed sensing of complex sinusoids
Faifer et al. Simplified modeling and identification of nonlinear systems under quasi-sinusoidal conditions
Pan et al. Test generation for linear time-invariant analog circuits
EP1514125A2 (en) A digital system and method for testing analogue and mixed-signal circuits or systems
CN112362966A (zh) 基于小波包变换与stft相融合的电网谐波检测方法及装置
CN109782158B (zh) 一种基于多级分类的模拟电路诊断方法
Wang et al. Wavelet‐Based Feature Extraction in Fault Diagnosis for Biquad High‐Pass Filter Circuit
Zhang et al. Partial discharge signal self-adaptive sparse decomposition noise abatement based on spectral kurtosis and S-transform
CN109903181B (zh) 基于压缩感知的缺失数据集下的线损预测方法
Long et al. A new switched current circuit fault diagnosis approach based on pseudorandom test and preprocess by using entropy and Haar wavelet transform
Crama et al. First estimates of Wiener and Hammerstein systems using multisine excitation
Ong et al. Multisine with optimal phase-plane uniformity for ADC testing
Long et al. Fault dictionary based switched current circuit fault diagnosis using entropy as a preprocessor
Awada Hilbert based testing of ADC differential non-linearity using Wavelet transform algorithms
Nunzi et al. A procedure for highly reproducible measurements of ADC spectral parameters
Hill et al. Partial discharge signal denoising using the empirical mode decomposition
Xiao et al. State-of-the-art in Volterra series modeling for ADC nonlinearity
Jin et al. Linearity test of analog-to-digital converters using Kalman filtering
Zhao et al. Partial discharge signal compression reconstruction method based on transfer sparse representation and dual residual ratio threshold
Jin et al. An SoC compatible linearity test approach for precision ADCs using easy-to-generate sinusoidal stimuli
Liu et al. An ENOB Evaluation Method for an Acquisition Channel

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