常用分析非平稳信号方法是什么

㈠ 请高人详细介绍下什么是EMD分解,谢谢了

EMD时频分析方法作为一种新的处理非线性非平稳信号的方法，从根本上有
别于传统的信号时频分析方法，并在实际应用中取得了很好的效果。

EMD分解算法通过层层筛选，得到信号不同时间特征尺度的IMF分量。EMD
分解的主要目的是为了将信号进行平稳化处理，对IMF分量进行Hilbert变换，进
一步得到IMF分量对应的瞬时频率成分，这样得到的瞬时频率有了合理的物理意
义。通过Hilbert得到的的Hilbert/Huang频谱图是时间和频率的二变量函数，从中
可以得到任意时刻的频率信息，包括频率的大小和幅度以及出现的对应时刻，能
够详细的刻画非平稳非线性信号的时频特性。

㈡ 主成分分析法可以处理哪种类型的信号

这个方法实际上是将信号分解为一个正交的特征函数系，跟小波分析，傅里叶分析实质是一样的。
什么信号都可以，一般多用于非平稳随机信号处理，因为这类信号具有时变频谱而不能采用常规的傅里叶分析。

㈢ 非平稳信号的原理是什么

实际应用中，所遇到的信号大多数是不平稳的，至少在观测的全部时间段内不是平稳的.机械的运行过程属随机过程，在其运行过程的监铡信号中，存在大量突变和时变性特殊随机信号，如齿轮折断、气流冲击、钢丝断裂、启动停车、机床切削颤振等以及机械系统的爬行、死区、间隙非线性动态响应信号具有不连续性和时变性，用传统的信号分析方法进行全局处理仅能得出时域和频域的平均结果，无法有效地反映信号本质的局部特征，对反映这类局部瞬时工况特征信号的分析和处理方法的研究具有重要的现实意义和理论价值，如更清晰的揭示设备运行状态，实现故障特征的精细分析。

㈣ 非平稳信号分析与处理的方法有哪些

1、 时间序列 取自某一个随机过程，如果此随机过程的随机特征不随时间变化，则我们称过程是平稳的；假如该随机过程的随机特征随时间变化，则称过程是非平稳的。
2、 宽平稳时间序列的定义：设时间序列 ，对于任意的 , 和 ，满足： 则称 宽平稳。

㈤ 什么叫平衡模拟输入非平衡

平衡输出用的是XLR三脚端子。脚1是接地的，脚2和脚3分别传送正负信号，其中美规为2正3负而欧规是2负3正。由于平衡输出的正负信号是分开传输的而且有接地，因此抗干扰能力很强，多用于专业领域。在HIFI领域则不一定比非平衡输出好。
对不起，我承认复制 不知这有没用

㈥ 如何判断平稳信号和非平稳信号

据统计学对平稳时间序列的定义，可以知道平稳时间序列也有严平稳时间序列和宽平稳时间序列之分。严平稳时间序列的任何有限维联合分布对于时间的平移是不变的。宽平稳时间序列中的均值、方差与时间无关，任何时刻的序列和平移若干步后的序列有相同的协方差。

但是在工程应用领域的研究对于时间序列的平稳性定义较统计学弱，即平稳时间序列中其均值和方差都与时间无关，且自协方差函数只与时间间隔有关。常见的平稳性检验方法有时序图判断法、自相关系数检验法、分段检验法、游程检验法以及ADF单位根检验法。

通过观察信号的可视化结果，因此根据时序图判断法可以得知电压比信号（序列）是一个非平稳序列。在统计学领域处理非平稳的方法有确定性性因素分解法和随机性序列差分法。

1、平稳信号是指信号的分布参数或者分布律不随时间发生变化的信号。平稳信号分严平稳和宽平稳，严平稳的条件在信号处理中太严格，不实用，一般所说的平稳是指宽平稳，即其一阶矩为常数，二阶矩与信号时间的起始点无关，只和起始时间差有关。

2、非平稳信号是指分布参数或者分布律随时间发生变化的信号。平稳和非平稳都是针对随机信号说的，一般的分析方法有时域分析、频域分析、时频联合分析。非平稳随机信号的统计特征是时间的函数。

与平稳随机信号的统计描述相似，传统上使用概率与数字特征来描述，工程上多用相关函数与时变功率谱来描述，近年来还发展了用时变参数信号模拟描述的方法。还需根据问题的具体特征规定一些描述方法。非平稳随机信号还很难有统一而完整的描述方法。

