一、盲分离技术在识别生物信号中的应用（论文文献综述）
王丹妮[1]（2021）在《基于盲源分离的震后废墟生命信号识别方法研究》文中认为近年来,我国地震活动频繁,强烈的震动造成了建筑物倒塌、地面受损、山体滑坡等灾害。地震突发,有些人未能逃脱被压埋在废墟中,甚至有些被压埋人员不能被及时发现错过最佳救援机会,造成二次伤亡。在震后废墟复杂环境中,如何快速高效地识别生命体特征信号,对被困人员实施精准救援尤为重要。盲源分离技术已广泛应用于生物医学、信号处理、机械故障诊断等领域,包括脑电图信号分离、语音信号分离、齿轮故障诊断等的研究,在源信号和信号混合方式都未知的情况下,可以通过观测信号的统计特征,识别分离所需要的源信号。本文将盲源分离技术应用于震后废墟生命信号识别中,采用独立分量分析（Independent Component Analysis,ICA）算法以及快速独立分量分析（Fast Independent Component Analysis,Fast ICA）算法,处理复杂废墟环境中多源混合信号,识别分离生命特征信号。算法的优劣可从算法的收敛速度和稳定性两个方面进行评价,不同的算法直接决定了分离效果。采用盲源分离方法中的ICA算法和Fast ICA算法,研究含噪正弦信号、方波信号、锯齿信号、随机信号的信号分离效果,并在Matlab中实验验证算法的有效性。以信噪比和运行时间两个性能评价指标,对比ICA和Fast ICA两种算法信号分离效果的优劣。实验结果表明,ICA算法的信噪比平均值为2.4052d B,运行一次所用时间平均值为5.4049s,Fast ICA算法的信噪比平均值为6.2838d B,运行一次所用时间平均值为0.0223s,Fast ICA算法对信号分离效果更优。为进一步验证Fast ICA算法在震后废墟生命信号识别中的可行性,采集人声嘈杂环境、大型机械设备作业等环境中的生命特征信号,采用Fast ICA算法对不同环境信号进行识别实验与分析,使用评价指标分析分离效果,实验结果表明,Fast ICA算法的相关系数最小为0.9974,运行一次最长时间为0.1125s,验证在震后废墟救援复杂环境中,采用Fast ICA算法识别分离生命特征信号的可行性。
周鹏[2]（2021）在《基于盲源分离的悬架零部件模态参数识别研究》文中研究表明模态分析是对汽车NVH性能进行研究的重要手段,悬架零件作为重要的支撑部件,保障了车辆的安全性和舒适性,对悬架零部件进行模态分析的关键点在于如何求解模态参数,传统的模态参数识别技术往往是基于系统的输入和输出已知的情况下来求出模态参数。在一些特定的场景下,比如汽车运行工况,此时的输入参数难以测得,传统的模态识别手段不易于求解此类问题。针对于如何仅根据输出来识别模态参数这一问题,本文围绕基于盲源分离算法的模态参数识别开展了理论和实验研究。本文在深入分析了盲源分离基本理论的基础上,研究了盲源分离算法中适用于振动信号分离的三个经典的算法,包括Fast ICA算法、JADE算法、SOBI算法。使用这三个经典算法对三个振动相关的混合信号进行分离研究,除了排列顺序和幅值与源信号不同,得到的分离信号与源信号的波形一样。分析了盲源分离算法模型和振动响应模型,对于模态展开式和盲分离算法进行对比,经过理论分析得到盲分离算法可以应用于模态参数识别。建立三自由度振动系统离散模型,考虑阻尼、噪声、激励形式等因素的影响,分别利用上述三个经典盲源分离算法对三自由度系统的位移输出信号进行分离并识别其模态参数。考虑不同情形（系统阻尼大小不同、输出添加不同信噪比的白噪声信号、激励形式为随机振动形式）下三个盲源分离算法求解模态参数的鲁棒性和准确性。搭建基于盲源分离算法模态参数识别平台,并基于该平台进行悬架上连杆在自由振动和随机振动条件下的模态参数识别研究。以传统模态试验求解的模态参数值作为盲源分离算法识别参数的参考标准,对基于盲源分离算法的上连杆模态参数识别结果的准确性和可靠性进行验证。
常泽轩[3]（2020）在《基于深度学习的调制信号盲分离算法研究》文中认为盲信号分离技术一直是现代信号处理领域的主要组成之一。传统的盲分离研究主要集中在语音、图像、生物医学等信号的处理上,相应的盲分离算法不能直接适用于调制信号。目前盲分离算法大多是在源信号数目已知的条件下实现的,而在实际中源信号数目通常是未知的,因此在盲分离前需要先对信源数进行估计。随着计算机性能的快速提高,深度学习技术被成功地应用在通信、图像、语音等领域。基于深度学习对大数据中特征信息的自动提取能力,本文将深度学习的方法应用于信源数估计与调制信号盲分离等方面,所作研究内容归纳如下:1)由于当前深度学习架构以及优化算法存在不能有效地学习复数基带信号特征信息的问题,本文建立了一种三维卷积神经网络架构,来实现对复数基带信号的特征学习。该架构利用三维卷积层综合学习输入的多路复数信号的实部和虚部特征信息,根据运算规则重构获得输出,完成了对多路复数映射的学习。相较于目前其他的解决方法,该架构实现简单,能够有效实现对复数映射的学习,还避免了激活函数、优化算法等在复数域不能获得理论支撑的问题。2)分析了信源数估计的传统方法,设计了一种由三维卷积神经网络架构和全连接层串联构成的卷积神经网络。本文通过仿真实验对该方法进行了研究分析,将本文方法和经典信源数估计方法进行对比。最终结果显示,在受到噪声干扰时,本文方法可以对混合信号实现有效的信源数估计,且性能较经典方法有显着提高,在低信噪比情况下同样可以实现较高准确率。3)设计了一种基于深度学习的调制信号盲分离方法,采用三维卷积神经网络架构的方式构建卷积神经网络。本文讨论了该方法在基带信号和带通信号下分离的性能,以及不同的载频和调制方式对该方法分离性能的影响,对比了常用盲分离算法在盲分离任务上的性能表现。实验结果证明,本文方法可以对线性瞬时混合模型的调制信号实现盲分离,且解决了分离信号的排列顺序不确定性问题。4)为了论证本文提出的方法在实际应用中具有可行性,本文通过组建实验平台采集所需数据,最后进行了实验验证。实验结果表明,本文提出的方法在实际应用中能够达到调制信号盲分离的需求。因为在实际应用中受到的干扰因素较多,其分离性能相较于仿真实验略低。
