一、相空间重构中的K-L变换（论文文献综述）
杜婧[1]（2021）在《基于t-SNE与稀疏表示的滚动轴承故障特征提取研究》文中进行了进一步梳理随着科学技术的飞速发展,现代工业机械设备的更新速度不断加快并呈现多元性。在这样的发展背景下,大型机械设备的检测和维护迎来更大的挑战,滚动轴承在现代机械设备中应用尤为广泛,其运行的质量直接影响机器是否能够正常运作。因此,准确找到故障位置并提取故障特征成为实现滚动轴承故障诊断的重要课题之一。本文从滚动轴承实测故障信号着手,主要包括轴承内圈、外圈及滚动体信号,通过对其进行信号降噪处理、故障特征提取、故障特征聚类以实现滚动轴承的故障诊断,由此提出了《基于t-SNE与稀疏表示的滚动轴承故障特征提取研究》。本文主要研究内容如下:论文阐述了研究滚动轴承故障特征提取的意义及目的,介绍了滚动轴承故障特征提取的发展历程,系统分析国内外滚动轴承故障特征提取技术的研究现状,对滚动轴承的机构原理、基本故障频率进行了说明,从理论上系统地阐述了滚动轴承故障信号特征提取方法和故障聚类方法。针对原始时间序列信号的预处理,对相空间重构技术进行了理论研究。分析了重构参数对重构相空间的影响,提出了基于C-C算法和Cao算法的优化相空间重构参数选择的方法确定相空间重构所需的两个参数:时间延迟与嵌入维数。引入模糊熵和均方根值作为重构结果的量化指标,对本文所提出的方法与C-C算法、Cao算法单独使用时的重构效果进行量化评价,结果表明本文所提出的相空间重构参数选择方法更适用于滚动轴承故障特征提取中。在信号降噪的部分,对流形学习进行了系统地分析。介绍了目前常用的典型流形学习算法,选取非线性降维的三种典型算法:局部切空间排列（LTSA）算法、局部线性嵌入（LLE）算法、t分布随机近邻嵌入（t-SNE）算法以及线性降维算法中主成分分析（PCA）算法分别对故障信号进行降噪处理,以相关系数、包络熵、峭度为量化指标评价其降噪结果,结果显示t-SNE算法针对滚动轴承故障信号降噪处理更具优势,同时将多维尺度变换（MDS）算法与t-SNE算法在非线性数据的适应性及可视化效果方面进行了对比和分析。为了获得降噪信号的最优稀疏表示以增强故障特征的提取效果,对构建学习字典、求解算法、字典学习算法进行了深入地研究。对比小波字典和离散余弦变换（DCT）字典,发现DCT字典原子结构更丰富,且计算效率更高。深入研究了两种稀疏求解算法:匹配追踪（MP）算法、正交匹配追踪（OMP）算法,通过对两种算法原理以及实验对比分析,结果显示OMP算法运用于滚动轴承故障特征提取中具有收敛速度更快的优点。同时对比分析了不同字典学习算法:最优方向法（MOD）、K-奇异值分解（K-SVD）算法、交替方向乘子（ADMM）方法的时间及空间复杂度,发现ADMM算法的学习速度更快,而且运用ADMM算法最终得到的重构误差相较于无字典学习方法时的重构误差明显减小。因此本文选择通过构建DCT字典为待学习字典,用ADMM算法进行字典学习,用OMP算法对故障信号进行稀疏分解和重构以建立降噪信号的最优稀疏表示,通过对其进行包络解调分析提取到了滚动轴承的故障频率,并进行对比验证。为实现滚动轴承故障特征提取的可视化效果,采用K均值（K-means）聚类对滚动轴承故障信号进行聚类分析。通过戴维森保丁指数（DBI）对不同故障特征提取方法下不同的聚类效果进行对比,进而从不同故障尺寸样本数据集,不同长度样本数据等方面对滚动轴承故障聚类结果进行了对比和分析,验证了本文所提出的故障特征提取方法在进行聚类分析时效果的优越性。
李勇[2]（2021）在《基于数据驱动的带式输送机轴承故障诊断技术研究》文中进行了进一步梳理带式输送机作为散料运输的主要装置,被广泛运用于矿山、冶金、港口等工业领域,具有输送能力强、结构简单、成本低廉和通用性好等优点。随着工业化进程的不断推进和科学技术的快速发展,长距离、大运量、高带速等大型带式输送机已成为发展的主要方向。但是由于带式输送机运行工况通常较为恶劣,重载、疲劳、腐蚀、高温等因素使其核心零部件不可避免地发生不同程度的故障。零部件中滚筒轴承作为主要支撑部件,其健康程度严重影响设备的运行状态和运行效率。相对于其他零部件而言,轴承封闭的结构往往很难判断其健康状态。故障一旦发生必将影响整个生产作业,甚至导致生产瘫痪,造成不可弥补的经济损失。因此,开展基于振动信号的轴承故障诊断研究具有重要意义。本文以带式输送机滚筒的主要支撑部件轴承为研究对象,通过对轴承振动信号自身特点以及运行工况中存在的噪声干扰和转速变化等问题开展研究,形成基于振动信号的轴承故障诊断技术,为保证轴承以及带式输送机的安全运行提供理论支撑和技术解决方案。主要内容包括:（1）针对轴承的具体机械机构和工作方式,探究轴承故障自身的振动信号特点以及实际运行工况对振动信号的影响方式。分析基于振动信号的带式输送机滚筒轴承故障诊断中需要解决的问题以及问题的难点所在。同时对样本数据的来源、采集方式以及轴承故障模拟实验台的搭建做了详细的介绍。（2）针对轴承振动信号中存在的噪声干扰问题,从频谱的角度提出了一种基于频带特征的轴承故障特征频率提取算法。首先通过构建Hankel矩阵拆解时域信号,获得信号中噪声的多样性表达。然后使用频谱融合的方法重构频谱,有效消除了背景噪声的随机特性,减少了噪声对频谱中共振频带的干扰。同时在频谱重构中引入PSO算法,以频谱幅值的标准差为适应度函数,优化Hankel中的延迟参数和嵌入维数,获得最优时域信号拆分矩阵,提高对样本内噪声随机特性的利用程度。最后利用MOMEDA算法,通过设计最优滤波器和对指定频率区间频率构建峭度谱图,有效提取边频带中包含的周期性故障成分,实现对轴承故障特征频率的准确提取。（3）针对单一故障频率特征指标无法区分故障程度的问题,提出了一种基于分步式VMD和多特征的轴承故障程度诊断算法。首先为了解决不同信号分量在VMD分解时无法统一分解参数的问题,提出了一种改进的分步式VMD算法。该方法采用单分量、欠分解的分解方式,逐次提取信号中的共振频带,有效避免了不同信号在特定分解参数下存在的分解效果不佳的问题。然后提出了一种基于片段标准差的初始化方式,通过滑移截取片段并计算标准差值有效预估中心频率位置,提高了中心频率位置搜索结果的稳定性。最终通过从信号分量中多角度提取基础特征并构建故障识别神经网络,建立多特征与轴承类别标签的映射关系,有效实现对不同程度轴承故障的精确诊断。（4）针对VMD分解参数选择困难和特征提取过程复杂的问题,基于VMD分量中心频率位置特征开展研究,提出了一种完备中心频率特征矩阵构建方法。首先通过研究不同的分量数量和边带约束大小对信号分解的影响,设置合适的完备信号分解参数组合。然后基于分解参数组合,依次对原始信号进行VMD分解,提取每次分解中各个信号分量的中心频率特征向量。并将得到的每一组中心频率位置结果重新组合,搭建一个完备中心频率特征向量。该方法有效避免了VMD分解参数差异对信号分解效果的影响,同时进一步提高了中心频率位置分布特征的完备性。最终通过神经网络构建完备中心频率特征与类别标签之间的映射关系,实现对不同轴承故障程度的有效诊断。（5）针对不同轴承转速下相同故障特征差异较大,无法实现多转速下的轴承故障诊断的问题,提出了一种基于图像特征和CNN的轴承故障诊断算法。首先通过对不同转速下的信号频谱进行分析研究,提出了一种基于VMD的图像特征提取方法。该方法通过VMD单分量搜索提取信号中幅值最为突出的共振频带分量,并基于该分量的中心频率从原始信号中截取特征图像。该方法既有效提取了信号的敏感频带,又避免了VMD分量重构中的边频细节丢失问题。最后将提取到的不同转速下的图像特征标记相同的类别标签,通过构建深度卷积神经网络和样本训练,实现网络参数的优化、内部特征的进一步提取和信号与标签之间映射关系的精准构建,最终实现不同转速下的轴承故障诊断。文章最后对论文的工作进行了总结,并对相关的研究技术进行了展望。该论文有图87幅,表10张,参考文献170篇。
