常用分析非平穩信號方法是什麼

㈠ 請高人詳細介紹下什麼是EMD分解,謝謝了

EMD時頻分析方法作為一種新的處理非線性非平穩信號的方法，從根本上有
別於傳統的信號時頻分析方法，並在實際應用中取得了很好的效果。

EMD分解演算法通過層層篩選，得到信號不同時間特徵尺度的IMF分量。EMD
分解的主要目的是為了將信號進行平穩化處理，對IMF分量進行Hilbert變換，進
一步得到IMF分量對應的瞬時頻率成分，這樣得到的瞬時頻率有了合理的物理意
義。通過Hilbert得到的的Hilbert/Huang頻譜圖是時間和頻率的二變數函數，從中
可以得到任意時刻的頻率信息，包括頻率的大小和幅度以及出現的對應時刻，能
夠詳細的刻畫非平穩非線性信號的時頻特性。

㈡ 主成分分析法可以處理哪種類型的信號

這個方法實際上是將信號分解為一個正交的特徵函數系，跟小波分析，傅里葉分析實質是一樣的。
什麼信號都可以，一般多用於非平穩隨機信號處理，因為這類信號具有時變頻譜而不能採用常規的傅里葉分析。

㈢ 非平穩信號的原理是什麼

實際應用中，所遇到的信號大多數是不平穩的，至少在觀測的全部時間段內不是平穩的.機械的運行過程屬隨機過程，在其運行過程的監鍘信號中，存在大量突變和時變性特殊隨機信號，如齒輪折斷、氣流沖擊、鋼絲斷裂、啟動停車、機床切削顫振等以及機械繫統的爬行、死區、間隙非線性動態響應信號具有不連續性和時變性，用傳統的信號分析方法進行全局處理僅能得出時域和頻域的平均結果，無法有效地反映信號本質的局部特徵，對反映這類局部瞬時工況特徵信號的分析和處理方法的研究具有重要的現實意義和理論價值，如更清晰的揭示設備運行狀態，實現故障特徵的精細分析。

㈣ 非平穩信號分析與處理的方法有哪些

1、 時間序列 取自某一個隨機過程，如果此隨機過程的隨機特徵不隨時間變化，則我們稱過程是平穩的；假如該隨機過程的隨機特徵隨時間變化，則稱過程是非平穩的。
2、 寬平穩時間序列的定義：設時間序列 ，對於任意的 , 和 ，滿足： 則稱 寬平穩。

㈤ 什麼叫平衡模擬輸入非平衡

平衡輸出用的是XLR三腳端子。腳1是接地的，腳2和腳3分別傳送正負信號，其中美規為2正3負而歐規是2負3正。由於平衡輸出的正負信號是分開傳輸的而且有接地，因此抗干擾能力很強，多用於專業領域。在HIFI領域則不一定比非平衡輸出好。
對不起，我承認復制 不知這有沒用

㈥ 如何判斷平穩信號和非平穩信號

據統計學對平穩時間序列的定義，可以知道平穩時間序列也有嚴平穩時間序列和寬平穩時間序列之分。嚴平穩時間序列的任何有限維聯合分布對於時間的平移是不變的。寬平穩時間序列中的均值、方差與時間無關，任何時刻的序列和平移若干步後的序列有相同的協方差。

但是在工程應用領域的研究對於時間序列的平穩性定義較統計學弱，即平穩時間序列中其均值和方差都與時間無關，且自協方差函數只與時間間隔有關。常見的平穩性檢驗方法有時序圖判斷法、自相關系數檢驗法、分段檢驗法、遊程檢驗法以及ADF單位根檢驗法。

通過觀察信號的可視化結果，因此根據時序圖判斷法可以得知電壓比信號（序列）是一個非平穩序列。在統計學領域處理非平穩的方法有確定性性因素分解法和隨機性序列差分法。

1、平穩信號是指信號的分布參數或者分布律不隨時間發生變化的信號。平穩信號分嚴平穩和寬平穩，嚴平穩的條件在信號處理中太嚴格，不實用，一般所說的平穩是指寬平穩，即其一階矩為常數，二階矩與信號時間的起始點無關，只和起始時間差有關。

2、非平穩信號是指分布參數或者分布律隨時間發生變化的信號。平穩和非平穩都是針對隨機信號說的，一般的分析方法有時域分析、頻域分析、時頻聯合分析。非平穩隨機信號的統計特徵是時間的函數。

與平穩隨機信號的統計描述相似，傳統上使用概率與數字特徵來描述，工程上多用相關函數與時變功率譜來描述，近年來還發展了用時變參數信號模擬描述的方法。還需根據問題的具體特徵規定一些描述方法。非平穩隨機信號還很難有統一而完整的描述方法。