左兴喜[4]（2020）在《变压器局部放电多目标定位方法的研究》文中研究说明电力变压器是电力网络的重要组成部分,其运行的状态关乎着整个电力系统的安全与稳定。在变压器的故障统计中,绝缘材料的损坏占据了较大的比重,而影响绝缘状况的主要因素就是局部放电。在变压器的长期运行过程中,局部放电不可避免会发生,而局部放电的位置对评估绝缘性能的影响很大。因此对局部放电进行定位研究具有重要意义。变压器发生局部放电时会产生超声波与超高频信号,本论文根据这一特点将局部放电点视为这两种信号的发射源,对其距离和方位进行计算与估计,最终确定出放电点的具体位置。本文主要的内容如下:（1）介绍本文的研究背景和意义,通过局部放电定位中的主要方法来介绍国内外的研究现状,并分析了这些方法中的优缺点。（2）介绍变压器局部放电的产生、危害以及分类,并概述了阵列信号处理技术,对其中的波达方向估计做了详细的介绍,且依据本文的需求,分析了L形和平面形传感器的方向矩阵。（3）分析局部放电单通道去噪和多通道去噪的区别,采用CFastICA算法对阵列信号进行去噪,有利于保留阵列信号中的相位差信息以及应对其中的复数矩阵,仿真结果表明去噪后的波形基本上恢复了超声信号的波形特征,并采用波形相似系数、波形变化趋势系数以及阵列流型相角差对去噪性能进行评价,表明去噪效果较好。（4）阐述经典MUSIC的原理以及其改进方案,将改进的MUSIC算法用于窄带信号测向中,仿真结果表明测向效果有了明显的改善,能够有效分辨出相干信号;由于局部放电时发出的超声波信号是一个宽带信号,因此在测向之前,采用TCT聚焦算法将信号聚焦到一个参考频率上,然后再用改进MUSIC算法对信号进行测向,并做仿真验证,结果表明该方法能够有效的测出宽带信号的方位信息,最终的测向误差基本在1°2°之间。（5）介绍窄带和宽带信号源的个数识别方法,并利用超高频信号和超声波信号的时延计算出距离信息,结合方位信息实现对局放源的定位,定位误差在4cm以内。
谷之韬[5]（2019）在《基于多普勒雷达传感的多运动目标盲分离研究》文中研究表明近年来人们对身体健康和居家安全的需求日益增长,生命信号监测和多运动目标探测领域受到越来越多的关注。但目前使用图像传感器的探测方法在障碍物较多的复杂环境下易被遮挡,且图像数据量大、算法处理较为复杂。随着射频集成电路的快速发展,拥有结构简单、功耗低、障碍穿透性好等优点的小型化多普勒雷达传感器,在民用无线探测领域已经得到广泛的应用。然而,传统的连续波多普勒雷达只能探测单一反射物,在缺少先验信息的情况下,如何进行多运动目标的盲分离探测仍是一个极具挑战的难题。基于多普勒雷达传感技术,本文对多运动目标的盲分离问题进行了较为全面和深入的研究。首先,分析了连续波多普勒雷达探测和盲分离技术的原理,并设计实现了基于数字低中频构架的SIMO连续波多普勒雷达传感系统和分布式MIMO微多普勒传感器。然后,本文提出了一种称为two-step的两步分离算法,即先运用独立成分分析对复数形式的基带信号进行盲分离,随后用线性相位解调技术恢复出各目标的运动信息。接下来,本文对不同幅度、频率、相位和运动类型的多目标一维运动进行了探测,实验结果和误差分析表明:在室内环境下,该方法能成功分离三角波、正弦、随机运动,并能精确恢复出随机晃动干扰下的手势运动轨迹。最后,本文将多目标一维运动的盲分离方法拓展到多维运动探测领域。通过相关系数匹配算法对two-step算法分离出的一维运动数据进行排序,再进行向量合成从而恢复出多维运动轨迹。通过模拟环境实验,初步验证了该方法在解决多目标多维运动盲分离问题时的有效性。以上研究解决了传统连续波多普勒雷达难以探测多运动目标的缺陷,展现了该方法在多运动目标追踪和室内定位方面的巨大发展潜力。
解元[6]（2019）在《欠定卷积盲分离算法及其在音频信号处理中的研究》文中研究说明盲分离是信号处理中的研究热点,它在无线网络通信、音频信号处理、生物信号处理、脑电信号处理、以及图像处理中得到广泛的应用。因此,吸引了越来越多的科研工作者的注意。近二十年来,盲分离领域得到了快速的发展,取得了一系列的重大突破。但是,仍然存在许多有待解决的关键性问题,其中包括（1）欠定线性混叠模型下的源信号盲分离问题;（2）欠定卷积混叠模型下的混叠矩阵估计问题和源信号盲分离问题;（3）时频域算法中的尺度不确定性和排序歧义性问题:（4）源信号数目估计以及有效信道阶次检测问题。本文主要根据以上几个问题做出以下工作:首先,针对欠定线性混叠模型,我们提出了一种结合张量分解和非负矩阵分解的源信号盲分离算法。该算法先利用张量分解估计混叠矩阵,并利用源信号谱密度模型的非负矩阵分解估计得到源信号谱因子。然后,通过一系列循环迭代来更新模型参数。同时,利用估计的模型参数构造维纳滤波器对源信号的空间图像进行估计。以此得到频域上的源信号。最后,利用短时傅立叶变换的逆运算得到时域上的源信号。其次,针对欠定卷积混叠模型,我们利用张量因式分解模型的代数结构和期望最大化方法,提出了一种新的时频域算法。由于张量因式分解具有估计欠定卷积混叠情况下信号通道的优点,而期望最大化方法有助于更快地收敛到所需解,并具有更好的源分离性能。在该算法中,首先采用张量分解法估计混叠矩阵,然后采用置换对齐算法处理置换排序问题。然后,利用期望最大化方法对模型参数进行实时更新,以提高源分离性能。同时,利用估计的模型参数构造维纳滤波器,得到源信号的空间图像。最后,通过短时傅立叶变换的逆运算得到时域源信号。然后,在许多传统的盲分离算法中,源信号的估计都是在频域中进行的,容易出现尺度不确定性和排序歧义性问题,从而导致盲分离效果差。另外,在传统的期望最大化算法中,最关键的问题之一是在每个迭代步骤更新模型参数时是比较耗时的。因此,我们提出了一种改进的期望最大化算法。该算法将非负矩阵分解和时差估计相结合,通过合理选择期望最大化算法的初始值,避免了时间消耗,降低了计算复杂度。该算法利用非负矩阵分解源模型避免了排列模糊问题,通过对到达时差的估计进行转换,实现了声音源的定位。然后对模型参数进行更新,得到较好的分离效果。最后,使用维纳滤波器分离源信号。最后,源信号数目的估计是欠定卷积混叠盲分离中的一项重要任务,而且有效的信道阶次的检测也是一个极具挑战性的问题。为了解决这两个问题,经典的方法是基于信息论准则。然而,在欠定情况下,源信号的数目容易被低估或者高估。为了弥补这一不足,本文提出了两种基于高阶张量的信号数目估计算法。首先,提出了一种改进的源信号数目估计算法。通过将高阶张量展开成矩阵,计算矩阵的特征值,再利用所得矩阵的特征值来估计源信号数目。此外,我们还利用高阶累积张量来检测有效信道阶次,并得到卷积混叠模型中源信号数目与有效信道阶次之间的数学关系式。概括来说,本文主要研究了欠定线性混叠和欠定卷积混叠情况下的源信号盲分离问题。并对时频域算法中出现的尺度不确定性和排序歧义性问题进行了分析研究,提出了一种改进的时频域算法。最后,对源信号数目估计问题进行研究,确定了源信号数目与有效信道阶次之间的数学关系式。在论文的最后,对本文的研究创新点以及主要成果进行了阐述。同时,对未来的工作进行了展望。
