- 博客(363)
- 收藏
- 关注
RSS订阅原创 让频谱包络自己划定边界：基于顺序统计滤波的自适应傅里叶分解方法（Python）
本文提出一种基于顺序统计滤波的自适应傅里叶分解方法，通过滑动最大值滤波提取频谱包络，自动划分频带并重构时域单分量。该方法首先对信号频谱进行滑动窗口最大值滤波和移动平均平滑，然后检测包络上的显著峰值作为频带分割点，最后通过逆傅里叶变换重构各频带的时域分量。整个过程无需基函数选择和迭代筛选，具有物理意义清晰、自适应性强等优点，可有效避免传统方法中的模态混叠和端点效应问题。
2026-05-30 10:00:00
302
原创 一种高效的风机轴承异常检测新范式-让小波散射为自编码器装上加速器
本文提出了一种基于小波散射变换的工业设备振动信号智能压缩方法，用于解决预测性维护中的高维数据处理难题。通过将原始振动信号（采样率97,656Hz）转换为179×48的时频特征矩阵，实现了3个数量级的时间维度压缩。实验对比显示，该方法使LSTM自编码器训练时间从90分钟降至2分钟，同时显著降低误报率。在2MW风机轴承故障检测中，该方法最早在第11-12天准确捕捉到早期劣化趋势，验证了其高效性和可靠性。研究证明，小波散射变换通过引入物理先验知识，有效解决了传统方法面临的维度灾难和噪声干扰问题，为工业设备异常检测
2026-05-29 09:45:00
373
原创 深层网络的静默层从何而来？——用梯度分布快照定位激活函数的隐性代价
摘要：本文探讨深层全连接网络训练中梯度消失问题，提出通过可视化梯度分布诊断激活函数的影响。实验对比ReLU和Sigmoid网络，采用三维直方图实时监测各层梯度分布演变。结果显示，ReLU网络各层梯度保持良好分布，而Sigmoid网络浅层梯度快速衰减至零附近，导致参数更新停滞。该方法为诊断训练异常提供了直观工具，建议在模型表现不佳时优先检查梯度分布而非调整超参数。研究证实激活函数选择对深层网络训练效果具有决定性影响。
2026-05-28 10:15:00
704
原创 别让自编码器躺平：小波散射如何让工业声学异常检测起死回生
摘要： 工业声学故障诊断中，深度卷积自编码器常因原始信号的高维噪声和非平稳性而失效，倾向于学习恒等映射，导致故障漏报率极高。实验对比了两种输入方式：原始音频波形与小波散射变换特征。结果显示，原始波形输入时模型完全失效（召回率0%），而改用小波散射特征后，同一模型准确率超95%。小波散射通过时频稀疏性、降维和平移不变性，有效滤除噪声并突出故障特征，证明物理先验驱动的特征预处理比复杂网络结构更关键。这一发现为工业声学异常检测提供了实用优化方向。
2026-05-28 09:00:00
701
原创 当神经网络判断故障时，依据在哪里？——基于梯度加权的时序决策可视化和误诊回溯
本文提出一种基于梯度反向传播的时序分类解释方法，通过生成与输入时间轴对应的重要性序列，可视化模型决策依据。实验采用模拟传感器故障数据验证，结果显示正确分类样本的重要性热图能准确聚焦异常脉冲段，而误分类样本则显示模型未能充分捕捉完整故障形态。该方法无需修改网络结构或重新训练，可直接应用于现有模型，为故障诊断提供直观可信的解释依据，有助于识别模型误判原因和改进方向。
2026-05-27 10:00:00
434
原创 如何从含噪观测中揪出地下界面和电网尖刺：追踪算法的2个经典场景
本文探讨了稀疏追踪方法在地球物理勘探和电力线通信中的应用。针对海底地层反褶积和电网脉冲噪声分离两类问题，分别采用正交匹配追踪和基追踪算法，利用信号在特定字典下的稀疏特性进行精确恢复。研究显示，这两种方法不仅能有效提取有用信号，更因其基于物理意义的字典设计而具有高度可解释性：恢复的每个原子都对应明确的地质界面或脉冲时刻。通过实际数据验证，稀疏追踪在保持恢复精度的同时，为信号解释提供了透明可靠的分析框架，优于传统滤波方法。
