.png){kind=icon}
返回
Multivariate cyclostationary deep deconvolution (MCDD): An intelligent multivariate signal processing algorithm
.png){kind=icon}
PRE
AI
DOI：10.1016/j.eswa.2026.131803.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
盲解卷积（BD）技术通过构建与故障特征一致的目标函数被广泛应用于恢复故障源信号。然而，传统BD方法极易受到强脉冲和噪声的影响。为解决这些局限性，本研究引入了一种新型的多变量循环平稳深度解卷积（MCDD）方法，其特点是具有多输入、多节点和深度网络架构。首先，输入层以多通道数据作为输入，实现了不同通道间特征信息的融合。此外，采用1/3二叉树滤波器组结构初始化滤波器组，将频谱划分为子带。其次，在隐藏层中，使用广义高斯平稳性/广义高斯循环平稳性来引导深度网络中的特征学习，并采用特征值算法更新权重。隐藏层通过逐层提取稀疏信号的特征来增强故障特征。最后，在输出层进行降维处理，以提取最显著的故障特征。三个案例研究证明了所提出的MCDD算法在故障特征提取方面优于传统BD技术。定量分析验证了所提出的MCDD算法具有增强的鲁棒性和诊断精度，尤其是在噪声工况下。
Keyword:
Blind deconvolution
Cyclostationary signal processing
Deep learning
Fault diagnosis
Multivariate signal processing
期刊
IF:
7.5
论文数:
3.0W
被引数:
10.2W
机构
引用论文
Maximum Spectral Sparse Entropy Blind Deconvolution for Bearing Fault Diagnosis轴承故障诊断的最大谱稀疏熵盲解卷积.png)
IEEE SENSORS JOURNAL
IEEE SENSORS JOURNALIF4.5
PREAI
分享收藏Gated recurrent unit based recurrent neural network for remaining useful life prediction of nonlinear deterioration process基于门控递归单元的递归神经网络在非线性劣化过程剩余寿命预测中的应用
PREAI
分享收藏Physics-informed deep learning for virtual rail train trajectory following control物理信息深度学习在虚拟铁路列车轨迹跟踪控制中的应用
PREAI
分享收藏
Blind MMSE Equalization of SISO IIR Channels Using Oversampling and Multichannel Linear Prediction
PREAI
分享收藏分享收藏Deep separable convolutional network for remaining useful life prediction of machinery用于机械剩余使用寿命预测的深度可分离卷积网络
PREAI
分享收藏
查看更多内容