盲源分離的案例
186基于matlab的信號盲源分離算法 ￥19.89
基于matlab的信號盲源分離算法，包括變步長盲源分離（EASI）,RLS(自然梯度和普通梯度)，并將三種方法分離結(jié)果進行對比。程序已調(diào)通，可直接運行。
235 基于matlab的時頻盲源分離（TFBSS）算法 ￥15.9
基于matlab的時頻盲源分離（TFBSS）算法，TFBSS用空間頻率分布來分離非平穩(wěn)信號，可以分離具有不同時頻分布的源信號，也能夠分離具有相同譜密度但時頻分布不同的高斯源。同時，該算法在時頻域上局域化源信號能量，從而擴散噪聲頻譜，提高了其在噪聲條件下的魯棒性。程序已調(diào)通，可直接運行。
2-6 基于matlab 2018B的語音信號降噪和盲源分離GUI界面 ￥80
基于matlab 2018B的語音信號降噪和盲源分離GUI界面，包括維納濾波，小波降噪、高通、低通、帶通濾波，及提出的濾波方法。每個功能均展示降噪前后聲音效果并外放出來。程序已調(diào)通，可直接運行。
技術(shù)評論 | 室內(nèi)Pass-by的源路徑貢獻量分析與盲源分離
</p><p>? SPC分析幫助調(diào)查每個噪聲源對總噪聲的貢獻，而不是將測量的總聲音分解為不同的貢獻。當我們對貢獻的總和與原始總測量數(shù)據(jù)做比較時，該方法給與我們更大的信心，是對模型的真正的驗證。</p><p>? HBK體積速度聲源使用專利的雙傳聲器方法，準確測量現(xiàn)場的體積速度而無需自由聲場假設(shè)，保證任何測量條件下聲學傳遞函數(shù)的準確性。</p><p><br></p><p><strong>室內(nèi)車輛通過噪聲</strong>（Pass-by）測試模擬真實路面的Pass-by測試。測試在在受控環(huán)境中進行，測量結(jié)果具有可重復性，不受天氣條件的影響。在車輛開發(fā)過程中，室內(nèi)Pass-by測試可以對設(shè)計修改進行快速驗證，以確定其對車輛整體噪聲水平的直接影響。除了Pass-by測試，車輛改進還需要了解車輛不同噪聲源的貢獻。</p><p><br></p><p>本文介紹了一種<strong>源路徑貢獻量（SPC）</strong>概念，包括在室內(nèi)車輛測試中對Pass-by的主要噪聲源進行建模。這種方法的一個特點是，它完全<strong>在時域內(nèi)進行處理</strong>，為每個考慮到的噪聲源估計聲源強度。然后對估計值進行合成，得出車輛和各個噪聲源的Pass-by估計值。這些估計值基于指示點麥克風近場數(shù)據(jù)和聲學傳遞函數(shù)。因此，可以確定車輛在Pass-by測試期間特定位置的主要噪聲源。</p><p><br></p><p>將該方法得出的結(jié)果與<strong>盲源分離（BSS）方法</strong>進行比較，以提取與車輛運行期間不同噪聲過程相關(guān)的源信號。提取的源信號與遠場測量值相關(guān)聯(lián)，以估算Pass-by噪聲貢獻。使用揚聲器對 BSS 方法進行了驗證，結(jié)果顯示輪胎噪聲和發(fā)動機噪聲的分離效果很好。最后，在底盤轉(zhuǎn)鼓上對這兩種方法進行測試和評估。
展開 
163基于matlab的不同目標函數(shù)的盲源信號分離基于負熵的 ￥29.9
基于matlab的不同目標函數(shù)的盲源信號分離基于負熵的；基于負熵的改進算法； 基于峭度的；基于互信息的；基于非線性PCA的。輸出解混前后信號結(jié)果。程序已調(diào)通，可直接運行。
設(shè)備狀態(tài)監(jiān)測及故障預警技術(shù)介紹
早期故障信息具有明顯的低信噪比微弱信號的特征，為實現(xiàn)早期故障有效分析，涉及方法包括：多傳感系統(tǒng)檢測及信息融合，非平穩(wěn)及非線性信號處理，故障征兆量和損傷征兆量信號分析，噪聲規(guī)律與特點分析，以及相關(guān)數(shù)據(jù)挖掘、盲源分離、粗糙集等方法。
（4）故障預測模型構(gòu)建。構(gòu)建基于智能信息系統(tǒng)的設(shè)備早期故障預測模型，這類模型大致有兩個途徑，分別是物理信息預測模型以及數(shù)據(jù)信息預測模型，或構(gòu)建這兩類預測模型相融合的預測模型。
（5）運行狀態(tài)劣化的相關(guān)評價參數(shù)、模式及準則。如表征設(shè)備狀態(tài)發(fā)展的參數(shù)及特征模式，狀態(tài)發(fā)展評價準則及條件，面向安全保障的決策理論方法，穩(wěn)定性、可靠性及維修性評估依據(jù)及判據(jù)等。
云酷科技的設(shè)備狀態(tài)物聯(lián)網(wǎng)聲學監(jiān)控系統(tǒng)以音頻數(shù)據(jù)為核心，輔以其他設(shè)備參數(shù)，通過物聯(lián)網(wǎng)技術(shù)實現(xiàn)設(shè)備狀態(tài)的遠程感知，基于AI神經(jīng)網(wǎng)絡(luò)技術(shù)，計算并提取設(shè)備音頻特征，從而實現(xiàn)設(shè)備運行狀態(tài)的實時評估與故障的早期識別。幫助企業(yè)用戶提升生產(chǎn)效率，保證生產(chǎn)安全，優(yōu)化生產(chǎn)決策。
展開 如何最大化振動臺的動圈壽命
wx_fmt=png" alt="技術(shù)評論 | 室內(nèi)Pass-by的源路徑貢獻量分析與盲源分離的圖4" style="max-width: 100%; display: block; margin: 0px auto;"></a></p>
<p style="margin-top: 1.4em; margin-bottom: 15px; cursor: text; counter-reset: list-1 0 list-2 0 list-3 0 list-4 0 list-5 0 list-6 0 list-7 0 list-8 0 list-9 0; text-align: justify; color: rgb(18, 18, 18); font-family: -apple-system, BlinkMacSystemFont, "Helvetica Neue", "PingFang SC", "Microsoft YaHei", "Source Han Sans SC", "Noto Sans CJK SC", "WenQuanYi Micro Hei", sans-serif; font-size: 15px; max-width: 850px !
展開 