监测系统中智能信息处理技术概述

目前在监测系统中已经成功应用的特征提取方法大致可分为以下几大类：一类是基于稳态或近似稳态的各种信号经典处理方法，主要包括信号时域统计量分析、傅里叶分析（包括频谱分析、相关分析、相干分析、传递函数分析、细化谱分析、包络解调谱分析、倒谱分析等）。另一类是基于非高斯、非平稳信号分析的种现代信号处理方法，主要包括二次型时频分布（又称Wigner-Ville时频分布）、短时傅里叶变换（STFT）、小波变换（WT）、循环平稳信号分析（CSA）、经验模式分解（EMD，又称HHT-Huang变换）、盲信号处理（BSP）等^[9]。

1.传统的监测信号特征提取技术

传统的监测信号特征提取技术主要有信号的幅域分析、信号的时域分析以及以傅里叶变换（FT）为核心的经典信号处理分析方法（主要有频谱分析、相关分析、相干分析、传递函数分析、细化谱分析、倒频谱分析、包络分析等），它们曾经在监测信号特征提取中发挥了巨大作用，随着监测系统信号处理技术的发展，仅仅使用这些传统方法已经不能有效解决复杂的信号特征提取任务。

2.监测信号特征提取中的现代谱分析方法

利用给定的N个样本数据估计一个平稳随机信号的功率谱密度叫做谱分析。谱分析方法分为两大类：非参数化方法和参数化方法。非参数化谱分析（如周期图法）又叫“经典”谱分析，它是以傅里叶分析为基础的。其主要缺陷是频率分辨率低。参数化谱分析又叫现代谱分析，它具有频率分辨率高的特点。主要有ARMA谱分析、最大似然法、熵谱估计法和特征分解法四种。其中ARMA谱分析是一种建模方法，即通过对平稳线性信号过程建立模型来估计功率谱密度，是应用较广的一种现代谱分析方法。它采用时间序列线性预测建模的方法来描述信号，由ARMA得到的频谱较FFT更为平滑、频谱分辨率更高、对信号处理点数要求也不高，其中由一阶白噪声驱动的ARMA模型即AR模型在实践中得到更为广泛的应用。由于在AR模型中，信号可视为白噪声通过一滤波环节产生的输出，因此信号AR模型的线性预测系数也可作为信号的特征之一。

3.监测信号特征提取中的高阶统计量分析方法(www.xing528.com)

一般情况下，总是假定被分析信号服从高斯分布。而事实上，现实系统都是非线性的，即便输入高斯信号，输出却为非高斯信号。对于非高斯信号而言，需要用高阶统计量反映信号的更多信息。经过短短几年的迅速发展，高阶统计量已在雷达、声纳、通信、地球物理及生物医学等领域获得了大量应用。高阶统计量方法在故障特征信息提取上也具有很大的潜力，特别是三阶统计量分析已广泛应用于非因果、非最小相位系统、非线性系统辨识，抑制高斯或非高斯分布的有色噪声，提取多种信号特征等领域。

4.监测信号特征提取中的时频分析方法

基于傅里叶变换的信号频域表示及其能量的频域分布揭示了信号在频域的特征，它们在传统的信号分析与处理的发展史上发挥了极其重要的作用。但是，傅里叶变换是一种整体变换，它只是建立了从时域到频域的通道，并没有将时域和频域组合成一个域，即对信号的表征要么完全在时域，要么完全在频域，信号的时间信息在频域中无法得到。时频分析法将时域和频域组合成一体，这就兼顾到非平稳信号的要求。它的主要特点在于时间和频率的局部化，通过时间轴和频率轴两个坐标组成的相平面，可以得到整体信号在局部时域内的频率组成，或者看出整体信号各个频带在局部时间上的分布和排列情况。时频分析在语音处理、地震资料分析、信号检测和数据压缩等多个领域得到了广泛应用。对于监测系统而言，所采集的监测信号是非平稳、非线性的信号。因此，时频分析方法是进行监测信号特征提取的一个重要的方法和特征提取工具，并广泛应用于监测系统中。

下面将对监测系统中的时频信号分析技术进行详细讲解。