基于信号稀疏重建的轴承故障诊断matlab仿真

目录

1.算法概述

2.仿真效果

3.MATLAB仿真源码

---

1.算法概述

       了解信号的概率分布具有重要的实际意义。许多应用中，我们感兴趣的信号通常是可以被描述，可以被压缩的，这与严格稀疏的信号不同。可压缩信号的概率分布通常是重尾的，重尾又可以使用双状态高斯混合分布描述。信号的每个元素可以从’大‘或者’小’两种状态取值。假设信号中的各个元素独立同分布，可以证明信号元素取小值比取大值更加频繁。其他的一些重尾分布函数也可以描述系数信号的元素：拉普拉斯分布。这种重尾分布广泛应用于基于贝叶斯推理的稀疏主分量分析中。目的是根据测量矩阵和y估计处原信号x。这个估计过程有贝叶斯估推理形式，主要求在给定y下的x的边缘条件概率。可以得出MLE\MAP（最大后验概率估计），这个推理是一种参数优化过程，这个可以使用各种方法求解，基于信任扩散的稀疏重建方法是其中的一种。

       雷达成像中常见先验信息即稀疏性，利用稀疏性和少量观测数据以及正则化方法重建出目标场景，形成压缩感知理论。压缩感知成像中，CS侧重减少测量数据量，正则化强调结果质量的提高。压缩感知能降低采样速率及数据量，提高成像质量，测量矩阵随机性提高抗干扰能力。从逆问题求解的角度来看，压缩采样数据进行恢复原始信号也通常是病态问题，但由于目标稀疏性的先验信息，原病态问题变成良态问题。成像方面稀疏表示其一可将目标表示为特定的几何结构，如汽车可以表示为平面和二角面的组合；其二可对场景进行稀疏变化。
压缩感知难点：
1）随机矩阵有利于目标重建，但随机矩阵涉及随机采样，现有体制少有随机采样雷达体制；
2）重建过程计算量大；