2026-05-27 09:15:00
381
原创 赋予网络物理直觉：一种多模态融合和物理敏感注意力的离心泵故障诊断（完善中......）
本文提出一种物理引导的深度学习方法用于离心泵故障诊断。针对传统方法特征提取与分类割裂的问题，设计了三个创新模块：1）基于物理指标的滑动窗口筛选机制，选取能量、峭度和高频特征突出的信号段；2）多模态图像融合策略，联合Mel频谱、格拉姆角差场和跨模态交互图构建三维特征表达；3）物理感知注意力网络，将信号统计特征融入通道注意力机制。该方法通过端到端训练实现了物理知识与数据驱动的有机结合，实验表明其显著提升了故障诊断的准确性和可解释性。
2026-05-26 10:30:00
364
原创 让电流和转速对话：多模态集成学习驱动的电机故障可解释诊断
本文提出一种基于物理特征和集成学习的电机故障诊断方法，解决了传统深度学习模型可解释性差的问题。通过提取电流和转速信号的时频域物理特征，采用Stacking集成策略融合随机森林、SVM和KNN等分类器，在保证诊断准确率的同时实现了决策过程的可视化。实验验证表明，该方法不仅能有效区分电气和机械故障，还能通过特征重要性分析、SHAP值等工具明确解释诊断依据，且具有采样率鲁棒性和时间稳定性。这种兼顾性能和可解释性的诊断方案为工业应用提供了实用可靠的技术路径。
2026-05-26 10:00:00
603
原创 时序解耦自编码器：用 β‑VAE 和 TCN 实现铣削刀具磨损的可解释异常检测
本文提出一种基于β-VAE和TCN的可解释刀具磨损检测方法，通过多传感器信号分析解决传统黑箱模型的解释性问题。模型利用TCN捕获切削过程的长期时序依赖，β-VAE将信号映射到可解释隐空间，从重构误差和KL散度两个维度评估异常。实验验证了该方法不仅能准确检测刀具状态，还能揭示故障演化过程：隐空间对早期磨损更敏感，不同传感器信号反映特定故障阶段，且模型在不同切削参数下表现稳健。这种双空间分析方法为工业监测提供了从预警到确认的完整解决方案，实现了模型决策过程的可视化和物理可解释性。
2026-05-26 09:30:00
575
原创 用傅里叶级数解剖振动信号：基于物理信息神经网络的可解释旋转机械故障诊断（Python）
本文提出一种基于物理信息的故障诊断新范式，通过可学习的傅里叶级数显式拟合振动信号，取代传统黑箱神经网络。该方法将信号分段后用傅里叶PINN拟合，提取谐波系数统计特征（均值和标准差）及残差作为35维物理可解释特征，最后送入轻量MLP分类器。相比端到端深度学习，该方法每个特征都对应明确的谐波分量，残差反映信号偏离周期结构的程度，实现了完全物理可解释的诊断流程。实验表明，该方法在保持诊断精度的同时，显著提升了模型的可解释性，为故障诊断领域提供了新的物理驱动研究思路。
2026-05-19 10:59:35
218
原创 严格因果的零泄露白盒框架——从哈密顿能量守恒到希尔伯特相位流形的工业故障早期预警
【摘要】本文针对深度学习在故障诊断中的两大隐患——数据泄露和物理可解释性不足展开研究。传统方法常因预处理阶段使用未来信息导致离线验证与在线部署性能差异，且黑箱模型缺乏可解释性。为此提出：1）零泄露协议，所有预处理仅基于前10%健康样本；2）物理锚定特征，引入哈密顿能量残差和希尔伯特相位流形曲率实现故障溯源。系统采用三层架构：物理特征工程提取能量耗散与相位畸变特征；零泄露隔离森林仅用健康样本训练；动态阈值机制实现可靠报警。该方法在轴承故障检测中展现出对早期弱冲击的高敏感性，同时保持对传感器老化的鲁棒性。
2026-05-19 10:54:07
313
原创 告别固定频带划分：基于阶统计滤波的自适应频域分解方法（Python）