(6)常用分析非平稳信号方法是什么扩展阅读：

假设信号表示为X(n),则当其满足：

1、E[X(n)]=μ

2、E[|X(n)|2]<∞

3、r(n1,n2)=E[x(n)x(n+m)]=r(m)

则称信号x(n)为宽平稳（或者广义平稳）信号。如果x(n)信号的联合概率密度函数保持不变，即满足p(x1,x2,....,xn;t1,t2,....tn) = p(x1,x2,.....,xn;t1+τ,t2+τ,.....tn+τ),则X(n)是严平稳（狭义平稳）的。

注意：平稳信号的均值和时间无关，为常数；自相关函数和时间的起点无关，只和两点的时间差有关。互协方差函数也和时间的起点无关。平稳和非平稳信号都是针对随机信号说的，一般的分析方法有时域分析、频域分析、时频联合分析。

㈦ 什么是LMD

局部均值分解（Local Mean Decomposition） 是由Smith提出的一种新的非线性和非平稳信号分析方法。由于LMD是依据信号本身的信息进行自适应分解的,产生的PF分量具有真实的物理意义,由此得到的时频分布能够清晰准确地反映出信号能量在空间各尺度上的分布规律。
编辑本段电子信息技术名词
人生模式数据库（Life Model Database）
编辑本段医学名词
二甲基二硫代氨基甲酸铅（lead dimethyl dithiocarbamate）
编辑本段法国教育制度模式
LMD学制为法国2004年开始实行的新教学制度。已被欧洲普遍接受，与国际教学体制接轨。 L：Licence (学士） 三年制 M：Masteur（硕士） 二年制 D：Docteur （博士） 三年制 现法国公立学校都已采用LMD教学模式。部分学校在Licence的第二年仍然会颁发原DEUG文凭。 仍有部分私立或培训学校颁发DUT或BTS文凭。 工程师学校一般持续5年，相当于Licence+Masteur。
编辑本段网络释义

㈧ 齿轮箱故障检测

1. 经典谱分析方法，又可分为时域分析法和频域分析法。
时域分析法通常指用时域波形计算出参数指标，它是最简单的分析方法，通常适用于明显的周期信号、瞬态冲击信号、简谐振动信号。该法实用性较强，但对复杂结构和故障耦合信号处理能力较差，属于故障处理的初级阶段。
频域分析法是基于1807年傅立叶提出的傅立叶变换（Fourier transform，FT）的最基本的信号处理方法。FT的缺点是缺乏信号局部信息，只适合线性平稳信号的分析。主要有包络分析（enveloping analysis）、全息谱分析（holospectrumanalysis）、细化谱分析（zoom spectrum analysis）、倒谱分析（cepstrum analysis）、高阶谱分析（higher orderspectrum analysis）等。
当齿轮箱出现故障时，其振动信号中包含的故障信息通常以调制的形式出现，提取故障信息就是将故障信号从高频调制信号中解调出来。包络解调又叫解调谱分析，常用方法有希尔伯特变换解调、循环平稳解调、能量算子解调、绝对值分析解调、平方解调、检波滤波解调等。
1989年，L.S.Qu等提出了全息谱分析。它是基于FT，将求得的不同通道信号的振幅、频率、相位信息进行集成的方法，观察更直观。
细化谱分析是增加频谱中某些部分频率分辨率的分析方法。
倒谱是信号的FT谱经对数运算后再进行傅立叶反变换的分析方法，它对信号传递路径的影响不敏感。
高阶谱是分析非平稳信号的一种方法，是处理非线性、非高斯信号的一种有力的频域处理工具，它能够定量描述信号中的非线性相位耦合特征，理论上有降噪作用，是近年来研究热点之一。
频域解调分析的局限性：（1）多故障诊断中的比较接近的高频成分相互交叉；（2）解调过程中，会将不包含故障信息的两个频率之差作为调制频率解调出来；（3）检波滤波解调易造成混频效应。这些现象都易造成误诊。
2. 时频分析法
FT的目的是将时域信号转换到频域进行分析，其中时域和频域是相互独立的，主要适用于平稳信号。FT不能反应信号频率的时间特性。所以时频分析是齿轮箱故障分析的有效方法。主要时频分析方法有Wigner-Ville分布、短时傅立叶变换、小波分析、局部特征尺度分解、局域均值分解、经验模态分解、Hilbert-Huang变换、最小熵反褶积等。
1932年E.P.Winger提出时频联合分析概念，并应用于量子力学。1948年J.Ville提出Wigner-Ville分布（Wigner-Ville Distribution，WVD）,WVD具有较好的时频聚集性和很好的时频分辨率，但WVD存在交叉项，给信号的识别带来困难。如何消除交叉项是WVD研究的重点。
1947年R.K.Potter、G.Kopp和H.C.Green等提出短时傅立叶变换（shot time Fourier transform，STFT）。STFT本质上是一个加窗的FT，使用滑动窗截取信号，然后对截取的信号再进行FT,这样可以得到任意时刻的频谱。通过加窗可以将时变的非平稳信号在一小段时间内看作近似不变的，所以适用于缓变的非平稳限号。STFT是最小熵反褶积线性时频变换。
1977年Ralph Wiggins提出最小熵反褶积法（minimum entropydeconvolution，MED）,对卷积求解具有划时代意义，2007年N.Sawalhi首先将该方法应用与故障诊断。它是以最大峭度作为迭代终止条件寻找一个最优的逆滤波器，进而提高信号的信噪比。
1984年法国地球物理学家Morlet在研究地球物理信号时首次提出小波变换（wavelet transformation，WT）。WT本质上是在信号上加一个变尺度滑动窗截取信号进行频谱分析，这克服了STFT的窗宽度不变到来的缺陷。WT的主要缺点是小波基函数的选择至今没有一个合适的判断标准和选择依据，这可能会歪曲原信号本来的物理特征。
1998年N.Huang、Z.Shen、S.R.Long提出经验模态分解法（empirical mode decomposition，EMD）,适用于非线性和非平稳信号的分析,之后进一步提出Hilbert-Huang变换。它从局部时间尺度出发，得到不同尺度的本征模态函数，且能获得比WT更高的时频分辨率。EMD主要问题是模态混淆、端点效应、欠包络和过包络等问题。解决这些问题是目前的研究方向之一。