段绰[3]（2021）在《基于核极限学习机的边坡位移预测研究》文中研究说明近年来边坡位移形变的事故猛烈增加,对人民的生命财产安全造成了很大的影响,针对边坡进行变形监测以及预测其未来变形趋势变得尤为重要。但是边坡位移数据曲线具有很高的非线性和复杂性,传统的预测方法存在很多不足,因此具有强大的非线性学习能力的机器学习算法被引入至边坡变形预测中。在众多的机器学习算法中,核极限学习机以其运行速度快、泛化能力强等优点,被广泛应用在边坡变形预测中,并取得较好的结果。因此本文主要采用KELM算法对边坡位移序列进行预测研究。主要研究内容包括:（1）首先分析总结了边坡变形的相关知识,在介绍边坡监测系统的基础上,选取了2019年6月至2020年7月某实际边坡位移数据为具体研究对象,对采集得到的数据进行了异常点修正、缺失数据补充等预处理,为后续建立边坡位移预测模型提供数据支撑。（2）针对边坡位移序列具有混沌特性,采用了相空间重构的方法对边坡位移序列进行了重构,使模型可以在相空间中进行建立和预测。针对相空间重构中的嵌入维数和核极限学习机的惩罚函数和核函数这三个数值难以选取,采用了鸟群算法对其进行参数寻优,最终建立了BSA-KELM预测模型。（3）原始的边坡位移数据为非平稳非线性信号,其突变性和随机性均会降低预测的精度。采用了变分模态分解技术将原始的位移序列分解为多组子分量,从而降低数据的非线性和提取数据的细节特征,之后再对各个分量分别构建BSA-KELM预测模型进行预测。结合实际数据,证明了该方法提高了预测精度。（4）针对现有的单步预测模型提供信息不足的情况,建立了递归多步和多输出多步两种预测模型。结合实际数据对其进行了未来六步的多步预测,结果表明当训练数据样本较少时,递归多步模型的精度要优于多输出模型,当训练数据样本充足时,多输出模型精度要高。
张李轩[4]（2021）在《基于MEMS传感器数据同调的身份识别》文中研究指明近年来,智能手机安全性的问题越来越受人们关注,用户识别认证在保证智能手机安全方面扮演着重要的角色。随着对便携式设备安全性要求的提高,针对智能手机已经提出了各种各样的用户身份认证技术,其中包括基于加速度计数据的身份认证。然而,基于加速度计数据采集的时间序列信号非常复杂,信号具有高度非平稳特性,信号的统计量特征随时间变化很大,因此给用户识别研究带来了挑战。在这项工作中,采用十个不同用户在步行、下楼和上楼过程中采集的加速度传感器数据,通过对步态数据进行同调分析的方式,构建了一种新的在线用户识别认证模型,区别于传统基于时域和频域特征的认证方法,提出了一种基于微机电系统（Micro-Electro-Mechanical Systems,MEMS）传感器数据同调的在线身份识别方法。主要研究工作包括:1.本文详细描述和推导了步态时间序列信号基于时域、频域的统计量特征和基于相空间的拓扑特征。对于相空间的拓扑特征的构建,首先,将加速度信号映射至相空间中,利用持续同调描述加速度信号在相空间中的拓扑结构。其次,利用持续同调图（Persistence Diagrams,PD）描述单段步态信号的拓扑特征,推导并计算PD的概率分布。最后,为减弱由噪声引起的不确定性给PD的拓扑结构所带来随机性,构建了比单个PD更具鲁棒性的特征——持续同调期望（Expected Persistence Diagrams,EPD）。由于不同的人拥有不同的走路风格与习惯,因此每个人的步态时间序列在相空间的拓扑结构与拓扑特征也会不同,从而导致不同人的步态时间序列转换所构建的EPD也会有所差异,以此分析不同用户的加速度计数据中固有行走模式。2.提出一种基于支持向量机（Support Vector Machine,SVM）的身份认证系统和基于概率神经网络（Probabilistic Neural Network,PNN）的身份认证系统。以SVM为分类器,基于步态信号统计量特征的身份认证准确率为82.68%;以PNN为分类器,基于步态信号统计量特征的身份认证准确率为85.5%。同时,将基于EPD的特征输入SVM和PNN,得到了优于基于统计量特征的结果,以EPD为特征,基于SVM的身份认证准确率为92.73%,基于PNN的身份认证准确率为92.08%。3.提出一种基于K-L散度的身份认证系统。不同用户行走模式的差异可以通过计算EPD分布函数的K-L散度来衡量,采集到的未知用户数据可以通过与用户预先存储的训练数据所产生的潜在模型计算K-L散度来进行判定是否是匹配用户,通过EPD的特征和K-L散度的决策度量构建了一个具有鲁棒性的在线用户识别系统,基于K-L散度的识别准确率达95%。
熊小莉[5]（2021）在《基于指纹特征提取的辐射源个体识别研究》文中指出随着时代的信息化发展,辐射源个体识别逐渐成为通信领域中一个重要的研究课题。此技术在电子战争、军事通信、频段保护、恶意设备鉴别和网络安全等多个领域具有重要的意义,虽然其在军用与民用领域都已获得了丰富的应用成果,但仍面临着一些亟需解决的困难。实现个体间的识别的依据是辐射源信号指纹,即辐射源个体内部硬件的差异体现在其发射信号上的细微特征,具有普遍性和判别性。通过信号获得细微特征的过程叫做辐射源个体的特征提取,它是个体识别中的重点和难点,随着电子元件生产工艺的不断改进,辐射源个体间的差异将越来越难以分辨,同时在复杂的电磁环境下,信号采集也面临较大挑战,辐射源信号特征提取技术的研究刻不容缓。本文从复杂电磁环境下辐射源信号采集的实际问题出发,研究小样本、碎片化的辐射源信号特征提取技术,主要的工作如下:首先分析了辐射源信号指纹特征提取及个体识别研究的背景以及所面临的挑战,讨论了几种基于实际信号的非平稳特性的特征提取方法。以基于双谱的特征提取方法为例分析了传统方法在数据不完整且碎片化的小数据量情况下的性能,说明传统特征提取方法具有一定局限性。然后研究了非线性系统的特性与混沌理论的关系,结合辐射源个体差异来自于辐射源内部器件的非线性的特点,论证基于混沌理论的特征提取方法作为研究非线性时间序列特征提取重要手段的可行性,并对非线性系统的特征即相空间中体现非线性系统特征的参数做了详细的阐述。最后设计了基于相空间重构的特征提取方案,在实验中验证了信号的非线性特性对辐射源个体固有特点的表征效果,并通过实测辐射源数据对本文提出的特征提取方案进行了验证,同时在数据不完整且碎片化的小数据量情况下的进行了特征提取实验,结果表明此方案较传统方法有明显的优越性。采取本文设计的特征提取方案对六部手机设备进行个体识别,个体正确识别率最高达到98%。在小样本、碎片化的信号数据下,本方案将数据进行片段拼接后进行特征提取,不同的碎片化程度下均可以正确识别个体90%以上的样本,其识别效果在相同数据条件下双谱特征50%-60%识别效果基础上提升了30%左右。