本文提出了一种数据驱动的自适应频带分割方法，用于振动信号分析中的频带划分问题。该方法通过阶统计滤波提取频谱包络，并基于包络峰谷形态自动确定频带边界，无需先验频率知识。实验验证表明，该方法在仿真信号上能准确分解各分量，相关系数均大于0.98。相比传统等宽划分、倍频程划分或经验划分方法，该方法具有更好的自适应性和物理意义清晰性。
2026-05-19 10:48:33
165
原创 让图神经网络学会读懂化工流程图：一种知识驱动的图自编码和注意力时空卷积的故障诊断方法（PyTorch）
本文探讨了化工过程故障诊断中传感器网络拓扑结构的关键作用。针对传统深度学习方法忽视物理连接关系的问题，提出了一种融合工艺知识与图神经网络的新方法。通过构建包含52个节点和84条边的工艺流程知识图谱，设计了两个互补模型：无监督图自编码器用于故障检测，监督注意力时空图卷积网络用于故障分类。该方法将工艺流程拓扑显式编码为邻接矩阵，使模型能够理解故障传播路径，解决了纯数据驱动方法缺乏物理可解释性的问题。实验表明，这种结合先验知识的混合建模策略在故障检测灵敏度和分类准确率上均有显著提升，为复杂工业系统的故障诊断提供了
2026-05-19 10:36:13
481
原创 让小波核学会变形：基于可学习Laplace小波和最大化聚合路由胶囊网络的旋转机械故障诊断（PyTorch）
本文提出改进胶囊网络的两项关键技术：1）采用可学习Laplace小波核替代传统卷积层，通过三个可训练参数动态生成匹配故障冲击特性的小波核，实现物理可解释的特征提取；2）设计最大化聚合路由机制，用四个轻量网络替代EM迭代，通过"生成-匹配"闭环自适应调整耦合系数。网络架构包含小波卷积层、主胶囊层和边缘损失函数，优化了传统胶囊网络在物理引导和路由效率方面的不足。该方法在设备故障诊断领域具有应用潜力，特别适用于滚动轴承等机械部件的冲击信号分析。
2026-05-14 17:30:59
178
原创 让小波核学会变形：基于可学习Laplace小波和最大化聚合路由胶囊网络的旋转机械故障诊断（PyTorch）
本文提出改进胶囊网络用于机械故障诊断的两项创新：1）采用可学习Laplace小波核替代传统卷积层，通过可训练参数动态生成匹配冲击信号形态的小波核，解决物理意义不明确问题；2）设计最大化聚合路由机制，用可学习网络替代EM迭代来更新耦合系数，提高路由效率。网络架构包含小波卷积层、主胶囊层和新型路由模块，配合边缘损失函数实现稳定训练。实验表明该方法能自动学习故障特征，在诊断准确率和可解释性方面优于传统方法。
2026-05-14 17:10:55
431
原创 把冲击形态刻进卷积核：融合物理先验和KAN激活的旋转机械故障诊断（Python）
本文提出了一种融合物理先验的深度学习故障诊断方法。针对传统卷积神经网络在轴承故障诊断中卷积核缺乏物理意义的问题，设计了非对称调制高斯差分小波卷积层，将轴承故障冲击的非对称形态和特征频率等物理规律嵌入网络结构。同时引入基于B样条的可学习激活函数，构建动态非线性降噪机制。该方法通过将领域知识与深度学习相结合，使网络能够更有效地提取故障特征，提高诊断准确率。实验结果表明，该方法在故障诊断任务中取得了良好效果。
2026-05-14 11:09:41
324
原创 故障诊断创新算法之【先验知识+协同学习】基于故障特征掩码引导和潜在特征拆分的自编码器机械故障诊断（PyTorch）
本文提出一种物理引导的深度学习方法用于小样本轴承故障诊断。通过将轴承故障特征频率先验知识编码为故障特征掩码，并设计Huber损失函数引导网络学习物理特征。创新性地将潜在特征拆分为自主学习和先验引导两部分进行协同学习，同时通过解码器重构保障特征质量。实验结果表明，该方法在小样本条件下表现优异：当每类仅4个样本时准确率达97.61%，样本增至120时达100%，验证了该方法在小样本场景下的高效性和鲁棒性。
2026-05-10 16:26:39
283
原创 故障诊断创新算法之【向量化特征+动态路由】基于改进胶囊网络的机械故障诊断（PyTorch）