(6)常用分析非平穩信號方法是什麼擴展閱讀：

假設信號表示為X(n),則當其滿足：

1、E[X(n)]=μ

2、E[|X(n)|2]<∞

3、r(n1,n2)=E[x(n)x(n+m)]=r(m)

則稱信號x(n)為寬平穩（或者廣義平穩）信號。如果x(n)信號的聯合概率密度函數保持不變，即滿足p(x1,x2,....,xn;t1,t2,....tn) = p(x1,x2,.....,xn;t1+τ,t2+τ,.....tn+τ),則X(n)是嚴平穩（狹義平穩）的。

注意：平穩信號的均值和時間無關，為常數；自相關函數和時間的起點無關，只和兩點的時間差有關。互協方差函數也和時間的起點無關。平穩和非平穩信號都是針對隨機信號說的，一般的分析方法有時域分析、頻域分析、時頻聯合分析。

㈦ 什麼是LMD

局部均值分解（Local Mean Decomposition） 是由Smith提出的一種新的非線性和非平穩信號分析方法。由於LMD是依據信號本身的信息進行自適應分解的,產生的PF分量具有真實的物理意義,由此得到的時頻分布能夠清晰准確地反映出信號能量在空間各尺度上的分布規律。
編輯本段電子信息技術名詞
人生模式資料庫（Life Model Database）
編輯本段醫學名詞
二甲基二硫代氨基甲酸鉛（lead dimethyl dithiocarbamate）
編輯本段法國教育制度模式
LMD學制為法國2004年開始實行的新教學制度。已被歐洲普遍接受，與國際教學體制接軌。 L：Licence (學士） 三年制 M：Masteur（碩士） 二年制 D：Docteur （博士） 三年制 現法國公立學校都已採用LMD教學模式。部分學校在Licence的第二年仍然會頒發原DEUG文憑。 仍有部分私立或培訓學校頒發DUT或BTS文憑。 工程師學校一般持續5年，相當於Licence+Masteur。
編輯本段網路釋義

㈧ 齒輪箱故障檢測

1. 經典譜分析方法，又可分為時域分析法和頻域分析法。
時域分析法通常指用時域波形計算出參數指標，它是最簡單的分析方法，通常適用於明顯的周期信號、瞬態沖擊信號、簡諧振動信號。該法實用性較強，但對復雜結構和故障耦合信號處理能力較差，屬於故障處理的初級階段。
頻域分析法是基於1807年傅立葉提出的傅立葉變換（Fourier transform，FT）的最基本的信號處理方法。FT的缺點是缺乏信號局部信息，只適合線性平穩信號的分析。主要有包絡分析（enveloping analysis）、全息譜分析（holospectrumanalysis）、細化譜分析（zoom spectrum analysis）、倒譜分析（cepstrum analysis）、高階譜分析（higher orderspectrum analysis）等。
當齒輪箱出現故障時，其振動信號中包含的故障信息通常以調制的形式出現，提取故障信息就是將故障信號從高頻調制信號中解調出來。包絡解調又叫解調譜分析，常用方法有希爾伯特變換解調、循環平穩解調、能量運算元解調、絕對值分析解調、平方解調、檢波濾波解調等。
1989年，L.S.Qu等提出了全息譜分析。它是基於FT，將求得的不同通道信號的振幅、頻率、相位信息進行集成的方法，觀察更直觀。
細化譜分析是增加頻譜中某些部分頻率解析度的分析方法。
倒譜是信號的FT譜經對數運算後再進行傅立葉反變換的分析方法，它對信號傳遞路徑的影響不敏感。
高階譜是分析非平穩信號的一種方法，是處理非線性、非高斯信號的一種有力的頻域處理工具，它能夠定量描述信號中的非線性相位耦合特徵，理論上有降噪作用，是近年來研究熱點之一。
頻域解調分析的局限性：（1）多故障診斷中的比較接近的高頻成分相互交叉；（2）解調過程中，會將不包含故障信息的兩個頻率之差作為調制頻率解調出來；（3）檢波濾波解調易造成混頻效應。這些現象都易造成誤診。
2. 時頻分析法
FT的目的是將時域信號轉換到頻域進行分析，其中時域和頻域是相互獨立的，主要適用於平穩信號。FT不能反應信號頻率的時間特性。所以時頻分析是齒輪箱故障分析的有效方法。主要時頻分析方法有Wigner-Ville分布、短時傅立葉變換、小波分析、局部特徵尺度分解、局域均值分解、經驗模態分解、Hilbert-Huang變換、最小熵反褶積等。
1932年E.P.Winger提出時頻聯合分析概念，並應用於量子力學。1948年J.Ville提出Wigner-Ville分布（Wigner-Ville Distribution，WVD）,WVD具有較好的時頻聚集性和很好的時頻解析度，但WVD存在交叉項，給信號的識別帶來困難。如何消除交叉項是WVD研究的重點。
1947年R.K.Potter、G.Kopp和H.C.Green等提出短時傅立葉變換（shot time Fourier transform，STFT）。STFT本質上是一個加窗的FT，使用滑動窗截取信號，然後對截取的信號再進行FT,這樣可以得到任意時刻的頻譜。通過加窗可以將時變的非平穩信號在一小段時間內看作近似不變的，所以適用於緩變的非平穩限號。STFT是最小熵反褶積線性時頻變換。
1977年Ralph Wiggins提出最小熵反褶積法（minimum entropydeconvolution，MED）,對卷積求解具有劃時代意義，2007年N.Sawalhi首先將該方法應用與故障診斷。它是以最大峭度作為迭代終止條件尋找一個最優的逆濾波器，進而提高信號的信噪比。
1984年法國地球物理學家Morlet在研究地球物理信號時首次提出小波變換（wavelet transformation，WT）。WT本質上是在信號上加一個變尺度滑動窗截取信號進行頻譜分析，這克服了STFT的窗寬度不變到來的缺陷。WT的主要缺點是小波基函數的選擇至今沒有一個合適的判斷標准和選擇依據，這可能會歪曲原信號本來的物理特徵。
1998年N.Huang、Z.Shen、S.R.Long提出經驗模態分解法（empirical mode decomposition，EMD）,適用於非線性和非平穩信號的分析,之後進一步提出Hilbert-Huang變換。它從局部時間尺度出發，得到不同尺度的本徵模態函數，且能獲得比WT更高的時頻解析度。EMD主要問題是模態混淆、端點效應、欠包絡和過包絡等問題。解決這些問題是目前的研究方向之一。

