机械故障诊断读书报告.pptVIP

加性噪声消除的盲源分离算法 BSS(blind source separation)-------盲源分离是从“鸡尾酒会”问题引出的，若干人集中在一个酒会上，大家互相寒暄和交流，即使在这样嘈杂的环境中，人类神奇的耳朵也能分辨出不同的方位不同人的声音，从而选择听取自己有兴趣的声音。这不仅是因为人耳构造的作用，还需要通过人脑对接收到的音频信号进行处理，可以说是一个相当复杂的过程，这就是盲源分离思想的初衷。 在工程上，也常常会遇到类似的问题，即：从一组未知随机信号经过一未知的混合系统得到的观测信号中恢复出这些原始信号 加性噪声的典型消除方法 大部分情况下，噪声都是加性的．乘法性噪声的处理通常较困难．加性噪声的消除方法有很多，相干平均法与小波变换法是两种较有代表性的方法。 相干平均(或时域平均)法-----------可用于在强噪声背景下提取弱信号。 它通常假设真实信号为确定性信号，并假设噪声为零均值的平稳随机信号，且对每一次观测互不相关，通过将观测信号的M次记录对应相加取平均以提高信噪比。但是现实世界中过程信号通常是时变的，这与真实信号为确定性信号的假设不符。另外还需要大量的观测样本，这都极大的影响了该方法的实际应用。 小波变换法------------ 利用小波或小波包分解，可将信号分解为不同频段，从而实现信噪分离。噪声有白噪声与脉冲噪声等，对于平稳的白噪声，小波变换法通常需先定位真实信号的特征频段，以便在合适的频段进行信号提取。如果对信号的特征频段没有先验的了解，则难以进行满意的信噪分离。对于脉冲噪声，由于其所占的频段比较宽，往往需几次提取，这些都限制了小波方法在实际中的应用。 本文给出以JADE算法为核心的噪声消除算法的具体流程，并对该消噪方法进行仿真，验证其正确性。 噪声混合下的BSS模型 理想的BSS模型并未考虑到噪声环境下源信号的混合，然而，在一般情况下，安装在机器上的传感器所获得的观测信号往往受到不同程度的噪声污染，在含噪声的线性瞬时混合的模型里，未知的源信号与观测信号的关系可以描述为 y(t)=As(t）+ n(t) （1） 这里y(t)=[y1(t),y2(t),...yM(t)]T是有噪声情况下的M维随即观测向量，s(t)=[s1(t),s2(t),...,sN(t)]T是N维源信号，源信号中各分量si（t)假设为统计独立，n(t)=[n1(t),n2(t),...,nM(t)]T是M维加性观测噪声，且M≥N，A为一个未知满秩的M×N的混合矩阵。 在这种情况下，盲源分离的目的是寻找一个M×N的满秩分离矩阵B,使得估计的源信号向量中各个分量之间尽可能地独立，如图1所示，输出信号 是源信号s(t)的估计，其定义如下 =By(t)=BAs(t)+Bn(t) (2) 消噪原理 对于一个观测信号x(t)，设其中含有真正的信号s(t)和加性噪声n(t)，x(t)可以表示为 x(t)=s(t)+n(t) （3） 假设噪声成分中含有多种不同的噪声，n(t)= ，，bi为第i个 噪声的系数。则式（3）可表示为 x(t)=s(t)+ （4） 在此，若将各种不同的噪声看成信号源，显然这里的源信号的个数多于传感器观测的数目。为了达到盲源分离方法分离出噪声的目的，观测信号数应多于源数，为此，我们需要引入虚拟观测信号。将M个噪声分量n1(t)，…，nM(t)作为M个虚拟噪声观测信号，此时，式（4）所示的一维观测信号可以扩展为（M+1）维观测信号。 x(t)= = =AS(t) （5） 显然，式（5）将信号和各种噪声看成源信号，只要辨识混合矩阵A，就可以分离出真实源信号，达到噪的目的 编程仿真验证此消噪方法的正确性 考虑一调制信号用以产生数据，该信号的解析表达式为 s(t)=0.3cos(60t+0.5sin(30t))+0.2sin(240t) 信号由一基频为30Hz,调制频率为15Hz的调频调幅信号和一个频率为120Hz的正弦信号叠加而成。其时域和频域波形如图2所示。这里，选取采样频率=3000Hz，采集的数据长度为N=1000。 图2 如果