摘要：本文提出一种改进胶囊网络用于轴承故障诊断，采用CNN粗特征提取+胶囊矢量编码+动态路由推理的三级架构。通过大/小卷积核组合抑制噪声并捕获细节特征，预胶囊层将特征图转化为8维向量，经3次动态路由迭代调整耦合系数，使数字胶囊层精确表达故障模态与空间信息。算法采用间隔损失函数优化模型，在振动信号预处理、深度特征提取、向量化编码等步骤实现端到端智能诊断。实验表明该方法融合了CNN的局部特征提取能力和胶囊结构的空间表征优势，有效提升了故障诊断精度。
2026-05-10 16:17:39
313
原创 一种面向旋转机械的无参数故障诊断方法：分数阶注意力熵和分布式自适应近邻(Python)
本文提出了一种面向旋转机械的无参数故障诊断方法，通过改进层次分解、精细复合多尺度分数阶注意力熵、稀疏Softmax特征选择和分布式加权自适应近邻四个环节的参数自适应策略，实现了诊断流程的全自动化。该方法采用移动平均与差分算子保持信号长度，通过分数阶注意力熵捕捉冲击特征，利用L1正则化自动筛选特征，并基于集成学习策略自适应确定近邻数。实验结果显示，该方法在测试集上达到了99.5%的准确率，有效解决了传统诊断方法对人工调参的依赖问题。
2026-05-10 14:44:48
341
原创 希尔伯特相位熵：从相位同步视角捕捉旋转机械故障的隐性特征（Python）
本文提出了一种基于希尔伯特相位熵（IMHPE）的旋转机械故障诊断方法。该方法从相位同步视角出发，通过相空间重构和希尔伯特变换提取振动信号的瞬时相位特征，并引入插值补偿策略优化多尺度分析。实验结果表明，该方法能有效捕捉传统频谱分析难以发现的早期故障特征，在10类故障分类任务中表现出色。研究为机械故障诊断提供了新的相位信息分析维度，具有重要的工程应用价值。
2026-05-10 14:38:38
359
原创 【最优传输+极化正则化】基于动态距离极化最优传输的机械故障诊断方法（PyTorch）
本文提出动态距离极化正则化最优传输(DDPOT)方法，通过距离极化机制改进传统最优传输理论。该方法设置类内正传输与类间负传输的间隔阈值，显式约束传输计划矩阵，使同类样本保持高传输概率而异类样本趋向零传输，从而建立清晰分类边界。创新性地采用动态阈值掩码策略，将故障类别信息融入极化过程，利用源域标签与目标域软伪标签构建正负传输掩码，有效解决传统熵正则化导致的传输模糊问题。实验部分详细描述了算法实现流程：包括信号预处理、特征提取器构建、动态掩码生成、极化损失计算等关键步骤，并通过重心映射增强目标域分类器性能。该方
2026-05-06 07:06:48
439
原创 【胶囊路由+双注意力】 基于多注意力胶囊卷积网络的滚动轴承故障诊断方法（Pytorch）
文章摘要：提出一种多注意力胶囊卷积网络(MAACCN)用于轴承故障诊断。该方法通过无重叠切片和Z-score归一化预处理振动信号，采用多层一维卷积提取时频特征，并引入高效通道注意力(ECA)增强关键特征。通过初级胶囊层和动态路由算法构建胶囊网络，封装故障模式的空间信息。实验表明，该方法在时序划分策略下能有效识别10种轴承状态，避免数据泄露问题。模型包含卷积特征提取、注意力调制、胶囊表征和动态路由等关键组件，通过交叉熵损失监督训练，实现高精度故障分类。
2026-05-06 07:04:30
768
原创 【隐态联邦+动态卷积】 基于个性化联邦领域泛化的滚动轴承故障诊断（Pytorch）
本文提出一种联邦学习框架下的自适应故障诊断方法，通过添加不同强度工况噪声模拟数据分布偏移，并构建共享无噪数据集作为通信桥梁。该方法采用动态卷积网络提取工况不变特征，在联邦训练中结合CORAL损失与预测分布对齐实现特征一致性，同时利用交叉熵、三元组及自蒸馏损失优化本地模型。实验表明，该方法能有效提升诊断精度和跨域泛化能力。作者担任多个期刊审稿专家，专业领域涵盖信号处理、机器学习及故障诊断。