苏飞宇[6]（2020）在《基于小波与混沌理论的辐射源个体识别方法研究》文中进行了进一步梳理在电子侦察技术中,正确处理和分析敌方信号并将其分类识别是非常有意义但又充满挑战的一个环节,它将直接影响后期战场情势的把控和对抗策略的研制,在特定的时间空间内截获的敌方信号是不同种信号的混合体,在经典的信号处理识别后,它们可能仍然表现为信号调制类型和调制参数一致、频谱特征类似等等,正确识别信号的发射设备,利用区分于普通信号特征、深入探索其机理和特性来识别辐射源个体并获取战场信息是及其有意义的一个课题。特定辐射源信号识别仅仅关注于探测信号的无意调制特征,信号发射机各个器件在工作中由于温湿度环境和长时间工作的影响,会产生一些特定的变化,而这些变化将以某种形式体现在各种发射信号中,细微的信号特征正是这些器件差异性的体现。本文基于实测数据,通过对小波频域和相空间域的研究提取了多种特征进行个体识别,具体研究内容如下所示:首先,结合辐射源发射机系统的构造从振荡器和功放入手针对不同个体间具有固定区分度的无意识调制产生机理进行了研究并完成信号仿真。对实测数据进行预处理,研究其时域、频谱、包络、包络幅度分布、均值和方差等基本特征。在指纹机理的基础上,研究了实测数据的频率放大曲线,并分析了利用该曲线提取特征的可行性,在此基础上根据功放非线性对频率的影响提出了自适应能量窗和特定特征序列。其次,在统计了实测数据归一化包络幅度分布的基础上研究了偏度和峰度特征,利用三种不同的序列即完整脉冲、能量窗内全频段和特征序列完成特征提取,分析了各自的特点。进一步在含噪序列下研究了基于小波的偏峰度特征并进行降维处理。此外选取性能更优的小波包分解对于不同种输入方式研究了对应的分量熵作为辐射源个体识别的另一特征,对于这种能量特征本文选取Relief F和K-S特征降维算法。研究各种输入方式的各个维度偏度、峰度和小波熵特征,分别在KNN分类算法中进行分类识别。最后,基于辐射源个体间的差异性来源于系统器件非线性作用这一事实采用混沌理论处理本课题的实测数据并提取特征完成个体识别过程。在了解混沌基本理论的前提下验证了实测数据具有混沌性并利用经典算法得到了嵌入时间延迟和维数参数,基于此进行相空间重构并提取了相应的特征完成个体识别。
万众[7]（2020）在《圆柱壳大变形弯曲分析的小波方法》文中指出结构的大变形弯曲一直以来都是人们重点关注的话题,也是检验结构优劣的一个重要标准,因此在实际工程应用中对结构的大变形弯曲分析是必不可少的环节之一。已有的传统分析方法包括:有限元法和有限差分法等。近年来,圆柱壳结构作为一类新型结构,由于其独特的几何构型和良好性质被广泛应用于各个领域,例如:石油运输管道,拱形桥梁等。因此对于圆柱壳结构大变形弯曲的分析也就显得尤为重要。但由于圆柱壳的大变形弯曲问题涉及到高空间维数、强非线性以及复杂边界等诸多问题,计算存在困难。传统的有限元法和有限差分法对于强非线性问题并不适用且在求解分析时会出现剪力锁死的情况,无法完整表述结构变形的一系列特征,同时对于复杂结构的计算以上两种传统方法的计算量也过于巨大。因此本文将采取小波方法对圆柱壳体的大变形弯曲问题进数值求解分析。小波方法作为一类新兴的数值算法,由于其尺度基函数具有光滑性,正交性以及紧支撑等优良特性,使其可以避免在计算中出现剪力锁死的情况,很好克服传统方法缺陷的同时还可以保证极高的计算精度。因此在力学结构的分析中得到广泛应用,到目前为止小波方法已经在分析低维度梁和板的非线性变形问题中取得了良好成果。但对于高维度,非线性变形的复杂结构问题却从未涉及和验证过。本文首先在计算圆柱壳体弯曲变形之前给出了小波封闭解法的定义,并通过推导验证得出:小波封闭解法可以应用到强非线性问题的数值求解当中,然后在对圆柱壳体施以径向均布压力的条件下,对其弯曲变形进行数值求解和分析,并将所求得数值结果与有限元软件Abaqus的模拟结果进行对比。本文的研究主要成果如下:（1）本硕士学位论文针对两边简支且受径向均布载荷的圆柱壳体大变形弯曲问题,给出了运用小波数值方法求解的具体计算步骤与程序。（2）本论文把小波算法在力学结构中的应用范围扩展到了高维度,大变形的复杂结构中,并将圆柱壳在非线性条件下求出的数值结果与有限元方法对比后,得出小波数值算法适用于求解复杂的高维度圆柱壳体结构大变形问题的结论。
姚文坡[8]（2019）在《生理时间序列的符号化和非线性特征分析》文中认为人体是多个非线性生理系统构成的综合体,生理系统之间、器官之间以及器官的不同成分之间都存在不同程度的非线性相互作用。如何通过表征生理系统本身的非线性特征以及生理系统之间相互作用的改变来评估不同的生理、病理状态是生理系统非线性分析的根本问题。本文利用符号化方法简化生理时间序列非线性分析中的概率估计,并按照生理变量增加的研究主线分别从单一变量的非线性特征（符号熵值分析和时间不可逆）、双变量的因果关联性（符号转移熵）和多变量之间的交互关系（网络方法）三个角度对不同生理、病理的时间序列进行非线性特征分析,具体如下:首先,针对符号化对时间序列分析的影响,利用Logistic序列和心率信号对静态和动态符号熵值方法的非线性复杂度提取效果进行了系统的对比分析,充分验证了控制参数对时间序列符号化的影响,并发现需要根据时间序列的结构化或动力学特征的不同选择相应的符号化方法。文章发现了心率信号中大量存在的等值状态,并论证了等值分布包含的重要的心脏调节信息及其对排列类型和排列熵的影响。另外,针对如何结合静态、动态符号动力学信息的问题,从符号化、编码和序列分析三个途径总结了可使用的方法,提出了利用联合熵将两种类型的符号序列相结合的方法,更有效地提取了心率信号的非线性特征,并发现静态和动态符号化方法提取的符号动力学信息不同。心率信号的符号熵值分析有助于加深对心脏非线性特征的认知以及对心衰、年老相关的复杂度丢失理论的理解。其次,针对心率和脑电信号时间不可逆的量化分析,发现了时间不可逆统计定义和相空间理论在数学上的相似性,论证了利用排列类型代替高维向量的可行性,指出并验证了正反序列联合概率差异性和序列对称向量概率差异性的一致性,论证了空排列包含的系统非线性特征及其对时间不可逆分析的影响,提出了基于减法的排列概率差异性参数Ys。在癫痫脑电信号分析中,验证了脑电信号固有的非线性特征,发现了癫痫发作期脑电信号异常高的时间不可逆,提出了癫痫脑电周期性非线性特征的假设。在心率信号的非线性分析中,研究了等值状态对基于排列类型的时间不可逆的影响,发现等值排列类型可产生意味着时间可逆的自对称形式,论证了基于等值排列的时间不可逆有更加合理、可靠的非线性特征提取效果。另外,论证了多尺度分析对心率等值分布的影响,讨论了香农熵和时间不可逆在非线性特征分析中的差异性。心脏和大脑单一器官的时间不可逆分析为理解复杂生理系统的非平衡性以及相关生理、病理的特征等提供了帮助。再次,针对不同睡眠状态下心脑信号之间关联性的特征,利用静态和动态符号转移熵量化方法进行了研究,并从系统的动态关联性以及相互之间信息量的影响两个角度对转移熵进行了解析,研究了心脏和大脑信号之间以及心电信号和不同波段的脑电活动之间存在的信息交换量,发现心脑信号之间信息关联性随着睡眠的加深而降低,而心电信号和不同脑波段的信息交换量随着频段频率的增加而增加。