系统研究了面向复杂系统监测时变信号的实时故障检测与识别问题.采用滑窗Mallat小波快速变换克服传统小波变换的时域全局依耐性并提高计算效率,使之适应于实时故障检测;针对时变信号的故障模式识别难题,在故障检测基础上采用改进动态循环神经网络(improved dynamic recurrent neural network,IDRNN)进行智能故障识别.最后将滑动时窗小波检测模块及最优IDRNN网络模块嵌入某型完整卫星姿态控制系统仿真平台进行在线故障诊断.试验结果表明:实时条件下的滑动窗口小波变换与传统小波变换具有一致性,IDRNN对于时变信号识别具有较好的时域泛化能力,将滑窗移动时不变小波方法与IDRNN结合可以实现面向复杂系统监测实时信号的故障检测及复合模式分类

一、傅里叶级数和傅里叶级数的性质 二、傅里叶变换和傅里叶变换的性质 三、周期信号和非周期信号的频谱分析 四 、连续时间LT系统的频域分析 五、抽样和抽样定理

本章讨论的问题: 1在模拟电子电路中需要哪些波形的信号作为测试信号和控制信号? 2.正弦波振荡电路所产生的自激振荡和负反馈放大电路中所产生的自激振荡有什么区 别? 3为什么正弦波振荡电路中必须有选频网络选频网络由哪些元件组成?

到目前为止，我们讨论了连续时间周期信号的频谱（CTFS）、连续时间非周期信号的频谱（CTFT）及非周期序列的频谱(DTFT)，本章主要讨论周期序列的傅里叶级数（DFS)及其性质、有限长序列的傅里叶变换(DFT)的性质、有限长序列的傅里叶变换与周期序列的傅里叶级数的关系。有限长序列的离散傅里叶变换不仅在理论上十分重要，而且还存在快速算法，因此，离散傅里叶变换在数字信号处理中起着核心作用。 6.1 有限长序列与周期序列的关系 6.2 导出周期序列傅里叶级数的各种途径 6.3 常用周期序列的傅里叶级数 6.4 离散傅里叶变换 6.5 DFS与DFT的性质 6.6 离散傅里叶级数分析法 6.7 有限长序列的ZT、DTFT及DFT的相互表示 6.8 利用DFT逼近CTFT

本章将采用与讨论连续时间完全相同 的思想方法,来研究离散时间周期信号 与非周期信号的频域分解问题。 DFS与CFS之间既有许多类似之处,也有 一些重大差别:主要是DFS是一个有限项 级数,具有周期性

研究了带有预见信息的线性离散时间系统的状态观测器，并将其应用到预见控制系统.为了满足设计观测器的需要，首先导出了包含可预见的目标值信号和干扰信号的扩大误差系统，并由此得到最优预见控制器.在设计状态观测器时，通过改写输出方程充分利用了可预见的目标值信号和干扰信号.设计的状态观测器针对原系统是全维观测器，而针对扩大误差系统则是降维观测器.最后通过数值仿真证明了所设计的状态观测器的有效性

3.1 引言 3.2 晶体管的高频小信号等效电路和参数 3.3 高频小信号宽带放大器

设计了一种单片计算机程控的信号变换电路。它实现了八位A/D转换器的十一位变换,零点自动补偿,量程自动切换,以及线性化等功能。电路用于光电辐射测温仪的信号处理。其量程范围:1000~1800℃。变换电路的测量误差 ≤ 1℃±1个字,(不包括光电转换元件的误差)。讨论了信号变换系统的工作原理及软件程序框图,分析了各部分的误差及其影响,给出了试验结果。结果表明,以软件和硬件的结合,数字电路和模拟电路的结合构成的变换系统,具有更大的灵活性,并简化了结构

4.3.1 图解分析法 4.3.2 小信号模型分析法 1. 静态工作点的图解分析 2. 动态工作情况的图解分析 3. 非线性失真的图解分析 4. 图解分析法的适用范围 1. BJT的H参数及小信号模型 2. 用H参数小信号模型分析基本共射极放大电路 3. 小信号模型分析法的适用范围

融合手工特征和深度特征，提出了一种集成超限学习机心跳分类方法。手工提取的特征明确地表征了心电信号的特定特性，如相邻心跳时间间隔反映了心跳信号的时域特性，小波系数反映了心跳信号的时频特性。同时设计了一维卷积神经网络对心跳信号特征进行自动提取。基于超限学习机（Extreme leaning machine，ELM），将上述特征融合进行心跳分类。由于ELM初始参数的随机给定可能导致其性能不稳定，进一步提出了一种基于袋装（Bagging）策略的多个ELM集成方法，使分类结果更加稳定且模型泛化能力更强。利用麻省理工心律失常公开数据集对所提方法进行了验证，分类准确率达到了99.02%，实验结果也表明基于融合特征的分类准确率高于基于单独特征的分类准确率