2026-05-06 07:02:47
234
原创 【MC-Dropout+注意力机制】融合预训练编码器和蒙特卡洛Dropout的不确定性感知RUL预测和SHAP可解释性分析
本文提出了一种基于深度学习的设备剩余使用寿命(RUL)预测方法。该方法融合了预训练LSTM编码器、注意力增强GRU和蒙特卡洛Dropout技术，能够有效量化预测不确定性。通过冻结预训练编码器参数提取稳健退化特征，采用时间注意力机制动态加权关键时间步，并在推理阶段使用蒙特卡洛Dropout获得预测分布。实验结果表明，该方法相比基准LSTM模型显著降低了预测误差(RMSE)，同时通过SHAP特征归因和注意力权重可视化提供了模型决策依据的解释。不确定性分析显示预测误差与估计的不确定性呈正相关，验证了方法的可靠性。
2026-04-30 09:00:00
248
原创 基于物理引导的FIR滤波和对比学习的小样本旋转机械故障诊断（PyTorch）
本文提出了一种基于可训练FIR滤波与多任务学习的旋转机械故障诊断方法。该方法通过设计物理意义明确的带通FIR滤波器组，结合门控机制筛选关键故障频率分量，并采用多任务2分类学习结构提取类别专属特征。创新性地引入对比损失优化特征空间，仅用每类5个样本训练即达到98%的准确率。实验表明，该方法在小样本条件下具有优异的泛化能力，其轻量化结构在CPU环境下单轮训练仅需2秒，显著优于传统方法。该框架有效融合了物理先验与数据驱动优势，为设备故障诊断提供了新思路。
2026-04-29 21:57:23
664
原创 【小波包能量谱+原型网络】基于增强EWPT特征和CNN‑LSTM原型网络的滚动轴承故障诊断（PyTorch)
本文提出了一种基于增强小波包变换(EWPT)和原型网络的少样本轴承故障诊断方法。通过三级小波包分解提取56维统计特征，采用5-way 5-shot元学习范式训练CNN-LSTM编码器，在CWRU数据集上达到96.95%的测试准确率。该方法仅需少量标注样本即可有效识别10类轴承故障状态，具有特征维度低、训练效率高的特点，适用于工程实践中标注数据稀缺的场景。实验表明，该框架在损失函数收敛、验证准确率等方面表现优异，未出现明显过拟合现象。
2026-04-29 19:53:07
377
原创 【时频先验+双轴稀疏路由】基于时频先验知识和双轴稀疏注意力网络的可解释机械故障诊断（Pytorch）
本文提出一种基于时频先验知识引导的可解释机械故障诊断方法。通过构造双轴稀疏注意力路由模块，沿时频图的时间轴与频率轴分别建立稀疏动态连接，增强模型对方向性时频特征的感知能力。同时设计包含频率先验语义引导与时间轴稀疏激活约束的解释性损失函数，使模型聚焦于具有物理意义的判别区域。实验采用西储大学轴承故障数据集，将振动信号转换为128×128的STFT时频图，并预设不同故障类型的时间稀疏度目标值。该方法实现了高精度故障分类与决策过程可视化解释，为机械故障诊断提供新思路。
2026-04-29 19:49:11
342
原创 基于多元拟合优度检验和马氏距离的小波域多通道信号降噪算法（MATLAB）
本文提出一种基于多元拟合优度检验的小波域多通道信号去噪方法。通过稳健估计噪声协方差矩阵，将多通道数据转换为马氏距离序列，并采用滑动窗口AD检验识别信号成分。算法核心包括：噪声协方差稳健估计、参考分布蒙特卡洛构建、滑动窗口检测及邻域修正。该方法能有效处理有色噪声和通道间相关噪声，通过循环平移策略提高稳定性。实验表明，该方法在保留信号细节的同时显著抑制噪声，为多通道信号处理提供了新思路。
2026-04-29 09:00:00
164
原创 【时频聚类+多道联合】基于修剪频谱图聚类分析和多分量多台站联合投票的地震事件检测（完善中）