高俊文[7]（2016）在《面向机械故障诊断应用的盲分离技术研究》文中指出机械设备故障诊断技术对设备运行安全、效率有重要意义。运用工作声音进行故障诊断,已变成机械故障诊断领域发展的重要方向。机械设备运行发生异常时,会产生多种声音信号。借助信号处理方法将各种声音信号分离出来,将其转变为独立的信号源而提取故障信息,从而能对机械故障进行精确诊断。盲分离技术能够在噪声环境下和多声源混叠情况下对源信号进行分离和识别,为噪声背景下机械设备状态检测和故障诊断提供解决方案。因此,本文基于常见的两类盲分离问题:正定盲分离和欠定盲分离,分别提出了基于神经网络的线性盲分离算法和基于最小二乘法的欠定盲分离算法,并对其有效性展开机械系统的故障诊断验证。全文主要研究内容如下:（1）基于神经网络的线性盲分离算法提出了自适应和小脑模型两种线性神经网络的盲分离算法（SALNN-BSS和CMAC-BSS）;分别建立了结构模型和求解算法;对仿真混叠信号的性能系数进行对比,结果表明:在分离效果方面,SALNN-BSS和CMAC-BSS都能对混叠信号进行良好的分离,恢复的源信号波形良好,但CMAC-BSS分离误差更小,对信号的分离更为迅速,稳定误差更小,更加适合用于盲分离故障识别。（2）基于最小二乘法的欠定盲分离算法将最小二乘法和欠定盲分离技术特点相结合,提出了基于最小二乘法欠定盲分离算法（LSM-UBSS）,确定了该算法的操作步骤。通过推导分析,从理论上证明了该算法解的唯一性,采用该算法分别分离稀疏和非稀疏语音混叠信号,构建了它们的混叠模型和混叠矩阵。比较了源信号和分离信号的信噪比,结果表明该算法无论是在稀疏还是非稀疏语音混叠信号分离方面都十分有效。（3）冰蓄冷陈列柜故障信号的盲分离技术应用基于冰蓄冷陈列柜原理和常见故障,搭建了陈列柜的故障诊断实验系统,完成了电路设计和触摸屏控制界面等的设计。采用该系统对陈列柜的轴流风叶故障、轴流风叶和水泵同时故障进行了诊断;对比SALNN-BSS和CMAC-BSS算法对相关故障信号的分离能力,结果表明:CMAC-BSS恢复源信号精度更高,识别故障效果更佳,识别故障实时性更好。（4）发动机噪声信号的盲分离技术应用搭建了发动机噪声测试实验平台,测试出发动机运行时的多种声音信号;采用传统最大熵盲分离算法（ME-BSS）和CMAC-BSS两种分离算法分别对发动机噪声和外界的干扰噪声进行分离,实验结果表明CMAC-BSS分离效果比ME-BSS好,可以把发动机噪声和外界噪声很好地分离出来。同时用CMAC-BSS对发动机异响故障进行了诊断,结果表明CMAC-BSS可以从中获得发动机运行过程中的故障信号。（5）救生舱CO2空调故障信号的欠定盲分离技术应用分析了矿井救生舱重要组成CO2空调系统常见故障信号（振动信号和噪声信号）的特点,设计并搭建了故障信号测试平台。采用LSM-UBSS,分别对已知和未知故障数目情形下的系统故障信号进行分离,探讨了分离误差。结果表明:LSM-UBSS在已经知道故障数目的情况下,能诊断CO2空调系统故障;在未知故障数目的情况下,预先使用减法聚类估计混叠矩阵,再用LSM-UBSS算法,也能有效识别出故障源信号的数目,有效恢复故障源信号。
王俊锋[8]（2014）在《齿轮和轴承的故障诊断技术研究》文中研究说明随着科学技术与生产的发展，机械设备日趋大型化、集成化、自动化、高速化和智能化，设备运行的可靠性和安全性越来越重要。齿轮和滚动轴承作为机械传动的主要部件，其重要性不言而喻。但是由于齿轮和滚动轴承经常要求在高速、重载、特殊介质等恶劣环境下工作，且本身结构复杂，容易受到损伤和出现故障。因此，采用先进的故障诊断技术对齿轮和滚动轴承进行状态监测与故障诊断显得尤为重要。在机械故障诊断过程中，故障特征信息提取和识别的方法非常关键。本文利用高阶统计量分析、半盲信号分离技术和排列熵算法，对机械传动系统中齿轮和滚动轴承的典型故障进行分析研究。主要研究内容如下：（1）研究了利用高阶统计量对齿轮和滚动轴承运行状态的特征进行分类的方法。通过基于包络分析和高阶统计量的状态特征提取方法，成功地将齿轮和滚动轴承不同的运行状态进行了分离。并且分析了高阶统计量随转速的变化，结果显示在较大转速范围内该方法可以将滚动轴承的各运行状态进行分离。（2）在介绍半盲信号分离原理和主要算法的基础上，首先进行了仿真研究，利用不同类型的参考信号对目标信号进行提取，并分析和比较了提取的结果。然后，用第一类参考信号分别对滚动轴承外圈、内圈和滚动体故障进行了提取，提取结果能够清晰地反映出故障特征信息。最后研究了滚动轴承混合故障的提取，提取结果可以充分地体现出故障特征。（3）在研究排列熵原理的基础上，通过数值仿真验证了排列熵检测突变信号的有效性，并利用排列熵检测齿轮和滚动轴承故障信号中的突变。然后基于排列熵算法，提出了排列熵谱和二次排列熵谱这两种新方法，用于提取微弱的周期突变信号，并通过数值仿真验证了新方法的检测效果。结果显示，相比于单一的排列熵，这些方法能够更加有效地提取出周期突变信号。尤其是二次排列熵谱，能够提取到非常微弱的周期信号，为突变信号的提取提供了新思路。最后，对全文所做的工作进行了总结，并对今后的研究工作做出了展望。
陈晨[9]（2013）在《基于BSS的单路与多路RFID混合信号的防碰撞技术》文中指出随着射频识别（RFID）技术的快速发展，以及超高频射频识别技术的发展，我们对射频识别技术中防碰撞技术的要求越来越高，其中盲信号处理技术（BSS）是近期射频识别技术的研究热点。实际中RFID信号一般不会单独地出现，或多或少都会带有一些与本信号无关的干扰信号，需要从这些带有干扰信号的混叠信号中找出射频源信号，并且在不清楚干扰信号个数以及混叠方式的情况下进行识别，这就是本文所要研究的RFID混合信号的欠定盲分离技术。本文分析了RFID的信号混合模型，得出射频识别信号之间具有统计独立性，幅度和极性上的不敏感性，以及射频识别信号对排列顺序要求的不敏感性。综合起来，射频识别多标签信号满足盲分离算法的两个不确定性的要求，因此可以利用独立成分分析算法来处理射频识别的混合信号。在此基础上做了两个实验：适定射频识别基带信号混合的盲分离和适定射频识别调制信号混合的盲分离，并讨论其分离性能，发现相似系数无限接近为1，这说明独立成分分析算法可以利用到射频识别混合信号的盲分离中。本文重点研究了单路RFID混合信号的欠定盲分离方法。首先给出单路射频识别混合信号的欠定盲分离数学模型，讨论基于经验模态分层（EMD）和基于小波包的分层技术，分析独立子波函数提取方法以及独立子波函数个数的判定方法。然后提出了基于独立子波函数的单路RFID混合信号的欠定盲分离方法。通过仿真实验进一步对RFID混合信号的物理特性进行分析，讨论了频差对分离效果的影响，比较了基于EMD和小波包两种分层技术的欠定盲分离效果。本文的研究结果表明，BSS应用于单路与多路RFID混合信号的防碰撞是一种行之有效的方法，将欠定盲分离技术运用到RFID中，可以有效减少电子标签识别系统中的天线个数，实现RFID防碰撞可靠性提高和经济成本降低的目的。