心电信号至脑电的信息流受睡眠影响更大,因而能更加有效地反映睡眠状态的变化,并且心电活动至脑电信号的信息量高于反向脑电至心电信号的信息量,表明在心脑信号的信息交互作用中,心脏活动是驱动因素,而脑电活动是响应因素。另外,对符号序列编码、排列和相空间、采样频率之间的理论和应用中的关系进行了充分的讨论。心脑信息关联性的量化分析提供了对心脑信号之间因果关系的新认识,并且为睡眠分期的研究提供了有价值的信息。最后,针对多生理变量的网络关联性,利用排列转移熵量化生理节点之间的连接并构建了有向加权的生理网络,分析了癫痫脑网络和睡眠生理器官网络的统计特征。在脑信息网络中,癫痫患者脑通道之间、各个脑区和整个大脑的信息传输总量以及信息流概率分布的香农熵值都低于健康人,表明癫痫抑制了不同脑区之间的信息交换以及脑区交互活动复杂度。在生理器官网络中,器官之间信息传输量以及各器官的信息流入、流出信息总量和信息交互的复杂度都随着睡眠深度的增加而降低,表明人体各器官在睡眠状态下存在普遍的信息交互关联性,但是器官之间信息交换的活跃度会随着睡眠的加深而有所下降。另外,结合癫痫和睡眠的生理、病理特点,讨论了生理信息交换网络的特征。脑网络和生理器官网络的分析对探索生理系统中复杂的相互作用的本质以及了解相关癫痫和睡眠的特点起到重要的作用。本文在生理时间序列的符号化和非线性特征分析中,提出了符号联合熵和基于排列的时间不可逆分析,验证了符号化和等值心率对非线性分析的重要影响,提出了癫痫脑电周期性非线性特征的假设,研究了生理器官之间的关联性并构建了生理信息交换网络,取得一定成果但也发现一些需要进一步研究的问题。
尤婷[9]（2020）在《摆式调谐质量阻尼器性能优化与振动控制的研究》文中认为随着社会对桥梁等大型基础设施结构的安全性、可靠性关注日益增加,结构振动控制技术也越来越受到人们的重视。结构振动控制技术是一种多学科交叉的新兴技术,它通过在结构上安装一些主动的或被动的耗能装置来改变结构的刚度、阻尼等参数或提供主动控制力以期达到减振控制效果,对于保障关键结构的安全性、避免重大灾害性事故的发生、保障人民的生命财产安全等方面具有重大的意义。本文以国家自然科学基金科研项目为研究背景,开展了摆式调谐质量阻尼器（Pendulum Tuned Mass Damper,简称PTMD）优化设计、评估、控制与桥梁减振等方面的研究,着重开展了摆式调谐质量阻尼器多自由度动力学建模、参数性能与优化求解、基于扩展卡尔曼滤波器的参数估计、多频调谐控制和桥梁动荷载作用下多PTMD仿真等方面的方法研究、算法推导与分析验证等工作,在技术方法上探索和给出了相关算法实施的一般技术指引,研究工作获得了良好成效并取得若干具有创新性的科研成果。论文所做研究工作和主要贡献:（1）从结构与摆式调谐阻尼器相互耦合运动的五自由度模型着手,根据动能,势能和耗散函数,利用Lagrange方程,建立了多自由度PTMD的响应与动力学方程以及系统的状态空间方程,基于平面和球面运动的两个广义坐标来模拟PTMD的三维特性,推导了非线性辅助阻尼、等效线性粘滞阻尼参数,为后续章节的分析提供理论基础。（2）以多自由度PTMD的响应分析为基础开展了参数研究,提出了一种使用线性化平面PTMD的闭式或数值搜索最优阻尼器参数解决方案,对于较大质量比的系统,利用本算法比传统单纯增加质量比的方法可以获得出更优的辅助阻尼比,开展了基于地缘政治策略和小波突变的帝国竞争算法的参数优化研究。（3）基于扩展卡尔曼滤波器提出了一种多参数估计算法,该算法实现了阻尼器正常工作时能有效估计结构的固有频率、模态阻尼比和振型,消除了自身对系统结构动态特性响应带来的干扰,克服了传统方式中需要停止附加阻尼器的工作才能进行参数识别的缺陷,为在线实施提供了技术支持。（4）围绕结构模态特性,提出了一种基于扩展卡尔曼滤波器估计方法,将结构模态特性估计算法引入到有效阻尼的估计中,克服了结构的受控频率无法准确获知时,利用系统加速度响应就能够实现在役调谐阻尼器性能评价。（5）研究了一种基于Stewart平台的PTMD系统,对该系统进行了运动学分析,结合混沌理论开展了Stewart平台加速度信号混沌辨析,对该系统进行混沌判别做了积极的探索。对PTMD液压控制系统各单元模块进行了建模并提出了多频率调谐的主动控制方案,最后通过控制系统仿真实现了使用更小的质量达到了大质量被动TMD相同的阻尼效果,提高了PTMD系统阻尼效率。（6）以铁路桥梁为特定对象,开展了不同质量比的单个PTMD、不同质量比多个PTMD的仿真对比分析,相关仿真分析验证了论文研究工作所提出算法的可行性与有效性,该部分研究工作体现出良好的技术方法意义,为相关理论方法的实际应用提供了一定的技术方法支撑。
席乐乐[10]（2019）在《基于混沌理论的BCG信号非线性特性分析》文中指出随着人们生活方式的改变,中国心血管病的发病人数持续增加,且大量的心脏病突发状况都发生在医院外,需要寻找一种无创的家庭心脏监护方法,对心脏状态进行院外持续监测,并提前预警心脏异常,降低突发心脏病造成的风险和损失。心冲击信号（Ballistocardiogram,BCG）可以描述心脏收缩与血液喷射引起的身体振动,是一种可实现非接触式采集的心脏生理信号。本文设计了一种基于压电薄膜传感器的坐式BCG信号采集系统,实现心脏生理信号的非接触式采集,并对信号进行特征提取与分析,主要工作如下:（1）依据BCG信号的产生原理,将压电薄膜传感器置于坐垫中,设计并制作由电荷放大电路、滤波电路、后级放大电路和数据采集卡组成的信号采集系统,并同步采集心电信号（Electrocardiogram,ECG）和脉搏信号。此采集系统可有效采集并记录三种心脏生理信号,具有较好的稳定性。（2）研究了基于小波变换的BCG信号去噪方法。根据BCG信号的特点及噪声来源,选用切比雪夫Ⅱ型IIR数字滤波器从频域角度去除呼吸趋势和由模拟电路与环境引入的噪声。然后讨论了小波基、分解尺度和阈值函数对小波去噪效果的影响,选用基于sym8小波基的改进阈值法对BCG信号进行小波去噪。此方法可有效去除信号采集过程中引入的噪声,得到清晰的、符合标准BCG信号特征的波形。（3）研究了提取并分析呼吸率和BCG信号特征点的方法。基于原始信号中的呼吸趋势和正常呼吸频率,采用低通滤波提取呼吸信号的基本波形,然后标记特征点获得呼吸率。讨论特征点标记过程中阈值选择的方法,采用幅度和间隔阈值结合的方法精确标记BCG信号J波,然后使用极值递推方式依次标出K、I、L波,并同理标记心电信号的QRS波群。最后计算BCG信号特征点间隔和两种信号之间的J-R间隔,分别绘制ECG信号的R-R间期散点图和BCG信号的J-J间期散点图并对比。统计分析结果显示,BCG信号单周期内各波段稳定且与心电信号同步,可准确反映心动周期。（4）介绍了基于混沌理论的BCG信号非线性特性分析方法并计算特征参数。对信号进行功率谱分析,证明了BCG信号是具有确定性规律的混沌信号;采用C-C算法计算延迟时间和嵌入维数,并对不同受试者的信号进行相空间重构,发现健康受试者相空间重构图比异常受试者更有规律;采用G-P算法和Wolf法分别计算信号关联维数及最大Lyapunov指数,结果也验证了健康人的BCG信号混沌性更强。（5）采用支持向量机对信号进行分类与异常识别。对比输入不同特征向量时的异常识别率。结果显示,加入非线性混沌特征后,信号异常识别率明显提高。
