基于非負矩陣分解的信號時頻特征提取方法研究.pdf

1、隨著時代的發(fā)展和科技的進步，特征提取已經(jīng)成為了信號處理、模式識別、地球物理勘測和機械故障診斷等眾多研究領域不可或缺的技術。特征提取就是將能表征數(shù)據(jù)特征信息的部分從大量數(shù)據(jù)中提取出來的過程。一直以來，由于理論水平的落后和研究工具的不足，我們往往將信號視作平穩(wěn)的來進行分析和處理，這樣不管從時域還是頻域分析起來都非常方便，但是忽視了信號在時域和頻域的內(nèi)在聯(lián)系，只能給出統(tǒng)計平均結(jié)果。然而，自然界和工程領域中絕大多數(shù)信號并不具有周期性和平穩(wěn)性，因

2、此，對非平穩(wěn)信號展開研究越來越受到人們的重視，已經(jīng)成為了科學研究和工程領域不可或缺的一部分。本文針對非平穩(wěn)信號分析和處理從頻域到時頻域的發(fā)展，圍繞時頻分析和特征提取等問題展開研究，比較了幾種時頻分析和特征提取方法的原理、優(yōu)缺點和適用性，從而針對信號特征提取中的焦點問題證明了非負矩陣分解算法應用于信號時頻特征提取的優(yōu)越性。
　　首先，本文分析了Fourier變換的局限性而導致的信號處理當中從頻域到時頻域的發(fā)展，介紹了Gabor變換、

3、短時Fourier變換、小波變換、雙線性時頻變換、自適應信號分解、經(jīng)驗模態(tài)分解等信號時頻分析方法的基本原理，同時對比了這些方法的優(yōu)缺點和適用范圍。
　　其次，本文引入了非負矩陣分解算法這一矩陣分析方法，針對該方法的優(yōu)點，研究了非負矩陣分解算法應用于信號時頻特征提取的優(yōu)越性，從理論和仿真實驗兩個方面論證了該方法的適用性，在此基礎上提出了一種改進算法，同時提出了反映信號時頻特征的頻譜矩、時相矩和稀疏特征。仿真結(jié)果表明，非負矩陣分解算法