本文首先回顾了一些时频分析方法,分析其具有的特点以及存在的不足,然后介绍了一种新的分析非线性、非平稳信号的方法,并将它与以往的时频分析方法进行比较,指出其具有的优势。在此基础上,对将它与径向基函数神经网络联合进行结构损伤检测进行了研究。 以往的大多数时频分析方法均是对传统的傅立叶分析进行修改后得到的,因此,傅立叶分析所存在的问题,如用谐波分量来表达信号中的突变,是一个时间区间上的积分平均,或者是由传统的频率定义所带来的问题,如时间分辨率和频率分辨率的矛盾性,各种时频分析方法或多或少都存在,提高某一参数指标的同时往往是以牺牲另一参数指标为代价的。 Hilbert—Huang变换(Hilbert—Huang Transform,简称HHT)是一种新的非线性和非平稳信号的处理技术,它是由美国宇航局的Norden E.Huang教授于1998年在经典的Hilbert变换的基础上提出的。该方法由经验模态分解(Empirical Mode Decomposition,简称EMD)与Hilbert谱分析(Hilbert Spectral Analysis,简称HSA)两部分组成:任意的非线性或非平稳信号首先经过EMD方法处理后被分解为若干个固有模态函数(Intrinsic Mode Function,简称IMF);然后对每个IMF分量进行Hilbert谱分析得到相应的Hilbert谱;最后汇总所有IMF分量的Hilbert谱就得到了原始信号的Hilbert谱,按照这种方法得到的Hilbert谱在联合的频率—时间域中来描述原始信号,具有非常高的时频分辨率,从根本上克服了以往基于傅立叶分析的种种信号处理方法所存在的弊端,而且EMD方法分解所得到的IMF分量也具有明确的物理意义。 在HHT方法本身的研究方面,针对EMD方法中的边界问题,本文提出了一种基于径向基函数(RBF)神经网络的数值算法。该算法利用RBF神经网络分别在信号的两端预测出两个附加的极大值点和两个附加的极小值点,然后利用三次样条函数将信号本身的极值点与预测出的附加极值点连接起来形成信号的上下包络线,最后通过“筛分”处理将原始信号分解成一系列IMF分量。计算结果表明,该算法对于EMD的准确分解非常有效,尤其对于低频IMF分量得到了很好的结果。 在HHT方法的应用研究方面,本文做了三部分的工作:首先,利用HHT