二、相空间重构中的K-L变换（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、相空间重构中的K-L变换（论文提纲范文）
（1）基于t-SNE与稀疏表示的滚动轴承故障特征提取研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 论文选题的意义及目的 |
| 1.2 滚动轴承故障特征提取研究现状 |
| 1.2.1 滚动轴承故障特征提取的发展历程 |
| 1.2.2 滚动轴承故障特征提取的研究现状 |
| 1.3 滚动轴承故障特征提取概述 |
| 1.3.1 滚动轴承故障的基本结构 |
| 1.3.2 滚动轴承的基本故障频率 |
| 1.4 滚动轴承故障特征提取方法 |
| 1.4.1 滚动轴承故障特征信号分析方法 |
| 1.4.2 滚动轴承故障聚类方法 |
| 1.5 论文主要研究内容与各章节安排 |
| 2 相空间重构技术和流形学习方法 |
| 2.1 相空间重构技术 |
| 2.1.1 相空间重构技术的基本原理 |
| 2.1.2 重构参数对构建相空间的影响 |
| 2.1.3 相空间重构参数的选择方法 |
| 2.1.4 相空间重构参数的选择方法对比 |
| 2.2 流形学习方法 |
| 2.2.1 流形学习方法概述 |
| 2.2.2 经典流形学习算法 |
| 2.2.3 t-SNE算法与其他流形学习算法对比 |
| 2.3 本章小结 |
| 3 基于t-SNE算法的稀疏表示方法 |
| 3.1 信号的原子分解方法 |
| 3.2 信号的稀疏表示 |
| 3.2.1 学习字典的选择 |
| 3.2.2 稀疏表示的求解算法 |
| 3.2.3 字典学习算法在稀疏分解中的应用 |
| 3.3 滚动轴承故障特征提取 |
| 3.3.1 滚动轴承故障特征提取流程 |
| 3.3.2 滚动轴承实验信号验证 |
| 3.4 本章小结 |
| 4 基于K-means算法的滚动轴承故障信号聚类方法 |
| 4.1 K-means算法的基本理论及数学模型 |
| 4.1.1 K-means算法的基本理论 |
| 4.1.2 K-means算法的数学模型 |
| 4.2 实验验证 |
| 4.2.1 故障特征聚类 |
| 4.2.2 滚动轴承实验信号对比验证 |
| 4.3 本章小结 |
| 5 滚动轴承故障特征提取方法实验验证 |
| 5.1 滚动轴承故障特征提取流程 |
| 5.1.1 滚动轴承故障实测信号来源 |
| 5.1.2 基于t-SNE与稀疏表示的故障特征提取流程 |
| 5.2 基于t-SNE与稀疏表示的滚动轴承故障特征提取方法 |
| 5.2.1 滚动轴承内圈的故障特征提取 |
| 5.2.2 滚动轴承外圈故障特征提取 |
| 5.2.3 滚动轴承滚动体故障特征提取 |
| 5.3 基于t-SNE与稀疏表示的滚动轴承故障特征聚类 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 6.1 全文工作总结 |
| 6.2 未来研究展望 |
| 参考文献 |
| 作者简历及攻读硕士学位期间取得的研究成果 |
| 学位论文数据集 |
（2）基于数据驱动的带式输送机轴承故障诊断技术研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 变量注释表 |
| 1 绪论 |
| 1.1 课题来源 |
| 1.2 选题背景及意义 |
| 1.3 课题国内外研究现状 |
| 1.4 主要研究内容和技术路线 |
| 2 轴承故障分析及滚动轴承故障模拟实验台搭建 |
| 2.1 引言 |
| 2.2 轴承结构及故障诊断难点 |
| 2.3 轴故障特征频率计算 |
| 2.4 轴承数据采集 |
| 2.5 小结 |
| 3 噪声干扰下轴承故障诊断技术研究 |
| 3.1 引言 |
| 3.2 基于频谱重构和MOMEDA的故障频率提取方法 |
| 3.3 基于实验数据的算法验证 |
| 3.4 小结 |
| 4 基于分步式VMD和多特征轴承故障诊断技术研究 |
| 4.1 引言 |
| 4.2 分步式VMD和多特征提取 |
| 4.3 基于实验数据的算法验证 |
| 4.4 小结 |
| 5 基于完备中心频率特征的轴承故障诊断技术研究 |
| 5.1 引言 |
| 5.2 完备中心频率故障特征提取 |
| 5.3 基于实验数据的算法验证 |
| 5.4 小结 |
| 6 多种转速工况下轴承故障诊断技术研究 |
| 6.1 引言 |
| 6.2 基于VMD和 CNN的故障诊断方法 |
| 6.3 基于实验数据的算法验证 |
| 6.4 小结 |
| 7 结论 |
| 参考文献 |
| 作者简历 |
| 学位论文数据集 |
（3）基于核极限学习机的边坡位移预测研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外研究动态 |
| 1.2.1 边坡形变预测研究现状 |
| 1.2.2 极限学习机研究现状 |
| 1.3 本文研究内容及章节安排 |
| 1.3.1 本文研究内容 |
| 1.3.2 章节安排 |
| 第二章 边坡变形相关知识与数据采集 |
| 2.1 边坡变形相关知识 |
| 2.1.1 边坡类型 |
| 2.1.2 影响边坡稳定性因素 |
| 2.2 边坡数据采集 |
| 2.2.1 边坡的监测系统 |
| 2.2.2 数据的预处理 |
| 2.3 本章小结 |
| 第三章 基于BSA-KELM的边坡位移预测方法研究 |
| 3.1 混沌理论和相空间重构 |
| 3.1.1 混沌时间序列 |
| 3.1.2 相空间重构 |
| 3.2 核极限学习机 |
| 3.2.1 极限学习机 |
| 3.2.2 核极限学习机 |
| 3.3 鸟群算法 |
| 3.4 基于BSA-KELM的边坡位移预测模型 |
| 3.4.1 建模流程 |
| 3.4.2 评价指标 |
| 3.4.3 模型参数选取 |
| 3.4.4 预测结果及分析 |
| 3.5 本章小结 |
| 第四章 变分模态分解及其在边坡位移预测中的应用 |
| 4.1 变分模态分解 |
| 4.1.1 基本原理 |
| 4.1.2 VMD算法流程 |
| 4.1.3 VMD算法重要参数选取 |
| 4.2 基于VMD和 BSA-KELM的边坡位移预测模型 |
| 4.2.1 建模流程 |
| 4.2.2 预测结果与分析 |
| 4.3 其他监测点的预测结果 |
| 4.4 本章小结 |
| 第五章 基于VMD和 BSA-KELM模型的多步预测 |
| 5.1 多步预测原理 |
| 5.2 递归多步预测模型 |
| 5.2.1 模型参数的选择 |
| 5.2.2 预测结果及分析 |
| 5.3 多输出预测模型 |
| 5.3.1 模型参数的选择 |
| 5.3.2 预测结果及分析 |
| 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 |
| 个人简历、在学期间的研究成果及发表的学术论文 |
（4）基于MEMS传感器数据同调的身份识别（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| §1.1 课题的研究背景与意义 |
