论文部分内容阅读
本文主要研究了小波和神经网络在模拟电路故障诊断中的应用,另外,还讨论了Hilbert-Huang变换及其在语音去噪中的应用。所做的主要工作包括:1.实际模拟电路中含有大量的噪声,这为故障诊断带来了一定的困难,针对这种现象,对小波去噪算法进行了研究。深入讨论了Donoho和Johnstone提出的阈值去噪算法,分析了软、硬阈值函数的特点,提出了基于一种新的阈值函数的去噪算法,仿真实验的结果表明了新阈值函数的有效性。2.研究了模拟电路的输出信号各频率成份能量的变化情况和电路元器件发生故障情况的关系,提出了一种基于小波包变换的“能量-故障”诊断的新算法,克服了传统的故障诊断中需要知道电路的拓扑结构的不足。仿真实验的结果表明“能量-故障”法可以对电路故障进行分类诊断。3.提出了基于小波包预处理的神经网络模拟电路故障诊断方法的两种改进方案:最优小波包变换(OWPT)预处理和不完全小波包变换(IWPT)预处理BP神经网络算法。首先对模拟电路的响应信号用这两种方法进行预处理,然后计算预处理后信号各个频段上的归一化能量,把归一化的能量作为训练样本送给BP网络进行训练,有效减少了BP网络的输入节点和隐层节点的个数,从而减小了神经网络的规模,降低了计算的复杂度,加快了网络的训练和收敛速度。仿真实验表明这两种方法能够快速有效的对模拟电路的故障进行诊断和定位。4.将小波包分析、模糊理论和神经网络有机结合在一起,提出了一种基于小波包特征提取和模糊规则的模拟电路故障诊断的神经网络算法。计算和仿真实验结果表明该方法可以减少网络的训练规模,加快网络的收敛速度,能够为模拟电路故障诊断提供一种新的有效的方法。5.介绍了Hilbert-Huang变换的基本理论,尤其介绍了EMD分解的步骤,并对HHT变换的有关问题进行了探讨。然后把Hilbert-Huang变换用于语音信号去噪,提出了一种基于HHT变换的信号去噪方法。首先对带噪语音信号作EMD分解,得到各阶IMF分量,然后对高频的IMF分量用类似小波域去噪中的阈值方法进行处理,然后把经过阈值处理的高频IMF分量和低频的IMF进行叠加,得到重构后的信号,即去噪信号。仿真实验表明基于Hilbert-Huang变换的去噪结果优于小波软、硬阈值法的去噪结果,显示了Hilbert-Huang变换在处理非平稳信号中的优越性。