Документация

short-time Fourier transform является линейным представлением частоты времени, полезным в анализе неустановившихся многокомпонентных сигналов.

Кратковременное преобразование Фурье является обратимым.

Спектрограмма является величиной, в квадрате из STFT.

Можно вычислить перекрестную спектрограмму двух сигналов искать общие черты в пространстве частоты времени.

Спектр персистентности сигнала является представлением частоты времени, которое показывает процент времени, когда данная частота присутствует в сигнале. Спектр персистентности является гистограммой в пространстве частоты степени. Чем дольше особая частота сохраняется в сигнале, когда сигнал развивается, тем выше его процент времени и таким образом более яркое или "более горячее" его цвет в отображении.

Обработка звукового сигнала: Основная оценка частоты, пересеките синтез, спектральную экстракцию конверта, модификацию масштаба времени, растягивание во времени и перемену подачи. (См. Вокодер Фазы с Различным Windows Синтеза и Анализа для получения дополнительной информации.)

Взломанное обнаружение: Обнаружьте трещины в алюминиевых пластинах с помощью дисперсионных кривых сверхзвуковых Волн Лэмба.

Обработка сенсорной матрицы: исследование Гидролокатора, геофизическое исследование и beamforming.

Цифровая связь: Обнаружение сигнала скачкообразного движения частоты.

stft вычисляет кратковременное преобразование Фурье. Чтобы инвертировать кратковременное преобразование Фурье, используйте istft функция.

pspectrum или spectrogram вычисляет спектрограмму.

xspectrogram вычисляет перекрестную спектрограмму двух сигналов.

Можно также использовать представление спектрограммы в Signal Analyzer, чтобы просмотреть спектрограмму сигнала.

Используйте опцию спектра персистентности в pspectrum или Signal Analyzer, чтобы идентифицировать сигналы, скрытые в других сигналах.

Вейвлет преобразовывает, линейное представление частоты времени, которое сохраняет масштабирования времени и временные сдвиги.

continuous wavelet transform способен обнаруживать переходные процессы в неустановившихся сигналах, и для сигналов, в которых мгновенная частота растет быстро.

CWT является обратимым.

CWT размещает плоскость частоты времени рядом с окнами переменного размера. Окно автоматически расширяется вовремя, делая его подходящим для низкочастотных явлений, и сужается для высокочастотных явлений.

Электрокардиограммы (ECG): наиболее клинически полезная информация сигнала ECG найдена во временных интервалах между его последовательными волнами и амплитудами, заданными его функциями. Вейвлет преобразовывает, ломает сигнал ECG в шкалы, облегчая анализировать сигнал ECG в различных частотных диапазонах, легче анализировать.

Электроэнцефалограмма (EEG): Сырые данные сигналы EEG страдают от плохого пространственного разрешения, низкого отношения сигнал-шум и артефактов. Непрерывное разложение вейвлета сигнала с шумом концентрирует внутреннюю информацию сигнала в нескольких коэффициентах вейвлета, имеющих большие абсолютные значения, не изменяя случайное распределение шума. Поэтому шумоподавление может быть достигнуто пороговой обработкой коэффициенты вейвлета.

Демодуляция сигнала: Демодулируйте extended binary phase shift keying (EBPSK) с помощью адаптивного способа строительства вейвлета.

Глубокое обучение: CWT может использоваться, чтобы создать представления частоты времени, которые могут использоваться, чтобы обучить сверточную нейронную сеть. Классифицируйте Временные ряды Используя Анализ Вейвлета, и Глубокое обучение (Wavelet Toolbox) показывает, как классифицировать сигналы ECG с помощью scalograms и передачу обучения.

cwt вычисляет непрерывный вейвлет, преобразовывают, и отображает scalogram. В качестве альтернативы создайте набор фильтров CWT с помощью cwtfilterbank и примените wt функция. Используйте этот метод, чтобы запуститься в параллельных приложениях или при вычислении преобразования для нескольких функций в цикле.

icwt инвертирование непрерывный вейвлет преобразовывает.

Signal Analyzer имеет представление scalogram, чтобы визуализировать CWT временных рядов.

Wigner-Ville distribution (WVD) является квадратичной плотностью энергии, вычисленной путем корреляции сигнала со временем и частотой переведенная и спрягаемая комплексом версия себя.

Распределение Wigner-Ville всегда действительно, даже если сигнал является комплексным.

Время и частота крайняя плотность соответствуют мгновенной степени и спектральной плотности энергии, соответственно.

Мгновенная частота и групповая задержка могут быть оценены с помощью локальных моментов первого порядка распределения Wigner.

Разрешение времени WVD равно количеству входных выборок.

Распределение Wigner может локально принять отрицательные величины.

Эмиссия Otoacoustic (OAEs): OAEs являются узкополосными колебательными сигналами, испускаемыми улиткой уха (внутреннее ухо), и их присутствие показательно из нормального слушания.