| §1.2 国内外研究现状 |
| §1.3 文章主要内容与结构 |
| §1.3.1 本文主要研究内容 |
| §1.3.2 本文章节安排 |
| 第二章 基于MEMS传感器数据的特征提取 |
| §2.1 基于时域、频域的特征 |
| §2.1.1 时域特征 |
| §2.1.2 频域特征 |
| §2.2 基于相空间的特征 |
| §2.2.1 相空间 |
| §2.2.2 持续同调 |
| §2.2.2.1 单纯形与单纯复形 |
| §2.2.2.2 条形码图与持续图 |
| §2.2.2.3 持续同调期望 |
| §2.3 本章小结 |
| 第三章 身份识别关键技术 |
| §3.1 支持向量机 |
| §3.1.1 线性可分型 |
| §3.1.2 软间隔 |
| §3.1.3 核函数 |
| §3.2 概率神经网络 |
| §3.3 K-L散度 |
| §3.3.1 K-L散度 |
| §3.3.2 计算EPD的K-L散度 |
| §3.4 本章小结 |
| 第四章 实验与结果分析 |
| §4.1 MEMS传感器数据预处理 |
| §4.2 基于SVM的身份识别 |
| §4.3 基于PNN的身份识别 |
| §4.4 基于K-L散度的身份识别 |
| §4.5 性能分析 |
| §4.6 本章小结 |
| 第五章 总结与展望 |
| 参考文献 |
| 致谢 |
| 作者在攻读硕士期间的主要研究成果 |
（5）基于指纹特征提取的辐射源个体识别研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究工作的背景与意义 |
| 1.2 国内外研究历史与现状 |
| 1.3 本论文的结构安排 |
| 第二章 辐射源信号指纹特征提取研究 |
| 2.1 引言 |
| 2.2 时频域指纹特征提取 |
| 2.2.1 基于经验模态的信号特征提取 |
| 2.2.2 基于小波变换的信号特征提取 |
| 2.3 基于高阶谱的指纹特征提取 |
| 2.3.1 高阶统计量 |
| 2.3.2 双谱定义与性质 |
| 2.3.3 信号特征提取方法 |
| 2.4 数据对特征提取的影响 |
| 2.4.1 实验结果 |
| 2.4.2 结果分析 |
| 2.5 本章小结 |
| 第三章 相空间重构 |
| 3.1 引言 |
| 3.2 信号指纹的产生 |
| 3.3 混沌与辐射源信号非线性特性 |
| 3.4 非线性系统的特性参数 |
| 3.4.1 混沌吸引子 |
| 3.4.2 李雅普诺夫指数 |
| 3.4.3 关联维数 |
| 3.4.4 柯尔莫戈洛夫熵 |
| 3.4.5 赫斯特指数 |
| 3.5 相空间重构理论 |
| 3.5.1 相空间重构定义 |
| 3.5.2 延迟时间 |
| 3.5.3 嵌入维数 |
| 3.6 本章小结 |
| 第四章 基于相空间重构的信号特征提取 |
| 4.1 引言 |
| 4.2 基于延迟窗口的C-C法重构相空间 |
| 4.3 基于相空间重构的特征提取方案 |
| 4.4 实验与分析 |
| 4.4.1 仿真实验 |
| 4.4.2 实测信号实验 |
| 4.4.3 数据对特征识别的影响 |
| 4.4.4 实验结果分析 |
| 4.5 本章小结 |
| 第五章 辐射源信号指纹识别系统 |
| 5.1 引言 |
| 5.2 系统设计框架 |
| 5.3 信号指纹特征识别实验 |
| 5.3.1 实验结果 |
| 5.3.2 结果分析 |
| 5.4 本章小结 |
| 第六章 全文总结与展望 |
| 6.1 全文总结 |
| 6.2 后续工作展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
（6）基于小波与混沌理论的辐射源个体识别方法研究（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 国内外的研究现状及分析 |
| 1.2.1 辐射源个体识别研究现状 |
| 1.2.2 小波的研究现状 |
| 1.2.3 混沌理论研究现状 |
| 1.3 本文的主要研究内容及章节安排 |
| 第2章 无意调制机理及特征序列的提取 |
| 2.1 引言 |
| 2.2 无意调制机理的研究 |
| 2.2.1 振荡器产生的无意调制 |
| 2.2.2 功放产生的无意调制 |
| 2.2.3 无意调制的仿真 |
| 2.3 实测数据特征序列的提取 |
| 2.3.1 数据预处理 |
| 2.3.2 信号特征序列的提取 |
| 2.4 KNN分类算法 |
| 2.5 本章小结 |
| 第3章 基于小波理论的辐射源个体识别 |
| 3.1 引言 |
| 3.2 基于小波和特征降维的偏度峰度特征 |
| 3.2.1 峰度和偏度 |
| 3.2.2 小波分解 |
| 3.2.3 线性判别分析 |
| 3.2.4 特征提取方法 |
| 3.3 基于特征选择的小波熵特征 |
| 3.3.1 小波熵特征 |
| 3.3.2 Relief F特征选择算法 |
| 3.3.3 K-S特征评价准则 |
| 3.4 实验结果及分析 |
| 3.5 本章小结 |
| 第4章 基于混沌理论的辐射源个体识别 |
| 4.1 引言 |
| 4.2 混沌理论的基础 |
| 4.2.1 相空间重构 |
| 4.2.2 混沌信号基本特征 |
| 4.3 混沌信号的特征提取 |
| 4.3.1 分量重排 |
| 4.3.2 分段均值方差特征 |
| 4.3.3 特征提取方法 |
| 4.4 实验结果及分析 |
| 4.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及其它成果 |
| 致谢 |
（7）圆柱壳大变形弯曲分析的小波方法（论文提纲范文）
| 中文摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 小波理论的发展历史与研究现状 |
| 1.2.1 小波方法在积分方程求解中的应用 |
| 1.2.2 小波方法在力学与结构分析中的应用 |
| 1.2.3 小波方法在微分方程求解中的应用 |
| 1.3 圆柱壳结构问题的国内外研究现状 |
| 1.4 本文主要工作 |
| 第二章 小波数值方法的基础理论 |
| 2.1 L~2(R)空间的多分辨分析与Coiflet小波 |
| 2.1.1 L~2(R)空间的多分辨分析 |
| 2.1.2 广义正交Coiflets小波的构建 |
| 2.1.3 尺度函数导数的计算 |
| 2.1.4 尺度函数积分的计算 |
| 2.1.5 连接系数的计算 |
| 2.2 有限区间上函数的广义Coiflets小波逼近 |
| 2.2.1 任意函数的小波逼近格式 |
| 2.2.2 有限区间上函数的小波逼近 |
| 2.2.3 有限区间上多维函数的小波逼近 |
| 2.3 本章小结 |
| 第三章 非线性边值问题的小波解法 |
| 3.1 封闭解法的概念 |
| 3.2 小波封闭解法 |
| 3.3 一维非线性边值问题 |
| 3.3.1 统一求解格式 |
| 3.3.2 一维Bratu方程 |