刘海宁[10]（2011）在《基于稀疏编码的设备状态识别及其重型轧辊磨床监测应用》文中进行了进一步梳理设备在服役期间内的安全性、可靠性与可维护性是目前我国装备制造业亟需解决的一个重要课题。通过监测设备状态并实施基于状态的维护是解决该问题的有效手段,因此设备状态的可监测成为装备制造企业在提高产品的设计与制造品质的同时,进一步增强产品高技术附加值的重要方面。对于以重型数控轧辊磨床为代表的一些大型基础制造装备来说,其状态监测的必要性更为明显,但同时也面临着更多挑战:磨削加工条件下监测信号的工况干扰;低转速条件下连续长时间采样信号中设备状态信息的提取;基于特征设备状态识别的固有弊端等等。为了解决重型数控轧辊磨床特殊的机械结构和工况特点对其状态监测带来的诸多问题,本文从理论方法、实验验证、技术集成等方面做了深入的研究和探索,具体包括以下方面:1.针对设备状态信息的有效提取问题,借鉴生物感知系统“冗余度压缩”的信息处理原则,基于稀疏编码方法分析振动信号,并借助其计算特性提出了自适应的特征提取框架。在该框架下的特征提取分为两个步骤:首先从每一类设备状态下的样本信号中学习出一个子字典,进一步融合多个子字典构造出设备状态冗余字典;然后基于该冗余字典求解监测信号的稀疏表示,并从中提取出稀疏特征。构造设备状态冗余字典的目的是为了积累对不同设备状态的先验知识,从而使得提取的稀疏特征成为量化某一设备状态存在的指标。基于标准轴承振动数据集的验证表明,所提取的稀疏特征具有良好的可分性,并且所构造的轴承状态冗余字典对载荷变化后的振动信号仍保持较好的适应性。2.基于特征的设备状态识别方法存在“不可避免的误诊断”、“依赖历史监测数据建立其诊断能力”的固有弊端。本文针对“不可避免的误诊断”问题结合稀疏特征与自组织映射型神经网络提出了可视化的设备状态识别模型。该模型借助于自组织映射型神经网络的无监督聚类分析能力与数据可视化能力将基于稀疏特征的设备状态空间在一个二维平面上显示,从而构造出一个设备状态的分布图;设备维护人员能够根据监测信号在该分布图上的映射结果自行判断设备状态,并能够对有歧义的映射结果采取审慎的态度。此外,借助于自组织映射型神经网络的异常检测能力,通过建立该模型的更新机制使得在设备状态监测过程中能够基于监测数据不断改进其状态识别能力。3.针对磨削加工条件下监测信号的干扰问题,研究了基于稀疏成分分析的信号盲分离技术;并提出了基于匹配追踪的单通道振动信号盲分离方法:依据振动信号分离的一个基本原则,将盲源分离问题弱化为更为实际且有益于设备状态识别的周期性、非平稳以及平稳信号成分的盲“成分”分离问题,基于匹配追踪算法将监测信号在一个由Gabor基函数与小波包基函数构成的超完备字典上投影,从而实现三种信号成分的分离。实验证明,该方法不仅能够有效捕捉早期设备故障时的微弱瞬态振动信号,并且可以根据基函数激活分布的聚类结构实现对非平稳信号成分的进一步分离。4.针对重型数控轧辊磨床的状态监测需求,设计了其状态监测系统的总体架构,并对上述理论方法研究进行了应用。首先,从有助于系统内部设备状态信息流通及信息处理能力改进的角度建立了现场诊断仪与远程监控相结合的系统总体架构;通过对传感与数据采集方案的实施采集了磨床在空载条件下的振动数据,并跟踪采集了磨削加工条件下的振动数据;通过数据分析确定了磨削加工条件下的三种振动类型:齿轮啮合振动、顶尖相对滑动和磨削颤振,并建立基于稀疏性的状态识别模型;在技术集成应用上,通过对规范系统的数据与应用接口保证了系统的可扩展性,并通过建立状态识别模型的更新机制使其诊断能力能够随着设备状态与监测数据的丰富而得以改进。通过对上述理论方法与技术规范的集成应用实现了重型数控轧辊磨床的状态监测原型系统。实际应用中,所建立的基于稀疏性的状态识别模型有效地检测出了由于磨床头尾架顶尖不对中而引起的顶尖滑动增多的情况,而对于磨削颤振的识别使得现场的磨床操作人员能够及时调整加工参数,保证加工质量。
二、盲分离技术在识别生物信号中的应用（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：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（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。
三、盲分离技术在识别生物信号中的应用（论文提纲范文）
（1）基于盲源分离的震后废墟生命信号识别方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.3 课题研究内容 |
| 第二章 盲源分离基本理论 |
| 2.1 盲源分离模型 |
| 2.2 概率与数理统计论相关知识 |
| 2.3 信息论的基础知识 |
| 2.4 本章小结 |
| 第三章 独立分量分析算法 |
| 3.1 信号的预处理 |
| 3.2 ICA算法 |
| 3.3 FastICA算法 |
| 3.4 ICA算法与FastICA算法性能比较 |
| 3.5 本章小结 |
| 第四章 基于LabVIEW的生命信号识别分析系统设计 |
| 4.1 信号采集模块设计 |
| 4.2 实时信号采集实验 |
| 4.3 本章小结 |
| 第五章 基于FastICA算法的生命信号识别实验与分析 |
| 5.1 生命体信号识别实验与分析 |
| 5.2 单一环境生命信号识别实验与分析 |
| 5.3 复杂环境生命信号识别实验与分析 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（2）基于盲源分离的悬架零部件模态参数识别研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题背景及研究的目的和意义 |
| 1.2 国内外研究现状与发展趋势 |
| 1.2.1 基于输出的模态参数识别的应用和发展 |
| 1.2.2 基于盲源分离算法的应用和发展 |
| 1.3 本文主要研究内容 |
| 第2章 盲源分离的基本理论和方法分析 |
| 2.1 盲源分离算法的数学模型 |
| 2.1.1 线性瞬时混合模型 |
| 2.1.2 盲源分离问题的基本假设以及盲源分离问题的不确定性 |
| 2.1.3 盲源分离算法中对于采集信号的预处理 |
| 2.2 盲源分离的典型算法与算例仿真 |
| 2.2.1 基于负熵的盲源分离算法(Fast ICA) |
| 2.2.2 基于联合近似对角化的JADE算法 |
| 2.2.3 二阶盲辨识算法(SOBI) |
| 2.3 本章小结 |
| 第3章 基于盲源分离的模态参数识别与仿真分析 |
| 3.1 振动响应模型和盲源分离模型的关系 |
| 3.2 利用盲源分离算法识别模态参数的流程 |
