导读:本文包含了混合时频分析论文开题报告文献综述及选题提纲参考文献，主要关键词:STFT,时频比,盲分离,特征提取
混合时频分析论文文献综述
谷千伟,金炜东,余志斌[1]（2015）在《基于时频分析的高速列车转向架混合故障盲分离》一文中研究指出针对高速列车同时发生两种故障的问题,提出了一种基于短时傅里叶变换(Short-Time Fourier Transform,STFT)和时频比的高速列车转向架混合故障盲分离算法。首先对观测数据进行STFT线性时频变换,再运用混合信号的时频比(Time-Frequency Ratio of Mixtures,TIFROM)估计单源域,得到分离矩阵;然后对源信号和分离后的估计信号分别提取矢量特征,用于盲分离准确度评价;最后用支持向量机(Support Vector Machine,SVM)识别盲分离的正确率。(本文来源于《电气应用》期刊2015年12期）
石旭亮,刘怀山[2]（2014）在《基于小波变换和短时傅里叶变换的混合时频分析方法研究》一文中研究指出在地震勘探中,信号大多是非平稳的。短时傅立叶变换和小波变换是进行非平稳信号时频分析的有力工具,但它们都存在一些不足。本文通过小波变换和短时傅立叶变换的有机结合来构建一种混合时频分析方法,吸收它们的优点,弥补其不足。首先,介绍该方法的原理与实现方法,并探讨时窗大小对信号短时傅立叶时频分析的影响;然后通过模拟地震信号和随机白噪信号进行仿真测试;最后通过实际数据测试该方法,并与不同大小时窗的短时傅立叶分析作比较,证明了该方法的有效性。(本文来源于《国家安全地球物理丛书（十）——地球物理环境与国家安全》期刊2014-11-01）
刘文艺,韩继光[3]（2013）在《基于混合时频分析方法的风电机组故障诊断》一文中研究指出针对风电机组传动链系统振动信号非高斯、非平稳性的特点,提出了一种基于混合时频分析的风电机组故障诊断方法。该方法首先采用参数优化Morlet小波消噪方法对原始振动信号进行分析,滤除强大的背景噪声干扰;进而通过自项窗方法抑制时频面的干扰项,增强信号特征成分,提取故障特征以实现故障诊断。在Morlet小波参数优化过程中,采用交叉验证法优化波形参数及连续小波变换的尺度参数;在自项窗的设计过程中,采用基于平滑伪魏格纳分布的函数进行设计,并通过两次阈值处理以减少运算量、提高运算效率。通过对风电机组监测振动数据分析,证明了该方法可以有效地实现背景噪声的消除和故障诊断。(本文来源于《机械科学与技术》期刊2013年01期）
任喜顺,沈越泓,高猛,沙楠[4]（2012）在《基于时频分析的混合矩阵估计方法》一文中研究指出在盲源分离信号处理中,尤其在欠定条件下(观测信号数目大于源信号数目),精确的估计混合矩阵是具有挑战性的问题。现存部分方法利用信号的稀疏性进行求解,并假设在时域或者时频域中源信号不重迭,然而这类方法在假设条件不满足,即源信号部分重迭情况下随着信号稀疏性降低性能恶化明显。本文针对瞬时混合欠定盲分离中具有较弱稀疏性的源信号,提出了一种基于时频分析的实混合矩阵估计方法。首先,利用源信号时频变换后系数实部与虚部比值的差异性选择单源点;其次,估计混合矩阵的各向量。仿真结果表明:提出的方法具有较好的估计性能。(本文来源于《信号处理》期刊2012年04期）
王尔馥,王冬青[5]（2012）在《基于时频分析的混沌谐波线性混合信号提取算法》一文中研究指出混沌信号与谐波信号的分离问题是混沌信号处理中的重点问题,时频分析理论的日趋成熟为该问题带来了新的解决方案。针对不同噪声情况下混沌背景下谐波信号的提取进行分析,将小波变换与EMD方法进行比较,经仿真实验总结出一种新的谐波信号提取的融合算法,仿真实验验证了该算法的有效性。(本文来源于《黑龙江大学工程学报》期刊2012年01期）
蔡涵鹏,贺振华,黄德济[6]（2011）在《基于混合时频分析技术的地震数据噪声压制(英文)》一文中研究指出针对复杂地质结构、陡倾角相干噪声、空间采样不均匀等情况下F-x域反褶积去噪技术的不足,提出首先应用具有时-频聚集性度量准则的广义S变换将时间-空间域的地震数据变换至时间-频率-空间域(t-f-x)的数据,在t-f-x域中对每一个频率切片应用经验模态分解(EMD),移除噪声占主导地位的本征模态函数以压制相干和随机噪声的滤波方法。模型分析表明第一本征模态函数表征的高频信息以噪声为主,移除第一本证模态函数可以达到压制噪声的目的。经广义S变换后形成t-f-x域中EMD滤波方法等效于具有依赖于空间位置、频率、高波数截断特征的自适应f-k滤波。此滤波方法考虑了数据的局部时-频特征,且具有执行简单的特点。与AR预测滤波方法比较,此法滤除的成分包含较少的低波数的信息,滤除的成分非常的局部化,且获得结果没有表现出过度平滑的特征。实际资料的应用表明在经广义S变换后形成t-f-x域中运用EMD滤波方法能够有效地压制随机和陡倾角相干噪声。(本文来源于《Applied Geophysics》期刊2011年04期）