| 3.4 多维非线性边值问题 |
| 3.4.1 统一求解格式 |
| 3.4.2 二维Bratu方程 |
| 3.4.3 圆柱壳体的一般求解格式 |
| 第四章 非线性圆柱壳的小波解法 |
| 4.1 圆柱壳有矩理论基本方程 |
| 4.1.1 Donnell假设基本内容 |
| 4.1.2 几何方程 |
| 4.1.3 物理方程 |
| 4.1.4 控制方程的推导 |
| 4.2 小波方法求解非线性圆柱壳 |
| 4.2.1 控制方程求解 |
| 4.2.2 结果与讨论 |
| 4.3 本章小结 |
| 第五章 结论与展望 |
| 参考文献 |
| 致谢 |
（8）生理时间序列的符号化和非线性特征分析（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 生理信号的复杂性和分析方法 |
| 1.1.1 生理时间序列复杂性的体现 |
| 1.1.2 复杂生理信号的研究方向 |
| 1.2 单变量非线性特征分析 |
| 1.2.1 符号时间序列分析(熵值分析) |
| 1.2.2 时间不可逆分析 |
| 1.3 双系统关联性分析 |
| 1.4 生理网络分析 |
| 1.5 三种生理、病理现象 |
| 1.5.1 心电活动 |
| 1.5.2 癫痫 |
| 1.5.3 睡眠 |
| 1.6 研究内容以及章节安排 |
| 第二章 心率信号的符号化熵值分析 |
| 2.1 符号时间序列分析和心率信号 |
| 2.1.1 符号时间序列分析 |
| 2.1.2 CHF、健康年轻和老年心率 |
| 2.2 静态符号熵值分析 |
| 2.2.1 Kurths-Wessel和基本尺度符号熵 |
| 2.2.2 Logistic序列的KW和 BS符号熵 |
| 2.2.3 心率信号的KW和 BS符号熵 |
| 2.3 差分符号熵值分析 |
| 2.3.1 JK符号化和其改进的差分符号化 |
| 2.3.2 差分符号熵的非线性复杂度分析 |
| 2.4 心率信号的等值排列熵分析 |
| 2.4.1 排列符号化及等值排列符号化 |
| 2.4.2 等值心率的分布及其生理意义 |
| 2.4.3 心率信号的排列熵和等值排列熵 |
| 2.5 静态、动态双重符号联合熵分析 |
| 2.5.1 静态、动态符号动力学信息的融合 |
| 2.5.2 Logistic序列的符号联合熵 |
| 2.5.3 心率信号的符号联合熵 |
| 2.6 本章小结 |
| 第三章 心脑信号的时间不可逆分析 |
| 3.1 时间不可逆的基本概念 |
| 3.1.1 时间不可逆的基本定义 |
| 3.1.2 正反序列和对称向量概率差异性 |
| 3.2 时间不可逆的量化分析 |
| 3.2.1 时间不可逆和排列类型 |
| 3.2.2 空排列和基于减法的差异性参数 |
| 3.2.3 代替数据及其构造方法 |
| 3.3 模型序列的时间不可逆 |
| 3.3.1 三种模型序列 |
| 3.3.2 时间不可逆参数的模型序列验证 |
| 3.4 癫痫脑电信号的时间不可逆 |
| 3.4.1 癫痫脑电信号及其单一排列 |
| 3.4.2 癫痫脑电信号的时间不可逆 |
| 3.4.3 癫痫发作间期脑电信号的时间不可逆 |
| 3.5 心率的时间不可逆分析 |
| 3.5.1 Costa指数和排列概率分布的Ys(m=2) |
| 2)'>3.5.2 排列概率分布的Ys(m>2) |
| 3.5.3 多尺度对等值心率的影响 |
| 3.6 熵值分析和时间不可逆的差别 |
| 3.7 本章小结 |
| 第四章 睡眠心脑信号的符号转移熵分析 |
| 4.1 心脑之间的生理关联性 |
| 4.1.1 神经心脏病学(Neurocardiology) |
| 4.1.2 睡眠心脑关联性的量化分析 |
| 4.2 转移熵和符号转移熵 |
| 4.2.1 转移熵 |
| 4.2.2 符号转移熵 |
| 4.3 睡眠心脑活动信息交换的转移熵分析 |
| 4.3.1 睡眠心脏和大脑信号 |
| 4.3.2 心脑信号的排列转移熵分析 |
| 4.3.3 心脑信号的KW符号转移熵分析 |
| 4.3.4 心电和不同波段脑电活动的信息交换 |
| 4.4 符号编码、排列和相空间、采样频率的关系 |
| 4.5 本章小结 |
| 第五章 脑网络和生理器官网络分析 |
| 5.1 生理网络分析 |
| 5.1.1 生理网络的构建 |
| 5.1.2 网络特征分析 |
| 5.1.3 生理信息网络的特征参数 |
| 5.2 癫痫脑网络分析 |
| 5.2.1 脑信息交换网络的构建 |
| 5.2.2 脑信息交换网络分析 |
| 5.3 睡眠生理网络分析 |
| 5.3.1 睡眠生理器官网络的构建 |
| 5.3.2 睡眠生理信息网络分析 |
| 5.4 生理信息交换网络特点 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 参考文献 |
| 附录1 攻读博士学位期间撰写的论文 |
| 附录2 攻读博士学位期间参加的科研项目 |
| 致谢 |
（9）摆式调谐质量阻尼器性能优化与振动控制的研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 结构振动控制技术 |
| 1.2.1 被动控制方式 |
| 1.2.2 主动控制方式 |
| 1.2.3 半主动控制方式 |
| 1.2.4 主、被动混合控制方式 |
| 1.3 调谐质量阻尼器的国内外发展状况 |
| 1.3.1 被动式调谐质量阻尼器 |
| 1.3.2 主动式调谐质量阻尼器 |
| 1.3.3 半主动式调谐质量阻尼器 |
| 1.3.4 调谐质量阻尼器的失谐问题 |
| 1.4 摆式调谐质量阻尼器 |
| 1.5 当前存在的主要问题 |
| 1.6 论文主要研究内容和章节安排 |
| 1.7 本章小结 |
| 第二章 PTMD的数学模型 |
| 2.1 引言 |
| 2.2 基于多自由度的PTMD系统建模 |
| 2.2.1 PTMD系统能量函数 |
| 2.2.2 基于拉格朗日的系统运动方程 |
| 2.3 PTMD辅助阻尼和刚度 |
| 2.4 多自由度结构与摆式阻尼器动力学耦合关系 |
| 2.4.1 主结构-PTMD系统的单轴响应 |
| 2.4.2 状态空间方程的推导 |
| 2.5 非线性辅助阻尼的分析 |
| 2.5.1 速度平方比例辅助阻尼 |
| 2.5.2 等效线性粘性阻尼 |
| 2.6 本章小结 |
| 第三章 PTMD的参数研究 |
| 3.1 引言 |
| 3.2 PTMD参数的影响 |
| 3.2.1 PTMD性能的评估方法 |
| 3.2.2 失谐效应 |
| 3.2.3 质量比的影响 |
| 3.3 PTMD优化参数求解 |
| 3.3.1 PTMD解的封闭形式 |
| 3.3.2 主质量阻尼的平面PTMD优化参数 |
| 3.3.3 主质量阻尼的平-球面PTMD优化参数 |
| 3.4 基于帝国竞争算法的优化研究 |
| 3.4.1 帝国竞争算法基本原理 |
| 3.4.2 改进1型-地缘政治策略 |
| 3.4.3 改进2型-小波突变 |
| 3.4.4 调谐质量阻尼器的参数优化 |
