针对强噪声背景下机械故障信号难以检测,参数辨识难度高的问题,提出了基于级联随机共振和经验模态分解的联合参数辨识方法。该方法利用EMD分层分解的思想,可以结合标准平均方差(Normalized Mean Squared Error,NMSE)准则筛选出最优IMF分...针对强噪声背景下机械故障信号难以检测,参数辨识难度高的问题,提出了基于级联随机共振和经验模态分解的联合参数辨识方法。该方法利用EMD分层分解的思想,可以结合标准平均方差(Normalized Mean Squared Error,NMSE)准则筛选出最优IMF分量,最终实现原信号频率特征参数的准确拟合。实验结果表明,文中算法可有效消除随机共振处理后信号的边缘脉冲,进而实现信号频率的准确检测。在信噪比低于-15 dB时,算法的检测性能提升了约一个数量级,在固定检测差错概率为10^(-3)时,算法的信噪比增益可达到8 dB。新算法对于机械故障信号中的频率参数辨识具有检测误差小、适应范围广泛的优势,在保证带来一定信噪比增益的同时,可实现工程器件状态的准确判断,对于提取机械系统的故障特征、识别故障类型以及进一步地排故检修具有重要意义。展开更多
针对图像的传输中可能会产生噪声的影响和传输时间开销过大,导致图像的恢复效果较差的问题,基于数学中熵最大的原理,提出了一种基于熵函数的去噪重构算法。将该算法运用交替方向乘子法(alternating direction method of multipliers,AD...针对图像的传输中可能会产生噪声的影响和传输时间开销过大,导致图像的恢复效果较差的问题,基于数学中熵最大的原理,提出了一种基于熵函数的去噪重构算法。将该算法运用交替方向乘子法(alternating direction method of multipliers,ADMM)分而治之的思想提出了一种新的快速去噪算法。通过归一化均方误差(normalized mean square error,NMSE)和峰值信噪比(peak signal to noise ratio,PSNR)等评价标准进行实验仿真,验证所提算法的优越性。实验结果表明:根据上面思路提出的方法具有很好的效果,在去噪方面具有一定的用途。展开更多
文摘针对图像的传输中可能会产生噪声的影响和传输时间开销过大,导致图像的恢复效果较差的问题,基于数学中熵最大的原理,提出了一种基于熵函数的去噪重构算法。将该算法运用交替方向乘子法(alternating direction method of multipliers,ADMM)分而治之的思想提出了一种新的快速去噪算法。通过归一化均方误差(normalized mean square error,NMSE)和峰值信噪比(peak signal to noise ratio,PSNR)等评价标准进行实验仿真,验证所提算法的优越性。实验结果表明:根据上面思路提出的方法具有很好的效果,在去噪方面具有一定的用途。
