TVAR Time-frequency Analysis for Non-stationary Vibration Signals of Spacecraft
摘要
预言在高高度的轨道的一只太空船的变化时间的汽车光谱的密度为非静止的随机的颤动要求一个精确模型发信号与浓密地 spaced 形式的频率。传统的变化时间的算法限制预言精确性，因此影响很多个运作的决定。解决这个问题，一辆变化时间的汽车回归(TVAR ) 基于这个过程当模特儿神经网络(PNN ) 和实验模式分解(EMD ) 被建议。变化时间的系统被追踪由证实一个变化时间的参数模型，然后相关参数光谱被获得联机。第一， EMD 方法被利用把信号分解成几内在的模式功能(IMF ) 。然后为每 IMF， PNN 被建立，变化时间的汽车光谱的密度被获得。最后，信号的时间频率分发能被线性重叠重建。从一个例子的模拟和分析结果证明这条途径拥有简洁，有效性，和可行性，以及更高的频率分辨率。
引用本文（GB/T 7714）
Yang, Hai Hai, cheng cheng, 等. TVAR Time-frequency Analysis for Non-stationary Vibration Signals of Spacecraft[J]. Acta Scientiarum Naturalium Universitatis Sunyatseni, 2008.
引文网络
本站仅收录题录与摘要供学习参考，全文版权归属出版方；如有侵权请联系我们删除。