为了滤掉有害的环境噪声,研究一种个人噪声防护耳罩。应用频域归一化X滤波最小均方(Filtered-X NLMS)算法的单点频变步长特性,结合定点DSP(Digital Signal Processor)处理器,设计出适用于有源消噪耳罩的单通道自适应反馈式结构,自适应...为了滤掉有害的环境噪声,研究一种个人噪声防护耳罩。应用频域归一化X滤波最小均方(Filtered-X NLMS)算法的单点频变步长特性,结合定点DSP(Digital Signal Processor)处理器,设计出适用于有源消噪耳罩的单通道自适应反馈式结构,自适应算法的良好降噪效果在仿真实验中得到验证。展开更多
在对变步长归一化最小均方误差(Variable step size normalized least mean square,VSS-NLMS)的几种算法以及各个算法在远端和双端通话模式下的性能分析比较的基础上,对NEW-NPVSS(NEW non-parametricVSS)算法进行了改进。在双端通话的...在对变步长归一化最小均方误差(Variable step size normalized least mean square,VSS-NLMS)的几种算法以及各个算法在远端和双端通话模式下的性能分析比较的基础上,对NEW-NPVSS(NEW non-parametricVSS)算法进行了改进。在双端通话的情况下改进算法具有更好的收敛性;然后提出了基于滤波器系数梯度的变步长新算法,当滤波器系数梯度小于门限值时,采用固定步长更新滤波器系数。反之,则停止更新滤波器系数,并且用远端模式下的系数替代当前系数。仿真结果表明所提出的算法在远端通话模式下比其他VSS-NLMS算法具有更好的收敛性,在双端情况下具有比固定步长NLMS(Normalized least mean square)和SVSS(Simple VSS)更好的收敛性。展开更多
准确预测滚动轴承剩余使用寿命(Remaining Useful Life,RUL)对维护建筑机械设备稳定运行、保障生产安全具有重要的现实需求和应用价值。为提升滚动轴承RUL预测准确率,提出一种基于归一化最小均方(Normalized Least Mean Square,NLMS)自...准确预测滚动轴承剩余使用寿命(Remaining Useful Life,RUL)对维护建筑机械设备稳定运行、保障生产安全具有重要的现实需求和应用价值。为提升滚动轴承RUL预测准确率,提出一种基于归一化最小均方(Normalized Least Mean Square,NLMS)自适应滤波器和Autoformer长序列预测模型的滚动轴承RUL预测新方法。使用NLMS自适应滤波器对滚动轴承原始振动信号进行降噪,从降噪振动信号中分段提取初始时域特征,采用Spearman相关系数进行特征筛选,经归一化后形成多维特征集;利用Autoformer模型中序列分解模块与自相关机制建立多维特征集与滚动轴承RUL之间的分段非线性映射,实现滚动轴承RUL预测;在PHM 2012数据集与XJTU-SY数据集上进行对比实验,结果表明该方法与已有方法相比可取得最低预测误差,均方根误差(Root Mean Squared Error,RMSE)与平均绝对误差(Mean Absolute Error,MAE)分别提升24.4%与47.2%,证明了该方法在滚动轴承RUL预测的有效性。展开更多
文摘为了滤掉有害的环境噪声,研究一种个人噪声防护耳罩。应用频域归一化X滤波最小均方(Filtered-X NLMS)算法的单点频变步长特性,结合定点DSP(Digital Signal Processor)处理器,设计出适用于有源消噪耳罩的单通道自适应反馈式结构,自适应算法的良好降噪效果在仿真实验中得到验证。
文摘在对变步长归一化最小均方误差(Variable step size normalized least mean square,VSS-NLMS)的几种算法以及各个算法在远端和双端通话模式下的性能分析比较的基础上,对NEW-NPVSS(NEW non-parametricVSS)算法进行了改进。在双端通话的情况下改进算法具有更好的收敛性;然后提出了基于滤波器系数梯度的变步长新算法,当滤波器系数梯度小于门限值时,采用固定步长更新滤波器系数。反之,则停止更新滤波器系数,并且用远端模式下的系数替代当前系数。仿真结果表明所提出的算法在远端通话模式下比其他VSS-NLMS算法具有更好的收敛性,在双端情况下具有比固定步长NLMS(Normalized least mean square)和SVSS(Simple VSS)更好的收敛性。
文摘准确预测滚动轴承剩余使用寿命(Remaining Useful Life,RUL)对维护建筑机械设备稳定运行、保障生产安全具有重要的现实需求和应用价值。为提升滚动轴承RUL预测准确率,提出一种基于归一化最小均方(Normalized Least Mean Square,NLMS)自适应滤波器和Autoformer长序列预测模型的滚动轴承RUL预测新方法。使用NLMS自适应滤波器对滚动轴承原始振动信号进行降噪,从降噪振动信号中分段提取初始时域特征,采用Spearman相关系数进行特征筛选,经归一化后形成多维特征集;利用Autoformer模型中序列分解模块与自相关机制建立多维特征集与滚动轴承RUL之间的分段非线性映射,实现滚动轴承RUL预测;在PHM 2012数据集与XJTU-SY数据集上进行对比实验,结果表明该方法与已有方法相比可取得最低预测误差,均方根误差(Root Mean Squared Error,RMSE)与平均绝对误差(Mean Absolute Error,MAE)分别提升24.4%与47.2%,证明了该方法在滚动轴承RUL预测的有效性。
