3.1 周期信号分解为傅里叶级数 3.2 信号在正交函数空间的分解 3.3 周期信号的频谱 3.4 非周期信号的频谱 3.5一些常见信号的频域分析 3.6 傅里叶变换的性质及其应用 3.7 相关函数与谱密度 3.8 连续系统的频域分析 3.9 信号的无失真传输和理想滤波器

3.1 周期信号分解为傅里叶级数 3.2 信号在正交函数空间的分解 3.3 周期信号的频谱 3.4 非周期信号的频谱 3.5一些常见信号的频域分析 3.6 傅里叶变换的性质及其应用 3.7 相关函数与谱密度 3.8 连续系统的频域分析 3.9 信号的无失真传输和理想滤波器

第3章连续信号与系统的频域分析 3.1周期信号分解为傅里叶级数 3.2信号在正交函数空间的分解 3.3周期信号的频谱 3.4非周期信号的频谱 3.5一些常见信号的频域分析 3.6傅里叶变换的性质及其应用 3.7相关函数与谱密度 3.8连续系统的频域分析 3.9信号的无失真传输和理想滤波器

针对非线性、非平稳信号的数据压缩问题,提出了一种基于自适应形态小波的轧机电气信号压缩方法.结合电气信号的形态特征,采用中值算子作为形态小波的更新算子对信号进行分解,从而实现根据信号的局部形态特征,自适应地调整形态小波分解的更新算子.工业现场实际轧机电气信号的数据压缩实验证明:利用这种形态小波信号压缩方法,可以获得高压缩比的信号,并能保留信号的形态特征;同时,这种形态小波信号压缩方法运算量小,可以应用到实时性要求较高的在线监测系统中

周期信号的分解—傅里叶级数 周期信号的频谱分析 三角形式 指数形式 周期信号的频谱分析 周期信号的功率频谱 非正弦周期信号的有效值 非周期信号的分解—傅里叶变换 由级数到变换 常用信号的变换 傅里叶变换的性质 奇异函数的变换 周期信号的傅里叶变换 信号的抽样与抽样定理、时分复用

为提高开关电流电路故障诊断的精度,提出了一种基于小波包优选和优化BP神经网路的开关电流电路特征抽取与识别方法.首先对开关电流电路原始响应信号进行多层次的小波包分解,接着计算N层分解后的归一化能量值,以特征偏离度作为评价选择最优小波包基,构建最优故障特征向量,最后将提取的最优故障特征通过遗传算法优化的BP神经网络进行分类.该方法以实例电路进行验证,结果表明所有的软故障均得到了有效的分类,说明了该方法在开关电流电路故障诊断中的优越性

针对滚动轴承故障振动信号的特点,考虑变分模式分解在复杂信号分解及微积分增强能量算子在瞬态成分检测方面的优势,提出基于变分模式分解和微积分增强能量算子的滚动轴承故障诊断方法.首先利用变分模式分解将复杂信号分解为多个本质模式函数,以削弱背景噪声的影响和满足能量算子对信号单分量的要求;然后根据提出的敏感分量选取原则,从本质模式函数中选出包含主要故障信息的本质模式函数为敏感分量;最后利用微积分增强能量算子强化敏感分量中的瞬态冲击,并根据敏感分量瞬时能量的时域波形及Fourier频谱诊断滚动轴承故障.分析结果表明该方法能够有效诊断滚动轴承故障

1.5 信号的分解 1.6 系统模型及其划分 1.7 线性时不变系统(LTI) 1.8 系统分析方法

6.3信号的正交函数分解 1、正交矢量 2、正交函数 3、正交函数集

由于轴承故障声信号的混响及临近的机械设备的噪声，造成声信号的频域分析很困难．通过小波变换原理，对滚动轴承故障声信号进行时频分析．通过对声信号的多尺度分解，分离出由故障造成的声信号突变．实验结果表明，较之以往的时域、频域信号处理技术，该方法对声音信号分解更趋合理，是一种可靠和有效的滚动轴承故障诊断新方法．