【摘 要】
：
受设备及环境等因素的主要影响，采集的探地雷达（GPR）信号中存在不同程度的噪声干扰。传统变分模态分解（VMD）通过搜寻变分模型最优解分离出不同中心频率的分量实现噪声压制，但最优模态数的选择具有一定主观性，致使重构数据存在不同程度的信号振荡。为优化模态数的选择，并改善信号振荡问题，本文提出基于自适应VMD和奇异谱分析（SSA）的GPR信号去噪方法。首先，引入能量损失比，实施最优模态数的自适应选择，并
【基金项目】
：
国家自然科学基金项目（41874148）； 国家重点研发计划项目（2018YFC0603903）～～；
论文部分内容阅读
受设备及环境等因素的主要影响，采集的探地雷达（GPR）信号中存在不同程度的噪声干扰。传统变分模态分解（VMD）通过搜寻变分模型最优解分离出不同中心频率的分量实现噪声压制，但最优模态数的选择具有一定主观性，致使重构数据存在不同程度的信号振荡。为优化模态数的选择，并改善信号振荡问题，本文提出基于自适应VMD和奇异谱分析（SSA）的GPR信号去噪方法。首先，引入能量损失比，实施最优模态数的自适应选择，并利用皮尔逊相关系数法提取有效信号；其次，针对变分模态分解后的中低频振荡现象，引入SSA进行二次滤波，进一步提高信噪比。合成Ricker子波实验、合成雷达剖面模拟实验和实测资料验证了变分模态分解-奇异谱分析（VMD-SSA）方法的有效性。合成Ricker子波实验中，与集成经验模态分解（EEMD）和传统VMD方法相比，经VMD-SSA方法处理后的信噪比最大提升13.587 8 dB;合成雷达剖面模拟实验中，基于VMD-SSA方法处理后剖面的信噪比较EEMD和传统VMD方法分别提高3.765 9 dB和2.655 7 dB;实测资料处理中也较好地压制了背景噪声及随机噪声，使异常体的信号特征更加突出。
其他文献
2020年初的新冠肺炎疫情在全国蔓延,教育部一度发出通知,高校延迟开学,所有学生均不能返校。在此期间,医学研究生的临床和科研培养如何进行是值得教师探索和思考的问题。结合宁夏医科大学临床学院在疫情期间的教学工作,文章对此进行论述,以期总结经验,提高医学研究生的培养质量。
北京冬奥会示范运行超1000辆氢能汽车。这是目前为止世界上最大规模的一次氢燃料电池汽车示范运行。北京冬奥会上，氢能汽车成了“新宠”。根据北京冬奥组委公布的数据，北京冬奥会示范运行超1000辆氢能汽车。这是目前为止世界上最大规模的一次氢燃料电池汽车示范运行。
氢能源，高热量、零污染、储量丰富，堪称人类能源之光。2000年，氢燃料电池车同纯电动及插电式混合动力车，站在同一起跑线上。氢能汽车代表着清洁汽车未来发展方向，也一度成为共识。然而，20年过去，中国汽车工业协会的数据显示，2021年11月，纯电动汽车产销分别完成37.2万辆和36.1万辆，同比分别增长1.2倍和1.1倍；燃料电池汽车产销分别完成212辆和147辆，同比分别下降26.4%和49.3%。
针对行星齿轮箱振动信号相互耦合和故障诊断不准确等问题，提出一种基于特征融合与深度残差网络（ResNet）的行星齿轮箱故障诊断方法。首先，对采集到的行星轮裂纹、磨损，太阳轮断齿及复合故障等模拟故障振动信号应用多维集成经验模态分解（MEEMD）和VMD进行分解，分别筛选确定有效分量。然后，将筛选出的有效特征进行融合，分别应用传统卷积神经网络（CNN）网络和深度残差网络对其进行分类识别，结果发现深度残差
针对时频域分析方法经验模态分解（EMD）在处理电弧信号上存在模态混叠现象，提出一种基于改进经验小波变换（IEWT）多特征融合与极限学习机（ELM）的电弧故障检测方法。该方法首先将电弧电流信号进行IEWT变换，自适应分解为5个经验模态分量（EMFs），提取EMFs的权重能量熵、EMF4的样本熵及EMF1的方均根值作为特征量。在进行数据标准化后，将3个电弧故障特征融合并形成多维特征矩阵，最后通过ELM
该文通过现实中的实例，简要地分析了随着科学技术的发展对学校体育、竞技体育以及大众体育（群众体育）的影响。认为科学技术的发展对于体育既是发展的机遇，又使体育面临着巨大的挑战，我们要抓住发展的机遇，直面挑战，推动我国体育强国的建设。
雷达辐射源识别作为雷达信号侦察的核心关键技术，受到各国军方的高度重视和技术封锁。针对现有雷达辐射源个体识别存在的识别准确率低、难以区分同型号雷达、缺乏实采信号验证等问题，本文提出一种基于变分模态分解和时频能多域特征联合的雷达辐射源个体识别方法。首先对雷达信号进行变分模态分解，对得到的模态分量分别在时域、频域和时频域提取13种特征参数，最后结合k近邻分类器实现雷达个体识别。采用实际采集的船用导航雷达
通过深度学习实现滚动轴承故障识别时，信号噪声的存在会导致轴承故障识别率降低和深层网络收敛速度变慢。针对这些问题，提出一种改进经验小波变换（IEWT）分解降噪法结合改进深层Wasserstein自动编码器（IDWAE）的故障识别模型。首先针对经验小波变换（EWT）的过分解问题，提出一种振动信号频谱有效边界划分方法，进而利用EWT将信号自动分解为不同频段的调幅-调频分量（AM-FM）；然后利用一种新的
针对音符识别准确率不高的问题，提出一种基于人工神经网络的音符识别方法。为提高识别准确率，首先采用归一化和汉明窗方法对音频信号进行预处理，然后采用CQT和MFCC分别提取频域特征和倒频域特征；利用BP神经网络和Softmax回归模型，提出Softmax回归结合BP神经网络音符识别模型，并构建音符识别分类器；最后通过MATLAB R2016a作为仿真软件，在自构音符库的基础上，对音符进行识别。结果表明
滚动轴承大量使用在旋转机械中，轴承的工况严重影响着机械设备的正常运行。为了提高轴承故障的诊断精度，本文提出了一种时频分析和深度学习相结合的滚动轴承诊断方法。首先，分析了十种不同时频分析方法；其次，建立了深度学习的滚动轴承故障诊断模型，并利用迁移学习克服训练样本数量少的问题，通过对比分析，常数Q变换（Constant Q Transform， CQT）的准确率可达100%；最后，利用实验数据对所提方