摘要：本文提出了一种基于修剪频谱图的聚类分析算法，用于时频域稀疏信号检测。算法通过短时傅里叶变换获取频谱图，采用改进的DATE方法进行自适应噪声估计和信噪比计算，通过阈值修剪后对连通时频单元进行聚类分析。该方法支持多分量聚合和多台站空间聚类，可输出信号事件的时间区间和时频特征参数。实验部分展示了算法在含高斯白噪声和工频干扰信号中的检测效果，包括参数配置、检测结果输出和可视化呈现。该算法适用于设备故障诊断、异常检测等场景，具有较好的抗噪能力和特征提取性能。
2026-04-28 09:00:00
231
原创 基于时域脉冲神经网络的旋转机械多工况故障诊断和硬件加速方法（算法还在完善中........）
本文提出一种基于遗传算法优化的脉冲神经网络，用于机械故障端到端识别。算法直接处理8位量化振动信号，通过异质泄漏积分点火神经元层实现多工况故障诊断。创新点包括：1) 利用频带能量先验构建奖励项，引导网络关注结构共振带；2) 扩展观测窗口至32ms以覆盖低速工况声学死区。实验表明该方法在零DSP硬件上实现了对人工和自然磨损故障的高精度诊断。详细介绍了数据预处理、网络架构、遗传算法优化等实现步骤，并提供了硬件仿真代码框架。
2026-04-27 10:00:00
163
原创 【时频聚类+多域联合】基于修剪频谱图聚类分析和多分量-多台站联合掩码的地震信号保真降噪（完善中.....）
本文提出了一种基于时频域稀疏信号恢复的降噪算法。该方法首先通过STFT或CWT将信号转换到时频域，利用自适应噪声估计算法计算各时频单元的信噪比并设定阈值，将低于阈值的部分视为噪声置零。随后对保留的信号时频簇进行多维度聚类分析，最后通过逆变换重构出降噪后的时域信号。算法特点包括：1)无需先验信号模板；2)能同时处理多分量、多台站信号；3)有效保留弱信号并抑制背景噪声。关键参数设置包括：最小信噪比阈值6dB、信号最小持续时间0.2秒、最小频宽8Hz等。该方法适用于各类时变信号的保真恢复与噪声压制。
2026-04-27 09:00:00
426
原创 【贝叶斯寻优+多目标权衡】基于自动超参数优化框架和数据增强的时频聚类地震检测（完善中....）
本文提出一种基于贝叶斯优化的频谱图聚类检测器参数自动调优方法。通过少量人工标注事件起跳时刻和噪声波形构建训练集，采用数据增强生成多样化样本。利用NSGA-III多目标优化算法，在预设参数空间内搜索最优组合，以召回率、精确率和耗时作为优化目标。最终从帕累托前沿选取F1分数最高的参数配置，实现检测器自适应优化。该方法避免了繁琐的手动调参，为信号检测任务提供了高效的自动化解决方案。
2026-04-26 19:30:40
171
原创 基于双树复小波和拟合优度检验的自适应邻域滤波：一种统计驱动的非平稳信号降噪方法（MATLAB）
摘要：本文提出一种基于双树复小波变换的自适应降噪算法。通过多尺度分解将含噪信号转换为复小波系数，利用滑动窗口进行安德森-达林检验，识别信号主导系数。采用邻域滤波抑制虚警，仅保留有效信号成分重构。算法包含系数归一化、GOF检验、邻域滤波等步骤，有效提升降噪性能。作者为多个期刊审稿专家，擅长信号处理、机器学习和故障诊断等领域。
2026-04-26 19:16:04
40
原创 【PINN+热源建模】基于物理信息神经网络的电力电缆热动态仿真分析（PyTorch）
摘要：本研究提出一种基于物理信息神经网络(PINN)的电力电缆热动力学仿真方法。通过构建包含数据损失、物理残差损失、边界损失和初始损失的多目标损失函数，将一维热传导方程作为物理约束嵌入神经网络。采用有限差分法生成带噪声的合成数据作为监督项，在域内随机采样配置点计算PDE残差。实验结果表明，该方法能有效融合物理规律与观测数据，实现电缆温度场的准确预测。模型采用4层64神经元网络结构，经8000次Adam优化训练后，各项误差指标均达到预期要求。
2026-04-26 18:16:23
350
原创 物理信息神经网络驱动的阻变存储器参数反演：从时序电压响应中精准提取二氧化钛ReRAM物理参数（Python）