Квантовая механика: коррекции Quantum к классической статистической механике, перенос электронов модели, и вычисляют статические и динамические свойства квантовых систем много-тела.

wvd вычисляет распределение Wigner-Ville.

xwvd вычисляет кросс-распределение Wigner-Ville двух сигналов. Смотрите Кросс-распределение Wigner-Ville Использования, чтобы Оценить Мгновенную Частоту для получения дополнительной информации.

Reassignment увеличивает резкость локализации спектральных оценок и производит спектрограммы, которые легче считать и интерпретировать. Метод перемещает каждую спектральную оценку к центру энергии его интервала вместо геометрического центра интервала. Это обеспечивает точную локализацию для щебетов и импульсов.

Fourier synchrosqueezed transform начинает с кратковременного преобразования Фурье и "сжимает" свои значения так, чтобы они сконцентрировались вокруг кривых мгновенной частоты в плоскости частоты времени.

wavelet synchrosqueezed transform повторно присваивает энергию сигнала в частоте.

И synchrosqueezed преобразование Фурье и вейвлет synchrosqueezed преобразовывают, являются обратимыми.

Переприсвоенные и synchrosqueezing методы особенно подходят отслеживать и извлекать частоту времени ridges.

Обработка звукового сигнала: Synchrosqueezing преобразовывают (SST), был первоначально введен в контексте анализа звукового сигнала.

Сейсмические данные: Анализ сейсмических данных, чтобы найти нефтегазовые прерывания. Synchrosqueezing может также обнаружить глубокий слой слабые сигналы, которые обычно мажут в сейсмических данных.

Колебания в энергосистемах: паровая турбина и электрический генератор могут иметь механические подсинхронные режимы (SSO) колебания между различными турбинными этапами и генератором. Частота SSO обычно между 5 Гц и 45 Гц, и частоты режима часто друг близко к другу. Антишумовое разрешение способности и частоты времени WSST улучшает удобочитаемость представления частоты времени.

Глубокое обучение: Synchrosqueezed преобразовывает, может использоваться, чтобы извлечь функции частоты времени и подаваться в сеть, которая классифицирует данные timeseries. Сегментация формы волны Используя Глубокое обучение показывает как fsst выходные параметры могут быть поданы в сеть LSTM, которая классифицирует сигналы ECG.

Используйте 'reassigned' опция в spectrogram, установите 'Reassigned' аргумент к true в pspectrum, или установите флажок Reassign в представлении спектрограммы Signal Analyzer, чтобы вычислить повторно присвоенные спектрограммы.

fsst вычисляет synchrosqueezed преобразование Фурье. Используйте ifsst функционируйте, чтобы инвертировать synchrosqueezed преобразование Фурье. (См. synchrosqueezed преобразование Фурье Речевого Сигнала для реконструкции речевых сигналов с помощью ifsst.)

wsst вычисляет вейвлет synchrosqueezed, преобразовывают. Используйте iwsst функционируйте, чтобы инвертировать вейвлет synchrosqueezed, преобразовывают. (См. Обратное Преобразование Synchrosqueezed Щебета (Wavelet Toolbox) для реконструкции квадратичного щебета с помощью iwsst.)

constant-Q nonstationary Gabor transform использует окна с различными центральными частотами и пропускной способностью, таким образом, что отношение центральной частоты к пропускной способности, фактору Q, остается постоянным.

Постоянный-Q Габор преобразовывает, включает конструкцию устойчивых инверсий, давая к совершенной реконструкции сигнала.

В пространстве частоты окна сосредоточены на логарифмически расположенных с интервалами центральных частотах.

cqt вычисляет постоянного-Q Габора, преобразовывают.

icqt инвертирование постоянный-Q Габор преобразовывает.

empirical mode decomposition разлагает сигналы на intrinsic mode functions, которые формируют полное и почти ортогональное основание для исходного сигнала.

Hilbert-Huang transform вычисляет мгновенную частоту каждой внутренней функции режима.

Эти два объединенные метода полезны для анализа нелинейных и неустановившихся сигналов.

Физиологическая обработка сигналов: Анализируйте человеческий ответ EEG на трансчерепную магнитную стимуляцию (TMS) мозговой коры.

Структурные приложения: Найдите аномалии, которые появляются как трещины, отслоение или потеря жесткости в лучах и пластинах.

Система идентификации: Изолируйте модальные коэффициенты затухания структур с близко расположенными модальными частотами.

Океанская разработка: Идентифицируйте переходные электромагнитные воздействия, вызванные людьми в подводных электромагнитных средах.

Солнечная физика: Извлеките периодические компоненты данных о солнечном пятне.

Атмосферная турбулентность: Наблюдайте, что устойчивый пограничный слой разделяет турбулентные и нетурбулентные движения.

Эпидемиология: Оцените скорость перемещения коммуникативных болезней, таких как лихорадка денге.

emd вычисляет эмпирическое разложение моды.

hht вычисляет спектр Гильберт Хуана эмпирического разложения моды.