重庆大学研究生矩阵论小论文.docxVIP

矩阵的奇异值分解在信号处理中的应用

摘要

机械工程上无论在设计、制造、运行、试验、测试等过程中，经常要处理许多变量和变量之间的关系，这些变量间常存在着线性关系，某些不是线性变量的也可以通过最小二乘法等进行拟合。对于现目前所选择的方向，接触最多的就是对外界信号的测量，当通过传感器接收到信号之后，进行FFT变换。但是还是会有一些频率相近的信号会被丧失，需要一种方法将信号在时域和频域进行分段，对需要进行分析的频率段进行有效分析。这就是基于矩阵的奇异值分解信号的方法。

关键词：微型直流电机，信号处理，奇异值分解

1前言

微型直流电机的参数包括转速，换向频率等。通过电刷的换向可以检测到一定时间内电机两端的电压出现脉冲尖峰个数，从而得到电机的换向频率[1]。但是由于电机的运转，必然存在一些振动，造成需要的信息信号失真。引起振动的原因很多，例如可能是同轴度不高，造成电机轴的转动不平衡，也可能是实验平台的水平度不够。经典的频谱分析方法对这一问题的解决效果并不是很好，提出采用奇异值分解的方法对信号进行分析[2]。

将奇异值分解应用于信号处理的关键是如何利用信号序列构造出适宜的矩阵，即如何确定矩阵的行数m和列数n，这对奇异值分解的分析效果有很大影响。奇异值的大小决定着相应分量信号的信息量，因此综合考虑所有奇异值的信息来确定矩阵结构。

其次奇异值分解别离的各分量信号是两两正交的，而且还是一种零相位别离方法，没有相位失真;同时综合考察所有奇异值的信息来确定矩阵的合理结构。在此根底上，可以比传统的FFT分析更加精确，甚至优于小波基的频谱分析。

2基于奇异值分解的信号别离原理

奇异值分解是指:对于一个实矩阵必定存在正交矩阵和正交矩阵，使得

(1)

其中或者其转置，这取决于mn还是mn，，为零矩阵，p=min(m,n)，。

将奇异值分解应用于信号处理的关键是如何利用信号序列构造出适宜的矩阵A，矩阵构造一般是通过对信号采用连续截断的方式来构造矩阵，其具体构造过程为:对于一个信号序列，取两个正整数m和n。对此序列按每次n个点连续截取m段，构造一个m行n列的矩阵A如下:

式中，且，N为采样的点数，一般是1024或者2048等2的幂次方。

仅利用式(1)还不能实现信号的别离，可将其改写成用列矢量和，表示的形式

(2)

式中，，i=1,2,3,4…p由奇异值分解理论可知之间是两两正交的，之间也是两两正交的。令，那么有。如果将的各行首尾相接，那么可以构成一个信号，它就是从原信号中别离出的一个分量，而所有构成的分量就形成了对原始信号的一个分解。

设用行矢量……表示，。而用行矢量……表示，。那么根据式(2)可得

k=1,2,3…m(3)

由于原始信号是由……首尾相接而成，可用矢量形式表示=〔，，，…，〕，而分量信号由……首尾相接而成，也可用矢量形式=〔，，…，…〕表示，那么所有分量信号的和可写为

=(+++…+,+++…+,…,+++…+)

而根据式(3)，上式的右边可改写为

=〔，，，…，〕=(4)

由式(4)可见，利用奇异值分解方法可以将原始信号表示成多个分量信号的简单线性叠加，这种简单线性叠加关系的优点是:一个分量从原信号中被别离的过程就是从原信号中被简单地减去，这种减法运将使得别离出来的各分量信号将保持它们在原信号中的相位不变，即具有零相位偏移特性，不存在相位失真。

3奇异值分解方法中矩阵结构确实定

在证明了基于连续截断信号构造矩阵的奇异值分解别离算法具有零相位偏移和正交性之后，另一个重要问题就是如何确定矩阵行列m和n，这是决定信号别离效果的另一个关键因素。在满足m2,n2的条件下，当数据长度N较大时，m和n的取法相当多，m和n的取值不同，那么信号的奇异值分解别离效果也有很大区别，因此如何选择m和n是一个关键问题。

利用奇异值分解算法别离出来的各个分量信号，其包含的信息量是彼此不同的，具体由相应奇异值的大小决定，越小，那么相应的信息量也越小，可以用下式来综合衡量各分量的信息量

〔5〕

信息量过小的分量信号实际上是没有多少意义的，根据这一结论就可以确定矩阵合理的行列:取一系列不同的行数m构造矩阵，利用相应矩阵的奇异值根据式(5)计算各分量信号的信息量，并观察它们的变化趋势，如果不管m取何值，从某一信息开始的后续信息量都趋向于零，那么说明因矩阵行数大于