为了识别当前通信系统所采用的主要调制方式,该文结合高阶累积量和循环谱的特点,采用混合识别算法,同时应用智能决策算法(神经网络)对信号进行识别。该算法基于四阶和六阶高阶累积量构造出一个新的特征参数,将数字调制信号分为{BPSK,2AS...为了识别当前通信系统所采用的主要调制方式,该文结合高阶累积量和循环谱的特点,采用混合识别算法,同时应用智能决策算法(神经网络)对信号进行识别。该算法基于四阶和六阶高阶累积量构造出一个新的特征参数,将数字调制信号分为{BPSK,2ASK},{QPSK},{2FSK,4FSK},{MSK}和{16QAM,64QAM}5类。然后利用高阶累积量的其它特征参数以及循环谱特征对{OFDM},{16QAM,64QAM},{2ASK,BPSK}及{2FSK,4FSK}进行识别。为便于工程实现,该文采用半实物仿真以及Lab VIEW和MATLAB混合编程来验证算法。仿真结果证明,该算法能够在较低信噪比下实现对{OFDM,BPSK,QPSK,2ASK,2FSK,4FSK,MSK,16QAM,64QAM}等多种信号的分类,在信噪比高于5 d B时,调制方式识别率可达94%以上,由此证明了该方法的有效性。展开更多
滚动轴承出现故障时的振动信号往往具有周期性的冲击特征,在频谱中会出现多倍频调制的宽频信息。当利用传统的循环谱分析方法(Cyclic Spectrum Density,CSD)进行分析时,在谱图中往往包含着较多的噪声干扰成分,难以准确提取出滚动轴承的...滚动轴承出现故障时的振动信号往往具有周期性的冲击特征,在频谱中会出现多倍频调制的宽频信息。当利用传统的循环谱分析方法(Cyclic Spectrum Density,CSD)进行分析时,在谱图中往往包含着较多的噪声干扰成分,难以准确提取出滚动轴承的故障特征。因此,提出一种基于信息熵的循环谱分析方法(Cyclic Spectrum Density based on Entropy,CSDE),利用每个循环频率切片的熵值大小来衡量该循环频率的信息量,以表征该循环频率的调制能力,并以此作为加权因子,对每个循环频率赋予不同的权重大小,以弱化干扰频率的影响,最终实现故障特征的提取和故障严重程度的判断。分别利用共振解调、CSD和CSDE三种方法对实验台滚动轴承外圈故障和工业现场大脱硫风机滚动轴承故障进行分析,验证了新方法在滚动轴承故障诊断中的有效性。展开更多
文摘为了识别当前通信系统所采用的主要调制方式,该文结合高阶累积量和循环谱的特点,采用混合识别算法,同时应用智能决策算法(神经网络)对信号进行识别。该算法基于四阶和六阶高阶累积量构造出一个新的特征参数,将数字调制信号分为{BPSK,2ASK},{QPSK},{2FSK,4FSK},{MSK}和{16QAM,64QAM}5类。然后利用高阶累积量的其它特征参数以及循环谱特征对{OFDM},{16QAM,64QAM},{2ASK,BPSK}及{2FSK,4FSK}进行识别。为便于工程实现,该文采用半实物仿真以及Lab VIEW和MATLAB混合编程来验证算法。仿真结果证明,该算法能够在较低信噪比下实现对{OFDM,BPSK,QPSK,2ASK,2FSK,4FSK,MSK,16QAM,64QAM}等多种信号的分类,在信噪比高于5 d B时,调制方式识别率可达94%以上,由此证明了该方法的有效性。
文摘滚动轴承出现故障时的振动信号往往具有周期性的冲击特征,在频谱中会出现多倍频调制的宽频信息。当利用传统的循环谱分析方法(Cyclic Spectrum Density,CSD)进行分析时,在谱图中往往包含着较多的噪声干扰成分,难以准确提取出滚动轴承的故障特征。因此,提出一种基于信息熵的循环谱分析方法(Cyclic Spectrum Density based on Entropy,CSDE),利用每个循环频率切片的熵值大小来衡量该循环频率的信息量,以表征该循环频率的调制能力,并以此作为加权因子,对每个循环频率赋予不同的权重大小,以弱化干扰频率的影响,最终实现故障特征的提取和故障严重程度的判断。分别利用共振解调、CSD和CSDE三种方法对实验台滚动轴承外圈故障和工业现场大脱硫风机滚动轴承故障进行分析,验证了新方法在滚动轴承故障诊断中的有效性。