| 3.3 多自由度系统仿真算例分析 |
| 3.3.1 基于快速独立分量分析(Fast ICA)的模态参数识别 |
| 3.3.2 基于JADE算法的模态参数识别 |
| 3.3.3 基于二阶盲辨识(SOBI)算法的模态参数识别 |
| 3.4 本章小结 |
| 第4章 基于盲源分离的悬架零部件模态参数识别 |
| 4.1 实验以及算法运行平台设计与介绍 |
| 4.1.1 硬件系统 |
| 4.1.2 软件系统 |
| 4.1.3 平台搭建 |
| 4.1.4 基于该平台的实验简介 |
| 4.2 自由振动条件下的上连杆模态参数识别与验证 |
| 4.2.1 传统模态实验 |
| 4.2.2 盲源分离实验 |
| 4.3 随机振动条件下的上连杆模态参数识别与验证 |
| 4.3.1 传统模态实验 |
| 4.3.2 盲源分离实验 |
| 4.4 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间承担的科研任务与主要成果 |
| 致谢 |
（3）基于深度学习的调制信号盲分离算法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外发展现状 |
| 1.2.1 信号盲分离 |
| 1.2.2 信源数估计 |
| 1.3 论文主要工作及结构 |
| 第二章 盲分离基础理论以及深度学习基础概论 |
| 2.1 盲分离基础理论 |
| 2.1.1 盲分离的基本模型 |
| 2.1.2 常用盲分离算法 |
| 2.2 神经网络概述 |
| 2.2.1 神经网络基本概念 |
| 2.2.2 神经网络关键技术 |
| 2.2.3 卷积神经网络 |
| 2.3 基于深度学习的调制信号盲分离总体方案 |
| 2.4 本章小结 |
| 第三章 基于三维卷积神经网络的信源数估计 |
| 3.1 经典信源数估计算法 |
| 3.1.1 基于信息论准则的算法 |
| 3.1.2 基于盖尔圆准则的算法 |
| 3.2 三维卷积神经网络架构与复数卷积 |
| 3.2.1 卷积层对复数卷积存在的问题 |
| 3.2.2 三维卷积神经网络架构 |
| 3.3 基于三维卷积神经网络架构的信源数估计研究 |
| 3.4 仿真实验结果与分析 |
| 3.5 本章小节 |
| 第四章 基于深度学习的盲分离研究 |
| 4.1 基于深度学习的调制信号盲分离 |
| 4.1.1 调制信号盲分离 |
| 4.1.2 基于卷积神经网络的调制信号盲分离网络设计 |
| 4.2 实验设计 |
| 4.2.1 调制信号训练集生成 |
| 4.2.2 参数设置 |
| 4.2.3 评价指标 |
| 4.3 仿真实验结果与分析 |
| 4.3.1 基带调制信号分离 |
| 4.3.2 带通调制信号分离 |
| 4.4 本章小结 |
| 第五章 实际通信环境下的实验与测试 |
| 5.1 实验所需的硬件与软件 |
| 5.1.1 实验平台组成 |
| 5.1.2 深度学习开发平台 |
| 5.2 信源数估计算法的验证 |
| 5.3 调制信号盲分离算法的验证 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 致谢 |
| 参考文献 |
| 附录 |
| 攻读硕士学位期间取得的成果 |
（4）变压器局部放电多目标定位方法的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景和意义 |
| 1.2 局部放电定位方法研究现状 |
| 1.2.1 电气定位法 |
| 1.2.2 超声波定位法 |
| 1.2.3 超高频定位法 |
| 1.2.4 红外检测法 |
| 1.3 本文研究内容及结构 |
| 1.3.1 主要研究内容 |
| 1.3.2 结构安排 |
| 2 变压器局部放电机理与阵列结构 |
| 2.1 局部放电的产生与危害 |
| 2.2 局部放电的分类 |
| 2.3 阵列信号处理技术 |
| 2.3.1 阵列信号处理概述 |
| 2.3.2 波达方向估计 |
| 2.4 阵列传感器 |
| 2.5 本章小结 |
| 3 局部放电超声阵列信号去噪 |
| 3.1 局部放电信号的去噪方法 |
| 3.1.1 单通道局部放电超声信号的去噪方法 |
| 3.1.2 局部放电超声阵列信号的去噪方法 |
| 3.2 局部放电超声信号的性能评价 |
| 3.2.1 基于波形相似系数的评价方法 |
| 3.2.2 基于波形振荡的评价方法 |
| 3.2.3 基于阵列流型相位差畸变的评价方法 |
| 3.3 基于独立分量分析的局部放电超声阵列信号去噪方法 |
| 3.3.1 独立分量分析的基本理论 |
| 3.3.2 复数域的盲分离算法 |
| 3.3.3 CFastICA算法原理 |
| 3.3.4 局部放电超声阵列信号去噪仿真研究 |
| 3.4 本章小结 |
| 4 局部放电超声阵列信号测向研究 |
| 4.1 多重信号分类(MUSIC)算法 |
| 4.2 MUSIC算法原理 |
| 4.2.1 经典MUSIC算法 |
| 4.2.2 改进MUSIC算法 |
| 4.3 MUSIC算法测向仿真 |
| 4.4 宽带局放超声阵列信号测向 |
| 4.4.1 宽带信号的概念 |
| 4.4.2 局部放电的信号频率 |
| 4.4.3 聚焦算法分类 |
| 4.4.4 TCT算法原理 |
| 4.4.5 宽带测向仿真 |
| 4.5 本章小结 |
| 5 局部放电定位仿真研究 |
| 5.1 局放源的个数辨识方法 |
| 5.1.1 窄带信号源数辨识法 |
| 5.1.2 宽带信号源数辨识法 |
| 5.2 局部放电定位 |
| 5.2.1 单局部放电源的仿真 |
| 5.2.2 多局部放电源的仿真 |
| 5.3 本章小结 |
| 6 总结与展望 |
| 6.1 论文总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 个人简历、在学期间发表的学术论文及取得的研究成果 |
（5）基于多普勒雷达传感的多运动目标盲分离研究（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 雷达技术发展 |
| 1.2.2 鸡尾酒会效应 |
| 1.3 主要研究贡献及创新点 |
| 1.4 论文章节安排 |
| 2 基本理论 |
| 2.1 独立成分分析 |
| 2.1.1 模型假设条件 |
| 2.1.2 排序不确定性 |
| 2.1.3 幅值(能量)不确定性 |
| 2.2 连续波多普勒雷达探测原理 |
| 2.2.1 直流偏置和正交不平衡问题 |
| 2.2.2 相位解调算法 |