㈨ 什麼是平穩信號和非平穩信號怎麼區別

平穩信號和非平穩信號都是隨機信號，區別在於特性和定義不同。

隨機信號是隨機過程，其每個時間點都是一個隨機變數。

如同你學概率論提到的 隨機變數沒有值的說法，它只有觀測值，也就是說你對隨機變數進行一次測量會得到一組值。

但是僅此而已，你如果想知道隨機變數的真正特性，就要對其進行統計觀測 比如大量測量，才能對其概率分布進行估計。

平穩與非平穩最直觀的理解就是。

平穩信號包含的信息量小，其統計特性隨時間不變化，典型代表高斯白雜訊和人類口腔中的濁音。

這種信號的特點就是我說的統計特性不變。

而非平穩就不是了 就是統計特性隨時間在變，它的信息量是變化的。

㈩ 小波包理論

傳統上，分析和處理平穩信號最常用的方法是Fourier變換和窗口Fourier變換（也稱短時Fourier或Gabor變換），因它們缺乏信號時域和頻域局部化分析能力，所以不太適合分析非平穩信號（Sun Yan－kui et al.，1997；Czaja，2000）。對於非平穩信號，要求窗口的大小應隨頻率而變，頻率越高則窗口越小。小波（wavelet）變換克服了窗口大小不隨頻率變化和缺乏離散正交基等缺點，在圖像處理、模式識別、數據壓縮、邊緣檢測、信噪分離等領域得到廣泛的應用（Amato et al.，2000；王向陽等，2004；吳傳慶等，2005；陳鷹等，2006）。但正交小波變換只對信號的低頻部分做進一步的分解，而對高頻部分（即信號的細節部分）不再繼續分解，如圖4.1（a）所示。所以，小波變換能很好地表徵一些大類以低頻信息為主要成分的信號，但它不能很好地分解和表示包含大量細節信息（細小邊緣或紋理）的高頻信號，如非平穩機械振動信號、遙感圖像、地震信號和生物醫學信號等。

研究表明，時域和頻域的轉換在信號比較平穩的情況下是可以完全分開的，但是對於信號不穩定或者變換較大的前提下，時域和頻域就不能完全分開，在實際應用中，包括高光譜遙感影像信號，大部分的都是不穩定，非平穩狀態的，因此時頻域的分離對於高光譜遙感分解是有困難的，而小波包（Wavelet Packet，WP）變換能同時對低頻分量和高頻分量進行分解，如圖4.1（b）所示，克服了小波變換時間解析度高而頻率解析度低的缺陷，而且這種分解無冗餘，也無疏漏（為正交分解），所以對包含大量中、高頻信息的高光譜影像數據能夠進行更好的時頻局部化分析，在高光譜數據光譜分析中具有廣闊的應用前景，目前主要用於高光譜影像融合、壓縮、去噪等（Kaewpijit，2003；李新雙等，2006；路威等，2006）。

圖4.1 小波與小波包信號分解對比圖