为解决奇异值分解(singular value decomposition,SVD)去噪中有效秩阶次难以确定的问题,提出一种利用SVD本身进行辅助确定的方法。充分借助SVD在奇异性检测中表现出的优良特性,将原始含噪信号进行SVD处理后获得的奇异值序列视做一个新...为解决奇异值分解(singular value decomposition,SVD)去噪中有效秩阶次难以确定的问题,提出一种利用SVD本身进行辅助确定的方法。充分借助SVD在奇异性检测中表现出的优良特性,将原始含噪信号进行SVD处理后获得的奇异值序列视做一个新的信号,并对该信号对象重新进行奇异值分解;通过对各分量信号的奇异性检测,将奇异值序列的奇异点位置作为有效秩阶次确定的依据。对一个仿真实例信号的实验结果表明,该方法可准确地确定出有效秩阶次,从而能够实现信号的有效去噪。展开更多
对于一类非线性信号的去噪问题,该文提出一种基于奇异值分解(Singular Value Decomposition,SVD)的有效迭代方法。对现有奇异值差分谱方法在两类不同非线性信号上的去噪效果进行了对比,指出在信号不具有明显特征频率、非周期性变化时这...对于一类非线性信号的去噪问题,该文提出一种基于奇异值分解(Singular Value Decomposition,SVD)的有效迭代方法。对现有奇异值差分谱方法在两类不同非线性信号上的去噪效果进行了对比,指出在信号不具有明显特征频率、非周期性变化时这一方法并不适用,并分析了现象产生的原因;然后针对该类信号的特点重新定义了Hankel矩阵结构,给出有效奇异值的确定方式,并通过SVD多次迭代过程实现对该类信号的有效去噪。对实际飞行数据去噪的实验结果表明,该方法对提出的一类信号对象不仅去噪效果良好,而且可提高运算效率。展开更多
文摘为解决奇异值分解(singular value decomposition,SVD)去噪中有效秩阶次难以确定的问题,提出一种利用SVD本身进行辅助确定的方法。充分借助SVD在奇异性检测中表现出的优良特性,将原始含噪信号进行SVD处理后获得的奇异值序列视做一个新的信号,并对该信号对象重新进行奇异值分解;通过对各分量信号的奇异性检测,将奇异值序列的奇异点位置作为有效秩阶次确定的依据。对一个仿真实例信号的实验结果表明,该方法可准确地确定出有效秩阶次,从而能够实现信号的有效去噪。
文摘对于一类非线性信号的去噪问题,该文提出一种基于奇异值分解(Singular Value Decomposition,SVD)的有效迭代方法。对现有奇异值差分谱方法在两类不同非线性信号上的去噪效果进行了对比,指出在信号不具有明显特征频率、非周期性变化时这一方法并不适用,并分析了现象产生的原因;然后针对该类信号的特点重新定义了Hankel矩阵结构,给出有效奇异值的确定方式,并通过SVD多次迭代过程实现对该类信号的有效去噪。对实际飞行数据去噪的实验结果表明,该方法对提出的一类信号对象不仅去噪效果良好,而且可提高运算效率。