| 2.2.3 双频副载波技术 |
| 2.3 本章小结 |
| 3 系统构架及其实现 |
| 3.1 SIMO连续波多普勒雷达传感系统 |
| 3.1.1 收发天线 |
| 3.1.2 发射机模块 |
| 3.1.3 接收机模块 |
| 3.1.4 时钟同步模块 |
| 3.1.5 主控制模块 |
| 3.1.6 发射功率与天线性能测试 |
| 3.2 分布式MIMO微多普勒雷达传感器 |
| 3.2.1 数字基带 |
| 3.2.2 MCU控制 |
| 3.2.3 天线设计 |
| 3.2.4 噪声性能测试 |
| 3.3 本章小结 |
| 4 一维运动盲分离 |
| 4.1 算法理论 |
| 4.1.1 正问题描述 |
| 4.1.2 PSNR独立成分分析算法 |
| 4.1.3 线性相位恢复算法 |
| 4.2 模拟环境实验验证 |
| 4.2.1 相同类型周期运动的盲分离实验 |
| 4.2.2 不同类型周期运动的盲分离实验 |
| 4.2.3 非周期随机运动盲分离实验 |
| 4.2.4 误差与计算复杂度分析 |
| 4.3 人体手势运动检测 |
| 4.3.1 点击与呼吸干扰运动实验 |
| 4.3.2 点击与随机运动干扰检测 |
| 4.4 本章小结 |
| 5 多维运动盲分离 |
| 5.1 算法理论 |
| 5.1.1 二维定位算法 |
| 5.1.2 相关系数匹配算法 |
| 5.2 模拟环境实验测试 |
| 5.3 本章小结 |
| 6 结束语 |
| 6.1 全文总结 |
| 6.2 未来工作展望 |
| 参考文献 |
| 攻读博士学位期间的研究成果 |
（6）欠定卷积盲分离算法及其在音频信号处理中的研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 盲分离的研究现状 |
| 1.2.1 独立元分析 |
| 1.2.2 稀疏元分析 |
| 1.2.3 卷积盲分离 |
| 1.3 存在的问题以及对未来工作的展望 |
| 1.4 本文的主要研究内容及章节安排 |
| 1.5 本文相关数学符号说明 |
| 第二章 基于张量分解与非负矩阵分解相结合的欠定盲源分离算法 |
| 2.1 引言 |
| 2.2 模型与算法流程 |
| 2.2.1 线性混叠模型 |
| 2.2.2 源信号模型 |
| 2.2.3 算法流程 |
| 2.3 提出的优化算法 |
| 2.3.1 混叠矩阵估计 |
| 2.3.2 常规的源信号分离算法 |
| 2.3.3 优化的期望最大化算法 |
| 2.3.4 卷积混叠模型 |
| 2.4 仿真实验 |
| 2.4.1 数据集 |
| 2.4.2 源信号分离的评估准则 |
| 2.4.3 算法参数 |
| 2.4.4 实验结果 |
| 2.4.5 算法运行时间对比 |
| 2.5 本章小结 |
| 第三章 基于张量分解和期望最大化的欠定卷积盲源分离算法 |
| 3.1 引言 |
| 3.2 问题的陈述和算法的流程 |
| 3.2.1 欠定卷积混叠模型 |
| 3.2.2 算法流程图 |
| 3.3 所提欠定卷积盲分离算法 |
| 3.3.1 混叠通道的估计 |
| 3.3.2 非负矩阵分解源信号模型 |
| 3.3.3 优化的期望最大化算法 |
| 3.4 仿真实验 |
| 3.4.1 实验背景和评价性能准则 |
| 3.4.2 盲分离性能与混响时间的关系 |
| 3.4.3 盲分离性能对比源与麦克风间距 |
| 3.4.4 语音信号混叠SiSEC 2008测试数据集的盲分离结果 |
| 3.4.5 音乐信号混叠SiSEC 2008测试数据集的盲分离结果 |
| 3.4.6 来自SiSEC 2011和SiSEC 2013现场记录混叠数据集的盲分离结果 |
| 3.4.7 鲁棒性和计算复杂性的研究 |
| 3.5 本章小结 |
| 第四章 基于改进的期望最大化欠定混响音频源分离算法 |
| 4.1 引言 |
| 4.2 混叠信号的数学模型 |
| 4.3 改进的期望最大化算法 |
| 4.4 仿真实验及结果分析 |
| 4.4.1 性能评价准则 |
| 4.4.2 仿真实验参数设 |
| 4.4.3 仿真实验结果 |
| 4.5 本章小节 |
| 第五章 基于高阶张量的源信号数目估计和有效信道阶次检测算法 |
| 5.1 引言 |
| 5.2 问题的陈述 |
| 5.2.1 数学模型 |
| 5.2.2 算法概述 |
| 5.2.2 数学符号 |
| 5.3 改进的源信号数目估计算法 |
| 5.4 有效信道阶次检测 |
| 5.5 仿真实验 |
| 5.5.1 超定情况下的源信号数目估计 |
| 5.5.2 欠定情况下的源信号数目估计 |
| 5.5.3 卷积混叠模型的有效信道阶次检测 |
| 5.5.4 实验结果分析 |
| 5.6 本章小结 |
| 总结 |
| 参考文献 |
| 攻读博士学位期间发表或完成的论文 |
| 攻读博士学位期间获得的奖励和参与的项目 |
| 致谢 |
| 附录 |
| 附录 1 |
| 附录 2 |
（7）面向机械故障诊断应用的盲分离技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 缩略术语表及数学符号 |
| 第一章 绪论 |
| 1.1 论文研究背景及意义 |
| 1.2 国内外盲分离技术研究进展 |
| 1.2.1 线性混叠盲分离算法 |
| 1.2.2 卷积混叠盲分离算法 |
| 1.2.3 非线性盲分离算法 |
| 1.2.4 欠定盲分离算法 |
| 1.3 盲分离技术在机械故障信号的测试技术研究进展 |
| 1.4 盲分离技术在机械故障诊断中的应用研究进展 |
| 1.5 课题来源、研究目标和研究内容 |
| 1.5.1 课题来源 |
| 1.5.2 研究目标和研究内容 |
| 第二章 两种基于神经网络的线性盲分离算法研究 |
| 2.1 引言 |
| 2.2 基于自适应线性神经网络盲分离算法 |
| 2.2.1 SALNN-BSS模型 |
| 2.2.2 SALNN-BSS求解 |
| 2.3 小脑模型神经网络线性盲分离算法 |
| 2.3.1 CMAC-BSS结构 |
| 2.3.2 CMAC-BSS求解 |
| 2.4 两种算法对混叠信号处理的对比分析 |
| 2.5 本章小结 |
| 第三章 基于最小二乘法的欠定盲分离算法研究 |
| 3.1 引言 |
| 3.2 基于最小二乘法的欠定盲分离算法 |
| 3.2.1 LSM算法思想 |
| 3.2.2 LSM-UBSS模型 |
| 3.2.3 LSM-UBSS解的唯一性 |
| 3.3 LSM-UBSS在稀疏混叠信号分离中仿真 |
| 3.4 LSM-UBSS在非稀疏混叠信号分离中仿真 |