本文提出了一种基于物理信息神经网络(PINN)的二氧化钛阻变存储器参数自动提取方法。该算法通过构建包含9个可训练物理参数的多层感知机网络，以归一化的时间和电压作为输入，预测器件电阻值，并将描述电阻变化速率的微分方程嵌入损失函数。实验表明，该方法能够准确反演出包括开关灵敏度、阈值电压、电阻边界系数等关键参数，提取值与预设真值的相对误差小于5%。该研究验证了PINN在阻变存储器参数反演中的有效性，为器件建模提供了一种新思路。
2026-04-26 17:32:18
219
原创 【HOS+块阈值】基于高阶统计量和改进小波块阈值的地震信号降噪方法（MATLAB）
本文提出一种基于小波变换和高阶统计量的地震信号去噪算法。通过连续小波变换将信号分解到时频域，利用初至前的噪声段估计各尺度噪声水平，采用改进的块阈值方法（硬/软阈值）处理系数。该方法能自适应去除随机噪声，保持信号波形特征，尤其适用于低信噪比微震数据。算法流程包括：数据读取、初至时间估计、小波变换、噪声水平计算、阈值处理及信号重建。实验结果表明，该方法有效提高了信噪比，为地震信号处理提供了新思路。
2026-03-27 08:24:01
210
原创 【STFT+块阈值】基于短时傅里叶变换和自适应块阈值的地震信号降噪方法（MATLAB）
本文提出一种基于短时傅里叶变换(STFT)和块阈值的地震信号去噪方法。算法首先对信号进行STFT获得时频谱，利用IMCRA方法估计各频率点噪声水平并进行归一化处理；然后将时频谱划分为固定大小的块，采用SURE准则自动优化每个块的阈值和邻域大小，通过软阈值收缩实现自适应去噪；最后通过逆STFT重建信号。该方法能有效抑制噪声同时保留信号特征，无需人工设定阈值，适用于不同频率和时段的噪声处理。实验结果表明，该方法在地震信号去噪中具有良好的效果。
2026-03-27 08:18:56
203
原创 【大窗除强信号，小窗清残留】基于双尺度广义交叉验证阈值的地震信号自适应剥离和噪声提取方法（MATLAB）
本文提出一种基于广义交叉验证和同步压缩变换的地震信号噪声提取算法。该算法通过滑动窗口处理，结合连续小波变换和峰度分析识别高斯噪声，采用斐波那契搜索法寻找最优阈值，对信号成分进行特殊硬阈值处理（压缩为阈值一半而非置零），最后通过双重窗口处理（先大窗口后小窗口）确保有效信号完全去除。该方法能有效从地震记录中提取纯净背景噪声，为环境噪声研究提供可靠数据基础。
2026-03-27 08:15:08
375
原创 基于广义交叉验证和连续小波变换的地震数据降噪方法（MATLAB）
摘要：本文提出一种基于广义交叉验证的自适应地震信号去噪算法。该方法将连续小波变换与高阶统计量预处理相结合，通过峰度检测纯噪声尺度并自动清零，利用斐波那契搜索寻找最优阈值进行软阈值处理。算法采用滑动窗口处理长时段数据，无需人工设定阈值或噪声水平估计，具有较强的自适应能力。实验表明，该方法能有效压制随机噪声，同时保留微弱震相信息，为后续地震分析工作提供更可靠的数据基础。该技术可广泛应用于信号滤波、设备故障诊断等领域。
2026-03-26 12:00:48
267
原创 【HOS+块阈值】基于高阶统计量和改进小波块阈值的地震信号降噪方法（MATLAB）
摘要：本文提出一种基于改进块阈值的小波域地震信号去噪方法。算法利用连续小波变换获取时频系数矩阵，通过自动估计初至时间选取纯噪声段计算各尺度噪声水平，结合高阶统计量思想进行改进的块阈值处理（可选硬/软阈值）。该方法能自适应去除随机噪声，有效保持信号波形特征，特别适用于低信噪比微震数据。实验表明，算法在保留有效信号细节的同时显著提升信噪比，为地震信号处理提供了一种新思路。
2026-03-26 10:30:29
200
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人