利用奇异值分解(Singular value decomposition,SVD)进行信号处理的关键在于矩阵的构造,为利用SVD分离信号中的不同频率成分,提出一种变矩阵结构递推SVD算法,其思想是在SVD递推分解过程中逐次改变矩阵的结构,每进行一次SVD分解,矩阵的结构就规律性地变化一次,由此形成对信号中不同频率成分的适应性,从而达到将其分离出来的目的。推导出这种变结构SVD的信号分解算法,证明了这种算法可以将原始信号分解为一系列分量信号的线性组合。进一步从理论上分析了这种算法的信号分离机理,证明了对于一些特定的频率结构,这种变结构SVD算法可以实现对原信号中单个频率分量的逐次分离。最后通过对模拟信号和工程实际信号的分离实例证实了变结构SVD算法良好的信号分离效果,并与小波分析和多分辨SVD方法进行了比较,结果表明变结构SVD的信号分离结果优于这两种方法。
【英文摘要】
The key question of applying singular value decomposition(SVD) to signal processing is the construction of the matrix. In order to separate the different frequency components from the original signal through SVD, a recursive SVD algorithm with variable matrix structure is proposed, whose idea is to change the structure of the matrix in the process of SVD recursion decomposition, each time when the SVD is carried out, the structure of the matrix to be decomposed will change regularly to adapt to the differen...
【基金】
国家自然科学基金(51375178);
广东省自然科学基金(S2012010008789)资助项目
【更新日期】
2017-12-21
【分类号】
TN911.7
【正文快照】
0前言*奇异值分解(Singular value decomposition,SVD)是一种矩阵分解方法,对任何一个矩阵,通过SVD都可以将其分解为两个正交矩阵和一个对角阵的乘积。SVD在数据压缩、特征提取、故障诊断、信号消噪等领域有着广泛的应用。例如,对象矩阵的信息可以通过几个较大的奇异值及其所对
| 
推荐 
点击下列相关研究机构和相关文献作者，可以直接查到这些机构和作者被《中国知识资源总库》收录的其它文献，使您全面了解该机构和该作者的研究动态和历史。