| 3.5 本章小结 |
| 第四章 冰蓄冷陈列柜故障信号的盲分离技术应用 |
| 4.1 引言 |
| 4.2 冰蓄冷陈列柜原理与装置 |
| 4.3 冰蓄冷陈列柜实验测控系统 |
| 4.4 冰蓄冷陈列柜的轴流风叶故障诊断实验 |
| 4.5 冰蓄冷陈列柜的轴流风叶和水泵同时故障诊断实验 |
| 4.6 本章小结 |
| 第五章 发动机噪声信号的盲分离技术应用 |
| 5.1 引言 |
| 5.2 发动机噪声信号采集平台装置 |
| 5.2.1 发动机噪声实验测试平台 |
| 5.2.2 发动机噪声测试实验 |
| 5.3 发动机噪声信号的盲分离 |
| 5.4 发动机异响信号CMAC-BSS诊断技术应用 |
| 5.5 本章小结 |
| 第六章 救生舱CO_2空调故障信号的欠定盲分离技术应用 |
| 6.1 引言 |
| 6.2 CO_2空调系统工作原理与装置 |
| 6.3 CO_2空调故障实验测控系统 |
| 6.4 CO_2空调系统故障信号分析 |
| 6.4.1 振动信号分析 |
| 6.4.2 噪声信号分析 |
| 6.4.3 CO_2空调系统振动信号特点 |
| 6.5 已知数目故障源的LSM-UBSS故障诊断实验 |
| 6.6 未知数目故障源的LSM-UBSS故障诊断实验 |
| 6.6.1 减法聚类 |
| 6.6.2 减法聚类的欠定盲分离算法 |
| 6.6.3 两种聚类的欠定盲分离算法仿真与分析 |
| 6.7 本章小结 |
| 结论与展望 |
| 一、结论 |
| 二、工作展望 |
| 参考文献 |
| 攻读博士学位期间取得的研究成果 |
| 致谢 |
| 附件 |
（8）齿轮和轴承的故障诊断技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究目的与选题意义 |
| 1.2 国内外研究现状 |
| 1.3 机械故障诊断的环节 |
| 1.4 基于振动信号分析的故障诊断方法 |
| 1.4.1 传统的故障特征提取方法 |
| 1.4.2 现代信号分析与诊断方法 |
| 1.5 论文主要研究内容 |
| 第二章 典型传动部件的故障诊断分析及实验 |
| 2.1 齿轮的故障诊断分析 |
| 2.1.1 齿轮常见失效形式分析 |
| 2.1.2 齿轮的故障特点 |
| 2.2 滚动轴承的故障诊断分析 |
| 2.2.1 滚动轴承常见失效形式分析 |
| 2.2.2 滚动轴承故障特征频率 |
| 2.3 故障模拟实验 |
| 2.3.1 QPZZ-II 故障模拟实验台系统 |
| 2.3.2 实验中故障类型及基本参数 |
| 2.4 本章小结 |
| 第三章 高阶统计量在故障诊断中的应用研究 |
| 3.1 高阶统计量理论 |
| 3.1.1 高阶统计量定义 |
| 3.1.2 高阶统计量的性质 |
| 3.2 包络分析 |
| 3.2.1 希尔伯特变换 |
| 3.2.2 希尔伯特变换的性质 |
| 3.3 故障特征提取方法 |
| 3.4 高阶统计量在故障诊断中的应用 |
| 3.4.1 同转速下的故障分离 |
| 3.4.2 不同转速下轴承故障的分离 |
| 3.5 本章小结 |
| 第四章 半盲分离技术在故障诊断中的应用研究 |
| 4.1 盲信号分离 |
| 4.1.1 盲信号分离的数学模型 |
| 4.1.2 盲信号分离问题的前提假设 |
| 4.1.3 盲信号分离算法 |
| 4.1.4 数值仿真分析 |
| 4.2 半盲信号分离 |
| 4.2.1 半盲信号分离算法 |
| 4.2.2 参考独立分量分析算法 |
| 4.2.3 数值仿真研究 |
| 4.3 基于半盲信号分离的故障提取 |
| 4.3.1 轴承外圈故障提取 |
| 4.3.2 轴承内圈故障提取 |
| 4.3.3 轴承滚动体故障提取 |
| 4.3.4 轴承混合故障特征提取 |
| 4.4 本章小结 |
| 第五章 基于排列熵的机械故障诊断研究 |
| 5.1 排列熵算法原理 |
| 5.2 排列熵算法有效性的验证 |
| 5.2.1 Logistic 模型 |
| 5.2.2 在仿真信号不同时间段加噪声 |
| 5.3 排列熵在机械故障诊断中的应用 |
| 5.3.1 排列熵在齿轮故障检测中的应用 |
| 5.3.2 排列熵在滚动轴承故障检测中的应用 |
| 5.4 基于排列熵的微弱突变信号检测新方法 |
| 5.4.1 排列熵谱 |
| 5.4.2 二次排列熵 |
| 5.4.3 二次排列熵谱 |
| 5.4.4 排列熵谱的特性 |
| 5.4.5 新方法的仿真分析 |
| 5.5 本章小结 |
| 第六章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 个人简历、在学期间的研究成果及发表的学术论文 |
（9）基于BSS的单路与多路RFID混合信号的防碰撞技术（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题研究的背景与意义 |
| 1.2 RFID 概述 |
| 1.3 盲源分离和 ICA 概述 |
| 1.4 论文研究的现状以及存在的问题 |
| 1.5 本文的主要研究内容及结构的安排 |
| 第二章 射频识别技术与盲分离的概述 |
| 2.1 RFID 系统组成及工作原理 |
| 2.1.1 RFID 系统组成 |
| 2.1.2 RFID 系统的工作的基本流程 |
| 2.2 RFID 基本理论与技术 |
| 2.2.1 通信系统中的信号传输 |
| 2.2.2 编解码方式 |
| 2.2.3 数字调制方式 |
| 2.2.4 防碰撞技术 |
| 2.3 盲源分离概述 |
| 2.3.1 盲信号处理问题的描述及分类 |
| 2.3.2 适定盲源分离 |
| 2.3.3 欠定盲分离 |
| 2.3.4 单路欠定盲分离 |
| 2.4 独立成分分析的基本原理 |
| 2.4.1 极大化非高斯性的 ICA 估计方法 |
| 2.4.2 极大似然估计的 ICA 估计方法 |
| 2.4.3 极小化互信息量的 ICA 估计方法 |
| 2.5 本章小结 |
| 第三章 多路 RFID 基带信号盲分离方法 |
| 3.1 多路 RFID 基带混合信号系统模型 |
| 3.2 Fast ICA 概述 |
| 3.2.1 Fast ICA 工作的流程 |
| 3.3 仿真结果及分析 |
| 3.4 本章小结 |
| 第四章 多路 RFID 调制信号混合的盲分离 |
| 4.1 调制信号的预处理 |
| 4.1.1 零均值化 |
| 4.1.2 白化 |
| 4.2 RFID 标签混合调制信号的盲分离性能 |