| 3.5 本章小结 |
| 第四章 PTMD参数估计研究 |
| 4.1 引言 |
| 4.2 扩展卡尔曼滤波器参数估计研究 |
| 4.2.1 卡尔曼滤波器状态估计算法 |
| 4.2.2 扩展卡尔曼滤波器状态与参数联合估计算法 |
| 4.2.3 卡尔曼滤波器连续系统的离散化处理 |
| 4.3 卡尔曼滤波器噪声估计 |
| 4.3.1 馈通干扰噪声的状态估计算法 |
| 4.3.2 基于相关性的噪声估计 |
| 4.3.3 基于最小二乘法的相关性向量化处理 |
| 4.3.4 基于最小二乘法的估计 |
| 4.4 基于EKF的多参数估计研究 |
| 4.4.1 PTMD-多自由度结构的状态方程推导 |
| 4.4.2 基于EKF的 PTMD-多自由度结构状态和参数联合估计 |
| 4.4.3 基于EKF的 PTMD-多自由度结构的噪声协方差估计 |
| 4.4.4 基于EKF的状态、噪声协方差与参数联合估计 |
| 4.5 PTMD的有效阻尼估计 |
| 4.5.1 PTMD有效阻尼的理论分析 |
| 4.5.2 基于EKF的 PTMD-单自由度结构有效阻尼估计 |
| 4.5.3 基于EKF的 PTMD-多自由度结构有效阻尼估计 |
| 4.6 本章小结 |
| 第五章 基于Stewart平台的摆式调谐质量阻尼器控制策略 |
| 5.1 引言 |
| 5.2 基于Stewart平台的摆式调谐质量阻尼器特点 |
| 5.3 基于Stewart平台的摆式调谐质量阻尼器分析 |
| 5.3.1 Stewart平台坐标分析 |
| 5.3.2 Stewart平台雅可比矩阵求解分析 |
| 5.3.3 Stewart平台速度及加速度分析 |
| 5.3.4 Stewart平台动力学分析 |
| 5.4 基于Stewart平台的PTMD系统构成 |
| 5.5 基于Stewart平台的PTMD混沌特性分析 |
| 5.5.1 Stewart平台加速度信号混沌辨析 |
| 5.5.2 加速度信号混沌诊断 |
| 5.5.3 Lorenz时滞混沌系统控制和同步 |
| 5.5.4 混沌同步的实现 |
| 5.5.5 滞混沌的控制与同步的数值仿真 |
| 5.6 液压控制系统建模 |
| 5.6.1 伺服电机与液压泵建模 |
| 5.6.2 液压缸建模 |
| 5.6.3 三位四通电磁阀建模 |
| 5.6.4 负载建模 |
| 5.7 本系统PTMD主动控制策略 |
| 5.7.1 主动阻尼的多频调谐系统控制方案 |
| 5.7.2 PTMD主动控制仿真分析 |
| 5.8 本章小结 |
| 第六章 多PTMD桥梁减振研究 |
| 6.1 桥梁的有限元建模及校准 |
| 6.2 桥梁的动态加载分析 |
| 6.3 多PTMD配置与布局 |
| 6.4 多PTMD仿真分析 |
| 6.4.1 有限元模型的动态特性 |
| 6.4.2 不同参数多PTMD的仿真分析 |
| 6.4.3 多PTMD灵敏度分析 |
| 6.5 本章小结 |
| 第七章 结论与展望 |
| 7.1 结论 |
| 7.2 展望 |
| 参考文献 |
| 作者在攻读博士学位期间科研论文发表情况 |
| 作者在攻读博士学位期间所参加的主要科研项目 |
| 致谢 |
（10）基于混沌理论的BCG信号非线性特性分析（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| §1.1 课题的研究背景与意义 |
| §1.2 心冲击信号的发展与研究现状 |
| §1.2.1 心冲击信号的发展历史 |
| §1.2.2 心冲击信号的国内外研究现状 |
| §1.3 心脏系统的混沌特性研究现状 |
| §1.4 本文主要研究内容 |
| §1.5 本文组织结构 |
| 第二章 BCG信号采集装置工作原理与系统组成 |
| §2.1 信号采集系统总体设计 |
| §2.2 硬件电路原理 |
| §2.2.1 传感器选择 |
| §2.2.2 电荷放大电路 |
| §2.2.3 滤波电路设计 |
| §2.2.4 工频陷波电路设计 |
| §2.2.5 模块级联顺序 |
| §2.2.6 电源电路 |
| §2.2.7 对比信号的采集 |
| §2.3 BCG信号采集实验 |
| §2.4 本章小结 |
| 第三章 基于小波变换的BCG信号去噪 |
| §3.1 信号预处理 |
| §3.1.1 滤波器的选择 |
| §3.1.2 信号预处理步骤及结果 |
| §3.2 基于小波变换的BCG信号去噪 |
| §3.2.1 小波变换的原理 |
| §3.2.2 小波基的选择 |
| §3.2.3 基于改进阈值法的小波去噪 |
| §3.3 本章小结 |
| 第四章 BCG信号混沌特性的分析方法 |
| §4.1 功率谱分析法 |
| §4.2 相空间重构 |
| §4.2.1 相空间重构算法介绍 |
| §4.2.2 延迟时间和嵌入维数的确定 |
| §4.3 关联维数的计算 |
| §4.4 Lyapunov指数 |
| §4.5 本章小结 |
| 第五章 BCG信号特征提取与分析 |
| §5.1 呼吸率的提取 |
| §5.2 信号时域特征提取 |
| §5.3 信号特征分析 |
| §5.3.1 BCG信号稳定性分析 |
| §5.3.2 间期散点图 |
| §5.4 基于混沌理论的BCG信号非线性特性分析 |
| §5.4.1 BCG信号的功率谱分析 |
| §5.4.2 BCG信号的相空间重构图 |
| §5.4.3 关联维数 |
| §5.4.4 最大Lyapunov指数 |
| §5.6 本章小结 |
| 第六章 基于支持向量机的BCG信号分类与识别 |
| §6.1 支持向量机原理介绍 |
| §6.2 分类实验及结果分析 |
| §6.3 本章小结 |
| 第七章 总结与展望 |
| §7.1 总结 |
| §7.2 展望 |
| 参考文献 |
| 致谢 |
| 作者在攻读硕士期间的主要研究成果 |
四、相空间重构中的K-L变换（论文参考文献）
- [1]基于t-SNE与稀疏表示的滚动轴承故障特征提取研究[D]. 杜婧. 北京交通大学, 2021(02)
- [2]基于数据驱动的带式输送机轴承故障诊断技术研究[D]. 李勇. 中国矿业大学, 2021
- [3]基于核极限学习机的边坡位移预测研究[D]. 段绰. 石家庄铁道大学, 2021(01)
- [4]基于MEMS传感器数据同调的身份识别[D]. 张李轩. 桂林电子科技大学, 2021(02)
- [5]基于指纹特征提取的辐射源个体识别研究[D]. 熊小莉. 电子科技大学, 2021(01)
- [6]基于小波与混沌理论的辐射源个体识别方法研究[D]. 苏飞宇. 哈尔滨工业大学, 2020(01)
- [7]圆柱壳大变形弯曲分析的小波方法[D]. 万众. 兰州大学, 2020(01)
- [8]生理时间序列的符号化和非线性特征分析[D]. 姚文坡. 南京邮电大学, 2019(04)
- [9]摆式调谐质量阻尼器性能优化与振动控制的研究[D]. 尤婷. 上海大学, 2020(03)
- [10]基于混沌理论的BCG信号非线性特性分析[D]. 席乐乐. 桂林电子科技大学, 2019(01)