㈨ 什么是平稳信号和非平稳信号怎么区别

平稳信号和非平稳信号都是随机信号，区别在于特性和定义不同。

随机信号是随机过程，其每个时间点都是一个随机变量。

如同你学概率论提到的 随机变量没有值的说法，它只有观测值，也就是说你对随机变量进行一次测量会得到一组值。

但是仅此而已，你如果想知道随机变量的真正特性，就要对其进行统计观测 比如大量测量，才能对其概率分布进行估计。

平稳与非平稳最直观的理解就是。

平稳信号包含的信息量小，其统计特性随时间不变化，典型代表高斯白噪声和人类口腔中的浊音。

这种信号的特点就是我说的统计特性不变。

而非平稳就不是了 就是统计特性随时间在变，它的信息量是变化的。

㈩ 小波包理论

传统上，分析和处理平稳信号最常用的方法是Fourier变换和窗口Fourier变换（也称短时Fourier或Gabor变换），因它们缺乏信号时域和频域局部化分析能力，所以不太适合分析非平稳信号（Sun Yan－kui et al.，1997；Czaja，2000）。对于非平稳信号，要求窗口的大小应随频率而变，频率越高则窗口越小。小波（wavelet）变换克服了窗口大小不随频率变化和缺乏离散正交基等缺点，在图像处理、模式识别、数据压缩、边缘检测、信噪分离等领域得到广泛的应用（Amato et al.，2000；王向阳等，2004；吴传庆等，2005；陈鹰等，2006）。但正交小波变换只对信号的低频部分做进一步的分解，而对高频部分（即信号的细节部分）不再继续分解，如图4.1（a）所示。所以，小波变换能很好地表征一些大类以低频信息为主要成分的信号，但它不能很好地分解和表示包含大量细节信息（细小边缘或纹理）的高频信号，如非平稳机械振动信号、遥感图像、地震信号和生物医学信号等。

研究表明，时域和频域的转换在信号比较平稳的情况下是可以完全分开的，但是对于信号不稳定或者变换较大的前提下，时域和频域就不能完全分开，在实际应用中，包括高光谱遥感影像信号，大部分的都是不稳定，非平稳状态的，因此时频域的分离对于高光谱遥感分解是有困难的，而小波包（Wavelet Packet，WP）变换能同时对低频分量和高频分量进行分解，如图4.1（b）所示，克服了小波变换时间分辨率高而频率分辨率低的缺陷，而且这种分解无冗余，也无疏漏（为正交分解），所以对包含大量中、高频信息的高光谱影像数据能够进行更好的时频局部化分析，在高光谱数据光谱分析中具有广阔的应用前景，目前主要用于高光谱影像融合、压缩、去噪等（Kaewpijit，2003；李新双等，2006；路威等，2006）。

图4.1 小波与小波包信号分解对比图