| 4.3 仿真结果和实验分析 |
| 4.4 本章小结 |
| 第五章 单路 RFID 信号的盲分离方法 |
| 5.1 EMD 与 WP 分层 |
| 5.1.1 EMD 方法的介绍 |
| 5.1.2 基于 EMD 分层的独立子波函数 |
| 5.1.3 小波包方法的介绍 |
| 5.1.4 基于小波包分层的独立子波函数 |
| 5.2 基于独立子波函数的单路混叠 RFID 信号的盲源分离 |
| 5.3 仿真结果及分析 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 全文总结 |
| 6.2 研究于展望 |
| 参考文献 |
| 附录1 攻读硕士学位期间撰写的论文 |
| 附录2 攻读硕士学位期间参加的科研项目 |
| 致谢 |
（10）基于稀疏编码的设备状态识别及其重型轧辊磨床监测应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 表格索引 |
| 插图索引 |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 基于状态的设备维护国内外研究现状 |
| 1.2.1 数据获取 |
| 1.2.2 数据处理 |
| 1.2.3 设备状态识别 |
| 1.3 数控机床状态监测及智能维护国内外研究现状 |
| 1.4 本文研究目标、问题及研究思路 |
| 1.4.1 研究目标 |
| 1.4.2 重型数控轧辊磨床状态监测中存在的问题 |
| 1.4.3 研究思路 |
| 1.5 本文的章节安排 |
| 第二章 基于稀疏编码的特征提取 |
| 2.1 引言 |
| 2.2 稀疏编码 |
| 2.2.1 稀疏编码模型 |
| 2.2.2 系数求解 |
| 2.2.3 字典学习 |
| 2.3 移不变稀疏编码 |
| 2.3.1 移不变稀疏编码模型 |
| 2.3.2 移不变稀疏编码算法 |
| 2.4 基于稀疏编码的振动信号分析 |
| 2.4.1 轴承振动数据 |
| 2.4.2 振动信号字典学习 |
| 2.4.3 振动信号的稀疏编码分解与重构 |
| 2.4.4 基于稀疏编码的人工轴承故障诊断 |
| 2.5 基于稀疏编码的自适应特征提取框架 |
| 2.6 基于稀疏编码的自适应特征提取实验验证 |
| 2.6.1 轴承状态冗余字典的构造 |
| 2.6.2 稀疏特征的计算 |
| 2.6.3 稀疏特征的可分性验证 |
| 2.6.4 轴承状态冗余字典的适应性验证 |
| 2.7 讨论 |
| 2.7.1 与其他方法的对比 |
| 2.7.2 两个学习问题 |
| 2.8 本章小结 |
| 第三章 基于稀疏特征的设备状态可视化识别 |
| 3.1 引言 |
| 3.2 自组织映射 |
| 3.2.1 学习过程 |
| 3.2.2 数据可视化 |
| 3.2.3 量化误差 |
| 3.3 基于SC-SOM 的设备状态可视化识别 |
| 3.3.1 SC-SOM 模型 |
| 3.3.2 设备状态分布图 |
| 3.3.3 异常检测 |
| 3.3.4 SC-SOM 模型的更新机制 |
| 3.4 实验验证 |
| 3.4.1 SC-SOM 模型验证 |
| 3.4.2 SC-SOM 模型的更新机制验证 |
| 3.5 讨论 |
| 3.5.1 与其他方法的比较 |
| 3.5.2 两个流形学习方法 |
| 3.6 本章小结 |
| 第四章 基于稀疏成分分析的信号盲分离技术 |
| 4.1 引言 |
| 4.2 基于稀疏成分分析的盲分离方法 |
| 4.2.1 稀疏成分分析 |
| 4.2.2 基于稀疏成分分析的盲源分离示例 |
| 4.3 基于匹配追踪的单通道振动信号盲分离方法 |
| 4.3.1 匹配追踪算法 |
| 4.3.2 基于匹配追踪的单通道机械振动信号的盲分离 |
| 4.4 实验验证 |
| 4.4.1 早期故障状态下微弱瞬态振动信号的分离 |
| 4.4.2 重型轧辊磨床状态监测中干扰振动源的排除 |
| 4.5 讨论 |
| 4.6 本章小结 |
| 第五章 重型数控轧辊磨床状态监测原型系统开发 |
| 5.1 引言 |
| 5.2 高档数控磨床与重型装备状态监测系统概述 |
| 5.2.1 状态监测系统的建立原则 |
| 5.2.2 状态监测系统总体架构 |
| 5.2.3 系统开发路径 |
| 5.2.4 重型数控轧辊磨床的失效模式与影响分析 |
| 5.3 传感与数据采集方案 |
| 5.3.1 传感器的优化布局与安装 |
| 5.3.2 数据采集 |
| 5.4 监测数据分析与状态识别模型构建 |
| 5.4.1 空载条件下振动信号分析 |
| 5.4.2 磨削加工条件下振动信号分析 |
| 5.4.3 基于稀疏性的主轴回转系统状态识别模型 |
| 5.4.4 基于稀疏性的主轴回转系统状态识别模型的应用 |
| 5.5 重型轧辊磨床状态监测原型系统实现 |
| 5.5.1 状态识别模型接口定义 |
| 5.5.2 状态识别模型的更新机制 |
| 5.5.3 系统应用情况及已取得的有益效果 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 6.1 研究总结 |
| 6.2 研究工作的主要创新点 |
| 6.3 未来工作的展望 |
| 参考文献 |
| 致谢 |
| 攻读学位论文期间发表的学术论文目录 |
| 附件 |
四、盲分离技术在识别生物信号中的应用（论文参考文献）
- [1]基于盲源分离的震后废墟生命信号识别方法研究[D]. 王丹妮. 防灾科技学院, 2021(01)
- [2]基于盲源分离的悬架零部件模态参数识别研究[D]. 周鹏. 燕山大学, 2021(01)
- [3]基于深度学习的调制信号盲分离算法研究[D]. 常泽轩. 电子科技大学, 2020(07)
- [4]变压器局部放电多目标定位方法的研究[D]. 左兴喜. 重庆理工大学, 2020(08)
- [5]基于多普勒雷达传感的多运动目标盲分离研究[D]. 谷之韬. 浙江大学, 2019(01)
- [6]欠定卷积盲分离算法及其在音频信号处理中的研究[D]. 解元. 广东工业大学, 2019(01)
- [7]面向机械故障诊断应用的盲分离技术研究[D]. 高俊文. 华南理工大学, 2016(01)
- [8]齿轮和轴承的故障诊断技术研究[D]. 王俊锋. 石家庄铁道大学, 2014(12)
- [9]基于BSS的单路与多路RFID混合信号的防碰撞技术[D]. 陈晨. 南京邮电大学, 2013(06)
- [10]基于稀疏编码的设备状态识别及其重型轧辊磨床监测应用[D]. 刘海宁. 上海交通大学, 2011(12)