郑华,裴承鸣,秦淋[7]（2011）在《基于高斯混合模型的粒子滤波时频分析算法》一文中研究指出根据有限高斯混合模型可以逼近任意概率分布密度函数的思想,提出了一种基于高斯混合模型的非平稳信号粒子滤波时频分析算法。本方法兼顾了算法在频率缓变时的估计精度和频率突变时的动态性能,并结合一种简化的TVAR模型,通过降低估计量维度,较大幅度地改善了计算性能,满足了对非平稳信号进行在线时频分析的要求。实测数据的时频分析试验证明了本方法的优良效果。(本文来源于《测控技术》期刊2011年03期）
刘文艺,汤宝平,陈仁祥[8]（2010）在《基于最优Morlet小波和自项窗的混合时频分析方法研究》一文中研究指出提出一种基于最优Morlet小波和自项窗的混合时频分析方法。对和机械冲击信号波形相似度较高的Morlet小波进行改进,采用交叉验证法和Shannon熵方法设计了改进Morlet小波参数和小波变换尺度,对信号进行连续小波变换(CWT)以实现滤波消噪;然后,设计了自适应自项窗函数,对Wigner-Ville分布(WVD)交叉项进行移除,消除WVD交叉项的干扰。仿真和实验验证了所提出的方法可以有效地对含噪信号进行滤波消噪、并去除WVD中干扰项的影响,提高时频分析的分辨率和能量聚集性。(本文来源于《振动与冲击》期刊2010年09期）
杨丽君,孙才新,廖瑞金,汪可,周天春[9]（2010）在《采用等效时频分析及模糊聚类法识别混合局部放电源》一文中研究指出在过去几十年里,国内外开展了大量局部放电源的模式识别研究工作,但均仅能够识别单一的放电源,而对于混合放电源的识别问题,还未找到较好的解决办法。为此,提出了一种用于识别混合局部放电源的新方法,首先将放电波形经过等效时频变换构成T-F模式,来自于不同放电源的放电脉冲具有不同的放电波形特性,并将投影在T-F平面的不同区域;再结合模糊C-均值聚类算法(FCM)对T-F模式进行聚类,根据信号点隶属度实现不同放电波形特性信号的划分,从而实现混合放电信号的分离和放电源识别。结果表明,与采用多参数Weibull分布识别多放电源的方法相比,该方法具有对"脏数据"不敏感,而且能够从混合放电的相位-峰值(q-Φ)图中分离出属于各类放电的q-Φ子图,进而采用已有的特征提取和模式识别等手段做进一步的分析。应用该方法构造单一放电的特征指纹库更为可靠,而且在对实验室的混合人工缺陷模型放电信号的分离和识别中也取得了理想的效果。(本文来源于《高电压技术》期刊2010年07期）
刘盛刚,李泽仁,刘乔[10]（2009）在《基于时频分析的自混合干涉信号处理方法研究》一文中研究指出为了解决条纹计数法和相位分析法处理自混合干涉信号的不足,提出了一种基于时频分析的自混合干涉信号处理方法。采用时频分析技术获得自混合信号频率随时间的变化,利用激光与外部物体相互作用后的多普勒频移与信号频率相等的关系,非常方便地获得了外部运动物体的速度历史信息。结果表明,该方法处理自混合信号简单有效,且有较高的处理精度。(本文来源于《激光技术》期刊2009年06期）
混合时频分析论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
在地震勘探中,信号大多是非平稳的。短时傅立叶变换和小波变换是进行非平稳信号时频分析的有力工具,但它们都存在一些不足。本文通过小波变换和短时傅立叶变换的有机结合来构建一种混合时频分析方法,吸收它们的优点,弥补其不足。首先,介绍该方法的原理与实现方法,并探讨时窗大小对信号短时傅立叶时频分析的影响;然后通过模拟地震信号和随机白噪信号进行仿真测试;最后通过实际数据测试该方法,并与不同大小时窗的短时傅立叶分析作比较,证明了该方法的有效性。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
混合时频分析论文参考文献
[1].谷千伟,金炜东,余志斌.基于时频分析的高速列车转向架混合故障盲分离[J].电气应用.2015
[2].石旭亮,刘怀山.基于小波变换和短时傅里叶变换的混合时频分析方法研究[C].国家安全地球物理丛书（十）——地球物理环境与国家安全.2014
[3].刘文艺,韩继光.基于混合时频分析方法的风电机组故障诊断[J].机械科学与技术.2013
[4].任喜顺,沈越泓,高猛,沙楠.基于时频分析的混合矩阵估计方法[J].信号处理.2012
[5].王尔馥,王冬青.基于时频分析的混沌谐波线性混合信号提取算法[J].黑龙江大学工程学报.2012
[6].蔡涵鹏,贺振华,黄德济.基于混合时频分析技术的地震数据噪声压制(英文)[J].AppliedGeophysics.2011
[7].郑华,裴承鸣,秦淋.基于高斯混合模型的粒子滤波时频分析算法[J].测控技术.2011
[8].刘文艺,汤宝平,陈仁祥.基于最优Morlet小波和自项窗的混合时频分析方法研究[J].振动与冲击.2010
[9].杨丽君,孙才新,廖瑞金,汪可,周天春.采用等效时频分析及模糊聚类法识别混合局部放电源[J].高电压技术.2010
[10].刘盛刚,李泽仁,刘乔.基于时频分析的自混合干涉信号处理方法研究[J].激光技术.2009